【基于方位角的目標(biāo)跟蹤研究國內(nèi)外文獻(xiàn)綜述2400字】

基于方位角的目標(biāo)跟蹤研究國內(nèi)外文獻(xiàn)綜述1國外研究現(xiàn)狀在到達(dá)方位角(Direction-of-Arrival,DOA)估計(jì)算法方面，國外研究的比較早，在20世紀(jì)70年代，Bartlett提出了Bartlett波速形成法，該算法是用空域DOA估計(jì)來代替時(shí)域DOA估計(jì)，由于分辨率受陣列長(zhǎng)度和孔徑的影響，其“瑞利限”被固定了下來，因而Bartlett波速形成法的分辨率低。針對(duì)其角度分辨率低的問題，學(xué)者們提出了幾種高分辨率的算法，如Burg的最大熵頻譜分析、Capon的最小方差法以及KaySM的諧波分析都進(jìn)一步提高的角度分辨率。但這三種算法均要求目標(biāo)信號(hào)在空域上是連續(xù)的且為平穩(wěn)隨機(jī)過程，因此并不很實(shí)用。這方面真正得以突破是在上世紀(jì)80年代SchmidtRO的多重信號(hào)分類(MultipleSignalClassification,MUSIC)REF_Ref69846116\r\h[5]的出現(xiàn)之后，MUSIC算法主要是利用子空間的正交性來提高其角度的分辨率，它是子空間分解類算法，MUSIC的缺點(diǎn)在于它需要從頻譜尋找其峰值，這就導(dǎo)致在這過程中計(jì)算的工作量加大。而與其相反的一種子空間分解類算法是Roy的旋轉(zhuǎn)不變子空間法(EstimatingSignalParametersviaRotationalInvarianceTechniques,ESPRIT)REF_Ref69847476\r\h[13]，其計(jì)算也比較簡(jiǎn)單，但它對(duì)陣列結(jié)構(gòu)的限制條件比較多。這也使后來算法研究大多是在MUSIC算法的基礎(chǔ)上進(jìn)行改進(jìn)的。在80年代末學(xué)者們研究出了在低信噪比下性能比子空間分解類算法要好的算法：最大似然估計(jì)算法REF_Ref69474736\r\h[14]和加權(quán)子空間擬合估計(jì)算法REF_Ref69474812\r\h[15]，這兩種算法的缺點(diǎn)在于計(jì)算復(fù)雜度大且需非線性多維搜索。對(duì)于目標(biāo)跟蹤，維納于1942年提出維納濾波理論REF_Ref69847814\r\h[16]，維納濾波算法當(dāng)時(shí)也被廣泛應(yīng)用于軍事領(lǐng)域，但維納濾波因其計(jì)算量過大，需要較大的存儲(chǔ)空間，使其只能在平穩(wěn)過程中使用。這就使在非平穩(wěn)過程中實(shí)現(xiàn)濾波成為了一大難題，這一問題持續(xù)了將近20年左右，直到卡爾曼濾波（KalmanFiltering,KF）算法的出現(xiàn)才打破局面，KF算法對(duì)平穩(wěn)和非平穩(wěn)兩種隨機(jī)過程都適用。卡爾曼濾波算法可以根據(jù)一組測(cè)量值，經(jīng)過一系列的遞推運(yùn)算，獲得下一刻狀態(tài)量的最佳估計(jì)值，但該算法只是用線性高斯過程，對(duì)于非線性系統(tǒng)是不適用的。卡爾曼濾波很快就被用于目標(biāo)跟蹤中，但大多數(shù)的系統(tǒng)是線性的，對(duì)于非線性的工程問題還是很難得到解決。對(duì)于基于DOA目標(biāo)跟蹤方面，在二十世紀(jì)七十年代初，Bucy等研究者將KF進(jìn)行了延伸，這時(shí)擴(kuò)展卡爾曼濾波（ExtendKalmanFilter,EKF）算法出現(xiàn)了REF_Ref70073233\r\h[20]，EKF既能在非線性高斯過程中使用，也可在線性高斯過程中使用，實(shí)際上擴(kuò)展卡爾曼濾波算法就是卡爾曼濾波算法的一個(gè)延伸。EKF在“阿波羅登月計(jì)劃”中被首次應(yīng)用，因其簡(jiǎn)單以及計(jì)算量小的特點(diǎn)，在之后的很長(zhǎng)一段時(shí)間被廣泛應(yīng)用于工程之中。