摘要:

针对固定结构多模型方法(FSMM)应用于机动目标跟踪时滤波精度不高的问题,提出了一种模糊混合网格变结构多模型方法(FHGMM).FHGMM中的全体模型集由模糊基础模型网格(FBMG)和模糊修正模型网格(FAMG)组成.在此框架下,首先利用模糊推理技术对FBMG的拓扑结构进行实时调整,然后将模糊强跟踪滤波方法应用于FAMG区域中心的更新,并实时生成能够在系统模式空间自由滑动的FAMG,最后利用最优融合原理得到系统的整体估计.仿真结果表明,FHGMM与FSMM相比,目标位置、速度、加速度的滤波误差均值分别从5.5 m、1.037 m/s、0.187 m/s2减小到5.15 m、0.96 m/s、0.13 m/s2,算法单拍时间从0.02 s增加到0.037 s.

摘要:

针对传统固定结构的交互式多模型算法模型集无法覆盖目标的所有运动模型,提出一种改进的模型集自适应变结构多模型算法.该算法在量测信息的基础上,采用Kullback-Leiber规则对模型集中各模型与目标运动模型匹配程度进行判别,删减匹配程度较低的模型；同时,采用改进的期望模型算法得到一个新的匹配程度高的模型集,并对原模型集中的模型进行更新；最后再与容积卡尔曼滤波器相结合,实现非线性目标跟踪系统的变结构多模型算法.仿真结果表明:该算法在保证系统计算量没有明显增加的基础上有效地增加了算法的自适应性能和系统的鲁棒性能,更好地满足了工程应用中对算法自适应性和实时性的要求.

摘要:

该文针对在机动目标跟踪领域应用广泛的交互式多模型算法,是一种基于固定模型集合的算法,由此带来一个两难问题,既需要较多的模型保证跟踪精度,有会因为太多的模型而增加计算量.该文提出了一种基于序列似然比检测的变结构多模型算法,给出了一种模型集合自适应的解决方法.该方法提高了跟踪精度的同时也降低了计算量.随着反舰导弹的威胁日益增大,该文针对反舰导弹的机动特性,仿真验证了该算法的有效性.

摘要:

目标跟踪问题的关键在于如何寻找与目标运动状态匹配的运动模型；交互式多模型算法的模型集是根据先验信息确定的，它不随时间变化而变化，并且要求在模型集中任意时刻都存在描述目标运动模型；在实际中需要大量模型来描述运动；将粒子群优化和变结构多模型算法相结合，不仅能充分利用系统的实时量测信息，还能根据其先验信息调节优化算法结构；仿真表明，运用动态自适应粒子群优化算法实现模型集自适应，可以提高目标跟踪的精度和实时性。

摘要:

针对变结构多模型算法中模型集自适应较复杂,且模型扩展受模型结构限制等问题,提出了一种最小模型组最优模型扩展的机动目标跟踪算法.该算法以最小模型组作为基础有效模型集,采用模型组切换方法进行模型组自适应;并根据Kullback-Leibler距离准则在连续的模型空间中对基础模型组进行最优模型扩展.因此,该算法具有模型集自适应简单、模型激活不受模型结构的限制等优点.多组实验仿真结果表明:该算法既可以对相同结构的模型进行激活,也可以对不同结构的模型进行激活;在没有明显增加计算量的同时,提高了目标的跟踪精度,具有较好的跟踪效果.