目標跟蹤的曲線擬合預(yù)測模型及算法研究.pdf

1、目標跟蹤是一個混合系統(tǒng)的狀態(tài)估計問題，即利用傳感器的觀測來估計目標狀態(tài)，濾除隨機噪聲求解目標位置。從數(shù)據(jù)融合的角度來看，目標跟蹤的實質(zhì)就是通過盡可能精確的濾波算法融合模型信息與觀測信息，減少目標位置估計誤差。本文的工作主要分為兩個部分，一是對目標跟蹤的運動模型進行研究，嘗試通過曲線擬合的方法建立預(yù)測模型，二是從信息融合角度對非線性濾波算法做出改改善和提高。本文的主要創(chuàng)新點如下:
　　利用加權(quán)最小二乘對多項式信號進行擬合預(yù)測，獲得了

2、噪聲存在協(xié)方差情況下的預(yù)測系數(shù)。這一結(jié)果擴展文獻[27]利用拉格朗日數(shù)乘對多項式信號進行預(yù)測的應(yīng)用范圍，不要求噪聲獨立分布，并且用一個通式給出了所有階數(shù)多項式信號以及所有窗長的統(tǒng)一公式，對問題的認識和描述更加系統(tǒng)。由于能夠容許噪聲協(xié)方差存在，通過增加窗口長度，還可以對多項式信號進行平滑處理。
　　分析了一階、二階曲線擬合預(yù)測模型與勻速(CV)、勻加速(CA)模型在濾波精度上的等效性。同時，分析結(jié)果也表明曲線擬合預(yù)測模型具有以下優(yōu)點

3、:(1)無需設(shè)置采樣間隔參數(shù)，減少了對先驗知識的依賴;(2)由于曲線擬合預(yù)測模型狀態(tài)空間中的所有分量都具有相同量綱，從而使得噪聲矩陣的復(fù)雜度大為降低;(3)無需進行動力學(xué)分析且形式簡潔，便于向高階擴展。在此基礎(chǔ)上將一維曲線擬合預(yù)測模型與交互多模型(IMM)算法相結(jié)合，由于曲線擬合預(yù)測模型不用對目標進行動力學(xué)分析，因此可根據(jù)曲線階數(shù)靈活設(shè)計模型集。此外，將曲線預(yù)測擬合模型應(yīng)用于高階調(diào)頻信號的跟蹤，可避免魏格納分布難以克服的交叉項問題。

4、r>　　研究了二維平面以及三維空間平面上目標切向加速度與法向加速度恒定的耦合運動，建立了針對該運動模式的高維曲線擬合預(yù)測模型。該模型可以向下兼容一維二階曲線擬合預(yù)測模型，對直線勻速，直線勻加速運動，二維平面以及三維平面上的勻速圓周運動，由于曲率半徑處處相等，都能給出無偏預(yù)測;對二維平面以及三維平面上的對數(shù)螺線運動，可以給出近似預(yù)測。該模型無需預(yù)知轉(zhuǎn)彎角速度、無需預(yù)知采樣間隔，相比已有轉(zhuǎn)彎模型適應(yīng)性更強，而相比解耦合模型，具有更高的濾波精

5、度。
　　目標跟蹤的觀測矢量通常由角度與距離組成，針對此類觀測值與狀態(tài)值的子集所構(gòu)成雙射函數(shù)的濾波系統(tǒng)，提出從觀測方程反向估計狀態(tài)值并與狀態(tài)方程求出的預(yù)測值進行融合而實現(xiàn)濾波的方法。在觀測噪聲較小的情況下，該方法優(yōu)于現(xiàn)有的信息濾波算法。針對目標跟蹤中的多觀測融合問題，將從觀測方程反向估計與粒子濾波相結(jié)合，用融合后的反向估計值作為偽觀測與每個粒子做一次Kalman濾波，以拖動粒子云使建議分布融入最新的全局觀測信息，仿真證明，在傳感器

6、網(wǎng)絡(luò)跟蹤場景中，獲得了比標準粒子濾波和Unscented粒子濾波好的濾波效果。
　　利用改進的，能夠跳出局優(yōu)的粒子群優(yōu)化算法，量子行為粒子群優(yōu)化算法(QPSO)求出粒子濾波后驗狀態(tài)概率密度的最大值點，然后在該點附近重新生成粒子，并對每個粒子賦權(quán)值。最大后驗采樣粒子濾波算法消除了粒子之間的代際關(guān)系，并使粒子集中在刻畫后驗概率密度最有效的區(qū)域，該算法對粒子退化、粒子效率降低等粒子濾波的固有問題做出了全新的嘗試。針對弱觀測噪聲和后驗概率

7、密度高斯假設(shè)兩種情況分別提出具體實用的最大后驗采樣粒子濾波算法，仿真結(jié)果表明該方法相比傳統(tǒng)算法具有一定優(yōu)勢。
　　研究了狀態(tài)維數(shù)高于觀測維數(shù)的非線性濾波問題，通過從后驗狀態(tài)估計值中剝離狀態(tài)預(yù)測值獲得偽觀測信息矢量與偽觀測信息矩陣，再將偽觀測信息矢量與偽觀測信息矩陣與全局狀態(tài)預(yù)測值進行融合，實現(xiàn)不等維非線性濾波的降維。該方法比現(xiàn)有的邊緣粒子濾波簡明直觀，理論更加清晰，應(yīng)用更加便捷，將該方法與最大后驗采樣粒子濾波算法融合，實現(xiàn)了觀測矢