基于“当前”统计模型的一种改进机动目标跟踪算法，本文主要内容关键词为：算法论文,模型论文,目标论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：TP391
文献标识码：A
前言
机动目标跟踪是对一个运动系统的状态估计，而该运动系统模型建立的好坏将对于最终滤波估计结果产生决定性的影响，近年来，有不少国内外学者对此进行了广泛而深入的研究，并提出了许多描述机动目标运动变化的改进模型。对于一个好的运动模型的要求既应符合机动实际，又要便于进行数学处理。目前，机动目标的运动模型主要有匀速CV模型，匀加速CA模型，Jerk模型，Singer模型和“当前”统计模型”[1～8]等。其中CV,CA模型的缺陷在于模型中目标的运动形式单一；Jerk模型的实质是在通常三维状态向量增加一维向量即加速度变化率（目标加速度变化率的阶跃通常简称Jerk机动），在该模型中可以通过机动频率这个参数实时地调整目标的运动形式，但研究发现Jerk模型在跟踪具有阶跃加速度变化率的目标时存在稳态确定性误差问题；而在Singer模型中对于机动加速度的概率密度函数服从均匀分布，且机动加速度均值为零的假设一般不符合机动目标的运动实际；由我国学者周宏仁针对Singer模型中的缺陷提出了一种非零均值的“当前”统计模型[8]，其目标机动加速度的“当前”概率密度采用修正的瑞利分布，均值为“当前”加速度的预测值，实际应用中证明了这种对于目标机动状况的描述是较为合理的。但是该模型性能的发挥主要依赖于两个参数加速度极限值
的预先设定值，分析发现当两者取值过大，则跟踪匀速运动或不具有较大机动加速度目标时其性能较差；取值较小则跟踪机动目标时其收敛较慢，算法的实时性降低。另外，一旦目标机动超过预先设定值，其跟踪性能将明显恶化；并且实际工程环境中一般很难预先知道。
针对以上问题，本文给出了一种基于“当前”统计模型改进的机动目标跟踪算法。该算法利用目标机动状况与相邻采样时刻间位置估计值变化之间的函数关系实现对于过程噪声方差在线自适应估计，避免了“当前”统计模型中加速度极限值的预先设定对于机动目标状态估计精度造成的不利影响。
一、当前统计模型
附图
其中分别为估计目标最大、最小可能发生的机动加速度。大量的仿真实验表明该算法在跟踪机动目标时具有良好的跟踪效果。但是产生良好跟踪效果的前提是选择恰当，事实上一旦目标机动加速度超过该设定值时，其跟踪性能会明显恶化，加上实际环境中被跟踪目标最大、最小发生的机动加速度一般是不可知的因素，从而造成跟踪机动加速度的相对动态范围就较小。
三、基于“当前”统计模型的改进机动目标跟踪算法
针对MTC算法中对于加速度极限值预先设定的依赖问题，本文在“当前”统计模型的基础上，利用机动加速度与相邻采样时刻位置估计向量变化之间的函数关系实现对于过程噪声方差进行自适应调整。进而在线的检测目标的机动状况，基于此提出了一种改进的机动目标跟踪算法（An impmved maneuvering target tracking algorithm based on "current"statistical model，简记为IMTC）。IMTC算法的基本过程同MCT算法，其关键之处在于对计算机动加速度协方差
的改进。
令Δa为目标机动的强度，即k时刻到k+1时刻加速度的变化量的绝对值，则利用位移和加速度变化之间的变化关系
，得到由于目标机动而引起的机动目标在相邻两个采样周期内位置变化量Δd。而Δd本身的值可由相邻采样时刻间位置估计量的差值得到，即
时刻位置分量的估计值，因此，由以上分析知两者之间的表达式为：
附图
从以上两种算法仿真结果的比较可知，本文提出的基于“当前”统计模型的一种改进机动目标跟踪算法明显地优于MTC算法。其主要原因就在于IMTC算法利用目标的机动状况与相邻采样时刻间位置估计向量变化之间的函数关系建立了过程噪声方差的自适应估算方法，有效地避免了状态估计算法中对于“当前”统计模型中加速度极限值的依赖关系，大大地增强了跟踪机动目标的动态范围。同时实现了算法对于目标的机动状况的在线检测，从而降低了跟踪机动目标的动态时延。
五、结 论
基于“当前”统计模型的状态估计算法的性能都不可避免受到加速度极限值αmax和amin的预先设定优劣的影响。而本文提出的改进算法有效地克服了以上两个参数的预先设定问题。理论分析和仿真结果均表明该算法对于机动目标具有优良的跟踪性能。
标签：统计模型论文;