多模型機(jī)動(dòng)目標(biāo)跟蹤算法研究.pdf

1、目標(biāo)跟蹤技術(shù)在現(xiàn)代軍事和民用領(lǐng)域占有十分重要的地位并有著廣闊的應(yīng)用前景，因此關(guān)于目標(biāo)跟蹤技術(shù)的研究與發(fā)展一直受到人們廣泛的關(guān)注。近年來，眾多國(guó)內(nèi)外研究者對(duì)此進(jìn)行了深入的研究并取得了豐碩的成果。在目標(biāo)跟蹤系統(tǒng)中，多模型(Multiple Model，MM)目標(biāo)跟蹤算法由于獨(dú)有的處理具有結(jié)構(gòu)和參數(shù)未知和/或變化以及將復(fù)雜問題簡(jiǎn)化的能力，其研究也是目前目標(biāo)跟蹤研究領(lǐng)域的一個(gè)重要方向。根據(jù)模型集設(shè)置特點(diǎn)以及各模型間有無(wú)交互，多模型算法可分為靜態(tài)

2、多模型算法、交互式多模型算法以及變結(jié)構(gòu)多模型算法。其中，交互式多模型算法由于使用多個(gè)不同的運(yùn)動(dòng)模型匹配目標(biāo)不同的運(yùn)動(dòng)模式，且各模型之間存在交互，在目標(biāo)跟蹤系統(tǒng)中不僅可以提高跟蹤精度，還具有較高的效費(fèi)比，因此受到較多的關(guān)注和重視。近年來各國(guó)研究者對(duì)交互式多模型算法的研究重點(diǎn)主要集中于對(duì)模型、濾波算法以及數(shù)據(jù)融合技術(shù)等方面的改進(jìn)。同時(shí)，隨著小波算法、模糊邏輯理論、遺傳算法和神經(jīng)網(wǎng)絡(luò)等新學(xué)科的不斷發(fā)展與日益成熟，有越來越多的學(xué)者將交互式多模型

3、算法與這些新學(xué)科結(jié)合，使的交互式多模型算法在跟蹤精度、實(shí)時(shí)性等方面得到了很大的提高。
　　 本文首先研究了目標(biāo)跟蹤中的卡爾曼濾波算法和常用的機(jī)動(dòng)目標(biāo)跟蹤模型，仿真分析了各模型基于卡爾曼濾波算法的跟蹤性能。然后在相同的目標(biāo)運(yùn)動(dòng)環(huán)境中對(duì)交互式多模型算法的跟蹤性能進(jìn)行仿真，并根據(jù)仿真結(jié)果與基于卡爾曼濾波算法的單模型跟蹤性能進(jìn)行比較，分析總結(jié)了交互式多模型算法相對(duì)于單模型跟蹤算法的優(yōu)越性。
　　 交互式多模型算法的中的概率更新計(jì)

4、算需要具有先驗(yàn)知識(shí)的馬爾可夫概率轉(zhuǎn)移矩陣，先驗(yàn)知識(shí)在機(jī)動(dòng)目標(biāo)跟蹤中很難獲得。而且如果先驗(yàn)知識(shí)與當(dāng)前機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)狀態(tài)不符會(huì)引起很大的跟蹤誤差，甚至導(dǎo)致跟蹤丟失。本文針對(duì)常規(guī)交互式多模型算法的概率更新部分的缺陷提出了一種基于遺傳模糊神經(jīng)網(wǎng)絡(luò)的交互式多模型算法(GAFNN-IMM)。該算法首先設(shè)計(jì)了一種基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡(luò)，然后將各濾波器輸出的殘差輸入到遺傳模糊神經(jīng)網(wǎng)絡(luò)中。根據(jù)遺傳模糊神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力得到機(jī)動(dòng)目標(biāo)狀態(tài)估計(jì)