卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法技术

卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法，涉及机动目标滤波跟踪领域，解决了无法克服ＥＭＤ方法中的“边界效应”及强机动目标卡尔曼滤波的发散问题。该方法为：一、获得当前采样时刻的量测数据序列，利用卡尔曼预测方程，获得下一时刻的系统状态预测数据，将其与当前序列组合；二、在组合序列中插值生成滤波序列；三、利用ＥＭＤ方法对滤波序列进行分解，剔除包含噪声的ＩＭＦ，获得当前滤波值；四、将该滤波值作为当前滤波结果显示；五、将该滤波值作为系统当前状态的后验估计，在下一时刻结合量测数据及卡尔曼方程组，获得计算参数，然后返回一，将下一时刻作为当前时刻，实现机动目标的跟踪。本发明专利技术可用于机动目标滤波跟踪领域。

【技术实现步骤摘要】

本专利技术涉及机动目标滤波跟踪问题，具体涉及一种卡尔曼滤波与经验模态分解有 机结合的机动目标跟踪方法。
技术介绍
目标跟踪滤波方法在探测、识别与跟踪等多个领域有着重要现实意义和广阔的应 用背景，其中机动目标跟踪滤波问题更是研究热点之一。经过众多学者的不懈努力提出或 发展了许多相关的理论，如卡尔曼理论及其扩展方法、小波分析、粒子滤波、多模型概率估 计等等，其中以卡尔曼理论及其扩展的滤波方法最为人们接收，应用也是最为广泛，但它们 和许多其他方法一样，仍存在着对参数依赖性强、易发散等问题，从一定程度上限制了这些 方法的应用。经验模态分解(EmpiricalMode Decomposition-EMD)方法是于 1998 年由美 国国家工程学院院士黄锷提出，该方法是将原信号分解为从高频到低频的固有模态函数 (Intrinsic Mode Function-IMF)，且分解出的各个IMF的频率高低是由信号本身的频率特 性决定的，具有自适应的特性，因此适用于噪声形式未知的非平稳信号滤波。在应用EMD方 法时，有一个无法回避的问题，即在用极点拟合上下包络的时候，在两个端点附近就会出现 包络失真问题，造成计算上的不准确，这种现象被称为“边界效应”。而且随着求取IMF阶次 的升高，迭代的次数不断增加，“边界效应”还会传播到信号内部，进一步影响EMD分解的质 量，使分解出的IMF失去了实际的物理意义。而在对目标进行跟踪滤波时所关心的是目标 最新的状态，恰恰是信号序列的边界值，正是这个原因限制了 EMD在机动目标跟踪滤波中 的应用。
技术实现思路
本专利技术的目的是克服EMD方法中的“边界效应”以及强机动目标卡尔曼滤波的发 散问题，提供了一种。，它的具体过程如下步骤一、获得当前采样时刻的量测数据序列，并利用卡尔曼预测方程，获得下一采 样时刻的系统状态预测数据，并将所述下一采样时刻的系统状态预测数据和当前量测数据 序列组合，获得组合后的数据序列；步骤二、在步骤一获得的组合后的数据序列中的每相邻两个数据之间均勻分布多 个插值点，生成滤波序列；步骤三、利用EMD方法对步骤二生成的滤波序列进行分解，获得包含噪声的IMF， 在滤波序列中剔除包含噪声的IMF，然后获得当前时刻的滤波值；步骤四、将当前时刻的滤波值作为当前滤波结果显示；步骤五、将当前时刻的滤波值作为系统当前状态的后验估计，在下一采样时刻来 临时，结合下一采样时刻的量测数据，并利用卡尔曼方程组得到用于下一采样时刻的计算5参数，然后，返回执行步骤一，将下一采样时刻作为当前采样时刻，实现机动目标的跟踪。本专利技术的积极效果本专利技术有效地克服了 EMD方法中“边界效应”以及针对强机动目标卡尔曼滤波的 发散问题，具有较高的跟踪精度。附图说明图1为本专利技术的流程图；图2为步骤三的流程图；图3为步骤三一的流程图；图4 为应用EKF方法在30秒时间段内测得的地理坐标系X轴向的目标速度信息的滤波效果图； 图5为应用KF方法在30秒时间段内测得的地理坐标系X轴向的目标速度信息的滤波效果 图；图6为应用EMD-KF方法在30秒时间段内测得的地理坐标系X轴向的目标速度信息的 滤波效果图；图7为应用EKF方法在30秒时间段内测得的地理坐标系Y轴向的目标速度信 息的滤波效果图；图8为应用KF方法在30秒时间段内测得的地理坐标系Y轴向的目标速 度信息的滤波效果图；图9为应用EMD-KF方法在30秒时间段内测得的地理坐标系Y轴向 的目标速度信息的滤波效果图；图10为应用EKF方法在30秒时间段内测得的地理坐标系 Z轴向的目标速度信息的滤波效果图；图11为应用KF方法在30秒时间段内测得的地理坐 标系Z轴向的目标速度信息的滤波效果图；图12为应用EMD-KF方法在30秒时间段内测得 的地理坐标系Z轴向的目标速度信息的滤波效果图。