基于小波神經(jīng)網(wǎng)絡(luò)的機(jī)動目標(biāo)跟蹤的研究.pdf

1、機(jī)動目標(biāo)跟蹤是當(dāng)今國際上目標(biāo)跟蹤研究的熱點和難點。目標(biāo)跟蹤的目的是利用探測器所獲得的運(yùn)動目標(biāo)量測，完成對目標(biāo)運(yùn)動狀態(tài)的估計。目標(biāo)跟蹤過程也是一個降噪的過程，因為量測數(shù)據(jù)中含有大量的干擾成分，因此必須對量測數(shù)據(jù)進(jìn)行處理。近年來，很多算法用于跟蹤機(jī)動目標(biāo)，其中多數(shù)算法基于目標(biāo)運(yùn)動建模技術(shù)，且已有多種目標(biāo)動態(tài)運(yùn)動模型。機(jī)動目標(biāo)運(yùn)動建模的主要難點在于目標(biāo)運(yùn)動的不確定性即目標(biāo)動態(tài)運(yùn)動模型，因此，對實際情況而言，選擇最接近于目標(biāo)真實運(yùn)動模型的自適應(yīng)

2、方案具有一定優(yōu)勢。針對神經(jīng)網(wǎng)絡(luò)結(jié)合目標(biāo)運(yùn)動模型實現(xiàn)機(jī)動目標(biāo)跟蹤的一些不足，本文提出一種改進(jìn)算法，并應(yīng)用Monte Carlo仿真予以驗證。 首先分析了小波分析與神經(jīng)網(wǎng)絡(luò)各自的功能和特點，小波變換具有良好的收斂速度和逼近精度，神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力、自學(xué)習(xí)、自適應(yīng)等優(yōu)勢。本文采用正交的小波和尺度函數(shù)作為神經(jīng)網(wǎng)絡(luò)的基函數(shù)構(gòu)成小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network-WNN)，該網(wǎng)絡(luò)兼有小波函數(shù)和神經(jīng)網(wǎng)絡(luò)的

3、優(yōu)點，文中給予了重點分析，介紹了其產(chǎn)生、研究進(jìn)展以及應(yīng)用領(lǐng)域，并結(jié)合本文所研究的目標(biāo)跟蹤領(lǐng)域，提出了多分辨率正交小波神經(jīng)網(wǎng)絡(luò)實現(xiàn)參數(shù)預(yù)測，其克服了BP網(wǎng)絡(luò)訓(xùn)練時易陷入局部極小的不足，且不存在一般連續(xù)小波神經(jīng)網(wǎng)絡(luò)易出現(xiàn)的冗余，通過仿真結(jié)果表明，多分辨率正交小波神經(jīng)網(wǎng)絡(luò)擁有比BP網(wǎng)絡(luò)更佳的預(yù)測性能。 然后在分析機(jī)動目標(biāo)跟蹤基本理論與方法的基礎(chǔ)上，系統(tǒng)地研究了基于模型的機(jī)動目標(biāo)跟蹤算法。在基于卡爾曼濾波算法的基礎(chǔ)上，利用轉(zhuǎn)換坐標(biāo)系把量

4、測值由球坐標(biāo)轉(zhuǎn)換到直角坐標(biāo)系下再進(jìn)行濾波計算，并分別介紹了白噪聲加速度模型(Constant Velocity-CV)、Wiener加速度模型(Constant Acceleration-CA)、一階時間相關(guān)模型(Singer)和“當(dāng)前”統(tǒng)計模型(Current Statistical-CS)這幾種目標(biāo)運(yùn)動模型，分析了這些模型建模方法和Monte Carlo仿真結(jié)果，得出了各模型的跟蹤精度和優(yōu)缺點，指出“當(dāng)前”統(tǒng)計模型是更能反映實際的目