面向目標跟蹤的信息反饋融合方法研究.pdf

1、以信息融合理論為基礎(chǔ)的目標跟蹤技術(shù)指利用雷達、紅外、聲納等多種傳感器的觀測信號對未知目標的數(shù)量、位置、速度、身份等狀態(tài)進行估計的過程。目標跟蹤技術(shù)已被廣泛和成功地應(yīng)用于軍事和民用領(lǐng)域，包括國土防空、導航、制導、探測、定位、交通、制造、金融和醫(yī)療等。近年來，目標跟蹤環(huán)境日趨復雜，強雜波干擾、大觀測誤差、低信噪比和高機動等大量不確定因素使傳統(tǒng)目標跟蹤技術(shù)受到嚴重挑戰(zhàn)。由于傳統(tǒng)目標跟蹤技術(shù)采用單向開環(huán)融合模式，不利于信息的存儲、挖掘與復用，導

2、致復雜環(huán)境下跟蹤效果下降。為此，本文將信息反饋融合的理念融入傳統(tǒng)目標跟蹤技術(shù)，較系統(tǒng)地研究了面向目標跟蹤問題的信息反饋融合框架、方法和工程算法，主要研究成果如下:
　　1)針對傳統(tǒng)信息融合方法缺乏信息反饋融合機制的缺陷，首創(chuàng)性地提出了空域信息融合平面與時域信息融合空間的概念，并構(gòu)建了一般性的信息反饋融合框架。
　　2)針對傳統(tǒng)變結(jié)構(gòu)多模型方法缺乏后驗信息反饋融合機制的缺陷，提出信息反饋融合最小熵變結(jié)構(gòu)多模型方法(MEVSMM

3、，Minimum Entropy Variable Structure Multiple-Model)和次優(yōu)算法，將后驗香農(nóng)信息熵作為評價模型序列集的質(zhì)量指標，利用信息反饋融合完成MSA(Model Sequence Set Adaptation)優(yōu)化過程。與傳統(tǒng)多模型方法相比，本方法估計精度更高、魯棒性更好。
　　3)針對復雜觀測誤差環(huán)境下傳統(tǒng)MSE(Minimum Shannon Entropy)方法跟蹤效果退化的缺點，提出用

4、GE(Geometrical Entropy)度量來補償SE(Shannon Entropy)度量的估計偏差，并構(gòu)建了信息反饋融合最小幾何熵多模型方法(MGEMM，Minimum Geometrical Entropy Multiple-Model)和兩個次優(yōu)算法。與傳統(tǒng)MSE方法相比，在先驗觀測誤差分布與實際分布不一致時，本方法所得到的跟蹤估計結(jié)果精度更高、魯棒性更好。
　　4)針對傳統(tǒng)多模型融合方法缺乏歷史信息反饋處理機制的缺

5、陷，提出歷史信息反饋融合多模型估計方法（HFMM，Historical Feedback MM)和次優(yōu)算法來解決歷史估計信息的反饋融合問題。與傳統(tǒng)多模型方法相比，本方法提升了歷史融合信息的利用率，從而獲得精度更高、魯棒性更好的融合估計結(jié)果。
　　5)針對傳統(tǒng)PHD(Probability Hypothesis Density)跟蹤方法在缺乏目標初生先驗信息時失效的缺陷，提出歷史信息驅(qū)動反饋融合多目標跟蹤方法HIFMTT(Histo

6、rical Information Feedback Fusion Multiple Target Tracker)和次優(yōu)算法。與傳統(tǒng)PHD方法相比，無論是否具備目標初生先驗信息，本方法都能較好地完成多目標跟蹤工作。
　　6)針對傳統(tǒng)HIFMTT方法在跟蹤隱身目標時結(jié)果退化的缺陷，提出信息預測反饋融合多目標跟蹤方法IPFMTT(Information Prediction Feedback Fusion Multiple Targ