【摘要】：雷達目標跟蹤技術(shù)是雷達系統(tǒng)工作內(nèi)容中極為重要的部分。隨著電子技術(shù)的發(fā)展,雷達目標跟蹤正面臨著越來越密集的雜波環(huán)境,如何有效濾除這些雜波信息,成為雷達目標跟蹤算法研究需要解決的重要問題。傳統(tǒng)目標跟蹤方法大多利用尺度量測信息完成目標狀態(tài)的預(yù)測更新,本文提出的多屬性分類下的目標跟蹤算法,引入目標屬性特征,完成密集雜波環(huán)境下的目標跟蹤。首先設(shè)計完成了多屬性分類在雷達單目標跟蹤算法上的應(yīng)用。主要針對已有算法獲取目標屬性信息過少的問題,提出基于SVM多屬性分類器的目標跟蹤濾波算法。詳細介紹了算法中跟蹤器、檢測器、學習器的工作原理與算法流程。通過仿真實驗對算法效果進行了驗證,證明多屬性分類的應(yīng)用有效提高了雷達單目標跟蹤過程的精度。然后詳細研究多屬性分類對于雷達多目標跟蹤的應(yīng)用。設(shè)計實現(xiàn)了基于多屬性分類的GM-PHD機動多目標跟蹤算法。闡述了基于多機動目標跟蹤模型的GM-PHD算法流程,并分析了目標屬性分類原理與過程。用仿真實驗完成算法實現(xiàn),驗證了特征分類對于多目標跟蹤算法的精度提升。最后將多屬性分類拓展應(yīng)用到雷達紅外多目標跟蹤算法中,對算法中點跡與航跡、航跡與航跡的關(guān)聯(lián)過程進行了完整說明。通過仿真實驗證明多屬性分類對于多傳感器多目標跟蹤算法的有效性。
【圖文】：

圖 2-1 PN 學習工作原理Fig 2-1 Working principle of PN learning性 PN-PHD 算法流程跟蹤器獲取 K 時刻目標跟蹤位置，以此為中心將量測結(jié)果劃分區(qū)外；檢測器利用雷達獲取的目標多維屬性特征信息將量測結(jié)果初步本）與雜波（負樣本）；PN 約束利用目標時空特性對檢測器分類結(jié)果進行更正，并完集，，同時更新跟蹤估計結(jié)果；利用新的正負樣本集重新訓練檢測器的多屬性分類方法，新的下一時刻的特征分類�？蚣軋D如圖 2-2 所示。

圖 2-1 PN 學習工作原理Fig 2-1 Working principle of PN learning PN-PHD 算法流程蹤器獲取 K 時刻目標跟蹤位置，以此為中心將量測結(jié)果；器利用雷達獲取的目標多維屬性特征信息將量測結(jié)果與雜波（負樣本）； 約束利用目標時空特性對檢測器分類結(jié)果進行更正，同時更新跟蹤估計結(jié)果；用新的正負樣本集重新訓練檢測器的多屬性分類方法，時刻的特征分類。圖如圖 2-2 所示。
【學位授予單位】：上海交通大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TN953

【參考文獻】

相關(guān)期刊論文 前5條

1 王穎;雷斌;;基于雷達信噪比模型的目標跟蹤算法研究[J];國外電子測量技術(shù);2015年01期

2 倪龍強;高社生;孟祥欣;邊月奎;舒立鵬;;一種紅外與雷達信息融合跟蹤算法及其性能分析[J];火炮發(fā)射與控制學報;2014年04期

3 付琳;萬曉冬;王保曾;;多傳感器多目標跟蹤及航跡融合系統(tǒng)[J];計算機與現(xiàn)代化;2014年10期

4 尹帥;袁俊泉;吳順華;王利才;;一種改進的JIPDA多目標跟蹤算法[J];雷達科學與技術(shù);2014年03期

5 胡振濤;曹志偉;李松;李樅樅;;基于容積卡爾曼濾波的異質(zhì)多傳感器融合算法[J];光電子.激光;2014年04期

相關(guān)博士學位論文 前1條

1 顧榮;大數(shù)據(jù)處理技術(shù)與系統(tǒng)研究[D];南京大學;2016年

相關(guān)碩士學位論文 前4條

1 張紅玉;基于交互多模型的機動目標跟蹤算法研究[D];大連海事大學;2017年

2 侯磊;機動目標跟蹤算法的研究[D];大連海事大學;2015年

3 侯同章;雷達航跡處理算法研究[D];江南大學;2015年

4 李松;基于多源信息融合的定位與跟蹤方法研究[D];河南大學;2014年

本文編號：2668622