具体实施例方式具体实施方式一本实施方式的卡尔曼滤波与经验模态分解有机结合的机动目标 跟踪方法，它的具体过程如下步骤一、获得当前采样时刻的量测数据序列，并利用卡尔曼预测方程，获得下一采 样时刻的系统状态预测数据，并将所述下一采样时刻的系统状态预测数据和当前量测数据 序列组合，获得组合后的数据序列；步骤二、在步骤一获得的组合后的数据序列中的每相邻两个数据之间均勻分布多 个插值点，生成滤波序列；步骤三、利用EMD方法对步骤二生成的滤波序列进行分解，获得包含噪声的IMF， 在滤波序列中剔除包含噪声的IMF，然后获得当前时刻的滤波值；步骤四、将当前时刻的滤波值作为当前滤波结果显示；步骤五、将当前时刻的滤波值作为系统当前状态的后验估计，在下一采样时刻来 临时，结合下一采样时刻的量测数据，并利用卡尔曼方程组得到用于下一采样时刻的计算 参数，然后，返回执行步骤一，将下一采样时刻作为当前采样时刻，实现机动目标的跟踪。在系统运行过程中，若接收到来自外界的结束控制命令，则结束当前计算过程。本专利技术综合运用了卡尔曼滤波(Kalman Filter-KF)理论和经验模态分解的方法， 利用卡尔曼滤波方法对EMD滤波序列进行端点沿拓，并将EMD的滤波值代入卡尔曼递推方 程中，有效地克服了 EMD方法中“边界效应”以及针对强机动目标卡尔曼滤波的发散问题， 具有较高的跟踪精度。本专利技术继承了 EMD方法的自适应特性，因此对目标的机动方式、噪声 的分布形式等条件并不敏感，具有较强的鲁棒性。具体实施方式二本实施方式是对实施方式一的的进一步说明，步骤一所述内容的过程如下在采样时刻t(n)，n = 1,2,…，滤波系统获取当前量测数据序列，且在各个采样 时刻所获取的量测数据序列的长度均为N ；用{y(i)，i = 1，2，…，N}表示t (n)时刻的量测数据序列，其中y (N)为t (n)时刻 采样获得的系统状态量测数据，y(N-l)为t(n-l)时刻采样获得的系统状态量测数据，…， y(l)为t(n-N+l)时刻采样获得的系统状态量测数据；所述卡尔曼预测方程为 其中，n为当前采样时刻的序数，即当前采样时刻为t(n)；F(n+1, n)为状态转移矩阵，它为已知量；| 为用于预测的输入量， iO + lIn)为预测结果输出量；在首次执行步骤一时，令| 77)等于系统当前时刻的系统状态测量数据y(N)； 在非首次执行步骤一时，令iO I ？2)等于上次执行步骤五时获得的所述用于下一采样时刻 的计算参数；通过卡尔曼预测方程，并根据I n)，获得下一采样时刻t (n+l)的系统状态预 测数据+ ；将所述下一时刻的系统状态预测数据义(W + 1 |作)和原始量测数据序列组合，令 {y⑴，y⑵，...，y(N)}表示原始量测数据序列，则组合后的数据序列为具体实施方式三本实施方式是对实施方式一或二的卡尔曼滤波与经验模态分解 有机结合的机动目标跟踪方法的进一步说明，步骤二所述内容的具体过程为令 表示步骤一获得的组合后的数据序列， 其中y(l)、y(2)、……y(N)为步骤一获得的当前量测数据序列{y (i)，i = 1，2，…，N}中 的N个系统状态量测数据+ 11…为步骤一获得的下一采样时刻的系统状态预测数据；在 中的每相邻两个数据之间分别均勻分布j 个插值点，j为正整数，生成滤波序列{X⑴，i = 1,2,…，nX(j+l)+l}。具体实施方本文档来自技高网...

【技术保护点】
卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法，其特征在于它的具体过程如下：步骤一、获得当前采样时刻的量测数据序列，并利用卡尔曼预测方程，获得下一采样时刻的系统状态预测数据，并将所述下一采样时刻的系统状态预测数据和当前量测数据序列组合，获得组合后的数据序列；步骤二、在步骤一获得的组合后的数据序列中的每相邻两个数据之间均匀分布多个插值点，生成滤波序列；步骤三、利用ＥＭＤ方法对步骤二生成的滤波序列进行分解，获得包含噪声的ＩＭＦ，在滤波序列中剔除包含噪声的ＩＭＦ，然后获得当前时刻的滤波值；步骤四、将当前时刻的滤波值作为当前滤波结果显示；步骤五、将当前时刻的滤波值作为系统当前状态的后验估计，在下一采样时刻来临时，结合下一采样时刻的量测数据，并利用卡尔曼方程组得到用于下一采样时刻的计算参数，然后，返回执行步骤一，将下一采样时刻作为当前采样时刻，实现机动目标的跟踪。

【技术特征摘要】

【专利技术属性】
技术研发人员：沈毅，赵振昊，张淼，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93[中国|哈尔滨]