机动目标的跟踪与反跟踪 (2).pdfVIP

参赛密码 （由组委会填写） 第十一届华为杯全 国研 究生数学建模竞赛 第十一届华为杯全 国研 究生数学建模竞赛 题 目 机动目标的跟踪与反跟踪 摘 要： 本文针对机动目标的跟踪与反跟踪问题进行了相应的研究与分析，主要完成 的工作如下： 针对问题 1：分别考虑了对机动目标在线跟踪与非在线跟踪两种模式。在线 跟踪具有序贯实时的功能，而非在线跟踪对原有的数据进行插值预处理。问题 1 的实质为分布式多传感器的目标跟踪问题，由于坐标系的不统一，本文完成了站 心球坐标系(ρ ,θ ,ϕ ) 、站心直角坐标系(x, y, z) ，球心直角坐标系(X ,Y ,Z ) 以及大 地坐标系(L, B, H ) 之间的相互转换。针对多传感器对同一目标的同时刻观测问 题，在统一坐标系的基础上，依据加权融合的原则进行了多传感器的信息融合。 在线与非在线两种跟踪模式均采用 Kalman 滤波，同时对目标机动状态的估计分 别采用了两种不同机动跟踪模型：Singer 模型和修正的当前模型。两种模型都 能对目标进行有效的跟踪。 针对问题 2：对于单传感器多目标的跟踪问题，数据的关联和航迹的生成是 核心。航迹关联首要问题为初始航迹的确定，本文采用航迹起始算法中的直观法 进行初始航迹确定。直观法实时性较好，在合适的波门阈值下，该方法能较快确 定起始航迹，满足序贯实时的要求。针对航迹关联的问题，分别采用了最近邻域 算法和 Kalman 滤波航迹关联的方法。最近邻域法采用目标观测方位角、俯仰角 等相关波门特征进行判决。Kalman 滤波航迹关联是在起始航迹的基础上，进行 机动目标的滤波，并且根据对目标的状态估计（如位置信息等）进行数据关联。 由于两条航迹在X −Y 平面存在交叉，Kalman 滤波航迹关联算法优于最近邻域 法。 针对问题 3：采用与问题 1 一致的 Kalman 滤波方式来进行跟踪时，得到的目 标机动规律在滤波初始阶段存在较大误差。这里采用新的滤波方式，基于初值的 Singer 模型 Kalman 滤波，来优化初始阶段的滤波。通过对初值的尝试，获取目 2 标的机动规律。通过估计可以看出，目标在整个观测过程中，都在做机动，并且 航迹类似于一条抛物线。目标的速度峰值估计在 3km / s 以上，加速度峰值估计 在 5g 左右，可以判定目标为高速高机动飞行器。 针对问题 4：考虑到 Data3 中目标运动的相对规律性，本文采用两种不同的 方式对目标落点进行估计 ，Kalman 滤波估计与空间曲线拟合估计。由于目标在 观测的末尾阶段，运动状态（加速度加量等）较为稳定，根据目标运动状态的估 计值可以较好地预测目标与大地的交点，即着陆点，同时还可以估计出着陆时间。 空间曲线拟合采用了两种不同的拟合方式：一种与时间无关，是三维空间回归模 型，一种是与时间有关的三维坐标时间回归模型。在三维空间回归模型中，通过 对比三次模型和二次模型，采用拟合优度较高为 99.768%的三次模型。三维坐标 时间回归，采用二次型的时间回归模型，其拟合优度均在 99%以上，具有较高的 拟合效果。两种模型的拟合对着陆点的经度、纬度估计差距较小。但是三维空间 回归模型无法直接估计着陆时间，而与时间相关的三维坐标时间回归模型与 Kalman 滤波一样，可以估计着陆时间，二者的着陆点估计经纬度误差较