基于神经网络的目标轨迹预报算法设计

提高轨迹预报精度是反高速机动目标面临的难点之一。本文基于目标运动特性分析,构建跟踪运动模型,采用交互多模型滤波算法完成多模型交互,局部滤波器采用自适应高阶容积卡尔曼滤波算法,通过与强跟踪滤波算法相结合,提高传统的估计精度,进而提高算法的鲁棒性;采用广义回归神经网络设计轨迹预报算法,并在预报过程中引入预报修正量对误差进行修正,通过样本学习提高长时间预报精准度,仿真结果表明,设计的跟踪预报算法在预报精度上较常规算法有较大幅度提升。

基于多雷达组网IMM-GMPHDF的机动多目标检测跟踪

高斯混合概率假设密度滤波(GMPHDF)有牢固的理论基础,是解决高斯条件下跟踪强杂波环境中目标数未知的多目标问题的有效方法。但当目标发生机动时,就难以跟踪到目标,因此,在GMPHDF中引入交互多模型(IMM)算法,对继续存在目标的运动模型进行建模,根据计算的模型概率融合各模型滤波器估计得到的继续存在目标概率假设密度,解决了运动模型机动问题。仿真实验表明,IMM-GMPHDF能实时跟踪到强机动超音速多目标,在多雷达组网系统中跟踪强机动超音速多目标精度(OSPA距离均方根误差)能达到70 m,满足了工程使用要求。