【技术实现步骤摘要】
一种基于混合推理的机动目标跟踪方法
[0001]本专利技术属于目标跟踪领域,涉及一种基于混合推理的机动目标跟踪方法。
技术介绍
[0002]利用雷达、声呐、光电等遥感设备对目标位置进行及时、精确的连续跟踪,在远程预警、无人驾驶等领域具有十分广泛的应用。由于跟踪系统固有的非线性特性(如轨道目标的非线性运动、目标状态与传感器量测之间的非线性坐标变换等),以及非合作目标机动所引起的系统建模与实际目标运动失配等问题,严重影响跟踪系统性能,使得高精度稳定的非线性机动目标跟踪一直是雷达、声呐、光电等感知探测系统的重点和难点。非线性机动目标跟踪问题可以分解为两个子问题,即非线性滤波和自适应滤波。大多数机动目标跟踪方法采用序贯处理架构,即非线性状态估计与模型选择或参数辨识序贯处理。而这两个子问题相互耦合,即非线性滤波精度影响模型辨识精度,模型辨识不准则会影响滤波效果。联合优化框架同时进行状态估计与模型参数辨识,较序贯处理往往获得更好的性能,但求解联合后验概率密度函数面临复杂的积分问题,难以获得闭环解析解,需要寻求近似推理方法。
[0003]现有的近似推理方法主要分为两类,基于采样型的随机近似方法,如马尔科夫蒙特卡洛法MCMC、序贯蒙特卡洛SMC等;基于优化的确定性近似方法,如变分贝叶斯法VB、期望传播法EP等。这两类方法均可用于解决非线性滤波和自适应鲁棒估计问题。
[0004]基于采样型近似的MCMC、SMC可扩展性强,可以有效处理非线性问题,但仅适合于小尺度问题,当处理高维隐变量的非线性估计问题时,由于粒子数急剧增 ...
【技术保护点】
【技术特征摘要】
1.一种基于混合推理的机动目标跟踪方法,其特征在于:包括以下步骤:步骤1:系统建模与问题描述:步骤1.1、建立离散时间非线性动态系统模型:x
k
=f
k
(x
k
‑1)+G
k
v
k
y
k
=h
k
(x
k
)+w
k
其中,分别代表目标状态和传感器量测,f
k
(
·
)、h
k
(
·
)分别代表非线性状态转移函数和量测函数,G
k
为过程噪声的控制矩阵,过程噪声和传感器量测噪声均服从零均值的高斯白噪声,n
x
和n
y
分别代表系统状态x和传感器观测y的维数,下标k代表时刻;步骤1.2、选择目标机动时先验系统与实际系统失配的参数作为未知模型参数θ
k
,θ
k
包含:Q
k
和R
k
分别为过程噪声和传感器量测噪声协方差矩阵,和P
0|0
分别为初始状态x0的均值和方差;步骤1.3、求解联合概率密度函数p(x
k
,θ
k
|y
1:k
),对目标状态x
k
和未知模型参数θ
k
进行联合估计;步骤2:非线性滤波:步骤2.1、根据初始变分参数λ1设计建议分布为r(x
k
,θ
k
;λ
k
),其中λ
k
为x
k
、θ
k
的超参数;步骤2.2、对建议分布采样生成样本,进行粒子预测;初始时刻,k=1:从初始建议分布r(x1;λ1)中采样N个粒子,计算粒子权重后续时刻,k>1:先对上一时刻粒子按概率进行重采样,再根据建议分布r(x
k
,θ
k
;λ
k
)生成所有粒子的一步预测,粒子权重更新为步骤2.3、利用步骤2.2生成的粒子权重,计算平滑替代证据下界和滤波替代证据下界下界下界步骤2.4、采用随机梯度下降法迭代优化替代证据下界,优化目标函数为:步骤2.4、采用随机梯度下降法迭代优化替代证据下界,优化目标函数为:重复步骤2.2
‑
步骤2.4,当达到迭代次数或下界收敛时终止迭代;步骤3:目标状态估计;
根据优化后的目标参数λ
1:k
或λ
k
,重复步骤2.2,得到时间序列与当前时刻的粒...
【专利技术属性】
技术研发人员:兰华,陈萱,胡锦杰,毛誉翔,王增福,
申请(专利权)人:西北工业大学,
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。