基于模糊神經(jīng)網(wǎng)絡(luò)的交互式多模型算法研究.pdf

1、目標(biāo)跟蹤是指計(jì)算機(jī)或其他儀器設(shè)備依據(jù)某種算法實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤與定位，并根據(jù)目標(biāo)的位置和動(dòng)向采取相應(yīng)措施。機(jī)動(dòng)是指目標(biāo)為執(zhí)行某種戰(zhàn)術(shù)意圖和(或)由于非預(yù)謀的原因作改變?cè)瓉硪?guī)律的運(yùn)動(dòng)，如轉(zhuǎn)向、俯沖、下滑、爬升、蛇形、增速、降速等。機(jī)動(dòng)目標(biāo)跟蹤主要是解決目標(biāo)機(jī)動(dòng)的情況下穩(wěn)定、精確跟蹤的問題。 機(jī)動(dòng)目標(biāo)跟蹤關(guān)鍵在于如何從測量值中提取有關(guān)目標(biāo)狀態(tài)的有用信息。一個(gè)好的機(jī)動(dòng)目標(biāo)跟蹤算法將有利于這種信息的提取。大多數(shù)的跟蹤算法都是以模型為基礎(chǔ)的

2、?；谀Ｐ偷臋C(jī)動(dòng)目標(biāo)跟蹤算法可以分為單模型(Single Model-SM)算法和多模型(Multiple Model-MM)算法兩大類。 常見的單模型算法有白噪聲加速度模型(Constant Velocity Model-CV)、Wiener加速度模型(Constant Acceleration Model-CA)、Singer加速度模型、“當(dāng)前”統(tǒng)計(jì)模型(Current Statistic Model-CS)和勻速轉(zhuǎn)彎模型(

3、Constant TurmModel-CT)等。本文分析了這些模型的建模方法，并通過MATLAB仿真比較了各模型的跟蹤精度。 多模型算法由于其獨(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)雜問題簡化為簡單問題的能力，近年來受到了很大的重視。多模型(MultipleModel-MM)算法可以分為三代:靜態(tài)多模型算法(Static MultipieModel-SMM)、交互式多模型(Interacting Multiple Mode

4、l-IMM)和變結(jié)構(gòu)多模型(Variable Structure Multiple Model-VSMM)算法。 目前，在眾多的跟蹤濾波算法中，交互式多模型算法被認(rèn)為是最有效的次優(yōu)多模型方法，因而在機(jī)動(dòng)目標(biāo)跟蹤領(lǐng)域獲得了廣泛的應(yīng)用。但是，當(dāng)目標(biāo)的機(jī)動(dòng)情況發(fā)生變化時(shí)，如果IMM算法的模型集中不包括當(dāng)前目標(biāo)的運(yùn)動(dòng)模式，跟蹤精度就會(huì)大大下降，甚至發(fā)散。因此提高IMM算法跟蹤機(jī)動(dòng)目標(biāo)能力的關(guān)鍵是如何根據(jù)目標(biāo)的機(jī)動(dòng)情況，實(shí)時(shí)地估計(jì)模型參數(shù)

5、。由于模糊神經(jīng)網(wǎng)絡(luò)融合了神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)能力、聯(lián)想能力、優(yōu)化結(jié)構(gòu)和模糊邏輯容易被人理解等優(yōu)點(diǎn)，將其引入IMM算法中，對(duì)于提高目標(biāo)的跟蹤精度有著重要的意義。 本文對(duì)IMM算法做了如下兩點(diǎn)改進(jìn)。首先在IMM算法的模型集設(shè)計(jì)中，提出了使用加速度均值自適應(yīng)的“當(dāng)前”統(tǒng)計(jì)模型(CS模型)和擴(kuò)展后的常速運(yùn)動(dòng)模型(CV模型)進(jìn)行交互。其次設(shè)計(jì)了一個(gè)符合機(jī)動(dòng)目標(biāo)跟蹤中目標(biāo)機(jī)動(dòng)特點(diǎn)的模糊神經(jīng)網(wǎng)絡(luò)，將運(yùn)動(dòng)模型的特征量作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，模糊神經(jīng)網(wǎng)