一种新的更好的基于-当前-统计模型的自适应滤波算法.pdf

万方数据

一种新的更好的基于“当前"统计模型的自适应滤波算法1“当前"统计模型及其算法陈出新，周德云，张垄法中加速度极限值需要预设的不合理性，通过新息量和滤波值对加速度极限值进行估计，从而实现加前”加速度的预测值，认为目标下一时刻的加速度接地自适应，较好地解决了这一问题哺’91。但是，目了机动加速度均值和方差的自适应调整，因此具有摘要：提出一种新的基于“当前”统计模型的自适应滤波算法，针对“当前”统计模型自适应滤波算速度极限值的自适应。通过对机动目标进行MonteCarlo仿真，结果表明了新算法的有效性和合理性。关键词：卡尔曼滤波，算法，统计，仿真，“当前”统计模型，新的“"-3前”统计算法中图分类号：TN957．52文献标识码：A文章编号：1000-2758(2011)03-0351-05迄今为止，机动目标跟踪一直是跟踪领域内的难点和热点问题。自从20世纪70年代初期，Singer提出零均值一阶时间相关机动模型⋯以来，机动目标跟踪理论发展很快，出现了很多机动跟踪模型和相关算法。机动跟踪模型一般可分为单模型和多模型两种。在单模型中，具有代表性的有匀速(constant—velocity，CV)模型口1、匀加速(constant-acceleration，CA)模型【3J、“当前”统计(“current”statistical，cs)模型H1和Jerk模型∞J。在多模型中，具有代表性的有广义伪贝叶斯(generalBayes，GPB)模型和交互式多模型(interactingmodel，IMM)等怕’7|。在Singer模型中，机动加速度的概率分布服从均匀分布，且加速度的均值为零，这与一般机动目标的运动形式不符。CV模型和CA模型的缺陷在于目标的运动形式单一，对机动多样的目标跟踪效果不理想。Jerk模型的局限性在于跟踪阶跃Jerk信号时存在确定性稳态误差。而多模型受限于模型之间的转换和模型复杂度对于精度的影响。针对Singer模型中的缺陷，我国学者周宏仁把其提出的cs模型中的机动加速度的“当前”概率分布设定为均值可变的修正瑞利分布，其均值为“当只能在“当前”加速度的邻域内，从而计算出“当前”机动加速度的方差，通过它的自适应来调整滤波过程噪声方差阵，提高了跟踪精度。然而，CS模型对加速度方差的计算依赖于两个参数：机动频率仅和目标机动的加速度极限值口+～。对于机动频率a，很多文献通过各自的算法对其进行了间接地或者直标机动加速度极限值对于过程噪声方差阵的影响依然存在。实际上，除非跟踪系统配备功能强大的目标识别系统和完备的各类目标先验知识数据库，否则要准确获取目标机动加速度极限值基本上是不可能的¨0l。针对上述问题，本文提出一种通过新息量和滤波值对加速度极限值进行估计从而实现加速度极限值自适应的滤波算法，提高了跟踪精度，尤其是对加速度和速度的估计，较cs模型算法，精度有了较大提高。由于“当前”统计模型的机动加速度概率密度服从修正瑞利分布，故将目标“当前”加速度的预测值作为当前时刻机动加速度瑞利分布的均值，利用瑞利分布方差随均值变化且由它决定的特点，实现良好的跟踪机动目标的能力。作者简介：陈出新(1981一)，西北工业大学博士研究生，主要从事先进控制理论研究。2011年6月第29卷第3期西北工业大学学报(西北工业大学电子信息学院，西安710129)收稿日期：2010-06-08JournalNorthwesternJunepseudomulti-pieofPolytechnicalUniversity20lIV01．29No．3
万方数据
警仅一～一：口一a，9趋：鲨4攀1丁型土掣‰=止≤产盟：f宰[口。一蛐圳2(x^(k吼。I宰k一+皇⋯圳：(皇⋯牝。)1_e-2aT+2aT-2a2严+2丁a3T3—4a死前)(e谢+l一2e-口r+2a死-alr+2丁a3Ta一2ar+n2严)2毗。叫州5)J|})圳933：坐善竺卜一w(后)：广(!=型2Q(后)=E[w(后)H，r(后)]=2a盯：l一种新的基于“当前"统计模型的自适应滤波算法【NCS算法)畅l密度服从瑞利分布，若a(k+1)较小，则矿：较大，结⋯现假设观测向量是一维的，即观测值只有位置，并设采样时间为r，离散的系统状态方程和观测方程为fx(k+1)=中(k+1，k)X(k)+U(k)五+W(k)【Z(||})=三，(k)X(后)+y(后)(1)式中，X(k)为k时刻的状态向量x(k)=[戈(k)，戈(||})，茗(k)]1。(2)咖(k+l，k)为状态转移矩阵痧(k+1，盂)=式中，ot为机动(加速度)频率。U(k)可以看作加速度均值转移矩阵￡，(蠡)。=(3)(4)(10)(11)Z(k)为一维观测向量，日(k)=【10】为观测矩阵，y(后)为一均值为零，方差为R的高斯白噪