隨著EKF被廣泛應(yīng)用，其也有不可避免的缺點(diǎn)：由于EKF只近似到一階Taylor級(jí)數(shù)而忽略高階項(xiàng)，當(dāng)狀態(tài)量和觀測(cè)量非線性太強(qiáng)時(shí)，估計(jì)效果比較差，容易導(dǎo)致發(fā)散。之后Julier等人將UT變換應(yīng)用到濾波過程中，無跡卡爾曼濾波（UnscentedKalmanFilter,UKF）算法就此誕生REF_Ref69886145\r\h[24]，UKF算法跟蹤的精確度要優(yōu)于KF和EKF，其濾波穩(wěn)定性也比其他濾波算法要高。無論是KF、EKF還是UKF處理的都是高斯過程的噪聲，對(duì)于解決非高斯過程的噪聲仍然是個(gè)需要克服的問題。在1993年粒子濾波（ParticleFilter,PF）算法被Gordon等學(xué)者提出REF_Ref69888360\r\h[26]，PF算法解決了在非高斯過程中的非線性系統(tǒng)跟蹤問題，且常被用在非線性非高斯過程的跟蹤系統(tǒng)中。然而，粒子濾波算法也并不是完美的，它也存在兩個(gè)缺點(diǎn)：（1）隨著粒子濾波算法運(yùn)算次數(shù)的增加，會(huì)出現(xiàn)粒子退化現(xiàn)象。（2）算法的準(zhǔn)確度需要大量粒子，計(jì)算量會(huì)增大，同時(shí)對(duì)硬件的要求也比較高。2國內(nèi)研究現(xiàn)狀國內(nèi)對(duì)于目標(biāo)跟蹤的研究要比國外晚很多，在二十世紀(jì)末，周宏仁提出了機(jī)動(dòng)目標(biāo)“當(dāng)前”統(tǒng)計(jì)模型REF_Ref69477092\r\h[27]，雖要比國外晚幾十年，但在目標(biāo)跟蹤上的研究還是有顯著效果的?！爱?dāng)前”統(tǒng)計(jì)模型能讓運(yùn)動(dòng)目標(biāo)的均值和方差自適應(yīng)，使其對(duì)均速、勻加速以及變加速運(yùn)動(dòng)目標(biāo)的位置信息準(zhǔn)確性比較高。其最大的優(yōu)點(diǎn)在于自適應(yīng)濾波算法實(shí)現(xiàn)簡(jiǎn)單。對(duì)純方位角的目標(biāo)跟蹤最初國內(nèi)學(xué)者大多是將非線性問題線性化。在2000年王淇等人利用衰減記憶的卡爾曼濾波算法減少線性化誤差的影響REF_Ref69483023\r\h[28]。但該算法的缺點(diǎn)在于其對(duì)目標(biāo)進(jìn)行長(zhǎng)時(shí)間的跟蹤的誤差偏大。對(duì)于水下目標(biāo)跟蹤的估計(jì)偏差的問題，石章松等人在2005年提出一種新的輔助變量方法來解決REF_Ref69636992\r\h[29]，該方法主要是利用已知的前三個(gè)方位信息去判斷當(dāng)前方位信息來減小估計(jì)偏差，其優(yōu)點(diǎn)在于可以進(jìn)行遞推估計(jì)，但此方法對(duì)誤差很敏感，當(dāng)誤差大時(shí)，其跟蹤效果就很差。對(duì)于誤差處理這一問題，第二年劉軍等人提出了誤差預(yù)處理技術(shù)REF_Ref69484443\r\h[30]，該方法減少了解算誤差，進(jìn)而節(jié)省了計(jì)算時(shí)間。在線性化濾波問題中，同年石章松，劉忠REF_Ref69632789\r\h[31]等人將近似線性最小二乘估計(jì)算法(ApproximateLinearFiltering,ALF)結(jié)合EKF應(yīng)用在純方位跟蹤中，兩種算法結(jié)合解決了EKF初始化困難的問題，從而使濾波的準(zhǔn)確性得到了提高，但該方法對(duì)近距離的目標(biāo)跟蹤的精確度比較低，其適用于遠(yuǎn)距離跟蹤。2007年李景熹REF_Ref69631068\r\h[32]等人用一種新型濾波算法解決高階的非線性系統(tǒng)問題，但這種新型濾波算法對(duì)參數(shù)的選擇比較高，倘若參數(shù)選取不理想的話，濾波效果會(huì)大大折扣。參考文獻(xiàn)熊鑫,章新華,高成志,盧海杰,蘭英.