glint噪声环境下的phd滤波方法研究

《glint噪声环境下的phd滤波方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文Glint噪声环境下的PHD滤波方法研究RESEARCHFORPROBABILITYHYPOTHESISDENSITYFILTERINGWITHGLINTNIOSE马铭哈尔滨工业大学2015年7月国内图书分类号：TP391学校代码：10213国际图书分类号：004.9密级：公开理学硕士学位论文Glint噪声环境下的PHD滤波方法的研究硕士研究生：马铭导师：张池平申请学位：理学硕士学科：计算数学所在单位：数学系答辩日期：2015年7月授予学位单位：哈尔滨工业大学ClassifiedIndex:TP391U.D.C:004.9DissertationfortheMas

2、terDegreeinScienceRESEARCHFORPROBABILITYHYPOTHESISDENSITYFILTERINGWITHGLINTNIOSECandidate：MaMingSupervisor：Prof.ZhangChipingAcademicDegreeAppliedfor：MasterofScienceSpeciality：ComputationalMathematicsAffiliation：DepartmentofMathematicsDateofDefence：July,2015Degree-Conferring-Institution：Harb

3、inInstituteofTechnology哈尔滨工业大学理学硕士学位论文摘要随着科学研究和技术的发展，目标跟踪方法在军事和民用领域均得到了普遍的应用，而目标跟踪领域中近几年的研究热点之一就是概率假设密度(ProbabilityHypothesisDensity,PHD)滤波。PHD滤波是基于有限集统计(FiniteSetStatistics,FISST)的滤波方法。本文主要研究随机有限集理论框架下glint噪声环境中目标跟踪的PHD滤波方法。在本文研究中，第二章首先研究了glint噪声的特征。glint噪声是在雷达跟踪环境下出现的测量噪声，根据其显著的非高斯分布及长拖尾特

4、性考虑采用t分布的建模方法。接着基于RFS理论，研究了PHD滤波算法，并考虑到仿真实验中的非线性观测方程，采用了基于扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)的高斯混合PHD(GM-PHD)滤波算法。第三章通过增广目标状态和噪声参数来扩展PHD滤波，为了得到扩展PHD的封闭解，对噪声参数应用先验伽马分布使得预测和更新强度能由高斯-伽马项混合表示。因为目标状态和噪声参数在似然函数中是耦合的，所以应用变分贝叶斯方法得到近似分布使得更新强度的表达形式和预测强度一样，并且生成的变分贝叶斯PHD(VB-PHD)滤波算法是递归的。最后一章研究了扩展目标的跟踪情况。

5、扩展目标跟踪的重点在于测量集的分割，原则上应该是将来源于同一个目标的测量都分到一起，但是本文为了研究方便，采用了比较简单的马氏距离分割法。仿真实验表明了所提出的VB-PHD滤波的跟踪效果要优于GM-PHD滤波。关键词：目标跟踪；PHD滤波；glint噪声；高斯混合；变分贝叶斯方法；扩展目标-I-哈尔滨工业大学理学硕士学位论文AbstractAlongwiththedevelopmentofscientificresearchandtechnology,targettrackingmethodinthefieldofmilitaryandcivilianhavebeenwide

6、lyused,andtheprobabilityhypothesisdensity(PHD)filterisoneofthehotestresearchintargettrackingfieldinrecentyears.ThePHDfilterisfilteringmethodbasedonfinitesetstatistics(FISST).ThispapermainlystudiesthePHDfilteringmethodoftargettrackinginglintnoiseenvironmentundertheframeworkofrandomfinitesett

7、heory.Inthispaper,Chapter2firstlystudiesthecharacteristicsofglintnoise,theglintnoiseisinradartrackingenvironment,accordingtothesignificantcharacteristicsofnonGaussiandistributionandlongtailed,considerusingthetdistributionmodelingtheapproach.Thenbasedonth