基于模糊卡尔曼滤波器机动目标跟踪算法.pdfVIP

科技资讯 2008 NO.09 SCIENCE TECHNOLOGY INFORMATION 高 新 技 术 基于模糊卡尔曼滤波器的机动目标跟踪算法 崔璟琳 (烟台港通信信息中心 山东烟台 261400) 摘 要:本文在基于 “当前”统计模型的基础上，结合模糊推理技术，设计了一种改进的模糊自适应算法。该算法使用了模糊推 理技术，使得系统状态噪声方差随着机动特性能够自适应调整，提高了系统在目标作非机动或弱机动时的跟踪精度以及在强机动时的 快速响应能力。仿真结果显示，该算法在跟踪精度和收敛速度方面都优于传统的基于 “当前”统计模型的跟踪算法。 关键词：机动目标 模糊推理 卡尔曼滤波 中图分类号：TH17 文献标识码：A 文章编号： 本文给出了一种模糊自适应的跟踪算法，利用量测新息和量测新息的 (10) 变化率来自适应的调整 “当前统计模型”的系统参数amax和-amax， 由 并结合(2)、(3)以及(7)式可得加速度的均值 从而间接达到实时调整系统方差的目的。 自适应算法： 1当前统计模型 目标状态方程如下： 其中 (1) 式中： 为目标的状态； W(k)为系统状态噪声，为离散白噪声序列，且 ； ( )；a 为目标机动频率； 同样利用和之间的关系，即可得加速度方差自适应算法： 目标状态转移矩阵为 当 “当前”加速度为正时，有 (13) (2) 当 “当前”加速度为负时，有 输入矩阵为 再根据公式： (3) 可以发现，当采样周期T，a 以及观测噪声R ( k ) 确定后，影响 跟踪精度的主要参数为最大机动加速度a ；要产生良好的跟踪效果 目标观测方程为 max 必须恰当的选择a 。事实上一旦目标机动加速度的值超过该设定值 　　　　　　　　　 (4) max 时，其跟踪性能会明显恶化，加上实际环境中目标发生的最大、最 其中当仅有含噪声的目标位置数据可观测时，有 小机动加速度一般是不可知的，从而造成跟踪机动加速度的相对动态 H(k)=(100) 　　　　　　　　　 (5) [2][7]