基于模型集自適應(yīng)多模交互濾波的機動目標(biāo)跟蹤算法研究及性能分析.pdf

1、隨著現(xiàn)代工業(yè)技術(shù)的進步，機動目標(biāo)呈現(xiàn)出運動模式復(fù)雜多樣、機動性強等特點，對機動目標(biāo)跟蹤算法的跟蹤精度、魯棒性和實時性提出了更高的要求。傳統(tǒng)的單一運動模型跟蹤算法難以滿足需求，基于卡爾曼濾波的多模型算法成為解決機動目標(biāo)跟蹤問題的有效途徑，但各種多模型算法在模型集匹配性、魯棒性等方面依然存在不足，需要進一步研究改進。因此，研究基于模型集自適應(yīng)多模交互濾波的機動目標(biāo)跟蹤算法具有重要的理論意義和應(yīng)用價值。
　　 針對模型集自適應(yīng)多模交互

2、濾波算法的模型集選擇概率下限溢出關(guān)鍵問題，本文首先研究了Novel-IMM算法模型集非匹配情況下似然函數(shù)值減小機理，闡述了模型集選擇概率下限溢出原因，在此基礎(chǔ)上提出了概率下限防溢出UPSP算法，定義了算法數(shù)學(xué)表達(dá)式并給出了算法流程圖，從算法跟蹤精度和模型集選擇概率取值變化兩方面驗證了UPSP算法的有效性，在此基礎(chǔ)上進一步提出了UPSP算法門限取值策略;然后，面向UPSP算法門限取值無嚴(yán)格數(shù)學(xué)定義瓶頸，基于運動模型似然函數(shù)指數(shù)表達(dá)式與模型

3、集選擇概率相關(guān)性，定義了模型集指數(shù)因子表達(dá)式，提出一種指數(shù)權(quán)值模型集自適應(yīng)EAIMM算法，有效解決Novel-IMM算法模型集選擇概率下限溢出問題的同時，提高了算法對機動目標(biāo)運動模式變化的敏感性。
　　 在UPSP算法基礎(chǔ)上，為解決Novel-IMM算法的低費效比問題，本文引入穩(wěn)態(tài)卡爾曼濾波算法，合理降低CV與CA運動模型卡爾曼濾波增益計算復(fù)雜度，提出了一種高費效比模型集自適應(yīng)交互濾波FAIMM算法，在跟蹤精度略有降低的情況下將

4、算法計算量減小了約40％;最后，為進一步剔除非匹配運動模型對跟蹤精度的影響，利用維特比模型選擇方法對FAIMM算法運動模型進行優(yōu)化選擇，提出了一種FAIMM-EV算法，提高了FAIMM算法跟蹤精度，同時使算法費效比相比于Novel-IMM算法提高了約35％，有效解決了模型集自適應(yīng)多模交互算法的低費效比問題。
　　 針對本文提出的四種算法，論文基于兩個機動目標(biāo)運動場景對算法進行仿真驗證，仿真結(jié)果顯示本文提出的算法在跟蹤精度、魯棒性