强干扰环境下水下纯方位PMHT多目标跟踪

发布时间：2024-05-30 01:40

　　针对强干扰环境水下纯方位多目标跟踪的非线性、不可观测性以及数据关联模糊等问题,基于期望极大化算法,结合扩展卡尔曼滤波(extended Kalman filter,EKF)平滑算法和无味卡尔曼滤波(unscented Kalman filter,UKF)平滑算法,提出了基于EKF和UKF的多传感器多目标纯方位概率多假设跟踪(probabilistic multiple hypothesis tracking,PMHT)算法。纯方位PMHT算法通过引入目标和量测数据之间的关联变量来解决量测与目标之间的数据关联模糊问题。简化了基于EKF平滑算法的多传感器纯方位PMHT算法,避免堆积每个传感器的合成量测,有效减小了运算量。仿真结果表明,在水下强干扰环境下,对于静止多观测站和机动单观测站,2种算法对多个交叉运动目标和邻近运动目标的航迹关联成功率高,抗干扰性能好,并且运算量小,证明了算法的有效性。

【文章页数】：7 页

【部分图文】：

图1静止多观测站纯方位多目标跟踪PMHT量测

图2和图3分别给出了静止观测站情况下量测噪声分别为δr2=0.5°和δr2=0.1°时基于EKF平滑算法和基于UKF平滑算法的纯方位PMHT算法位置均方根误差曲线图。对比图2和图3可知,基于UKF平滑算法的纯方位PMHT算法在量测噪声δr2=0.5°和δr2....

图2位置均方根误差,量测噪声δ2r=0.5°

图1静止多观测站纯方位多目标跟踪PMHT量测图3位置均方根误差,量测噪声δ2r=0.1°

图3位置均方根误差,量测噪声δ2r=0.1°

图2位置均方根误差,量测噪声δ2r=0.5°2种方法在δr2=0.1°时的位置均方根误差均小于δr2=0.5°时,说明相同量测噪声情况下,基于UKF平滑算法的纯方位PMHT算法的跟踪性能优于基于EKF平滑算法的纯方位PMHT算法。量测噪声越小,2种方法的位置均方根误....

图4机动单观测站纯方位多目标跟踪PMHT量测

图4为机动单观测站跟踪场景下,在无干扰和强干扰环境下基于UKF平滑算法的纯方位PMHT算法跟踪量测图。类似于静止多观测站跟踪场景,机动单观测站情况下基于UKF平滑算法的纯方位PMHT算法对4个目标的纯方位跟踪合成量测与无干扰环境下的纯方位合成量测曲线基本一致,说明纯方位PMHT算....

本文编号：3984387