多站纯方位目标跟踪算法研究+文献综述(3)
1.4 论文结构安排
全文共分为吹冰章。
第一章为绪论，介绍了被动跟踪的研究背景及意义，国内外滤波理论的发展现状和目标跟踪的基本原理，并在此基础上给出了本文的结构安排;
第二章介绍了纯方位目标跟踪的基本原理，并对目标跟踪各要素展开分析。选择建立了坐标系，推导了仅有测角信息下的目标定位方法，之后研究了多站观测系统的时间配准问题;
第三章主要介绍几种常用的线性和非线性滤波算法，包括卡尔曼滤波、扩展卡尔曼滤波、不敏卡尔曼滤波和粒子滤波，总结了各种滤波算法的特点和适用范围;
第四章基于通过MATLAB数值仿真模拟航路数据进行仿真试验，比较分析EKF、UKF在纯方位目标跟踪中的估计性能，为工程应用提供有益的参考；
第五章总结全文，并对进一步的研究提出了建议。
2 多站纯方位目标跟踪方法研究
由于观测站之间在采样起始时间、采样频率上很难完全相同，以及传感器自身的偏差，使得在进行状态估计之前需要寻求一些时间配准算法，因此其数据预处理技术也受到了越来越广泛的重视。其次，多站纯方位被动跟踪系统在多个观测站的情况下，尽可能利用所得到的方向角数据，根据空间多站点的观测射线(以下统称定位线)相交原理，实现对目标的被动定位和跟踪。
2.1 数据预处理
各观测站对目标的量测是相互独立进行的，所以它们的测量信息一般也不同步，即传感器的测量周期不同(如光学传感器和雷达传感器)。时间配准的任务就是将来自于不同传感器不同采样间隔下的观测数据配准到统一的时间间隔下，否则，未经配准的数据可能会导致比使用单个传感器数据时的跟踪性能还差。因此，为了最大限度地发挥多站观测系统的优越性，进行多传感器数据的时间配准是必不可少的，这直接关系到目标跟踪效果的好坏。
虚拟融合法[19] [20]:
假设有两个传感器，分别表示为传感器 和传感器 ，其采样周期分别为: 和 ,且两者之比为: 。如果传感器S1对目标状态最近一次更新时刻为 ，则下一次目标状态的更新时刻为 ，这就意着在传感器 连续两次目标状态更新之间传感器 有 次测量值。因此可采用虚拟融合法，将传感器 这 次测量值进行融合，就可以消除由于时间偏差而引起的对目标状态量测的不同步，从而消除时间偏差对状态估计精度造成的影响。
若用 表示 至 时刻的传感器 的 个角度测量值构成的集合， 和 时刻的传感器 的测量值同步，用 表示 融合以后的测量值及其导数构成的列向量，则传感器又的测量值 可以表示成:
（2.1）
其中 表示测量噪声，将上式改写成向量形式为:
（2.2）
其中 了，其均值为零，协方差阵为:
（2.3）
而 为融合以前的角度测量噪声方差，同时有:
（2.4）
根据最小二乘准则有目标函数：
要使 为最小， 两边对 求偏导数并令其等于零得:
相应的误差协方差阵为：
将 的表达式及式(2.4)代入以上两式，可得融合以后的测量值及测量噪声方差分别为:
2.2 多站纯方位目标跟踪的定位
2.2.1 测量坐标系的选择
任何目标的运动描述和跟踪问题都是相对于某一特定的坐标系而言的。跟踪滤波器的设计在很大程度上受探测器的量测模型以及被跟踪目标的运动模型的影响，这两种模型都依赖于所采用的坐标系体制。因此，应当选择一个合适的坐标系来满足有限的计算时间并且保证良好的跟踪性能。下面介绍本文相关的几种常用坐标系。
上一篇：基于IMM的机动目标跟踪算法研究