基于模糊神經網絡的交互式多模型算法研究.pdf

1、目標跟蹤是指計算機或其他儀器設備依據某種算法實現(xiàn)對目標的跟蹤與定位，并根據目標的位置和動向采取相應措施。機動是指目標為執(zhí)行某種戰(zhàn)術意圖和(或)由于非預謀的原因作改變原來規(guī)律的運動，如轉向、俯沖、下滑、爬升、蛇形、增速、降速等。機動目標跟蹤主要是解決目標機動的情況下穩(wěn)定、精確跟蹤的問題。 機動目標跟蹤關鍵在于如何從測量值中提取有關目標狀態(tài)的有用信息。一個好的機動目標跟蹤算法將有利于這種信息的提取。大多數(shù)的跟蹤算法都是以模型為基礎的

2、?；谀Ｐ偷臋C動目標跟蹤算法可以分為單模型(Single Model-SM)算法和多模型(Multiple Model-MM)算法兩大類。 常見的單模型算法有白噪聲加速度模型(Constant Velocity Model-CV)、Wiener加速度模型(Constant Acceleration Model-CA)、Singer加速度模型、“當前”統(tǒng)計模型(Current Statistic Model-CS)和勻速轉彎模型(

3、Constant TurmModel-CT)等。本文分析了這些模型的建模方法，并通過MATLAB仿真比較了各模型的跟蹤精度。 多模型算法由于其獨有的處理具有結構和參數(shù)未知和/或變化以及將復雜問題簡化為簡單問題的能力，近年來受到了很大的重視。多模型(MultipleModel-MM)算法可以分為三代:靜態(tài)多模型算法(Static MultipieModel-SMM)、交互式多模型(Interacting Multiple Mode

4、l-IMM)和變結構多模型(Variable Structure Multiple Model-VSMM)算法。 目前，在眾多的跟蹤濾波算法中，交互式多模型算法被認為是最有效的次優(yōu)多模型方法，因而在機動目標跟蹤領域獲得了廣泛的應用。但是，當目標的機動情況發(fā)生變化時，如果IMM算法的模型集中不包括當前目標的運動模式，跟蹤精度就會大大下降，甚至發(fā)散。因此提高IMM算法跟蹤機動目標能力的關鍵是如何根據目標的機動情況，實時地估計模型參數(shù)

5、。由于模糊神經網絡融合了神經網絡自學習能力、聯(lián)想能力、優(yōu)化結構和模糊邏輯容易被人理解等優(yōu)點，將其引入IMM算法中，對于提高目標的跟蹤精度有著重要的意義。 本文對IMM算法做了如下兩點改進。首先在IMM算法的模型集設計中，提出了使用加速度均值自適應的“當前”統(tǒng)計模型(CS模型)和擴展后的常速運動模型(CV模型)進行交互。其次設計了一個符合機動目標跟蹤中目標機動特點的模糊神經網絡，將運動模型的特征量作為模糊神經網絡的輸入，模糊神經網