基于交互式多模型的機動目標跟蹤算法研究.pdf

1、目標跟蹤是利用各種類型的傳感器獲得的關于目標信息，對目標的真實狀態(tài)以及未來的狀態(tài)進行估計和預測的一門技術。目標跟蹤技術在軍事以及民用等諸多領域里都有著廣泛的應用。隨著電子技術以及計算機技術的進步，各種新的技術與理論被應用到目標跟蹤領域中來，目標跟蹤技術也逐漸的發(fā)展成為一門跨學科，跨行業(yè)，多層面的技術。
　　 目標跟蹤技術研究的主要內容是從傳感器中獲得的關于目標的不精確的信息中，準確的估計和預測到目標的真實信息，因此需要各種濾波器

2、對收集到的數據進行濾波處理?？柭?Kalman)濾波作為一種性能優(yōu)良的濾波算法，在目標跟蹤領域里得到廣泛的應用，但是濾波器是以一定的目標跟蹤的模型為基礎的。因此目標跟蹤的研究對象也主要包括跟蹤模型和濾波算法這兩個方面。在這兩個方面，國內外的眾多學者對此進行了深入的研究，并取得了較為豐碩的成果。作為一種新型的數據融合算法，交互式多模型(IMM)算法由于其優(yōu)良的跟蹤效果，較寬的跟蹤頻帶，在最近幾年得到了足夠的重視。國內外對交互式多模型算法

3、的研究也主要集中在對模型交互，數據融合等方面。隨著模糊理論，神經網絡等理論的研究的進展和日漸成熟，這些理論也逐漸的應用到了交互式多模型算法中來，很大程度上促進了交互式多模型算法的進展，本文也是主要在交互式多模型算法的基礎上開展研究工作。
　　 本文首先介紹了目標跟蹤的基本原理以及一些基本的濾波算法等，其中重點的研究了最小二乘估計，α-β濾波，卡爾曼濾波，擴展卡爾曼濾波等在濾波理論中應用極為廣泛的濾波算法。通過對勻速目標的跟蹤仿真

4、分析了卡爾曼濾波和α-β濾波器的跟蹤效果。其次介紹了目標跟蹤領域里的一些典型的數學模型，重點介紹了應用于非機動情況下的CV，CA模型，以及應用于機動情況下的Singer模型，“當前”統(tǒng)計模型，Jerk模型等。同時作為本文的重點研究內容，文中較為詳盡的分析了交互式模型算法的基本原理。由于交互式多模型算法要增加算法的濾波帶寬就要添加較多的模型到模型集合中，但是過多的模型不但會增加算法的計算量，也會由于不同模型之間的競爭而導致算法的濾波精度下

5、降等問題的出現。為解決這一問題，本文從以下幾個方面入手，開展了一系列的研究工作。
　　 由于濾波算法是以一定的運動學模型為基礎的，模型的精確與否對跟蹤效果有著直接的影響。本文重點研究了應用于非機動情況下的CV，CA模型以及應用于目標機動情況下的Singer模型，“當前”統(tǒng)計模型，以及應用于高機動情況下的Jerk模型等目標跟蹤領域里的一些經典的數學模型。同時作為本文的主要研究內容，文中重點的分析了交互式多模型算法的基本原理。交互式

6、多模型算法由于具有較寬的濾波帶寬，但是也存在著計算量過高，當模型集合中的模型過多的時候會導致模型之間出現競爭，從而導致跟蹤效果變差。為了解決這一問題本文從以下幾個方面入手，開展了一系列研究工作。
　　 (1)由于目標的機動在很大程度上體現在目標的加速度的波動上，因此本文的研究工作也主要集中在提高對加速度的估計精度上。考慮到“當前”統(tǒng)計模型對加速度的跟蹤效果，但是該模型對于目標低機動時效果不佳，本文設計了一種采用最大加速度自適應的

7、“當前”統(tǒng)計模型進行加速度的預估計。
　　 (2)為了達到工刪算法較寬的濾波帶寬，本文借鑒了變結構的多模型算法，設計了一種基于模糊推理的變結構的多模型算法。算法使用“當前”統(tǒng)計模型進行加速度的預估計選擇模型集合中的適當模型進行濾波處理，擯棄那些與運動模式不符合的模型，使得系統(tǒng)在實時性和濾波帶寬上取得較好的平衡。
　　 (3)最后為了驗證改進后的算法的效果，本文采用標準的IMM算法和改進后的算法進行了仿真分析。通過仿真結果