【技术实现步骤摘要】
基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
本专利技术涉及目标跟踪技术，具体涉及一种基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法。
技术介绍
机动目标跟踪系统中最基本的问题就是状态估计问题，也就是常见的滤波问题。随着机动目标跟踪技术的研究不断深入，涌现了很多实用的滤波算法，如卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等等。这些基本的滤波算法结合时下较为成熟的机动目标运动模型即可很好地机动目标进行跟踪。但近年来，国内外科学技术日新月异，目标的机动性能不断提高，机动目标的跟踪环境也愈加复杂，一些传统的机动目标运动模型和滤波算法在跟踪这类强机动目标或高误差目标时，其性能往往都会显著下降。面对这样严峻的挑战，机动目标跟踪的研究工作不仅仅要从运动模型入手，来建模出能适应这种强机动目标的运动模型，还需要对滤波算法进行优化调整，使得滤波算法能够适应于不同的机动场景。目前而言，常见的滤波优化方法可以分成以下三种类型：一是对于滤波算法中的某些参数进行自适应调整，即根据某种动态调整策略或者引入加权因子的方式对参数进行机动大小的自适应调整。...
【技术保护点】
1.基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，包括如下步骤：步骤1、初始化滤波参数，包括初始状态估计、状态协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵；步骤2、根据上一时刻的状态估计计算Sigma点和对应权值，进行Sigma点预测加权求和，获得当前时刻的初始状态预测值；步骤3、获取当前时刻的目标观测值，与步骤2的初始状态预测值作差，获得待测数据；步骤4、选取历史观测值、二次状态预测值、状态估计值、初始状态预测值和过程噪声协方差的尺度因子构建训练数据集，训练Elman神经网络；步骤5、利用训练的Elman神经网络，初步预测待测数据的相对机动误差和...
【技术特征摘要】
1.基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，包括如下步骤：步骤1、初始化滤波参数，包括初始状态估计、状态协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵；步骤2、根据上一时刻的状态估计计算Sigma点和对应权值，进行Sigma点预测加权求和，获得当前时刻的初始状态预测值；步骤3、获取当前时刻的目标观测值，与步骤2的初始状态预测值作差，获得待测数据；步骤4、选取历史观测值、二次状态预测值、状态估计值、初始状态预测值和过程噪声协方差的尺度因子构建训练数据集，训练Elman神经网络；步骤5、利用训练的Elman神经网络，初步预测待测数据的相对机动误差和过程噪声尺度因子；步骤6、根据初步预测的相对机动误差和过程噪声尺度因子调整目标状态方程，并对步骤1的每个Sigma点进行二次预测，获得二次状态预测值和协方差矩阵；步骤7、根据二次状态预测值和协方差矩阵进行量测更新，获得当前时刻滤波的最优估计。2.根据权利1所述的基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，步骤2具体如下：步骤2.1、根据上一时刻的状态估计Xk-1|k-1，计算当前时刻Sigma点和对应的均值与方差加权值Wi(m)与Wi(c)：其中，是(n+κ)·P(k-1|k-1)的均方根矩阵的第i行或列，P(k-1|k-1)表示上一时刻的协方差矩阵，n表示量测向量的维数，κ为满足n+κ≠0的任意值；步骤2.2、基于CA模型f(.)，对Sigma点进行状态转移变换，得到一组新的Sigma点步骤2.3、根据新Sigma点和对应均值加权值Wi(m)，计算初始状态预测值3.根据权利1所述的基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，其特征在于，步骤4具体如下：步骤4.1、初始化神经网络参数，包括状态向量的维数m、量测向量的维数n、学习率l、承接层单元与隐藏层单元的连接权矩阵w1，输入层单元与隐藏层单元的连接权矩阵w2，隐藏层单元与输出层单元的连接权矩阵w3为，创建一个含有m个输出层单元、2m个隐藏层单元和n个输出层单元的Elman神经网络；步骤4.2、对于每组训练数据循环执行以下步骤4.2.1～4.2...
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。