基于随机有限集的多拓展目标跟踪算法研究

As the resolution capabilities of modern radars are increasing, there are several scattering centers existing in each target. It indicates on target measurement that several measurements rather than single are produced by one target at each time. The target tracking under this case is called extended object tracking, which is the novel research spot in the field of target tracking. The traditional multiple target tracking algorithms, which are based on the assumption that each target at most produces one measurement at each time, are not appropriate for multiple extended objects tracking yet. The problem of multiple extended objects tracking is solved by the tools of random finite set under the framework of multiple targets Bayes filtering in this topic. The topic is made up of three parts, the modelling of motion characters and measurement likelihood of multiple extended objects, the derivation of probability hypothesis density filter of multiple extended objects, and the development of combined estimation algorithm of target number and target states in the implementation of probability hypothesis density filter of multiple extended objects. The goal of this topic is to develop the multiple extended objects tracking algorithm based on random finite to make full use of the information of multiple target measurements as a result of the high resolution.

随着现代雷达分辨率的不断提高，每个目标已经能够具有多个散射中心；体现在目标量测上，每个目标在每个时刻产生多个量测而非单个；此种情况下的目标跟踪称为拓展目标跟踪，它是当今目标跟踪领域新的研究热点。基于每个目标在一个时刻至多产生一个量测假设的传统多目标跟踪算法，已经不再适用于多拓展目标跟踪。本课题在多目标Bayes滤波理论框架内，利用随机有限集解决多拓展目标跟踪问题，主要解决多拓展目标运动特性与量测似然建模、多拓展目标概率假设密度滤波器推导及多拓展目标概率假设密度滤波器实现中的目标数目与状态联合估计问题。本课题的目标是，开发一种基于随机有限集的多拓展目标跟踪算法以充分利用高分辨率所产生的多目标量测信息。

针对现代相控阵雷达和高分辨率雷达跟踪系统中，一个雷达目标能够产生多个量测的现实，研究以“单目标多量测”假设为出发点的多拓展目标跟踪理论与实现方法，解决以“单目标至多产生一个量测”假设为出发点的传统多目标跟踪理论在现代雷达系统中的不适用性，充分利用现代雷达系统高分辨率所产生的多量测信息。本课题主要利用随机有限集理论研究多拓展目标跟踪算法并利用机器学习的思想进行算法实现。首先，从集值估计的角度，在多目标Bayes滤波框架内利用随机有限集变量对多拓展目标跟踪过程进行建模，重点对体现“单目标多量测”特征的多拓展目标量测似然进行了研究；针对多拓展目标量测似然中对量测集合的所有可能分割组合的不可实现性，提出基于有限混合模型的量测集合近似分割算法，提升多拓展目标量测似然在现实中的适用性，以充分利用拓展目标多量测信息的相互关联性和相互冗余性，增强雷达系统的反隐身性能。其次，针对以集值方式描述的多拓展目标滤波器，利用概率生成函数和函数导数把定义在多目标状态空间上的多拓展目标跟踪问题转化为定义在单目标状态空间上的强度估计问题，并着重对强度估计到多拓展目标状态估计的实现算法进行了研究；在多拓展目标强度滤波器的高斯混合实现中，高斯混合分量的数目在时间步上呈指数增长，尤其是在更新步，每一个量测都会新增与上一时刻混合分量数目相同数量的混合分量，造成实现算法在现实的不可行性；提出了一种基于无监督学习思想的混合分量删减算法，学习过程中保留有较多证据支持的主成份混合分量，删减掉较少证据支持的次要混合分量，进而减少算法时间开销，以使算法计算量可行，从而提升了多拓展目标跟踪算法在现代雷达系统中的实际应用性。最后，针对现代雷达系统生存所面临的低空突防和有源/无源干扰方面的巨大挑战，研究了基于在线机器学习的多拓展目标状态和杂波强度联合估计理论与实现方法；利用有限混合模型对低空突防所依赖的强背景杂波和有源/无源干扰所施加的未知杂波强度进行建模和在线学习，以提高杂波强度在多拓展目标跟踪算法中的精确度，进而间接提高多拓展目标状态估计的精度，从而提升现代雷达系统的反低空突防能力和增强雷达系统的抗干扰能力。上述研究成果已经在智能网络与网络安全教育部重点实验室的智能信息处理开放研究室进行了相关实验，并在雷达多目标跟踪三维战场仿真平台上进行了验证，证明了研究成果的有效性。