資源描述：
《基于隨機(jī)有限集的多擴(kuò)展目標(biāo)跟蹤算法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于隨機(jī)有限集的多擴(kuò)展目標(biāo)跟蹤算法研究作者姓名林錦鵬導(dǎo)師姓名、職稱李翠蕓副教授一級學(xué)科信息與通信工程二級學(xué)科信號與信息處理申請學(xué)位類別工學(xué)碩士提交學(xué)位論文日期2014年12月學(xué)校代碼10701學(xué)號1202121140分類TN82號TN95密級公開西安電子科技大學(xué)碩士學(xué)位論文基于隨機(jī)有限集的多擴(kuò)展目標(biāo)跟蹤算法研究作者姓名：林錦鵬一級學(xué)科：信息與通信工程二級學(xué)科：信號與信息處理學(xué)位類別：工學(xué)碩士指導(dǎo)教師姓名、職稱：李翠蕓副教授提交日期：2014年12月ResearchonAlgorithmsofMultipl
2、eExtendedTargetsTrackingBasedonRandomFiniteSetAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinInformationandCommunicationEngineeringByLinjinpengSupervisor:A.P.LicuiyunDecember2014西安電子科技大學(xué)學(xué)位論文獨(dú)創(chuàng)性（或創(chuàng)新性）聲明秉承學(xué)校嚴(yán)謹(jǐn)?shù)膶W(xué)
3、風(fēng)和優(yōu)良的科學(xué)道德，本人聲明所呈交的論文是我個人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果；也不包含為獲得西安電子科技大學(xué)或其它教育機(jī)構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。學(xué)位論文若有不實(shí)之處，本人承擔(dān)一切法律責(zé)任。本人簽名：日期：西安電子科技大學(xué)關(guān)于論文使用授權(quán)的說明本人完全了解西安電子科技大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究
4、生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬于西安電子科技大學(xué)。學(xué)校有權(quán)保留送交論文的復(fù)印件，允許查閱、借閱論文；學(xué)?？梢怨颊撐牡娜炕虿糠謨?nèi)容，允許采用影印、縮印或其它復(fù)制手段保存論文。同時本人保證，獲得學(xué)位后結(jié)合學(xué)位論文研究成果撰寫的文章，署名單位為西安電子科技大學(xué)。保密的學(xué)位論文在年解密后適用本授權(quán)書。本人簽名：導(dǎo)師簽名：日期：日期：摘要摘要隨著傳感器分辨率的不斷提高，把目標(biāo)當(dāng)作點(diǎn)目標(biāo)這樣一個假設(shè)不再成立，可將這樣的目標(biāo)看作擴(kuò)展目標(biāo)。由于每個擴(kuò)展目標(biāo)在每一個采樣周期會產(chǎn)生多個量測，如若將量測和目標(biāo)相
5、關(guān)聯(lián)，勢必會存在巨大的困難，因此，研究一種更為實(shí)時有效的方法具有極其重要的現(xiàn)實(shí)意義和應(yīng)用價值。近年來，基于隨機(jī)有限集的多目標(biāo)跟蹤方法由于能夠有效地處理傳統(tǒng)跟蹤方法中出現(xiàn)的一些難題，并且其計算復(fù)雜度相對傳統(tǒng)算法要小得多，而受到了廣泛地認(rèn)同。本文針對基于隨機(jī)有限集的跟蹤算法展開重點(diǎn)研究。本文的研究方向包括以下兩方面：1）基于隨機(jī)矩陣模型的多擴(kuò)展目標(biāo)跟蹤，主要選取了兩個具有代表性的算法：GIW-PHD和GGIW-CPHD濾波。2）基于隨機(jī)超曲面模型的多擴(kuò)展目標(biāo)跟蹤，主要提出了以下算法：RHM-GGM-CPHD濾
6、波。主要研究內(nèi)容如下：1．基于隨機(jī)矩陣的高斯逆威舍特概率假設(shè)密度（GIW-PHD）的擴(kuò)展目標(biāo)跟蹤算法。該算法不僅考慮了目標(biāo)的運(yùn)動狀態(tài)，而且考慮了目標(biāo)的擴(kuò)展?fàn)顟B(tài)。它將目標(biāo)的運(yùn)動狀態(tài)建模為高斯分布，擴(kuò)展?fàn)顟B(tài)建模為逆威舍特分布，通過量測數(shù)據(jù)來更新高斯分布以及逆威舍特分布中的參數(shù)來達(dá)到跟蹤目標(biāo)的位置、大小、方向等信息的目的。在此基礎(chǔ)上，伽瑪高斯逆威舍特勢概率假設(shè)密度（GGIW-CPHD）算法不僅改善了PHD濾波器存在的目標(biāo)數(shù)估計較差的性能，而且將量測的數(shù)目視為伽瑪分布，增補(bǔ)到目標(biāo)的狀態(tài)中，一起作預(yù)測更新，提高了跟
7、蹤性能。2．針對雜波環(huán)境下多擴(kuò)展目標(biāo)跟蹤中擴(kuò)展目標(biāo)形狀難以估計、目標(biāo)跟蹤精度低等問題，提出一種自適應(yīng)估計擴(kuò)展目標(biāo)形狀的伽瑪高斯混合勢概率假設(shè)密度算法（RHM-GGM-CPHD）。該算法同GIW-PHD和GGIW-CPHD算法一樣，考慮了目標(biāo)的擴(kuò)展?fàn)顟B(tài)。首先將目標(biāo)的擴(kuò)展形狀建模為橢圓隨機(jī)超曲面模型（RHM），將其嵌入到伽瑪高斯混合CPHD濾波器中，通過跟蹤擴(kuò)展目標(biāo)的質(zhì)心、橢圓形狀和方向等信息完成對多個擴(kuò)展目標(biāo)的跟蹤。通過雜波環(huán)境下未知數(shù)目的多擴(kuò)展目標(biāo)仿真實(shí)驗(yàn)，驗(yàn)證了所提算法在質(zhì)心狀態(tài)和橢圓擴(kuò)展形狀長短軸的估
8、計精度方面要優(yōu)于傳統(tǒng)的基于隨機(jī)矩陣的伽瑪高斯逆韋氏CPHD濾波器。關(guān)鍵詞：隨機(jī)有限集，擴(kuò)展目標(biāo)，勢概率假設(shè)密度，隨機(jī)超曲面模型，隨機(jī)矩陣論文類型：基礎(chǔ)研究類I西安電子科技大學(xué)碩士學(xué)位論文IIABSTRACTABSTRACTWiththedevelopmentofsensorresolution,theassumptionthatatargetisviewedasapointnolongerholds.Atthispoint,w
