JPDA的matlab程序Word文件下载.doc

JPDA的matlab程序Word文件下载.doc

《JPDA的matlab程序Word文件下载.doc》由会员分享，可在线阅读，更多相关《JPDA的matlab程序Word文件下载.doc（11页珍藏版）》请在冰豆网上搜索。

%黄玲,数据挖掘及融合技术研究与应用,西北工业大学硕士学位论文,2004年

%声明：

%该代码为作者毕业设计内容，鉴于学术交流的角度，现在公开发布该代码

%该代码非本人原创，修改自网上另一位作者的JPDA代码

%该代码仅用于学术交流，请勿用于任何其它商业用途，请大家自觉遵守

%如果有人用该代码进行不合适的用途，该代码作者不承担任何责任

%请遵守作者的劳动成果，转载请标明

%作者邮箱：

%wangzexun@

%%%%%%%%%%%%%%%%%%%%%%%%%%参数定义%%%%%

Pd=1;

%检测概率

Pg=0.99;

%正确量测落入跟踪门内得概率

g_sigma=9.21;

%门限

lambda=2;

gamma=lambda*10^（-6）;

%每一个单位面积（km^2）内产生lambda个杂波

Target_measurement=zeros（c,2,n）;

%目标观测互联存储矩阵

target_delta=[100100];

%目标对应的观测标准差

P=zeros（4,4,c）;

%协方差矩阵

P1=[target_delta

（1）^2000;

00.0100;

00target_delta

（1）^20;

0000.01];

%初始协方差矩阵

P（:

:

1）=P1;

2）=P1;

A=[1T00;

0100;

001T;

0001];

%状态转移矩阵

C=[1000;

0010];

%观测矩阵

R=[target_delta

（1）^20;

0target_delta

（1）^2];

%观测协方差矩阵

Q=[40;

04];

%系统过程噪声协方差

G=[T^2/20;

T0;

0T^2/2;

0T];

%过程噪声矩阵

x_filter=zeros（4,c,n）;

%存储目标的各时刻的滤波值

x_filter1=zeros（4,c,n,MC_number）;

%MC_number次MontleCarlo仿真所得全部结果存储矩阵

data_measurement=zeros（c,2,n）;

%观测存储矩阵

data_measurement1=zeros（c,4,n）;

%实际位置坐标x,y矩阵

%%%%%%%%产生目标的实际位置

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

data_measurement1（:

1）=target_position;

%实际位置矩阵初始化

fori=1:

c

forii=2:

n%实际位置

data_measurement1（i,:

ii）=（A*data_measurement1（i,:

ii-1）'

）'

+（G*sqrt（Q）*（randn（2,1）））'

;

end

end

a=zeros（1,n）;

b=zeros（1,n）;

n

a（i）=data_measurement1（1,1,i）;

b（i）=data_measurement1（1,3,i）;

plot（a,b,'

b-'

）;

holdon;

a（i）=data_measurement1（2,1,i）;

b（i）=data_measurement1（2,3,i）;

r-'

xlabel（'

x（m）'

）,ylabel（'

y（m）'

legend（'

目标a的实际位置'

'

目标b的实际位置'

1）;

grid;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%程序主体

%%%%%%%%%%%%%%%%%%%%%%

forM=1:

MC_number

%%%%%%%%%%%%%%%%%%%%%%%1.产生路径%%%%%%%%%%%%%%%%%%%%%%%

Noise=[];

forj=1:

c%各传感器观测的位置

data_measurement（j,1,i）=data_measurement1（j,1,i）+rand

（1）*target_delta（j）;

data_measurement（j,2,i）=data_measurement1（j,3,i）+rand

（1）*target_delta（j）;

%%%%%%%%%%%%%%%%%%%%%%%%%%2.产生杂波,并确定有效观测%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%

S=zeros（2,2,c）;

Z_predic=zeros（2,2）;

%存储两个目标的观测预测值,即只包括x,y坐标

x_predic=zeros（4,2）;

%存储两个目标的状态预测值,即包括x,y坐标和x,y方向速度

ellipse_Volume=zeros（1,2）;

NOISE_sum_a=[];

%存储目标1的杂波

NOISE_sum_b=[];

%存储目标2的杂波

fort=1:

y1=[];

y=[];

Noise=[];

NOISE=[];

fori=1:

c

ift~=1

x_predic（:

i）=A*x_filter（:

i,t-1）;

%用前一时刻的滤波值来预测当前的值（kalman滤波的第一个表达式）

else

i）=target_position（i,:

%第一次采样我们用真实位置当预测值

P_predic=A*P（:

i）*A'

+G*Q*G'

%更新x_predic协方差矩阵（kalman滤波的第二个表达式）

Z_predic（:

i）=C*x_predic（:

i）;

%提取预测值的x,y坐标，舍弃x,y速度

R=[target_delta（i）^20;

0target_delta（i）^2];

S（:

i）=C*P_predic*C'

+R;

%定义中间变量S

ellipse_Volume（i）=pi*g_sigma*sqrt（det（S（:

i）））;

%计算椭圆跟踪门的面积

number_returns=floor（ellipse_Volume（i）*gamma+1）;