[發明專利]一種基于當前統計模型的模糊自適應算法的機動目標跟蹤方法

在審

• 申請號: 202010129395.0
• 申請日: 2020-02-28
• 公開（公告）號: CN111291312A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 索繼東;孫博;李雪;邢浩;柳曉鳴;陳曉楠;任碩良;李昱琛
• 申請（專利權）人: 大連海事大學
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06F17/16;G06F17/18
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜威威;李洪福

本發明公開了一種基于當前統計模型的模糊自適應算法實現機動目標跟蹤的方法,屬于目標跟蹤技術領域，該方法包括以下步驟：建立機動目標的狀態方程和觀測方程，采用標準卡爾曼濾波算法對機動目標的運動狀態進行預測，采用模糊隸屬度函數來調整機動目標加速度極限值，通過機動值對加速度極限值自適應調整，再對弱機動目標進行跟蹤；當機動目標保持之前的狀態，則實現對機動目標的跟蹤,當機動目標發生突變，則利用強跟蹤濾波器來實現對突變機動目標的運動狀態進行跟蹤；該方法在線更新機動目標運動狀態來自適應調整模糊輸出量機動值的模糊規則，利用自適應的弱化因子增大判斷濾波發散的閾值，降低誤判濾波發散概率，增強對強機動目標的跟蹤性能。

技術領域

本發明涉及目標跟蹤技術尤其涉及一種基于當前統計模型的模糊自適應算法的機動目標跟蹤方法。

背景技術

目標跟蹤技術廣泛應用于導航、交通以及軍事相關領域。“當前”統計模型算法是目標跟蹤的一種常用方法，其采用非零均值和修正瑞利分布來表示機動加速度的統計特性，在使用“當前”統計模型算法時加速度極限值是固定的，故對機動性較弱目標的預測誤差較大。模糊自適應算法是一種可以實現對系統參數自適應調整的一種方法。Cai等人采用模糊推理的方法來自適應調整加速度極限值，提高收斂精度，但是三角隸屬函數不平滑會導致系統噪聲估計突變，預測誤差較大；Yang等人設計一種非線性的模糊隸屬度函數來自適應調整加速度極限值，增強對弱機動目標的跟蹤性能，但是其設計的隸屬度函數假定機動目標在一定的運動范圍內；Wang等人設計一種基于模糊理論的自適應數據平滑方法，利用模糊規則來描述機動目標的實際運動狀態，其模糊規則中若誤差均值很大，則增大平滑參數，若誤差方差很大，則減少平滑參數，其模糊輸出量的機動值不能自適應變化，對當前統計模型的跟蹤誤差較大，強跟蹤濾波器是由EKF改造而來的一種用于非線性系統的濾波器，克服了擴展卡爾曼濾波器魯棒性差的缺陷，可以綜合利用模糊自適應算法與強跟蹤濾波器。Hu等人提出一種基于模糊邏輯的自適應強跟蹤卡爾曼濾波算法，對強跟蹤濾波器中次優漸消因子進行自適應調整，來實現抑制載體突變帶來的影響，但是其選取的弱化因子是固定的，導致目標跟蹤誤差較大；Liu等人利用強跟蹤算法在應對系統狀態突變時，濾波發散狀態的閾值較小導致預測殘差不能準確估計從而產生跟蹤誤差。

發明內容

根據現有技術存在的問題，本發明公開了一種基于當前統計模型的模糊自適應算法實現機動目標跟蹤的方法,包括以下步驟：

S1:建立機動目標的狀態方程和觀測方程；

S2:采用標準卡爾曼濾波算法對機動目標的運動狀態進行預測，并判斷機動目標的預測運動狀態和實際運動狀態的均方誤差；

S3:采用模糊隸屬度函數來調整機動目標加速度極限值；

S4:利用模糊系統對機動目標運動狀態進行再預測，且得到機動值；

S5:計算當前機動目標最大加速度值，通過機動值對加速度極限值自適應調整，再對弱機動目標進行跟蹤；

S6:當機動目標保持之前的狀態，則實現對機動目標的跟蹤,當機動目標發生突變，則利用強跟蹤濾波器來實現對突變機動目標的運動狀態進行跟蹤；返回S3。

進一步地，所述模糊隸屬度函數采用得公式如下：

其中：q為調節因子，a_max表示機動目標運動的最大加速度，正負分別表示機動目標運動的方向。

進一步地：所述模糊系統采用的模糊規則如下：

當機動目標的加速度變大，則機動性增強，當機動目標的加速度減小，則機動性減弱。