【技术实现步骤摘要】
基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法
[0001]本专利技术属于目标跟踪
,具体涉及一种基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法。
技术介绍
[0002]在机动目标跟踪技术研究中,过程噪声和量测噪声的研究是很重要的一部分,目前大多数的机动目标跟踪算法都是在假设噪声服从高斯分布的条件下进行的,但在雷达的实际探测过程中,环境扰动、传感器瞬时故障、飞行目标突发高机动、飞行目标不同位置的散射强度不同等因素都会使得过程噪声或量测噪声具有重尾特性,并且这些因素的出现是具有不确定性的,这样在跟踪过程中非高斯噪声是时变的,如果仍然使用传统的假设噪声为高斯白噪声的机动目标跟踪算法会使得算法的跟踪性能降低甚至出现失跟的问题。
[0003]深圳大学在其申请的专利文献“一种闪烁噪声下的多目标跟踪方法及系统”(申请公布号:CN110390684A)中公开了一种将变分贝叶斯方法和标签多伯努利滤波结合的方法对非高斯噪声下的多个目标跟踪进行跟踪。该方法的步骤是:首先合并已存在和新生目标在当前时刻的预测分布函数和标签多伯努利滤波密度,然后对其进行处理获得当前时刻各目标的分布函数和标签多伯努利滤波密度,最后在非高斯噪声中准确提取当前时刻各目标的状态估计值,从而实现对多个目标的跟踪。该方法存在的不足之处是,该方法没有考虑目标的机动性,当目标做机动时,所建立的运动模型与目标真实的运动状态不再适配,这样会使得目标的跟踪精度下降或者出现跟踪丢失的问题。
[0004 ...
【技术保护点】
【技术特征摘要】
1.一种基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法,其特征在于,包括:步骤1:获取机动目标的量测值;步骤2:构建包括多个运动模型的模型集,并对机动目标的状态估计值、精度矩阵以及共轭先验分布参数分别进行交互混合,对应得到每个运动模型的混合状态输入值、混合精度矩阵以及共轭先验分布的混合参数;步骤3:基于所述量测值,利用变分贝叶斯算法对每个运动模型的混合状态输入值、混合精度矩阵以及共轭先验分布的混合参数进行滤波处理,以更新每个运动模型的状态估计值和精度矩阵;步骤4:对所述模型集中的每个运动模型对应的概率进行更新;步骤5:基于每个运动模型对应的概率以及每个运动模型的状态估计值和精度矩阵更新机动目标在当前时刻的状态估计值和精度矩阵。2.根据权利要求1所述的基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法,其特征在于,在步骤2中,对机动目标的状态估计值、精度矩阵以及共轭先验分布参数分别进行交互混合,包括:利用状态混合公式计算模型集中每个运动模型的混合状态输入值;所述状态混合公式为:其中,表示时刻模型集中第种运动模型的混合状态输入值,表示模型集中运动模型类型的总数,表示求和操作,表示时刻模型集中第种运动模型的状态估计值,表示时刻模型集中第种运动模型转换到第种运动模型的概率;利用精度矩阵混合公式计算模型集中每个运动模型的混合精度矩阵;所述精度矩阵混合公式为:其中,表示时刻模型集中第个运动模型输入的混合精度矩阵,表示时刻模型集中第个运动模型的精度矩阵,表示转置操作;利用参数混合公式计算基于模型集中每个运动模型的共轭先验分布的混合参数,计算公式为:
其中,和表示运动模型的共轭参数分布伽马分布的混合形状参数,和表示运动模型的共轭参数分布伽马分布的混合尺度参数,和表示运动模型的共轭参数分布逆Wishart分布中的混合自由度,和表示运动模型的共轭参数分布逆Wishart分布中的混合逆精度矩阵,和表示运动模型的时刻共轭参数分布伽马分布的形状参数,和表示运动模型的时刻共轭参数分布伽马分布的尺度参数,和表示运动模型的时刻共轭参数分布逆Wishart分布中的自由度,和表示运动模型的时刻共轭参数分布逆Wishart分布中的逆精度矩阵。3.根据权利要求2所述的基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法,其特征在于,步骤3包括:3a) 计算模型集中每个运动模型的状态、精度矩阵以及共轭先验分布参数的预测值和联合预测后验概率密度函数;3b) 利用变分贝叶斯方法对共轭先验分布参数进行学习,使得近似后验概率密度函数与真实后验概率密度函数的KL散度最小化,以更新每个运动模型的状态估计值和精度矩阵。4.根据权利要求3所述的基于IMM
‑
VB的非高斯噪声条件下机动目标自适应跟踪方法,其特征在于,步骤3a)中的计算公式为:
其中,表示时刻模型...
【专利技术属性】
技术研发人员:赵政,左磊,张冉,赵民,李亚超,禄晓飞,高永婵,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。