题目：基于纯方位测量的多目标跟踪方法研究

        纯方位多目标跟踪是指仅仅通过传感器接收到的目标方位信息来估计目标的状态。纯方位跟踪的困难在于测量方程是非线性的，且具有状态的不完全可观测性，即使用单个静止传感器接收到的目标纯方位测量无法估计出目标的位置、速度等运动状态。另外，杂波、漏检、目标来源等多种干扰或不确定性问题的存在给纯方位跟踪带来了更多的困难问题。如何提高算法的跟踪效果和时效性是研究的重点。本文对纯方位多目标跟踪涉及的数据关联、多传感器选择和随机有限集方法的应用三个方面进行了研究，其主要内容如下：

        (1). 提出了基于门限分割的方法来提高RBPF数据关联方法的跟踪性能。通过限制有效测量的数量，在根本上提高了算法的时效性。根据门限内有效测量的可能来源，对临近目标的相交门限进行了细致的分割。因此，可以在多个子门限内更加准确的估计测量来源的不确定性。在每个粒子内，为了限制数据关联过程中测量来源的唯一性，设计了Markov链模型。由此，可以计算出更加准确的数据关联先验来提高RBPF数据关联算法的跟踪能力。此外，为了降低对系统模型中噪声统计信息的依赖性，给出了一种基于H∞ 滤波的改进型RBPF数据关联方法。这种线性统计误差传播方法不需要预先知道测量噪声的统计参数，因此对未知噪声具有一定的鲁棒性。最后分别通过数值算例和仿真实验详细说明了上述方法的有效性。

        (2). 针对纯方位目标跟踪的多传感器融合问题，提出了一种新的基于粒子滤波的传感器自适应选择方法。与其他方法不同的是，本方法对每一个粒子只选择一个传感器进行更新，滤波的维数仅与单传感器单目标跟踪相同，从而有效避免了其他方法通常面临的维数过高问题。通过将目标状态更新和估计进行边际化，粒子采样仅仅用来处理传感器选择问题。由于传感器的个数是有限的，粒子采样可以使用最优重要性分布实现，因而滤波需要使用的粒子个数大幅度减少。为了应对杂波的干扰，设计了类似于PDA的加权整体似然方式来表示每个传感器得到的测量。对于多目标跟踪的情况，将粒子扩维到包含多目标状态的形式，并采用了序贯选择更新的方式进行处理。仿真实验对纯方位单目标和多目标跟踪的效果进行了比较，并对一些主要参数给算法性能带来的影响进行了详细分析。

        (3). 为了避免多传感器多目标跟踪中面临的复杂数据关联问题，研究了基于RFS理论的GM-PHD滤波方法在目标个数变化的纯方位多传感器跟踪中的应用。给出了序贯使用每个传感器测量进行强度函数更新的GM-PHD迭代计算过程，并针对纯方位跟踪的测量非线性问题，采用了以平方根CKF方法进行近似线性化的次优目标状态更新策略。在此基础上，针对传感器测量存在偏差的情况，采用了一种将偏差估计和状态估计分阶段处理的强度函数更新方式以保持GM-PHD迭代过程的Gaussian混合性质。最后通过纯方位多传感器多目标跟踪的仿真实验检验了上述方法的跟踪性能，对不同参数条件下的实验结果进行了比较，并分析了纯方位跟踪的传感器使用顺序问题。