论文部分内容阅读
作为现代军事领域的关键技术，多目标跟踪在国防与民用方面起着越来越重要的作用。而目标不确定性和量测不确定性是影响多目标跟踪算法跟踪精度的两个关键性问题，其中缺乏与实际环境相匹配的杂波数目与杂波空间分布的先验知识是影响量测不确定性的重要因素，因此如何准确估计未知杂波数目和其空间分布是提高多目标跟踪算法性能的重要的课题。本文重点研究基于随机集概率假设密度（PHD）滤波器在未知杂波环境中的应用。首先，本文介绍了随机集的理论基础与PHD滤波器及可应用在线性高斯条件下的GM-PHD滤波器与可应用范围更广的SMC-PHD滤波器及GMP-PHD滤波器。其次，研究了基于有限混合模型的未知杂波环境下PHD滤波器。首先介绍了通过有限混合模型估计杂波强度的方法；然后，将扩展卡尔曼滤波算法、粒子滤波算法、高斯粒子滤波方法和基于拟蒙特卡洛高斯粒子滤波算法等处理非线性问题的方法引入基于有限混合模型的未知杂波PHD滤波器，通过上述四种算法进行仿真实验比较，得出了一种基于拟蒙特卡洛的未知杂波GMP-PHD滤波算法，克服了因缺乏杂波先验知识而导致滤波器跟踪性能下降的问题；同时本文针对改进目标的状态估计精度提出了一种基于有限混合模型的未知杂波环境下的GM-PHD多目标平滑算法，该算法通过对PHD进行平滑递归，使用的量测数据更为充分，因此获得的状态估计会更加精确。最后，针对基于有限混合模型的未知杂波估计方法仅适用于杂波数远大于目标数的情况下，提出了一种适用于一般杂波强度环境下基于增广状态空间的未知杂波SMC-PHD算法，该算法利用增广状态空间区分目标状态空间与杂波状态空间，通过量测对杂波模型进行估计，不需要杂波先验知识，具有较好的跟踪性能。仿真实验验证了该算法在未知杂波环境中的跟踪性能。