改进的自适应扩展卡尔曼滤波雷达目标跟踪算法

卡尔曼滤波是雷达目标跟踪场景最常用的目标状态跟踪估计算法,但针对非线性运动模型和噪声模型适配失配后,其滤波算法跟踪精度会出现下降。针对这些问题,提出一种机动目标场景下改进自适应扩展卡尔曼滤波的雷达目标跟踪算法,通过目标位置偏差范围来修正预测的位置信息,使用BP神经网络算法来自适应进行扩展卡尔曼滤波(extended kalman filter,EKF)算法预测信息结果的修正;根据噪声影响情况,提出基于实际情况可调的更新因子,用于进行修正后的EKF预测位置信息、测量信息和修正后的BP-EKF预测信息值的权重处理,基于优化模型,自适应选择最优的位置预测信息。仿真分析表明,所提出的算法在目标跟踪的滤波精度和稳定度都得到提升。

机动目标跟踪时滞问题分析

机动目标跟踪结果在时间轴上的滞后问题是当前机动目标跟踪领域的一大难点。产生时滞的情况很多,一般在跟踪初期和发生较大机动的时间段内尤为明显,常常会因此出现误差高峰。如果能有方法抑制或者消除时滞现象,将能显著提高跟踪效果。从仿真实验的结果和现象入手,结合卡尔曼滤波理论、交互式多模型算法和现代神经网络模型对时滞问题进行剖析,根据跟踪各个阶段情况的变化,分析时滞产生的不同原因,并提出可能的解决方法,以期为提高机动目标跟踪效果提供参考。

基于BPNN的自适应机动目标跟踪

为了解决现有的机动目标跟踪算法中时延长的问题,提出一种基于反向传播神经网络(BPNN)的自适应目标跟踪算法。从不同运动状态下的观测值中提取特征量,训练BPNN。根据获得的观测值计算得到特征量,将特征量输入到训练好的BPNN中,根据网络输出的运动模型进行滤波更新。仿真结果表明,提出的方法跟踪精度高于经典交互式多模型(IMM)算法,算法运行时间为0.063 5 s,少于IMM算法运行时间0.098 75 s,一定程度上减少了模型决策延迟,使得机动目标跟踪更具实时性。

一种基于BP神经网络的机动目标跟踪算法

交互式多模型(IMM)算法是一种可以有效跟踪机动目标的滤波算法,针对其跟踪精度和计算量在很大程度上受制于模型选择和转移概率确定的问题,提出了一种利用BP神经网络修正子模型滤波结果的改进IMM算法。仿真实验表明,该方法可以使IMM算法的收敛速度加快,收敛精度提高,改善了跟踪性能,具有一定理论指导意义。

新的自适应转弯模型的IMM算法研究

针对采用协同转弯模型作为模型之一的交互式多模型(IMM)目标跟踪算法中,转弯率难以实时估计且精度不高造成跟踪精度降低的问题,创新性地提出了一种新的自适应转弯模型的IMM算法。利用三种映射转弯率的方法构造轨迹特征向量,通过训练好的BP神经网络实时估计时间窗内轨迹段的平均转弯率,提高转弯率的估计精度,从而提高跟踪精度。仿真实验表明,提出的自适应转弯模型的IMM算法较之传统的自适应转弯模型的IMM算法在转弯率较大时具有更加高的跟踪精度,并且具有较高扩展性和发展前景。

灰色模型与神经元网络结合的飞行目标预测法

利用机动飞行目标轨迹可预测飞行目标实时位置,针对灰色模型对快速飞行目标轨迹预测不准确的问题,引入神经元理论判断飞行目标状态,通过机器学习掌握飞行目标转弯模型,从而更准确地对飞行目标转弯进行预测。首先,分析了灰色模型预测方法的工作原理和特点;然后,借助反向传播(BP)神经元模型可判断飞行特征的优势,将灰色模型与神经元网络模型进行了结合;最后,通过仿真试验表明该飞行目标预测法可对飞行目标进行精准监视和控制。