多模型机动目标跟踪算法研究

论文摘要

目标跟踪技术在现代军事和民用领域占有十分重要的地位并有着广阔的应用前景,因此关于目标跟踪技术的研究与发展一直受到人们广泛的关注。近年来,众多国内外研究者对此进行了深入的研究并取得了丰硕的成果。在目标跟踪系统中,多模型（Multiple Model, MM）目标跟踪算法由于独有的处理具有结构和参数未知和/或变化以及将复杂问题简化的能力,其研究也是目前目标跟踪研究领域的一个重要方向。根据模型集设置特点以及各模型间有无交互,多模型算法可分为静态多模型算法、交互式多模型算法以及变结构多模型算法。其中,交互式多模型算法由于使用多个不同的运动模型匹配目标不同的运动模式,且各模型之间存在交互,在目标跟踪系统中不仅可以提高跟踪精度,还具有较高的效费比,因此受到较多的关注和重视。近年来各国研究者对交互式多模型算法的研究重点主要集中于对模型、滤波算法以及数据融合技术等方面的改进。同时,随着小波算法、模糊逻辑理论、遗传算法和神经网络等新学科的不断发展与日益成熟,有越来越多的学者将交互式多模型算法与这些新学科结合,使的交互式多模型算法在跟踪精度、实时性等方面得到了很大的提高。本文首先研究了目标跟踪中的卡尔曼滤波算法和常用的机动目标跟踪模型,仿真分析了各模型基于卡尔曼滤波算法的跟踪性能。然后在相同的目标运动环境中对交互式多模型算法的跟踪性能进行仿真,并根据仿真结果与基于卡尔曼滤波算法的单模型跟踪性能进行比较,分析总结了交互式多模型算法相对于单模型跟踪算法的优越性。交互式多模型算法的中的概率更新计算需要具有先验知识的马尔可夫概率转移矩阵,先验知识在机动目标跟踪中很难获得。而且如果先验知识与当前机动目标运动状态不符会引起很大的跟踪误差,甚至导致跟踪丢失。本文针对常规交互式多模型算法的概率更新部分的缺陷提出了一种基于遗传模糊神经网络的交互式多模型算法（GAFNN-IMM）。该算法首先设计了一种基于遗传算法优化的模糊神经网络,然后将各滤波器输出的残差输入到遗传模糊神经网络中。根据遗传模糊神经网络的自学习和自适应能力得到机动目标状态估计融合及输出交互时各模型对应的匹配概率,代替了交互式多模型算法中的模型概率计算。通过仿真分析比较了基于遗传模糊神经网络的交互式多模型算法与常规交互式多模型算法的跟踪性能,验证了基于遗传模糊神经网络的交互式多模型算法在跟踪精度方面优于常规交互式多模型算法。然后设置了不同的目标运动环境,比较GAFNN-IMM算法在不同的机动目标运动环境里的跟踪误差变化,分析了该算法的跟踪性和适用的目标跟踪环境。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的目的及意义
• 1.2 课题的研究现状
• 1.2.1 目标跟踪研究现状
• 1.2.2 机动目标跟踪模型研究现状
• 1.2.3 多模型跟踪算法研究现状
• 1.3 论文主要研究工作及章节安排
• 第二章 机动目标跟踪模型
• 2.1 单机动目标跟踪基本原理与基本要素
• 2.1.1 单机动目标跟踪基本原理
• 2.1.2 单机动目标跟踪基本要素
• 2.2 卡尔曼滤波算法
• 2.2.1 卡尔曼滤波算法基本理论
• 2.2.2 卡尔曼滤波算法分析
• 2.3 机动目标跟踪模型
• 2.3.1 匀速与匀加速模型
• 2.3.2 匀速率转弯模型
• 2.3.3 机动目标“当前”统计模型
• 2.3.4 基于单模型的目标跟踪仿真与分析
• 2.4 多模型算法基本原理
• 2.4.1 交互式多模型算法基本原理
• 2.4.2 基于交互式多模型算法的仿真与分析
• 2.4.3 变结构多模型算法分析
• 2.5 本章小结
• 第三章 遗传模糊神经网络在交互式多模型算法中的应用
• 3.1 人工神经网络基本理论
• 3.1.1 人工神经网络概述
• 3.1.2 人工神经网络组成部分
• 3.2 模糊神经网络
• 3.2.1 模糊逻辑系统基本结构
• 3.2.2 基于Takagi-Sugeno 模型的模糊神经网络
• 3.2.3 基于Mamdani 模型的模糊神经网络
• 3.3 遗传算法基本理论
• 3.3.1 遗传算法基本原理和特点
• 3.3.2 遗传算法的基本操作
• 3.3.3 遗传算法的实现与操作步骤
• 3.3.4 遗传算法在神经网络设计中的应用
• 3.4 基于遗传模糊神经网络的交互式多模型算法
• 3.4.1 基于遗传模糊神经网络的交互式多模型算法基本原理
• 3.4.2 遗传模糊神经网络结构设计
• 3.4.3 遗传模糊神经网络学习算法
• 3.4.4 基于遗传模糊神经网络的交互式多模型算法仿真与分析
• 3.5 本章小结
• 第四章 总结与展望
• 4.1 工作总结
• 4.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文