| 【中文题名】 | 多传感器目标跟踪中的数据融合理论与算法 |
| 【英文题名】 | |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-23 |
| 【中关键词】 | 数据融合,目标跟踪,多传感器,计算机仿真,, |
| 【英关键词】 | Data fusion,Target tracking,Multi-sensor,Computer Simulation, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>一般性问题>设计、性能分析与综合>随机过程、随机信号 |
| 【论文摘要】 | 多传感器数据融合作为一门新兴的交叉学科，其研究目的是通过综合多个传感器的信息获得更加准确的估计与推理。多传感器数据融合理论与多目标跟踪技术相结合是当前科学研究的热点，它将多个传感器信息进行有机地合成，用以提高目标运动状态估计的精度，其跟踪性能优于任何一个单传感器。
论文综述了数据融合的基本原理、功能模型和常用方法；介绍了目标跟踪中常用的Kalman滤波算法以及用于非线性系统的扩展Kalman滤波算法。在此基础上，对数据融合中的关键问题——航迹关联、航迹融合进行了深入细致的研究。
研究了用于集中式结构的多传感器联合概率数据互联(MSJPDA)算法，将算法的并行结构和串行结构进行了对比，随着传感器数目的增多，串行结构的性能略优于并行结构；研究了用于分布式航迹关联结构的几种常用算法，针对经典分配关联方法中遇到的多维分配问题，利用遗传算法进行了解算，有效的减少了计算量；针对实践中经常遇到的多传感器异步问题，提出了基于伪点迹的异步航迹关联算法，通过仿真实例，验证了算法能较好地解决多传感器异步航迹关联问题，关联正确率接近90％。
研究了用于集中式融合的并行结构算法和序贯结构算法，... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-7 |
|
第一章 绪论 |
7-11 |
|
1.1 多传感器数据融合技术概述 |
7-8 |
|
1.2 数据融合及目标跟踪技术的发展概况及研究现状 |
8-9 |
|
1.3 本文的主要研究工作及内容安排 |
9-11 |
|
第二章 多传感器数据融合的基本理论 |
11-22 |
|
2.1 多传感器数据融合基础 |
11-13 |
|
2.1.1 数据融合的定义 |
11 |
|
2.1.2 数据融合的功能模型 |
11-12 |
|
2.1.3 数据融合的级别 |
12-13 |
|
2.1.4 数据融合的基本方法 |
13 |
|
2.2 目标跟踪技术中状态估计 |
13-17 |
|
2.2.1 标准 Kalman滤波算法 |
13-15 |
|
2.2.2 卡尔曼信息滤波算法 |
15 |
|
2.2.3 扩展卡尔曼滤波算法 |
15-17 |
|
2.3 坐标变换和空间对准 |
17-18 |
|
2.4 时间同步 |
18-19 |
|
2.5 数据融合系统的仿真技术 |
19-21 |
|
2.5.1 Monte Carlo仿真方法 |
19-20 |
|
2.5.2 Monte Carlo仿真的主要指标 |
20-21 |
|
2.6 本章小结 |
21-22 |
|
第三章 多传感器数据融合中的航迹关联 |
22-40 |
|
3.1 集中式航迹关联 |
22-27 |
|
3.1.1 单传感器联合概率数据互联法 |
23-24 |
|
3.1.2 多传感器联合概率数据互联算法 |
24-27 |
|
3.2 分布式航迹关联方法 |
27-31 |
|
3.2.1 基于假设检验的航迹粗关联 |
28-30 |
|
3.2.1.1 加权航迹关联算法 |
28-29 |
|
3.2.1.2 修正航迹关联算法 |
29-30 |
|
3.2.2 航迹精关联 |
30-31 |
|
3.3 经典分配航迹关联方法 |
31-34 |
|
3.3.1 经典分配法 |
31 |
|
3.3.2 遗传算法求解航迹分配问题 |
31-34 |
|
3.3.2.1 染色体编码 |
32 |
|
3.3.2.2 个体适应度评价指标 |
32-33 |
|
3.3.2.3 遗传算子 |
33-34 |
|
3.4 基于伪点迹的异步航迹关联算法 |
34-36 |
|
3.4.1 利用伪点迹进行时间对准 |
34-36 |
|
3.4.2 将同步化的航迹进行关联 |
36 |
|
3.5 航迹关联算法仿真分析 |
36-39 |
|
3.5.1 集中式关联算法仿真 |
36-37 |
|
3.5.2 分布式关联算法仿真 |
37-39 |
|
3.6 本章小结 |
39-40 |
|
第四章 多传感器目标跟踪中的航迹融合 |
40-55 |
|
4.1 集中式航迹融合 |
40-43 |
|
4.1.1 并行结构的航迹融合 |
40-42 |
|
4.1.2 序贯结构的航迹融合 |
42-43 |
|
4.2 分布式航迹融合 |
43-48 |
|
4.2.1 分布式航迹融合的结构 |
43-44 |
|
4.2.2 分布式航迹融合算法 |
44-47 |
|
4.2.2.1 简单航迹融合(SF) |
44-45 |
|
4.2.2.2 Bar Shalom-Campo融合算法 |
45-46 |
|
4.2.2.3 自适应航迹融合算法 |
46-47 |
|
4.2.3 融合估计最优的分布式融合算法 |
47-48 |
|
4.3 航迹融合中相关问题性分析 |
48-50 |
|
4.3.1 相关问题产生的原因 |
48-49 |
|
4.3.2 去除误差相关的方法 |
49-50 |
|
4.4 航迹融合算法仿真分析 |
50-54 |
|
4.4.1 集中式融合算法仿真 |
50-52 |
|
4.4.2 分布式融合算法仿真 |
52-54 |
|
4.5 本章小结 |
54-55 |
|
第五章 总结与展望 |
55-57 |
|
5.1 本论文工作总结 |
55-56 |
|
5.2 展望 |
56-57 |
|
参考文献 |
57-61 |
|
硕士期间所发表的论文 |
61-62 |
|
致谢 |
62-63 |
|
| 【DOI】 | LunWen.ID:2.2008.382896 |
