阵群网多目标跟算法研究.pdfVIP

摘 要 f多目标跟踪是主体为了维持对多个目标当前状态的估计而对所接收的测量 信怠进行处理的过程，它无论在军事还是在民用方面都有着十分广泛的应用。 在水声信号处理中，多目标跟踪问题对于水下区域综合信息系统、舰队反潜、 海洋监视(水面船只或舰艇)、鱼雷跟踪与对抗等有着重要的意义。厂一…—。7 本文讨论了用多个小孔径被动测量基阵，构成被动测量网(阵群网)，通过 of DifferenceArrival)值进行 对多个基阵测量得到的多个目标的TDOA(Time 数据关联和数据融合的方法，对水下多个运动目标进行跟踪。其中数据关联是 多目标跟踪中最重要的部分。在本文中我们用了多种数据关联的方法，对各种 算法的性能进行了分析和比较。同时，我们根据被动阵群网测量的特点，利用 关联，解决了观测方程的非线性问题，避免了迭代计算和近似，降低了计算量， 提高了跟踪计算速度。通过计算机模拟仿真计算，我们对各种算法进行了验证。 ／ {论文的主要内容有以下几部分： 首先，我们对基于阵群网TDOA测量的方法及其优点进行了介绍。并在此 基础上阐述了基于方程差的解偶阵群卡尔曼滤波算法。这种方法可以解决观测 方程的非线性问题，并且，它可以将跟踪计算分解到各个子阵中进行并行处理， 提高了计算速度，降低了计算量。 然后，我们对多目标跟踪理论进行了概述，着重阐述了多目标跟踪中的两 个重要的要素：跟踪门和数据关联。对于我们这种基于阵群网的TDOA测量来 说，与目标相关的测量值分散在各个子阵的各个基元中，数据关联问题比较复 杂。我们把多目标跟踪问题分为两个步骤，先利用“最近邻”法则进行测量值 与目标的匹配，匹配好后的数据进行组合，然后依次进行单目标跟踪。这里我 们提出了一种基于模糊簇均值算法的模糊逻辑关联．修正最近邻方法(Fuzzy MeansNearest Clustering 测的TDOA值之间的残差信息在子阵内部进行数据关联，在各子阵的各基元内 将测量与目标匹配以后，再将各基元中相应于同一目标的TDOA值按一定顺序 组合起来，按照基于方程差的解偶阵群卡尔曼滤波算法依次来进行予阵之间的 数据融合及滤波。这种方法算法简单，易于实现，且计算量很小。 但是，上述方法在目标运动轨迹近相距或相交的情况下容易产生误相关， 因而造成误跟与丢失目标的现象。故我们在上述方法的基础上提出了一种模糊 逻辑关联与联合概率数据关联相结合的方法(Fuzzy Means—Joint Clustering ProbabilitiesData 的残差信息用FCM的方法进行粗关联，然后根据方程差新息与新息协方差矩 阵等信息，用JPDA的方法进行精关联。后者全面考虑了跟踪门内的所有候选 测量值，并根据不同相关情况计算出各概率加权系数，然后利用所有候选测量 值的加权和构成等效测量值，用各等效测量值更新多个目标的状态。这种方法 减小了误相关的概率，因而在解决轨迹交叉的目标的跟踪问题时取得了良好的 跟踪效果。 不同运动情况下的跟踪性能，并分析了不同的测量参数对这种基于TDOA测量 的阵群多目标跟踪算法的跟踪性能的影响。 它虽然有良好的相关性能，但是在目标数较多的情况下，由于计算量太大，容 易产生组合爆炸的问题，为了改善算法的跟踪实时性能，我们对上述的联合概 率关联方法进行了一些改进，采用一种基于分层构造关联事件的快速JPDA法， 该方法用到了递归算法，并可用于并行处理，加快了计算速度。 Stochastic 另外我们介绍了一种快速随机神经联合概率数据关联算法(Fast NeuralProbabilities Joint 的优点，其计算量不会随维数的增加而发生指数性质的“爆炸”，因而对于优化 问题的计算特别有效。通过对JPDA性能特征的分析，我们可将多目标的数据 关联问题表达为一类约束组合优化问题，采用随机神经网络求解。这种基于神 经网络的算法在目标数目庞大的情况下显示了一定的优势。在本文中，我们分 论。 在各种算法的推导过程中，我们充分考虑了阵群网TDOA测量的特点和具 体实