[发明专利]一种CCD跟踪系统目标运动特性测量方法

说明书

技术领域

本发明涉及一种CCD跟踪目标运动特性的测量方法，属于自动控制领域，适用于对光电跟踪伺服控制系统跟踪目标运动特性测量方法的改进。

背景技术

在CCD跟踪系统中，CCD只能输出目标相对视场中心的偏差，即脱靶量，无法得到目标的运动特性（包括目标的位置、速度和加速度）。为了提高CCD跟踪系统的跟踪精度，需要预测目标的运动特性。在工程上采用跟踪架的位置与脱靶量相加得到合成目标空间角位置信息，然后对合成的目标角位置信息进行滤波并预测出目标的角速度和角加速度信息。但是，CCD输出的脱靶量有一定滞后，严重影响了预测滤波的精度。因此，为了得到目标的运动特性，以下两方面的关键问题需解决：1)位置合成时存在的脱靶量滞后问题；2)如何对有延迟的、干扰的合成位置信号采用预测滤波技术预测出精度高的目标运动特性问题。常用的预测方法有有限记忆最小平方滤波和卡尔曼滤波。有限记忆最小平方预测前提是各个记忆点时间间隔一样，但CCD输出脱靶量有一定的延时，且延时的时间并不是一个固定值，因此无法准确得到目标的运动特性。卡尔曼滤波一般需要知道目标的运动统计模型和目标的距离信息，而CCD跟踪系统无法提供目标的距离信息，且跟踪目标的多样性和目标的机动性越来越大，无法建立一个适合于多种目标的运动模型。

发明内容

本发明的目的是提供一种CCD跟踪目标运动特性的测量方法，采用了ELM（Extreme Learning Machine）神经网络对CCD输出目标的脱靶量信息、伺服转台的位置、速度和加速度信息进行数据融合得到跟踪目标的运动特性，构成共轴跟踪来提高光电跟踪系统的跟踪精度。

本发明的技术方案是这样实现的：一种CCD跟踪目标运动特性的测量方法，其特征在于: CCD将目标的脱靶量和伺服转台的位置、速度和加速度信息输出给ELM神经网络数据融合系统，经ELM神经网络数据融合系统中的两个部分即学习训练和数据融合获得目标的位置、速度和加速度信息；其具体方法如下： 1）在学习训练过程中，ELM神经网络数据融合系统对临近当前时刻的历史数据进行学习训练，也就是通过分析目标的历史运动特性建模的过程；首先确定输入矩阵和输出矩阵；其中，输入信息包括光电跟踪系统设备自身的运动状态和目标的脱靶量；输出量指历史时刻目标的位置及其运动信息，由脱靶量和跟踪架位置信息合成后，经8次多项式拟合得到。2）在数据融合过程中，根据学习训练得到的目标模型对当前时刻目标脱靶量和转台位置、速度和加速度信息进行数据融合得到跟踪目标的运动信息。随着跟踪时间的增加，学习过程也不断根据最新的历史数据学习训练，目标的模型也随着临近当前时刻历史数据的变化而不断变化。

所述的ELM神经网络数据融合系统的处理器是以TMS320F2812为核心。

所述ELM神经网络数据融合系统中的神经元个数等于学习训练样本的个数。

所述的伺服转台位置信息由安装在伺服转台电机轴上的光电编码器获得。

所述的伺服转台速度信息由安装在伺服转台电机轴上的光电编码器得到的位置信息经差分后获得。

所述的伺服转台加速度信息由安装在伺服转台上的角加速度传感器获得。

本发明的积极效果是：由于本发明不需要跟踪目标的运动模型，克服了KALMAN滤波卡尔曼滤波一般需要知道目标的运动统计模型和目标的距离信息等缺点。所得到的跟踪目标运动特性可作为前馈控制信号传送给伺服控制器构成共轴跟踪，提高光电跟踪系统的跟踪精度，对于光电跟踪系统伺服控制技术的研究具有积极意义。

附图说明

图1为本发明CCD跟踪目标特性测量示意图。

图2 ELM神经网络学习训练示意图。

图3 ELM神经网络数据融合示意图。

图4.伺服控制系统原理图。

图5  ELM神经网络数据融合系统流程图。

图6 跟踪误差曲线。

具体实施方式

下面结合附图对本发明作进一步说明：如图1所示，一种CCD跟踪目标运动特性的测量方法，包括有：ELM神经网络数据融合系统（包括学习训练和数据融合两个部分）、CCD输出目标脱靶量、伺服转台位置、伺服转台速度、伺服转台的加速度。