【技术实现步骤摘要】
本专利技术属于目标跟踪领域,涉及一种基于强跟踪的容积卡尔曼滤波器(Cubature KalmanFilterbasedonStrongTracking,ST-CKF)的机动目标跟踪方法。
技术介绍
随着科技的不断发展,各种新的技术手段被应用到目标跟踪技术中来,但是应用 环境也越来越复杂,如何快速提高目标跟踪算法成为亟待解决的问题。滤波算法与数据关 联算法是机动目标跟踪中的核心和难点,本专利技术着重对非线性滤波算法进行了研究。然而, 非线性滤波算法广泛存在于工程应用领域中。现在所用的许多传感器,如红外,电子支援措 施,被动声呐等,都是被动探测系统,被动探测系统具有隐蔽性高,能够获得目标特点多等 优点,可以极大程度的提高系统的抗干扰能力和生存能力,但是由于在被动探测条件下主 要涉及非线性滤波技术,因此想要得到对目标状态的精确估计,就需要使用高效的非线性 滤波技术。 近年来提出的容积卡尔曼滤波器(CubatureKalmanFilter,CKF),采用一组等权 值的容积点计算贝叶斯滤波的积分问题,即通过数量为两倍状态维数的等权值容积点来传 播系统状态的均值和方差,可以获得较高的滤波精度。使用CKF逼近非线性分布的概率分 布后,其精度优于不敏卡尔曼滤波器(UnscentedKalmanFilter,UKF)。CKF避免了对非线 性系统进行线性化,此外,与UKF不同,其容积点及权值由状态向量维数唯一确定,不需要 通过仔细的调整参数来改善估计精度。但是,当模型不匹配,或目标状态发生突变时,CKF仍 不能很好的对目标运动状态进行跟踪。 ...
【技术保护点】
一种用于目标跟踪的强跟踪容积卡尔曼滤波方法,该方法包括以下步骤:步骤1:根据回波数据建立离散非线性动态系统模型:xk=f(xk‑1)+wk‑1zk=h(xk)+vk其中,xk为k时刻的状态向量,维数为n,同理xk‑1为k‑1时刻的状态向量,维数为n,zk为k时刻的量测值,wk‑1和vk分别为过程噪声和量测噪声,两者相互独立,协方差矩阵分别为Qk‑1和Rk,f(xk‑1)为xk‑1与k时刻状态转移矩阵的乘积,h(xk)为xk与k时刻量测矩阵的乘积;步骤2:进行系统初始化:初始化系统参数包括:状态变量初始值x0|0,协方差矩阵P0|0,协方差矩阵平方根S0|0=chol(P0|0),即步骤3:进行时间更新,引入时变渐消因子λk如下:对于k=1,2,…,利用Spherical‑Radial求容积规则,获得基本容积点为:各容积点对应权值为j=1,...m,其中m表示容积点个数,为状态维数的2倍,[1]j表示容积点集的第j个元素;Xj,k-1|k-1=Sk-1|k-1ξj+x^k-1|k-1]]>其中,ζj表示第j个元素的容积点,Xj,k‑1|k‑1表示第j个元素的k‑1时刻的状态变量值, ...
【技术特征摘要】
1. 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法,该方法包括以下步骤: 步骤1:根据回波数据建立离散非线性动态系统模型:xk - f (Xh) +Wk_i zk = h (xk) +vk 其中,xk为k时刻的状态向量,维数为n,同理xk_i为k-1时刻的状态向量,维数为n,zk 为k时刻的量测值,Wh和vk分别为过程噪声和量测噪声,两者相互独立,协方差矩阵分别 为Qh和Rk,fUh)为&与k时刻状态转移矩阵的乘积,h(xk)为xk与k时刻量测矩阵的 乘积; 步骤2 :进行系统初始化: 初始化系统参数包括:状态变量初始值X+,协方差矩阵P〇|〇,协方差矩阵平方根S+ =chol (P〇|〇)步骤3 :进行时间更新,引入时变渐消因子Ak如下: 对于k= 1,2,…,利用Spherical-Radial求容积规贝U,获得基本容积点为:,各容积点对应权值为j= 1,...m,其中m表示容积点个数,为状态维 数的2倍,[1\表示容积点集的第j个元素;其中,(」表示第j个元素的容积点,X」,表示第j个元素的k-1时刻的状态变量 值,表示k-1时刻新息过程的自相关矩阵,;IM|W表示k-1时刻的状态估计值;其中,表示第j个元素的k-1时刻到k时刻的状态预...
【专利技术属性】
技术研发人员:于雪莲,周云,崔明雷,钱璐,张存,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。