[发明专利]一种基于模糊自适应UKF的交互多模型机动目标跟踪方法

说明书

本发明公开了一种基于模糊自适应UKF的交互多模型机动目标跟踪方法，获取UKF中(k‑1)时刻目标的量测噪声信息，并根据计算k时刻目标的理论新息协方差P_ZZ,j(k)；根据k时刻的目标测量信息计算目标的实际新息协方差C_j(k)；以P_ZZ,j(k)和C_j(k)为输入信息，采用模糊推理方法确定k时刻量测噪声信息的自适应调节因子；基于自适应调节因子和计算k时刻目标的量测噪声信息基于计算目标k时刻目标的状态信息。本发明以实际新息协方差与理论新息协方差一致性为原则，采用归一化输入输出的模糊参数，这使得FIS能够更加全面反映新息协方差实际值与理论值的偏离程度，从而提升量测噪声协方差收敛于其真实值的速度，进而改善机动目标的跟踪性能。

技术领域

本发明属于目标跟踪技术领域，尤其涉及一种基于模糊自适应UKF的交互多模型机动目标跟踪方法。

背景技术

目标跟踪是一种利用运动目标的方位、高度等量测数据，结合跟踪算法对目标运动状态进行估计的技术。根据目标的运动状态，目标跟踪可分为机动目标跟踪和非机动目标跟踪。在现代化战争中，军用飞机的机动性不断增强，对空中机动目标进行可靠而精确地跟踪是取得战场制信息权的关键，也是当前机动目标跟踪领域的研究重点。

目标跟踪方法主要分为单模型方法和多模型方法。当目标发生机动时，单模型方法使用单一的运动模型难以准确描述目标的机动状态，往往无法精确追踪目标，甚至会因估计误差过大而导致目标丢失；多模型方法由于采用不同的运动模型匹配目标的机动状态，克服了单模型算法的缺陷，因此在机动目标跟踪领域的得到了广泛应用，如交互式多模型(IMM)方法。IMM方法使用两个或两个以上模型对目标的运动状态进行描述，各模型之间的权重由马尔科夫概率转移矩阵确定。IMM方法能够通过模型概率的变化实现自适应的变结构，提升了目标跟踪性能；同时该方法具有模块化、并行化的特点，计算效率高。

滤波方法是IMM方法得以实施的关键支撑技术。对于机动目标跟踪问题，通常采用雷达量测目标的距离和方位，该量测模型是非线性的。常用的非线性滤波方法有扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)等。EKF需对非线性状态或量测方程进行泰勒级数展开，并截断其高阶项，会引入较大的线性化误差。而UKF使用无迹变换对非线性函数的概率密度分布进行近似，无需忽略高阶项，滤波精度和稳定性均优于EKF。

滤波方法要求已知系统模型和噪声统计特性的先验信息。然而，当外界环境产生较大干扰时，量测噪声统计特性将发生变化，标准UKF由于无法对量测噪声统计进行调整，使得IMM方法中各并行滤波器的估计精度下降，进而导致系统状态的加权融合估计结果误差变大甚至发散。

发明内容

本发明的目的是提供一种基于模糊自适应UKF的交互多模型机动目标跟踪方法，采用归一化模糊参数对UKF的系统量测噪声统计进行实时修正，从而提高了量测噪声统计发生变化时IMM-UKF对机动目标的跟踪精度。

本发明采用以下技术方案：一种基于模糊自适应UKF的交互多模型机动目标跟踪方法，在使用IMM-UKF方法进行目标跟踪时包括以下步骤：

获取UKF中(k-1)时刻目标的量测噪声信息并根据计算k时刻目标的理论新息协方差P_ZZ,j(k)；

根据k时刻的目标测量信息计算目标的实际新息协方差C_j(k)；

以P_ZZ,j(k)和C_j(k)为输入信息，采用模糊推理方法确定k时刻量测噪声信息的自适应调节因子；

基于自适应调节因子和计算k时刻目标的量测噪声信息

基于计算k时刻目标的状态信息。

进一步地，采用模糊推理方法确定k时刻量测噪声信息的自适应调节因子包括：