论文部分内容阅读
目标跟踪是指计算机或其他仪器设备依据某种算法实现对目标的跟踪与定位,并根据目标的位置和动向采取相应措施。机动是指目标为执行某种战术意图和(或)由于非预谋的原因作改变原来规律的运动,如转向、俯冲、下滑、爬升、蛇形、增速、降速等。机动目标跟踪主要是解决目标机动的情况下稳定、精确跟踪的问题。机动目标跟踪关键在于如何从测量值中提取有关目标状态的有用信息。一个好的机动目标跟踪算法将有利于这种信息的提取。大多数的跟踪算法都是以模型为基础的。基于模型的机动目标跟踪算法可以分为单模型(Single Model-SM)算法和多模型(Multiple Model-MM)算法两大类。常见的单模型算法有白噪声加速度模型(Constant Velocity Model-CV)、Wiener加速度模型(Constant Acceleration Model-CA)、Singer加速度模型、“当前”统计模型(Current Statistic Model-CS)和匀速转弯模型(Constant TurnModel-CT)等。本文分析了这些模型的建模方法,并通过MATLAB仿真比较了各模型的跟踪精度。多模型算法由于其独有的处理具有结构和参数未知和/或变化以及将复杂问题简化为简单问题的能力,近年来受到了很大的重视。多模型(MultipleModel-MM)算法可以分为三代:静态多模型算法(Static MultipleModel-SMM)、交互式多模型(Interacting Multiple Model-IMM)和变结构多模型(Variable Structure Multiple Model-VSMM)算法。目前,在众多的跟踪滤波算法中,交互式多模型算法被认为是最有效的次优多模型方法,因而在机动目标跟踪领域获得了广泛的应用。但是,当目标的机动情况发生变化时,如果IMM算法的模型集中不包括当前目标的运动模式,跟踪精度就会大大下降,甚至发散。因此提高IMM算法跟踪机动目标能力的关键是如何根据目标的机动情况,实时地估计模型参数。由于模糊神经网络融合了神经网络自学习能力、联想能力、优化结构和模糊逻辑容易被人理解等优点,将其引入IMM算法中,对于提高目标的跟踪精度有着重要的意义。本文对IMM算法做了如下两点改进。首先在IMM算法的模型集设计中,提出了使用加速度均值自适应的“当前”统计模型(CS模型)和扩展后的常速运动模型(CV模型)进行交互。其次设计了一个符合机动目标跟踪中目标机动特点的模糊神经网络,将运动模型的特征量作为模糊神经网络的输入,模糊神经网络的输出用于修正目标运动模型参数,使系统能自适应目标复杂多变的运动模式。该模糊神经网络按照模糊规则连接,模糊规则作为网络的权值通过神经网络自动调整和修正。该算法有效地解决了机动目标跟踪模型和目标运动模式不匹配的问题,减少了计算量,提高了跟踪精度。MATLAB仿真实验证明了该算法的有效性。