大型機(jī)場(chǎng)場(chǎng)面機(jī)動(dòng)目標(biāo)跟蹤算法研究.pdf

1、本文將機(jī)動(dòng)目標(biāo)跟蹤技術(shù)應(yīng)用于機(jī)場(chǎng)場(chǎng)面活動(dòng)目標(biāo)跟蹤，重點(diǎn)對(duì)關(guān)鍵技術(shù)交互式多模型算法進(jìn)行理論研究與改進(jìn)。
　　首先從建模和濾波算法兩方面對(duì)機(jī)動(dòng)目標(biāo)跟蹤技術(shù)的基本方法進(jìn)行理論分析。主要分析了四種常用的機(jī)動(dòng)目標(biāo)跟蹤模型，即曲線運(yùn)動(dòng)模型、Singer模型、當(dāng)前統(tǒng)計(jì)模型、多模型，和三種經(jīng)典的濾波器，即卡爾曼濾波器、擴(kuò)展卡爾曼濾波器、粒子濾波器?？偨Y(jié)了卡爾曼濾波器在機(jī)動(dòng)目標(biāo)跟蹤中的具體運(yùn)用及發(fā)展；詳細(xì)闡述了粒子濾波的基本原理、理論缺陷和解決辦法

2、。
　　其次將機(jī)動(dòng)目標(biāo)跟蹤技術(shù)應(yīng)用于機(jī)場(chǎng)場(chǎng)面目標(biāo)跟蹤。通過分析機(jī)場(chǎng)場(chǎng)面活動(dòng)目標(biāo)的背景及運(yùn)動(dòng)特點(diǎn)，結(jié)合地面目標(biāo)跟蹤技術(shù)的相關(guān)研究成果，設(shè)計(jì)了場(chǎng)面單目標(biāo)跟蹤器。機(jī)場(chǎng)場(chǎng)面有大量先驗(yàn)信息可以用于提高跟蹤器的性能，這些先驗(yàn)信息包括路面網(wǎng)絡(luò)結(jié)構(gòu)、機(jī)場(chǎng)對(duì)場(chǎng)面活動(dòng)目標(biāo)的運(yùn)動(dòng)限制等。為了將這些先驗(yàn)信息與估計(jì)器融合，在傳統(tǒng)跟蹤器的基礎(chǔ)上，新增了量測(cè)值預(yù)處理、模型調(diào)整、輸出優(yōu)化三個(gè)模塊。理論分析和仿真結(jié)果證明，這些模塊提高了跟蹤器性能。另外，設(shè)計(jì)了基于

3、場(chǎng)面地圖信息的交互式多模型算法，包括模型集設(shè)計(jì)、模型集自適應(yīng)方法。理論分析和仿真表明，與傳統(tǒng)交互式多模型算法相比，該算法有更高的魯棒性。
　　然后針對(duì)交互式多模型算法模型失配導(dǎo)致的似然度估計(jì)不精確，提出了一種聯(lián)合似然估計(jì)方法。該方法將基于失配模型的實(shí)際新息分解為基于匹配模型的理論新息與匹配和失配模型之間的距離之和，由上述兩個(gè)已知的概率密度函數(shù)的卷積可得實(shí)際新息序列的聯(lián)合似然度，再利用條件概率公式求解模型似然度。與傳統(tǒng)的交互式多模型

4、算法相比，新算法提高了模型似然度的估計(jì)精度，降低了系統(tǒng)估計(jì)誤差。理論分析和仿真結(jié)果證明了該算法的有效性。
　　最后針對(duì)噪聲分布未知環(huán)境下的非線性目標(biāo)跟蹤，提出了基于卷積粒子濾波的交互式多模型算法。該算法利用卷積粒子濾波器并行地運(yùn)行多個(gè)模型，對(duì)前一時(shí)刻每個(gè)模型的狀態(tài)后驗(yàn)概率密度進(jìn)行交互，從交互后的概率密度中采樣作為當(dāng)前時(shí)刻濾波器的初始粒子，對(duì)當(dāng)前時(shí)刻每個(gè)模型的狀態(tài)后驗(yàn)概率密度進(jìn)行加權(quán)作為系統(tǒng)輸出。與基于粒子濾波的交互式多模型算法（I