多模型機動目標跟蹤算法研究.pdf

1、目標跟蹤技術在現(xiàn)代軍事和民用領域占有十分重要的地位并有著廣闊的應用前景，因此關于目標跟蹤技術的研究與發(fā)展一直受到人們廣泛的關注。近年來，眾多國內(nèi)外研究者對此進行了深入的研究并取得了豐碩的成果。在目標跟蹤系統(tǒng)中，多模型(Multiple Model，MM)目標跟蹤算法由于獨有的處理具有結構和參數(shù)未知和/或變化以及將復雜問題簡化的能力，其研究也是目前目標跟蹤研究領域的一個重要方向。根據(jù)模型集設置特點以及各模型間有無交互，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構多模型算法。其中，交互式多模型算法由于使用多個不同的運動模型匹配目標不同的運動模式，且各模型之間存在交互，在目標跟蹤系統(tǒng)中不僅可以提高跟蹤精度，還具有較高的效費比，因此受到較多的關注和重視。近年來各國研究者對交互式多模型算法的研究重點主要集中于對模型、濾波算法以及數(shù)據(jù)融合技術等方面的改進。同時，隨著小波算法、模糊邏輯理論、遺傳算法和神經(jīng)網(wǎng)絡等新學科的不斷發(fā)展與日益成熟，有越來越多的學者將交互式多模型

3、算法與這些新學科結合，使的交互式多模型算法在跟蹤精度、實時性等方面得到了很大的提高。
　　 本文首先研究了目標跟蹤中的卡爾曼濾波算法和常用的機動目標跟蹤模型，仿真分析了各模型基于卡爾曼濾波算法的跟蹤性能。然后在相同的目標運動環(huán)境中對交互式多模型算法的跟蹤性能進行仿真，并根據(jù)仿真結果與基于卡爾曼濾波算法的單模型跟蹤性能進行比較，分析總結了交互式多模型算法相對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

4、算需要具有先驗知識的馬爾可夫概率轉移矩陣，先驗知識在機動目標跟蹤中很難獲得。而且如果先驗知識與當前機動目標運動狀態(tài)不符會引起很大的跟蹤誤差，甚至導致跟蹤丟失。本文針對常規(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)絡的交互式多模型算法(GAFNN-IMM)。該算法首先設計了一種基于遺傳算法優(yōu)化的模糊神經(jīng)網(wǎng)絡，然后將各濾波器輸出的殘差輸入到遺傳模糊神經(jīng)網(wǎng)絡中。根據(jù)遺傳模糊神經(jīng)網(wǎng)絡的自學習和自適應能力得到機動目標狀態(tài)估計