基于模糊控制的檢測自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤算法研究.pdf

1、機(jī)動(dòng)目標(biāo)跟蹤作為目標(biāo)跟蹤領(lǐng)域的一個(gè)分支，在軍事和民用領(lǐng)域發(fā)揮著越來越大的作用。目標(biāo)運(yùn)動(dòng)狀態(tài)估計(jì)的實(shí)時(shí)性和跟蹤精度是衡量跟蹤算法性能好壞的兩個(gè)重要指標(biāo)。在現(xiàn)有機(jī)動(dòng)目標(biāo)狀態(tài)估計(jì)框架下，這兩個(gè)指標(biāo)是互相矛盾的，而模式?jīng)Q策延遲是產(chǎn)生這一矛盾的根源。針對模式?jīng)Q策延遲問題，論文的主要研究工作和創(chuàng)新點(diǎn)如下：
　　首先，根據(jù)機(jī)動(dòng)目標(biāo)跟蹤中，量測數(shù)據(jù)通常是順序獲得的這一特點(diǎn)，將序貫檢測思想應(yīng)用在機(jī)動(dòng)目標(biāo)跟蹤中，設(shè)計(jì)了基于衰減記憶序貫檢測的機(jī)動(dòng)目標(biāo)跟

2、蹤算法，該算法可以有效避免滑窗式檢測中滑窗長度如何選擇的難題。利用變維的思想，對非機(jī)動(dòng)目標(biāo)，采用基于勻速模型的卡爾曼濾波，當(dāng)檢測到目標(biāo)機(jī)動(dòng)時(shí)，對勻速模型進(jìn)行擴(kuò)維，并采用無味卡爾曼濾波器進(jìn)行狀態(tài)估計(jì);設(shè)計(jì)了基于廣義似然比的序貫檢測器來檢測目標(biāo)機(jī)動(dòng)的發(fā)生，當(dāng)檢測到機(jī)動(dòng)發(fā)生后，對擴(kuò)維后的狀態(tài)向量和協(xié)方差矩陣進(jìn)行修正和狀態(tài)補(bǔ)償，使修正后的狀態(tài)更加匹配實(shí)際的運(yùn)動(dòng)狀態(tài)，仿真結(jié)果表明這種方法具有很好的跟蹤效果。
　　其次，針對傳統(tǒng)機(jī)動(dòng)檢測器不能

3、按照人類的思維去推理機(jī)動(dòng)的發(fā)生以及存在明顯的檢測延遲的問題，設(shè)計(jì)了基于模糊機(jī)動(dòng)檢測器的機(jī)動(dòng)目標(biāo)跟蹤算法。本算法結(jié)合了單模型算法和多模型算法的各自的優(yōu)點(diǎn)，當(dāng)目標(biāo)處于勻速運(yùn)動(dòng)時(shí)，采用標(biāo)準(zhǔn)卡爾曼濾波，當(dāng)檢測到機(jī)動(dòng)發(fā)生時(shí)，采用基于UKF濾波的交互式多模型算法。通過設(shè)計(jì)的模糊機(jī)動(dòng)檢測器，將量測殘差和殘差的變化率作為模糊控制器的輸入，可以模擬人的思維去推理是否發(fā)生機(jī)動(dòng)。仿真結(jié)果表明本算法和交互式多模型算法相比有相近的精度，但有更高的計(jì)算效率。

4、>　　最后，針對IMM算法在模型過多時(shí)容易產(chǎn)生模型競爭問題，提出了一種基于模型集似然比序貫檢測的模糊IMM算法。首先將目標(biāo)模型劃分為不同的模型集,根據(jù)量測數(shù)據(jù)得到每一個(gè)模型的模型概率，從而求得模型集的似然；然后為了得到最優(yōu)的模型集，設(shè)計(jì)了基于模型集似然的序貫概率比檢驗(yàn)方法；設(shè)計(jì)了基于模糊控制的IMM算法，將交互得到的模型概率作為輸入，通過模糊控制可以將輸入的模型似然概率轉(zhuǎn)換成新的模型似然概率，將模型概率非常低的設(shè)為零，這樣可以通過模糊控