基于IMM的机动目标跟踪算法研究(3)

1.3   本文主要内容及结构安排
1.3.1   主要研究内容
本文主要研究的是在二文空间中对单机动目标的跟踪。
在随机过程、机动目标跟踪等理论基础上，探讨了各类常用目标跟踪模型。研究了基于不同模型集的IMM的机动目标跟踪算法，并分析了不同模型集的IMM算法的特点及适用范围。
首先，针对机动目标的运动特性，在CV和CA模型交互的基础上，通过仿真分析了IMM算法的性能。
其次，使用对机动适应性更强的Singer模型与“当前”统计模型，分别对算法进行改进，通过仿真比较改进算法与原算法。
最后，通过应用Matlab软件编写了基于上述不同模型集的交互式模型的机动目标跟踪仿真程序，并进行了对比分析。
1.3.2   论文结构安排
全文共分751章。
第一章介绍了课题的研究背景、跟踪算法的发展及研究现状。
第二章介绍了几种常用的运动模型。
第三章阐述了目标跟踪的原理、机动检测与机动辨识的原理，并对几种常用滤波算法做了介绍。
第四章详细介绍了IMM滤波算法的原理，并且讨论了不同模型交互下的IMM算法。
第五章对基于不同模型集的IMM算法进行了Monte Carlo仿真，分析比较了各个算法的性能以及其适用范围。
第751章总结了全文的工作，指出了其中存在的问题以及改进措施，并对将来的研究方向做了一个展望。
2   机动目标运动模型
机动目标跟踪的主要困难在于跟踪目标的模型的设定以及所设定模型和实际的目标动力学模型的匹配问题。因此，选择一个恰当的模型至关重要。在建立机动模型时，一般的原则是所建立的模型既要符合实际机动模式，又要便于数学处理。
下面简单分析介绍几个将要用到的运动模型。方便起见，以一文情况为例。在本文中，目标在时刻的状态向量均设为

其中，表示目标的位置分量，表示目标的速度分量，表示目标的加速度分量。
2.1   匀速（CV）模型
匀速运动（CV）模型[24,25]用来匹配目标做匀速直线运动的情况，这也是目标运动最简单的情况。它将机动视为随机干扰，可用连续时间白噪声来建模，并假设其服从零均值高斯分布，即
      （2.1.1）
其中，
      （2.1.2）
      （2.1.3）
与式（2.1.1）对应的状态向量是：
      （2.1.4）
由此，连续时间的状态方程是：
      （2.1.5）
具有采样时间间隔T的离散时间状态方程是：
      （2.1.6）
并且与连续时间模型相对应的离散时间过程噪声是：
      （2.1.7）
其中，
      （2.1.8）
假定是常数，并使用式（2.1.3），则的协方差为：
      （2.1.9）
2.2   匀加速（CA）模型
匀加速运动（CA）模型[24,25]用来匹配目标做匀加速直线运动的情况，与CV模型中描述的一样。加速度不可能是精确的常数，它的轻微变化可以用零均值高斯白噪声来建模：
      （2.2.1）
与式（2.2.1）对应的状态向量是：
      （2.2.2）
它的连续状态方程是：
      （2.2.3）
它的离散状态方程是：
      （2.2.4）基于IMM的机动目标跟踪算法研究(3):http://www.751com.cn/zidonghua/lunwen_7868.html