水中目標(biāo)被動(dòng)定位技術(shù)綜述[J].艦船科學(xué)技術(shù),2010,32(07):140-143.周俊山,孔大偉.水聲被動(dòng)定位技術(shù)及其發(fā)展趨勢(shì)[J].科技致富向?qū)?2010(30):125+161.郭云飛.純方位角目標(biāo)跟蹤理論與應(yīng)用研究[D].浙江大學(xué),2007.李曉鵬.聲速無關(guān)的水下快速DOA估計(jì)算法研究[D].華南理工大學(xué),2019.戴文豐.基于卡爾曼濾波算法的聲源目標(biāo)跟蹤研究[D].華南理工大學(xué),2020.董飛彪.聲陣列波達(dá)方向跟蹤算法研究[D].電子科技大學(xué),2020.陶秀睿.DOA估計(jì)與目標(biāo)跟蹤[D].東南大學(xué),2019.Burg,John.(1967).MaximumEntropySpectralAnalysis.Proceedingsof37thMeetingofSocietyofExplorationGeophysicists.CaponJ.High-ResolutionFrequency-WavenumberSpectrumAnalysis[J].ProceedingsoftheIEEE,1969,57(8):1408-1418.KaySM,MarpleSL.Spectrumanalysis—Amodernperspective[J].ProceedingsoftheIEEE,1981,69(11):1380-1419.SchmidtR,SchmidtRO.Multipleemitterlocationandsignalparameterestimation[J].IEEETransactionsonAntennas&Propagation,1986,34(3):276-280.RoyR,PaulrajA,KailathT.Direction-of-arrivalestimationbysubspacerotationmethods-ESPRIT[J].IEEE,1986,11:2495-2498.譚祚.MIMO雷達(dá)系統(tǒng)去耦合技術(shù)與DOA估計(jì)算法研究[D].電子科技大學(xué),2020.StoicaP,AryeN.MUSIC,maximumlikelihood,andCramer-Raobound[J].IEEETrans.acoust.speechSignalProcess,1989,38(5):720-741.CadzowJA.Ahighresolutiondirection-of-arrivalalgorithmfornarrow-bandcoherentandincoherentsources[J].IEEETransactionsonAcoustics,Speech,andSignalProcessing,1988,36(7):965-979.吳春穎,王娟.淺析卡爾曼濾波理論的發(fā)展歷史過程[J].福建電腦,2017,33(01):22-23.KalmanR.Anewapproachtolinearfilteringandpredictedproblems[J].JBasicEng,1960,82.盧乃辰.卡爾曼波形估計(jì)法對(duì)比研究與雷達(dá)跟蹤應(yīng)用[J].電子制作,2013(10):95.陳菘,盧敏.幾種濾波算法的分析與比較[J].電腦知識(shí)與技術(shù),2020,16(32):23-25.KalmanRE,BucyRS.NewResultsinLinearFilteringandPredictionTheory[J].JournalofBasicEngineering,1961,83(1):95.SunaharaY,YamashitaK.AnApproximateMethodofStateEstimationforNonlinearDynamicalSystems[J].InternationalJournalofControl,1970,11(6):957-972.BucyRS,SenneKD.Digitalsynthes