一种机动目标跟踪方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种机动目标跟踪方法、装置及计算机可读存储介质，基于表示不同误差样本对状态估计结果的影响指标的模糊隶属度，构建最小模糊误差熵准则；利用无迹变换框架获取状态及相应协方差的先验估计、观测及相应协方差的先验估计；基于状态及相应协方差的先验估计、观测及相应协方差的先验估计构建线性回归模型，并通过系统重建得到误差信息；基于最小模糊误差熵准则及误差信息，计算状态及相应协方差的后验估计。通过本发明专利技术的实施，引入模糊隶属度来根据不同的误差样本情况自适应地调整权重，推导最小模糊误差熵无迹滤波模型，在复杂非高斯噪声信号下的非线性系统表现出良好的估计性能，具有良好的目标跟踪效果，且表现出较强的稳定性。现出较强的稳定性。现出较强的稳定性。

【技术实现步骤摘要】
一种机动目标跟踪方法、装置及计算机可读存储介质


[0001]本专利技术涉及目标跟踪
，尤其涉及一种机动目标跟踪方法、装置及 计算机可读存储介质。

技术介绍

[0002]状态估计问题多年来备受关注，它在精确制导、目标跟踪、航空导航等领 域都发挥着重要作用。对于高斯分布下线性系统，卡尔曼滤波(Kalman Filter,KF) 是经典的方法。但是对于非线性系统，KF存在容易发散的风险，对此，扩展卡 尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented KalmanFilter,UF)等非线性滤波方法相继被提出。扩展卡尔曼滤波通过泰勒展开式将非 线性问题线性化，在此基础上使用卡尔曼滤波进行估计。扩展卡尔曼滤波适用 于非线性程度较弱的情况，但是在非线性化程度较强时，简单的线性化估计会 带来较大误差。为了进一步改善这个问题，无迹卡尔曼滤波被提出，它通过无 迹变换选取sigma点来近似状态概率分布，并以非线性方式传播。无迹滤波减 小了估计误差的同时避免雅可比矩阵的计算，表现远超过扩展卡尔曼滤波。
...

【技术保护点】

【技术特征摘要】
1.一种机动目标跟踪方法，其特征在于，包括：基于表示不同误差样本对状态估计结果的影响指标的模糊隶属度，构建最小模糊误差熵准则；利用无迹变换框架获取状态以及相应协方差的先验估计，并获取观测以及相应协方差的先验估计；基于状态以及相应协方差的先验估计、观测以及相应协方差的先验估计构建线性回归模型，并通过系统重建得到误差信息；基于所述最小模糊误差熵准则以及所述误差信息，计算状态以及相应协方差的后验估计。2.如权利要求1所述的机动目标跟踪方法，其特征在于，所述状态以及相应协方差的先验估计的表达式表示为：验估计的表达式表示为：其中，表示第i个sigma转换点，和表示相应sigma转换点的权重。3.如权利要求1所述的机动目标跟踪方法，其特征在于，所述观测以及相应协方差的先验估计的表达式表示为：其中，γ
i
(k)表示第i个sigma观测转换点，表示相应sigma观测转换点的计算权重。4.如权利要求1所述的机动目标跟踪方法，其特征在于，所述基于状态以及相应协方差的先验估计、观测以及相应协方差的先验估计构建线性回归模型的步骤，包括：定义观测转移矩阵：H(k)＝(P
‑1(k|k
‑
1)P
xy
(k))
T
；将观测方程近似为：基于观测方程构建线性回归模型：其中，r(k)表示观测噪声，ξ(k)表示线性回归模型的误差值。5.如权利要求4所述的机动目标跟踪方法，其特征在于，所述通过系统重建得到误差信息的步骤，包括：将所述线性回归模型转换为：
D(k)＝W(k)x(k)+e(k)；基于转换后的回归模型进行系统重建得到误差信息；系统重建表达式表示为：系统重建表达式表示为：e(k)＝S
‑1(k)ξ(k)；其中，S(k)由误差ξ(k)的协方差的Cholesky分解得到，I表示单位矩阵，e(k)表示所述误差信息。6.如权利要求1至5中任意一项所述的机动目标跟踪方法，其特征在于，所...

【专利技术属性】
技术研发人员：李良群，陈咏茵，
申请(专利权)人：深圳大学，
类型：发明
国别省市：