機動目標跟蹤關(guān)鍵技術(shù)研究.pdf

1、隨著科學(xué)技術(shù)的迅速發(fā)展和現(xiàn)代戰(zhàn)爭戰(zhàn)場環(huán)境日趨復(fù)雜,現(xiàn)代目標的機動性能越來越復(fù)雜多變,而人們對跟蹤的性能要求則越來越高,因而,使得現(xiàn)代機動目標跟蹤技術(shù)成為無論是在軍事上還是民用上的都是一個研究熱點。在目標跟蹤技術(shù)中,目標的狀態(tài)最優(yōu)估計算法是跟蹤技術(shù)有效實現(xiàn)的數(shù)學(xué)工具和保證,目標的運動建模是系統(tǒng)的基礎(chǔ)和核心,而系統(tǒng)的結(jié)構(gòu)則是整個跟蹤算法的有效實現(xiàn)手段,因此,本文從上述三個方面對機動目標跟蹤技術(shù)進行了研究,論文的主要工作有:
　　分析了

2、現(xiàn)代目標跟蹤系統(tǒng)的非線性特性,對目前常用的幾種非線性濾波方法擴展卡爾曼濾波算法、無跡卡爾曼濾波算法和容積卡爾曼濾波算法進行理論推導(dǎo),分析并仿真驗證了這三種非線性濾波算法在高維環(huán)境下對非線性狀態(tài)的估計精度性能和穩(wěn)定性能為后續(xù)非線性機動目標跟蹤系統(tǒng)的自適應(yīng)算法研究提供了相應(yīng)的理論依據(jù)。
　　闡述了當(dāng)前統(tǒng)計模型及其自適應(yīng)的目標跟蹤算法理論和性能,指出當(dāng)前統(tǒng)計模型中反映目標機動性能的機動頻率初始值難以確定、且其不隨目標機動性能變化而自適應(yīng)

3、調(diào)整從而造成當(dāng)前統(tǒng)計模型對機動性能變化的目標描述能力較差,降低目標跟蹤系統(tǒng)的整體跟蹤精度,提出了一種基于機動性能檢測的機動頻率自適應(yīng)算法,建立機動頻率自適應(yīng)調(diào)節(jié)模型,分析并仿真驗證了在目標加速度反復(fù)機動變化情況下,該算法對目標機動頻率的自適應(yīng)調(diào)節(jié)能力,并與傳統(tǒng)固定機動頻率參數(shù)的當(dāng)前統(tǒng)計模型算法進行了比較分析。
　　指出當(dāng)前統(tǒng)計模型采用修正的瑞利分布描述目標的加速度存在一定的局限,使得當(dāng)前統(tǒng)計模型對弱機動和非機動時算法跟蹤性能較差,

4、提出了一種加速度極值自適應(yīng)濾波算法,采用一種鈴形模糊隸屬函數(shù)修正加速度極值,同時為了增強改進算法對加速度突變情況的跟蹤能力,采用時變漸消因子調(diào)節(jié)修正了的加速度極值。分析并仿真驗證了當(dāng)目標在機動過程中存在弱機動和非機動運動,同時也存在加速度突變機動情況時該改進算法對目標的跟蹤效果,并與傳統(tǒng)當(dāng)前統(tǒng)計模型和文獻改進算法進行了比較分析。
　　闡述了基于Jerk模型的目標跟蹤理論及其跟蹤性能,指出Jerk模型在目標的加速度變化率階躍變化時系

5、統(tǒng)會產(chǎn)生均值不為零的穩(wěn)態(tài)誤差,大大降低了Jerk模型的跟蹤性能,提出了一種基于MEP-Jerk模型機動目標跟蹤自適應(yīng)算法,采用模型預(yù)測濾波預(yù)測估計Jerk模型的模型誤差進行,實時修正Jerk模型對系統(tǒng)噪聲假設(shè)不全面所造成的影響,同時針對非線性目標跟蹤系統(tǒng),采用容積卡爾曼濾波器實現(xiàn)上述自適應(yīng)算法的狀態(tài)估計。分析并仿真驗證了當(dāng)目標在運動過程中存在非機動運動、常規(guī)轉(zhuǎn)彎運動以及加速度變化率階躍機動時,該自適應(yīng)算法和容積卡爾曼濾波器對目標跟蹤系統(tǒng)

6、的影響。
　　指出了Jerk模型中機動頻率和機動方差需要事前設(shè)置且不能自適應(yīng)調(diào)整,降低了Jerk模型對機動目標跟蹤精度和魯棒性能,提出了一種基于AR模型的Jerk參數(shù)自適應(yīng)估計算法,通過建立MS模型,并根據(jù)AR模型參數(shù)估計方法,實時的估計目標的Jerk機動頻率和機動方差值。同時針對非線性濾波算法中容積卡爾曼濾波器在濾波過程具有較大計算量甚至可能出現(xiàn)不穩(wěn)定的情況,提出采用平方根容積卡爾曼濾波器完成上述參數(shù)自適應(yīng)算法的各狀態(tài)濾波。分析

7、并仿真驗證了當(dāng)目標反復(fù)做Jerk機動運動時該算法對目標跟蹤系統(tǒng)的影響,并與基于擴展卡爾曼濾波的Jerk模型算法以及基于SRCKF的Jerk模型算法進行了比較分析。
　　闡述了多模型理論和交互式多模型理論,詳細分析了變結(jié)構(gòu)交互式多模型算法中的可能模型集自適應(yīng)算法和期望模型集自適應(yīng)算法,指出可能模型集和期望模型集自適應(yīng)算法都不能解決系統(tǒng)模型集無法覆蓋目標的所有運動狀態(tài)這一問題,提出了一種基于Kullback-Leiber信息因子分析多