论文部分内容阅读
机动目标跟踪作为目标跟踪领域的一个分支,在军事和民用领域发挥着越来越大的作用。目标运动状态估计的实时性和跟踪精度是衡量跟踪算法性能好坏的两个重要指标。在现有机动目标状态估计框架下,这两个指标是互相矛盾的,而模式决策延迟是产生这一矛盾的根源。针对模式决策延迟问题,论文的主要研究工作和创新点如下:首先,根据机动目标跟踪中,量测数据通常是顺序获得的这一特点,将序贯检测思想应用在机动目标跟踪中,设计了基于衰减记忆序贯检测的机动目标跟踪算法,该算法可以有效避免滑窗式检测中滑窗长度如何选择的难题。利用变维的思想,对非机动目标,采用基于匀速模型的卡尔曼滤波,当检测到目标机动时,对匀速模型进行扩维,并采用无味卡尔曼滤波器进行状态估计;设计了基于广义似然比的序贯检测器来检测目标机动的发生,当检测到机动发生后,对扩维后的状态向量和协方差矩阵进行修正和状态补偿,使修正后的状态更加匹配实际的运动状态,仿真结果表明这种方法具有很好的跟踪效果。其次,针对传统机动检测器不能按照人类的思维去推理机动的发生以及存在明显的检测延迟的问题,设计了基于模糊机动检测器的机动目标跟踪算法。本算法结合了单模型算法和多模型算法的各自的优点,当目标处于匀速运动时,采用标准卡尔曼滤波,当检测到机动发生时,采用基于UKF滤波的交互式多模型算法。通过设计的模糊机动检测器,将量测残差和残差的变化率作为模糊控制器的输入,可以模拟人的思维去推理是否发生机动。仿真结果表明本算法和交互式多模型算法相比有相近的精度,但有更高的计算效率。最后,针对IMM算法在模型过多时容易产生模型竞争问题,提出了一种基于模型集似然比序贯检测的模糊IMM算法。首先将目标模型划分为不同的模型集,根据量测数据得到每一个模型的模型概率,从而求得模型集的似然;然后为了得到最优的模型集,设计了基于模型集似然的序贯概率比检验方法;设计了基于模糊控制的IMM算法,将交互得到的模型概率作为输入,通过模糊控制可以将输入的模型似然概率转换成新的模型似然概率,将模型概率非常低的设为零,这样可以通过模糊控制剔除模型集中的无用模型,从而有利于选择最优的模型集。最后选取“战斧BGM-109B”型反舰导弹作为跟踪的目标,对反舰导弹的爬升运动和蛇形机动两种机动模式进行仿真分析,仿真结果表明本算法在跟踪精度上优于传统的IMM算法,并且对两种不同的机动模式都有很好的跟踪性能。