论文部分内容阅读
机动目标跟踪是当今国际上目标跟踪研究的热点和难点。目标跟踪的目的是利用探测器所获得的运动目标量测,完成对目标运动状态的估计。目标跟踪过程也是一个降噪的过程,因为量测数据中含有大量的干扰成分,因此必须对量测数据进行处理。近年来,很多算法用于跟踪机动目标,其中多数算法基于目标运动建模技术,且已有多种目标动态运动模型。机动目标运动建模的主要难点在于目标运动的不确定性即目标动态运动模型,因此,对实际情况而言,选择最接近于目标真实运动模型的自适应方案具有一定优势。针对神经网络结合目标运动模型实现机动目标跟踪的一些不足,本文提出一种改进算法,并应用Monte Carlo仿真予以验证。首先分析了小波分析与神经网络各自的功能和特点,小波变换具有良好的收敛速度和逼近精度,神经网络具有强大的非线性映射能力、自学习、自适应等优势。本文采用正交的小波和尺度函数作为神经网络的基函数构成小波神经网络(Wavelet Neural Network-WNN),该网络兼有小波函数和神经网络的优点,文中给予了重点分析,介绍了其产生、研究进展以及应用领域,并结合本文所研究的目标跟踪领域,提出了多分辨率正交小波神经网络实现参数预测,其克服了BP网络训练时易陷入局部极小的不足,且不存在一般连续小波神经网络易出现的冗余,通过仿真结果表明,多分辨率正交小波神经网络拥有比BP网络更佳的预测性能。然后在分析机动目标跟踪基本理论与方法的基础上,系统地研究了基于模型的机动目标跟踪算法。在基于卡尔曼滤波算法的基础上,利用转换坐标系把量测值由球坐标转换到直角坐标系下再进行滤波计算,并分别介绍了白噪声加速度模型(Constant Velocity-CV)、Wiener加速度模型(ConstantAcceleration-CA)、一阶时间相关模型(Singer)和“当前”统计模型(CurrentStatistical-CS)这几种目标运动模型,分析了这些模型建模方法和MonteCarlo仿真结果,得出了各模型的跟踪精度和优缺点,指出“当前”统计模型是更能反映实际的目标运动规律的模型。非机动或弱机动目标的跟踪精度和稳定性问题一直困绕着人们,BP神经网络与“当前”统计模型的结合,采用双滤波器结构,既能对目标的强机动做出快速响应,又能自适应的响应弱机动的变化,在一定程度上改善了对非机动或弱机动目标的跟踪精度,而将多分辨率正交小波神经网络与“当前”统计模型相结合应用到目标跟踪中,仿真结果表明,不但提高了网络的训练速度,提高了精度,增强了系统的稳定性。