[發明專利]一種機動目標的跟蹤方法及系統

有效

• 申請號: 201811463208.1
• 申請日: 2018-12-03
• 公開（公告）號: CN109325128B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 李良群;謝維信;劉宗香
• 申請（專利權）人: 深圳大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06N5/04
• 代理公司: 深圳市恒申知識產權事務所(普通合伙) 44312
• 代理人: 袁文英

本發明公開了一種機動目標的跟蹤方法及系統，用于機動目標跟蹤，解決了現有技術中對機動目標的準確估計上，估計結果與實際情況之間仍存在較大誤差的問題，其包括：基于T?S模糊語義模型估計模糊線性模型的狀態預測值；估計模糊線性模型的估計目標狀態值計算每個模糊模型的預測觀測值；計算每個模糊模型的模型模糊隸屬度；計算目標的觀測新息及航向角誤差；將觀測新息及航向角誤差融入T?S模糊模型后更新前件參數；計算前件參數的前件參數模糊隸屬度；計算每個線性模型的模型權值；計算目標的目標狀態值，并計算目標的目標協方差；估計機動目標的運動軌跡；從而降低了估計結果與實際情況之間的誤差。

技術領域

本發明涉及目標跟蹤技術領域，尤其涉及一種機動目標的跟蹤方法及系統。

背景技術

T-S(全稱為Takagi Sugeno)模型是Takagi和Sugeno提出的一種模糊推理模型，它能夠以簡單的方式引入能夠關鍵性決定運動模型的模糊語義信息，并且這個模型可以逼近任意形狀的非線性系統。

當前研究的機動目標跟蹤算法大多是基于概率統計模型，這很難滿足系統性能的需求。擴展卡爾曼濾波器(EKF)使用泰勒公式線性化測量和狀態模型去近似當前的狀態估計，卡爾曼濾波(KF)算法的迭代仍然得到應用。可是當目標做強機動時，EKF的性能下降地非常迅速，且算法還會發散。

針對上述問題，Julier和Uhlmann提出了無跡卡爾曼濾波(UKF)算法，UKF算法在二價泰勒展開時，通過迭代地傳播一些精確的sigma點來獲取后驗均值和協方差，但是根據UKF算法進行研究的成果依然很難滿足實際應用對非線性非高斯系統狀態估計所提出的魯棒性和準確性的要求，因此在對機動目標的準確估計上，估計結果與實際情況之間仍存在較大誤差。

發明內容

本發明的主要目的在于提供一種機動目標的跟蹤方法及系統，旨在解決現有技術中對機動目標的準確估計上，估計結果與實際情況之間仍存在較大誤差的技術問題。

為實現上述目的，本發明第一方面提供一種機動目標的跟蹤方法，包括：基于T-S模糊語義模型估計模糊線性模型的狀態預測值；根據所述狀態預測值估計模糊線性模型的估計目標狀態值；根據觀測模型及所述估計目標狀態值計算每個模糊模型的預測觀測值；根據預測觀測值組成的觀測數據集計算每個模糊模型的模型模糊隸屬度；根據離散動態系統的模糊語義模型計算目標的觀測新息及航向角誤差；將觀測新息及航向角誤差融入T-S模糊模型后更新前件參數；根據模型模糊隸屬度計算前件參數的前件參數模糊隸屬度；根據所述前件參數的模糊隸屬度組成的模糊集及離散動態系統計算每個線性模型的模型權值；根據模型權值計算目標的目標狀態值，并根據目標狀態值及模型權值計算目標的目標協方差；根據目標狀態值及目標協方差估計機動目標的運動軌跡。

進一步地，所述根據所述狀態預測值估計模糊線性模型的估計目標狀態值包括：引入最小二乘估計器；引入目標的目標速度和時間間隔作為最小二乘估計器內的遺忘因子；根據所述遺忘因子及最小二乘估計器建立修正的擴展遺忘因子最小二乘估計器，并根據修正的擴展遺忘因子最小二乘估計器及所述狀態預測值計算模糊線性模型的估計目標狀態值。

進一步地，所述根據預測觀測值組成的觀測數據集計算每個模糊模型的模型模糊隸屬度包括：設定交叉熵；根據交叉熵設定模糊交叉熵；設定基于模糊交叉熵的核模糊C回歸模型聚類的回歸聚類函數；根據所述回歸聚類函數及所述觀測數據集計算每個模糊模型的模糊隸屬度。

進一步地，所述根據交叉熵設定模糊交叉熵包括：設定高斯函數為交叉熵的核函數；設定在小樣本情況下，交叉熵的樣本均值估計函數；根據所述樣本均值估計函數及模糊信息處理理論，定義模糊交叉熵。

進一步地，所述設定基于模糊交叉熵的核模糊C回歸模型聚類的回歸聚類函數包括：根據觀測數據集及模糊模型的輸出設定核模糊C回歸模型聚類的目標函數；設定目標函數的加權指數，并設定核空間距離函數；簡化所述模糊交叉熵，并定義修正目標函數；將修正目標函數帶入核空間距離函數，得到模糊隸屬度函數，根據模糊隸屬度函數計算每個模糊模型的模型模糊隸屬度。