基于无味有向图切换的机动目标跟踪vsmm算法

《基于无味有向图切换的机动目标跟踪vsmm算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法基于无味有向图切换的机动目标跟踪VSMM算法第37卷第12期2010年12月光电工程Opto—Electro

2、nicEngineering,,0l_37.NO.12Dec,2010文章编号:1003—501X(2010)12—0030—05基于无味有向图切换的机动目标跟踪VSMM算法黄翔宇,彭冬亮(杭州电子科技大学自动化学院信息与控制研究所,杭州310018)摘要:在机动目标跟踪领域,传统的基于固定模型集合的交互式多模型算法需要大量的模型来保证模型不失配,但是会带来巨大的计算量,并且来自过多模型的不必要的模型间竞争反而会使算法性能下降.为解决此矛盾,该文提出了一种基于有向图切换和无味卡尔曼滤波算法的变结构多模型算法.该算法根据目标不同时刻的运动状态依

3、据有向图匹配不同的子模型集合进行滤波.仿真结果显示该算法在有效降低计算量的同时使模型集合和目标的运动状态更好的匹配,从而提高了算法跟踪精度.关键词:机动目标跟踪;变结构多模型;有向图切换;无味卡尔曼滤波;交互式多模型中图分类号:TN957;TP391文献标志码:Adoi:10.3969~.issn.1003-501X.2010.12.006AVSMMAlgorithmBasedonUnscentedDigraphSwitchingforManeuveringTargetTrackingHUANGXiang-yu,PENGDong-liang(

4、InstituteoflnformationandControl,CollegeofAutomation,HangzhouDianziUniversity,Hangzhou310018,China)Abstract:Intheregionofmaneuveringtargettracking,thetraditionalinteractingmultiplemodelalgorithmhasafixedstructure,whichbringsunnecessaryinter,competitionamongtheamountofmodels

5、andcalculationburdenthatthealgorithmneedsenoughmodelstoensuretheaccuracy.Toresolvethiscontradiction,avariablestructuremultiple—modelalgorithmbasedondigraphswitchingandunscentedKalmanfilterispresented.Accordingtothetargetmotionstatebasisatdifferenttimes,thealgorithmcanmatchs

6、ub-model—setbasedonthedigraph.Simulationresultsshowthatthisalgorithmimprovestheaccuracyoftrackingbyreducingthecompetitionofthemodelsaswellasreducingthecomputationburden.Keywords:maneuveringtargettracking;variable—structuremultiplemodel;digraphswitch;unscentedKalmanfilter;in

7、teractingmultiplemodelO引言机动目标跟踪,特别是对强机动目标的跟踪,一直是目标跟踪领域的热点和难点.多模型估计(MM)算法Ⅲ因其独有的处理结构和参数未知或变化以及将复杂问题简化为简单子问题的能力,在领域内很受重视.具有高费效比的交互多模型(IMM)算法[2-3]的提出是MM估计算法发展的一个里程碑.最近,很多雷达跟踪算法都是基于IMM算法.需要提出的是,大多数的MM估计器,包括IMM估计器在所有时刻都使用同一个模型集合,即固定结构(Fs),由于IMM算法多是处理混合估计问题,可以看出在固定结构的范围内性能很难得到较大的提

8、升.因为目标运动的模式一旦超出固定结构模型集合的范围就会造成模型失配而影响估计精度,而解决这个问题的方法就是扩大模型集合.这就带来了一个问题,算法需要大量的模型来收