一种适用于机动目标跟踪的改进卡尔曼滤波算法

《一种适用于机动目标跟踪的改进卡尔曼滤波算法》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、第25卷第5期空军雷达学院学报Vol.25No.52011年10月JournalofAirForceRadarAcademyOct.2011文章编号：1673-8691（2011）05-0339-04一种适用于机动目标跟踪的改进卡尔曼滤波算法1211高增敏，王首勇，郑作虎，郑岱堃(1.空军雷达学院研究生管理大队，武汉430019；2.空军雷达学院三系，武汉430019)摘要：针对卡尔曼滤波跟踪强机动目标时性能下降的问题，提出了一种适用于机动目标跟踪的改进卡尔曼滤波算法．该算法在卡尔曼滤波算法的基础上，根据当前量测目标航向与前一目标航向之间的航向角度差，判断机动强弱并计算出加

2、权函数值，然后用加权函数值根据量测数据依次修正机动目标加速度预测值和目标预测状态，最终改进目标的状态估计．仿真结果表明，目标强机动时该算法具有较高的跟踪精度．关键词：目标跟踪；机动目标；卡尔曼滤波算法；航向角度差中图分类号：TN957文献标志码：ADOI:10.3969/j.issn.1673-8691.2011.05.008目前对机动目标跟踪的研究主要是对机动能，本文提出了一种适用于机动目标跟踪的状态目标模型改进和机动目标跟踪算法的研究．主一步预测自适应的卡尔曼滤波算法(IKF)，该算要的机动模型有CA模型、Singer模型、“当前”统法用量测目标航向与前一目标航向之间角

3、度差[1-2]计模型和交互多模型等．应用较广的目标跟的绝对值表征目标的机动强弱，并根据角度差绝踪算法是卡尔曼滤波算法(KF)，但在跟踪强机动对值的大小用量测数据依次修正机动目标加速目标时却存在不足：当系统达到稳态时，其预测度预测值和目标预测状态，强机动时使目标预测协方差将趋于极小值，使得滤波器的增益也趋于状态接近量测目标航向，较好地解决了卡尔曼滤极小值，此时若状态发生突变，残差增大，预测波算法的预测协方差变化不能与目标状态突变协方差和滤波器的增益不能随残差同步改变，从同步，其调整过程是实时的，不需要人为设定门而失去对突变状态的跟踪能力．文献[3]提出根限，并且角度差绝对值的

4、分布范围涵盖了目标所据残差平均统计，用次优无偏最大后验估计求得有的机动情况．在机动情形下对算法进行了仿噪声协方差，使滤波器具备一定的自适应能力，真分析，验证了新算法的有效性．但对于强机动情况下的时变噪声协方差而言，其统计平均的算法不能满足要求．文献[4]提出了1卡尔曼滤波的问题讨论1种卡尔曼滤波与模糊逻辑联合算法，该算法以[2]在目标跟踪系统中，离散时间状态方程为模糊加速度估计与最大加速度为加权系数，用模x(k+1)=F(k)x(k)+G(k)u(k)+w(k)(1)糊状态估计修正卡尔曼滤波输出状态，对突变状T式中x(k)=[x(k)ẋ(k)ẍ(k)y(k)ẏ(k)y

5、̈(k)]为k时刻态有较好的跟踪能力，由于很难确定先验最大加目标状态向量，x(k)、ẋ(k)、ẍ(k)分别表示目标速度，导致状态加权输出不准确．文献[5]提出1在x轴方向上k时刻的位置、速度和加速度，种强跟踪滤波器(STF)，通过在状态协方差阵中y(k)、ẏ(k)、ÿ(k)分别表示目标在y轴方向上k引入时变渐消因子，在线调整增益阵，强迫残差时刻的位置、速度和加速度,F(k)为k时刻状态序列时刻保持相互正交，使滤波器具有较强的跟转移矩阵，G(k)为输入控制矩阵，u(k)为控制信踪性能，但由于噪声的影响，算法在跟踪一般机号，w(k)为模型过程噪声，假设为零均值高斯白动目

6、标时性能有所下降．文献[6]提出了基于强T噪声，协方差矩阵为E(w(k)w(k))=Q(k)．机动识别调整预测协方差的方法(RKF)，使协方差随残差同步增大，在检测到强机动时，改善了量测方程为滤波器的跟踪性能，但用于强机动识别的检测门ézx(k+1)ùz(k+1)=êú=H(k+1)x(k+1)+v(k+1)(2)限由人为设定，影响了目标的强机动识别精度．ëzy(k+1)û以上改进算法主要针对预测协方差改善滤波性式中zx(k+1)和zy(k+1)分别表示k+1时刻x和y收稿日期：2011-04-20基金项目：国家部委级资助项目作者简介：高增敏(1983-)，男，硕士生，主要

7、从事机动目标跟踪模型与算法研究．340空军雷达学院学报2011年轴方向的量测值，H(k+1)为量测矩阵，v(k+1)Δθk+1=ψk-ξk+1(6)为量测噪声向量，假定它是零均值高斯白噪声，x̂(k

8、k)-x̂(k-1

9、k-1)式中ψk=arctan()为前一目标并与过程噪声是相互独立的，协方差矩阵ŷ(k

10、k)-ŷ(k-1

11、k-1)Tzx(k+1)-x̂(k

12、k)E(v(k+1)v(k+1))=R(k+1)．航向角，ξk+1=arctan()为量测目标zy(k+1)-ŷ(k

13、k)协方差一步预测矩阵T航向角．P