题目：基于多模型的联合目标跟踪与分类技术研究

目标跟踪与目标分类是相互联系的。这是因为：目标的属性知识有助于建立更为精确的目标运动模型，从而提高系统的跟踪性能；相应的，目标的状态估计量，可以作为目标的属性特征，用以提高系统的分类性能。因此，通过在跟踪器和分类器之间进行双向信息交互，可以同时有效地提高目标的跟踪精度和分类性能。近些年来，许多学者致力于此项课题的研究，取得了一定的成果，但也存在着一些问题，例如，算法不具备封闭解析形式，计算量大，跟踪器与分类器紧紧耦合，不具备模块化结构。这些特点使其难以在工程实际中得到应用。 针对以上问题，本文将预知的各类目标的多种模型联合起来，组成一个统一的多模型集合，并在运动学传感器和属性传感器观测过程相互独立的前提下，对目标状态概率密度函数和目标类别概率质量函数同时进行贝叶斯推理，得出一种基于多模型的联合目标跟踪与分类（GMM-JTC）算法，该算法实现了跟踪器与分类器的模块化，提高了跟踪和分类性能。在此基础上，针对线型高斯系统，推导得出LG-GMM-JTC算法，该算法不但有清晰的模块化结构，而且具备封闭解析形式，计算量小，适合工程实时应用。本文研究思路如下。 将国内外现有的关于JTC问题的文章进行系统的总结归纳，为本文研究提供思路，同时也为其他学者做进一步研究提供参考；对JTC系统建模问题进行详细的讨论研究，包括目标状态-类别的联合描述、目标动态模型、属性特征模型以及传感器观测模型；研究贝叶斯分类算法，包括基于ESM观测数据的贝叶斯分类算法和基于雷达观测数据的贝叶斯分类算法，以及这两种算法的融合；讨论粒子滤波理论，并深入研究交互式多模型粒子滤波算法，为实现本文的JTC算法打下基础；详细完整的推导得出GMM-JTC算法；最后推导得出应用于线性高斯系统的LG-GMM-JTC算法。 对本文提出的几种算法分别进行了仿真分析，仿真结果证实了几种算法的有效性。