本书针对目标跟踪在国防应用中的迫切需求，围绕多传感器多信源下目标跟踪中涉及的时空配准、多速率、状态约束、多模态、非线性、状态与模型参数耦合、传感器管理等相关问题，开展动态系统估计、辨识与融合的理论研究，包括多源信息空间配准的系统偏差在线估计、多源信息时间配准的多速率估计、状态约束动态系统建模与估计、状态演化多模态的马尔可夫跳变系统估计、非线性动态系统的确定采样型高斯估计、基于期望最大化的联合估计与辨识及基于事件驱动的单传感器量测管理。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 引言 1
1.2 多源信息融合概况 4
1.2.1 定义 4
1.2.2 功能模型 5
1.2.3 系统结构 9
1.2.4 融合级别 12
1.3 多源动态系统融合估计概述 14
1.3.1 一般性框架 15
1.3.2 发展现状 18
参考文献 23
第2章 系统偏差在线估计 26
2.1 引言 26
2.2 未知输入驱动下的系统偏差估计 30
2.2.1 系统偏差的广义建模 30
2.2.2 伪量测模型 32
2.2.3 解耦滤波器的设计 33
2.2.4 仿真分析 37
2.3 基于粒子群优化的系统偏差估计 43
2.3.1 概率数据关联 45
2.3.2 群体智能算法 45
2.3.3 粒子群目标函数的构造 47
2.3.4 系统偏差估计策略 49
2.3.5 仿真分析 53
2.4 本章小结 58
参考文献 59
附录 62
第3章 多速率估计 65
3.1 引言 66
3.1.1 网络控制系统的多速率估计 66
3.1.2 多速率多传感器系统建模与估计 67
3.1.3 多速率多传感器系统故障检测 68
3.2 量测缺失下多速率多传感器系统建模与估计 70
3.2.1 问题描述 70
3.2.2 LMMSE意义下多速率滤波器设计 72
3.2.3 仿真分析 79
3.3 未知扰动下多速率多传感器系统故障检测 81
3.3.1 问题描述 82
3.3.2 多速率残差生成器 83
3.3.3 左特征向量解耦残差 85
3.3.4 残差评价 87
3.3.5 仿真分析 87
3.4 噪声与扰动并存下多速率多传感器系统故障检测 92
3.4.1 问题描述 92
3.4.2 多速率最优观测器设计 93
3.4.3 多速率残差 98
3.4.4 仿真分析 99
3.5 本章小结 104
参考文献 104
附录 107
第4章 状态约束动态系统建模与估计 114
4.1 引言 115
4.2 问题描述 117
4.3 线性等式约束下动态系统的数学建模 119
4.3.1 状态空间分解 119
4.3.2 模型构建 120
4.3.3 模型构建的几何解释 122
4.3.4 隐含线性等式约束的模型性质 123
4.4 线性等式约束下的系统状态估计 124
4.4.1 线性等式约束滤波 125
4.4.2 伪量测法 129
4.4.3 估计投影法 130
4.5 线性等式约束下动态系统模型的扩展形式 131
4.6 仿真分析 132
4.6.1 基于道路信息的地面目标跟踪 132
4.6.2 编队飞行目标的跟踪问题 136
4.7 本章小结 138
参考文献 139
第5章 状态演化多模态的马尔可夫跳变系统估计 142
5.1 引言 143
5.2 随机参数马尔可夫跳变系统的LMMSE估计 144
5.2.1 系统建模 144
5.2.2 估计框架设计 146
5.2.3 仿真分析 151
5.3 有色噪声非线性马尔可夫跳变系统的高斯估计 157
5.3.1 系统建模 158
5.3.2 估计框架设计 159
5.3.3 仿真分析 163
5.4 多步随机延迟马尔可夫跳变系统的LMMSE估计 165
5.4.1 系统建模 165
5.4.2 估计框架设计 167
5.4.3 仿真分析 175
5.5 本章小结 181
参考文献 182
附录 184
第6章 非线性动态系统的确定采样型高斯估计 192
6.1 引言 192
6.2 贝叶斯估计 196
6.2.1 最优滤波 197
6.2.2 最优平滑 199
6.3 线性动态系统的贝叶斯估计解析实现 200
6.3.1 Kalman滤波 203
6.3.2 Kalman平滑 207
6.4 非线性动态系统的贝叶斯估计近似实现 209
6.4.1 高斯滤波 210
6.4.2 高斯平滑 212
6.4.3 高斯混合估计 216
6.5 高斯估计的一般性及确定采样实现 221
6.6 噪声时空相关的确定采样高斯估计 223
6.6.1 噪声相关 223
6.6.2 有色量测噪声 228
6.7 高斯估计的通用性 239
6.8 仿真分析 240
6.9 本章小结 242
参考文献 242
附录 246
第7章 基于期望最大化的联合估计与辨识 248
7.1 引言 248
7.2 贝叶斯联合跟踪问题 251
7.3 联合跟踪的期望最大化解决框架 252
7.3.1 EM算法 252
7.3.2 EM算法的收敛性 256
7.3.3 EM算法的初始化 256
7.3.4 EM算法的扩展 257
7.3.5 EM算法的其他方面 258
7.3.6 EM算法的性能特点 258
7.4 联合跟踪的期望最大化算法研究概况 259
7.4.1 单传感器目标跟踪 261
7.4.2 多传感器多目标跟踪 263
7.4.3 传感器网络分布式目标跟踪 264
7.4.4 其他联合跟踪方法 265
7.5 OTHR多路径目标跟踪 266
7.5.1 问题描述 266
7.5.2 目标-量测关联与量测-模式关联的辨识 267
7.5.3 仿真分析 269
7.6 量测偏差下的目标跟踪 272
7.6.1 问题描述 272
7.6.2 量测偏差辨识 272
7.6.3 仿真分析 276
7.7 本章小结 277
参考文献 278
第8章 基于事件驱动的传感器量测管理 285
8.1 引言 285
8.2 事件驱动触发机制概述 287
8.2.1 确定性事件触发 288
8.2.2 随机事件触发 289
8.3 基于事件驱动的状态估计 291
8.3.1 基于确定性事件触发机制的状态估计 291
8.3.2 基于随机事件触发机制的状态估计 297
8.4 仿真分析 303
8.5 性能分析 305
8.6 本章小结 307
参考文献 307
京公网安备 11010102004214号