基于平方根CKF的自適應(yīng)目標跟蹤方法研究.pdf

1、隨著科技的發(fā)展，機動目標的運動越發(fā)變得復(fù)雜，尤其在現(xiàn)代戰(zhàn)場上，導(dǎo)彈、戰(zhàn)斗機等高機動目標的技術(shù)發(fā)展使得對目標進行跟蹤和攔截越發(fā)困難。當目標的噪聲統(tǒng)計特性未知或建立模型不準確、目標在運動過程中某一方向速度發(fā)生突然增大或減小、目標在運動過程中機動發(fā)生變化時(如由CV模型到CT模型)，單純使用濾波算法將不再適用。目前用于解決該問題主有經(jīng)典的Sage-Husa算法，以及在Sage-Husa算法基礎(chǔ)上引入非線性濾波算法適用于非線性領(lǐng)域的自適應(yīng)算法，

2、強跟蹤算法，基于UT變換的強跟蹤算法以及交互式多模型算法，本文在此基礎(chǔ)上研究如何進一步提高自適應(yīng)濾波算法精度。
　　首先，介紹了幾種常用的目標運動模型，詳細介紹了CV模型和VT模型，以及兩個交互出現(xiàn)的情況，并對幾種常用的非線性濾波算法進行了介紹，詳細介紹了容積卡爾曼算法和平方根容積卡爾曼算法。
　　其次，針對系統(tǒng)建模中噪聲統(tǒng)計特性未知或隨時間變化的問題，研究了經(jīng)典的Sage-Husa算法，但該算法只能應(yīng)用在線性領(lǐng)域，對此，研

3、究了幾種適用在非線性領(lǐng)域的自適應(yīng)算法，自適應(yīng)擴展卡爾曼算法，自適應(yīng)無跡卡爾曼算法，但由于算法本身的缺陷，濾波精度低。將非線性領(lǐng)域自適應(yīng)濾波思想與容積卡爾曼及平方根容積卡爾曼算法相結(jié)合，提出了自適應(yīng)平方根容積卡爾曼算法，理論證明了該方法的合理性。
　　再次，當目標在運動過程中，狀態(tài)突然發(fā)生了改變，導(dǎo)致之前所建立的系統(tǒng)模型不再適用，針對該問題，研究了基于單重及多重漸消因子的強跟蹤算法及基于UT變換的強跟蹤算法，然后將強跟蹤算法的思想與

4、容積卡爾曼向結(jié)合，提出了基于多重次優(yōu)漸消因子的強跟蹤容積卡爾曼算法，并在此基礎(chǔ)上加入平方根，進一步提出了基于多重次優(yōu)漸消因子的強跟蹤平方根容積卡爾曼算法，理論推導(dǎo)說明了方法的正確性。
　　最后，目標在運動過程中存在多個模型時，單一的建模將不能滿足精確跟蹤的指標，為此研究交互式多模型算法，針對常用交互式多模型算法中濾波環(huán)節(jié)所選用的濾波算法精度受限的問題，選用了更高濾波精度的容積卡爾曼算法及平方根容積卡爾曼算法，并將兩者結(jié)合，提出了基