论文部分内容阅读
近些年,以随机有限集为理论基础的贝努利滤波器(Bernoulli filter,BF)颇受关注。它能够免除状态估计过程中的数据关联,并为目标联合检测和跟踪提供了严格的理论基础。本文以密集杂波和机动目标跟踪问题为牵引,基于贝努利滤波开展各项算法研究。主要研究成果如下:1、幅度信息辅助的多贝努利滤波算法:密集杂波或低信噪比环境中传统的势均衡多目标多贝努利(Cardinality balanced multi-target multi-Bernoulli,CBMeMBer)滤波算法会有明显的势过估现象,引入雷达标准输出信息—幅度信息,对传统运动学量测进行扩维,提出幅度信息辅助的CBMeMBer滤波算法。该算法采用瑞利(Rayleigh)分布对幅度信息进行建模,在目标信噪比先验已知和未知的情况下分别推导出幅度似然函数,然后再进行CBMeMBer滤波。同时考虑到工程实际应用,基于量测自适应起始新生目标。最后,分别在不同杂波密度和信噪比环境中验证了所提算法,结果显示该算法能够有效地估计复杂环境中的多目标状态,并且能够提高估计精度。2、多模型箱粒子多贝努利滤波算法:当实际系统输出量化量测时,传统的MM-Particle-CBMeMBer滤波算法往往需要大量粒子来近似状态后验概率密度,由此不可避免地会带来计算实时性问题。面向多机动目标跟踪,基于箱粒子滤波器(Box particle filter)和区间分析技术,提出MM-CBMeMBer滤波器的箱粒子实现方式。仿真结果表明,基于Box particle实现方式的MM-Box-CBMeMBer滤波算法计算效率更高,只需要少量箱粒子就能保证估计性能,运算时间也显著低于MM-Particle-CBMeMBer滤波算法。3、多模型贝努利粒子滤波算法:现有的交互式多模型贝努利粒子滤波算法,只是简单地结合IMM和BF的粒子实现方式,算法迭代存在大量粒子交互运算。通常,对于线性、机动性较弱的模型,大量粒子是不必要的,还会带来额外的计算负担,因此可适当减少粒子数;而对机动能力较强的非线性模型,为了得到更好的近似结果,可适当增加粒子数。提出一种多模型贝努利粒子滤波(Multiple model Bernoulli particle filter,MMBF)算法,根据模型机动性的不同预先选定每一个模型的粒子数,而且粒子间没有交互运算,有效提高算法执行速度。最后,在多组仿真条件下验证了算法的估计性能。