论文部分内容阅读
随着现代工业技术的进步,机动目标呈现出运动模式复杂多样、机动性强等特点,对机动目标跟踪算法的跟踪精度、鲁棒性和实时性提出了更高的要求。传统的单一运动模型跟踪算法难以满足需求,基于卡尔曼滤波的多模型算法成为解决机动目标跟踪问题的有效途径,但各种多模型算法在模型集匹配性、鲁棒性等方面依然存在不足,需要进一步研究改进。因此,研究基于模型集自适应多模交互滤波的机动目标跟踪算法具有重要的理论意义和应用价值。针对模型集自适应多模交互滤波算法的模型集选择概率下限溢出关键问题,本文首先研究了Novel-IMM算法模型集非匹配情况下似然函数值减小机理,阐述了模型集选择概率下限溢出原因,在此基础上提出了概率下限防溢出UPSP算法,定义了算法数学表达式并给出了算法流程图,从算法跟踪精度和模型集选择概率取值变化两方面验证了UPSP算法的有效性,在此基础上进一步提出了UPSP算法门限取值策略；然后,面向UPSP算法门限取值无严格数学定义瓶颈,基于运动模型似然函数指数表达式与模型集选择概率相关性,定义了模型集指数因子表达式,提出一种指数权值模型集自适应EAIMM算法,有效解决Novel-IMM算法模型集选择概率下限溢出问题的同时,提高了算法对机动目标运动模式变化的敏感性。在UPSP算法基础上,为解决Novel-IMM算法的低费效比问题,本文引入稳态卡尔曼滤波算法,合理降低CV与CA运动模型卡尔曼滤波增益计算复杂度,提出了一种高费效比模型集自适应交互滤波FAIMM算法,在跟踪精度略有降低的情况下将算法计算量减小了约40%；最后,为进一步剔除非匹配运动模型对跟踪精度的影响,利用维特比模型选择方法对FAIMM算法运动模型进行优化选择,提出了一种FAIMM-EV算法,提高了FAIMM算法跟踪精度,同时使算法费效比相比于Novel-IMM算法提高了约35%,有效解决了模型集自适应多模交互算法的低费效比问题。针对本文提出的四种算法,论文基于两个机动目标运动场景对算法进行仿真验证,仿真结果显示本文提出的算法在跟踪精度、鲁棒性和费效比方面具有明显优势,可以作为Novel-IMM算法在实际应用中的替代。