论文部分内容阅读
水下机动目标跟踪是指对随机的强机动水下运动目标的状态进行估计,其在军事国防和民生服务的众多领域有着普遍的应用。近年来,随着科技的不断发展,对水下目标跟踪技术的要求也越来越高,例如更高的精度、更快的效率以及更强的抗干扰能力等,这样才能在实际工程中更好地发挥其应用价值。本文首先阐述了选题的背景、目的及意义,并介绍了水下目标跟踪系统中滤波算法和目标运动模型的发展历史和研究现状。接着,在非线性高斯滤波一般形式的基础上,详细介绍了水下目标跟踪中常用的4种非线性滤波算法,包括扩展卡尔曼滤波(Expended Kalman Filtering,EKF)算法、无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法、求容积卡尔曼滤波(Cubature Kalman Filtering,CKF)算法和高斯-埃尔米特求积滤波(Gauss-Hermite Quadrature Filtering,GHQF)算法。其中,GHQF算法是一种新兴的非线性滤波方法,因其具有高精度和数值稳定性而存在很大的优势,也是本文的研究重点。通过仿真分析,将GHQF的算法性能与其他三种非线性滤波进行对照,并讨论了GHQF算法的不足。然后针对GHQF算法的不足之处,从提高滤波算法的效率和鲁棒性两方面进行改进。针对“维数灾难”而导致的效率低下问题,将“状态空间划分”思想引入GHQF算法中得到MQKF(Multiple Quadrature Kalman Filtering,MQKF)算法。详细介绍了MQKF算法的原理,并通过仿真实验研究了“状态空间划分方式”对MQKF算法的性能的影响。说明MQKF算法可以通过适当地选取子空间划分方式,在保证估计精度与GHQF相近的基础上,使算法效率大幅提高。为了提高算法的鲁棒性,又在MQKF算法的基础上引入了强跟踪滤波(Strong Tracking Filtering,STF)理念,得到STMQKF算法。通过仿真实验可知,STMQKF算法对于强机动目标的状态估计效果比MQKF算法更佳。最后,从目标运动模型角度出发对水下机动目标跟踪算法进行了改进。在多模型(Multiple Model,MM)理论的基础上,着重研究了交互多模型(Interacting Multiple Model,IMM)算法,将改进所得的STMQKF算法嵌入到IMM算法的框架中,得到IMM-STMQKF算法,设计仿真实验对IMM-STMQKF在水下机动目标跟踪系统中的滤波性能进行验证,结果表明:IMM-STMQKF算法的估计精度高于CA-STMQKF算法以及IMM-UKF算法,说明IMM-STMQKF算法兼顾模型的准确性与滤波算法的高精度两个方面,在水下机动目标跟踪领域具有一定的理论意义与应用价值。本文的主要工作是在GHQF算法的基础上,提出了一种具有较高效率和强鲁棒性的STMQKF算法,并且将IMM-STMQKF算法应用于水下机动目标跟踪中,取得了较好的效果。