【技术实现步骤摘要】
本专利技术涉及水下目标跟踪，具体为一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法。
技术介绍
1、水下目标跟踪技术在军事和民用领域有着广泛的应用，例如鱼群探测、船舶导航、海岸监视系统和水下攻击系统等，目前水下目标跟踪常用的方法是卡尔曼滤波、最小二乘法等。
2、由于水下纯方位机动目标跟踪系统的强非线性，传统的滤波算法具有跟踪精度低、收敛速度慢、噪声特性未知等特点，这些方法已经不满足目标跟踪的实际需求，为了解决噪声统计特性未知的问题，a.p.sage和g.w.husa推导了sage-husa自适应测量噪声估计方法，可根据观测信息实时计算系统噪声统计特性，解决线性系统噪声估计问题，交互式多模型imm算法可以解决机动目标模型突变问题，在目标跟踪过程中，imm算法采用多个模型加权交互的方式对每一时刻目标状态进行描述，与单模型相比，imm算法在复杂的目标跟踪问题上具有显著性能。为了在机动目标跟踪中获得更好的性能，将imm算法和ekf、ukf和ckf等非线性滤波算法结合是目前研究的重点方向，但在使用固定转移概率矩阵时，目标的机动性会导致模型切换延迟，使得滤波精度下降。
3、基于对上述资料的检索，可以看出现有技术存在如下缺陷：
4、一、现有的目标跟踪滤波算法使用固定观测噪声，但是在复杂水下环境中，噪声统计特性难以保持稳定，在目标模型发生变化时，水下环境也会随之变化，严重影响目标状态参数估计；
5、二、在交互式多模型imm算法中，由于较强的随机性和目标的机动性，以及先验知识的不确
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，解决了上述的问题。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，具体包括以下步骤：
5、步骤一、建立水下双观测系统状态空间模型：建立双观测站系统的状态函数和观测函数，选择目标运动模型，设置各个目标运动模型初始化概率以及两个目标运动模型之间的转移概率，计算每个模型对应滤波器的输入状态和协方差；
6、步骤二、模型非线性滤波：根据当前时刻滤波器输入，进行平方根容积卡尔曼滤波，根据容积规则选取容积点传递非线性函数的均值和协方差，通过sage-husa方法在线计算噪声统计特性，通过方位信息观测函数传递预测状态，计算目标状态和协方差矩阵平方根；
7、步骤三、调整转移矩阵概率：根据每个滤波器的残差信息和残差协方差矩阵，计算每个目标运动模型的概率，根据相邻时刻目标运动模型概率变化率更新两个目标运动模型间的转移概率矩阵；
8、步骤四、状态估计和协方差估计：基于当前目标运动模型概率，对每个滤波器的估计结果加权合并，获取总的状态估计和总的协方差估计。
9、本专利技术进一步设置为：所述步骤一中的状态函数包括：
10、x(k+1)＝f·x(k)+w(k)
11、其中，x(k)＝[x0 vx y0 vy]t是目标在k时刻的位置和速度参数，w(k)是目标运动的过程噪声，假设其为均值为0，方差为q的高斯白噪声。
12、本专利技术进一步设置为：所述步骤一中的观测函数包括：
13、z(k)＝h(k)+v(k)
14、其中，z(k)是目标在k时刻的方位信息，h(k)为目标方位测量函数，v(k)为目标跟踪测量噪声，假设其为均值为0，方差为r的高斯白噪声。
15、本专利技术进一步设置为：所述步骤一中输入状态和协方差的计算方式包括：
16、假设使用n个目标运动模型，目标运动模型j的概率uj(k-1)，两个目标运动模型间转移概率为pij；
17、目标运动模型j的输入状态为：
18、
19、目标运动模型j的协方差估计为：
20、
21、其中，目标运动模型i到目标运动模型j的混合概率为：
22、
23、模型j的归一化常数为：
24、
25、本专利技术进一步设置为：所述步骤二中模型非线性滤波方式包括：
26、根据每个目标运动模型输入数据进行滤波处理，滤波器使用平方根容积卡尔曼滤波；
27、为保证滤波稳定性，传递误差协方差矩阵平方根s0＝chol(p0)t；
28、根据容积规则计算容积点：
29、
30、
31、其中：ξi表示第i个容积点，n为系统状态向量维度，[1]为单位矩阵，容积点的权重是1/2n；
32、将容积点带入非线性函数并计算状态预测和状态预测协方差矩阵sk-1；
33、sk-1＝tria([χk|k-1,sq,k-1])；
34、其中：tria(*)为矩阵正交三角分解，sq,k-1为过程噪声矩阵的平方根形式，χk|k-1为状态向量的偏差矩阵；
35、计算容积点：通过观测函数传递容积点，计算测量状态预测值
36、本专利技术进一步设置为：所述步骤二中噪声统计特性的计算方式包括：
37、
38、
39、
40、其中，rk-1为k-1时刻观测噪声矩阵，εk为k时刻残差向量，dk为渐消记忆加权系数，b为遗忘因子，设置在0.95-0.99之间。
41、本专利技术进一步设置为：所述步骤三中根据相邻时刻目标运动模型概率变化率更新两个目标运动模型间的转移概率矩阵的方式包括：
42、目标运动模型j后验概率变化率定义为：
43、δuj(k)＝uj(k)-uj(k-1)；
44、根据传递概率的非负性，目标运动模型j的变化率改写为：
45、
46、更新转移概率矩阵：
47、
48、修正转移概率矩阵应满足矩阵中元素非负，每一行所有元素和都等于1；
49、
50、修正转移概率矩阵归一化：
51、
52、其中，pij，k为根据模型概率修正的转移概率矩阵。
53、本专利技术进一步设置为：所述步骤四中总的状态估计包括：
54、
55、所述步骤四中总的协方差估计包括：
56、
57、(三)有益效果
58、本专利技术提供了一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法。具备以下有益效果：
59、(1)本专利技术通过实时调整转移概率矩阵的交互式多模型算法，在目标跟踪过程中，根据相邻时刻子模型变化率计算转移概率矩阵，使目标运动模型和实际轨迹匹配度更高，为水下目标跟踪提供更为精准的预测指引。本文档来自技高网...
【技术保护点】
1.一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，包括，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中的状态函数包括：
3.根据权利要求1所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中的观测函数包括：
4.根据权利要求1所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中输入状态和协方差的计算方式包括：
5.根据权利要求4所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤二中模型非线性滤波方式包括：
6.根据权利要求5所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤二中噪声统计特性的计算方式包括：
7.根据权利要求6所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所
8.根据权利要求7所述的一种基于Sage-Husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤四中总的状态估计包括：
...【技术特征摘要】
1.一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，包括，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中的状态函数包括：
3.根据权利要求1所述的一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中的观测函数包括：
4.根据权利要求1所述的一种基于sage-husa自适应滤波的交互式多模型水下目标跟踪方法，其特征在于：所述步骤一中输入状态和协方差的计算方式包括：
5.根据权利要求4所述的一种基于sage-...
【专利技术属性】
技术研发人员：陈名松，赵申奇，唐建勋，黄宇，庄泽文，方秋芹，
申请(专利权)人：桂林电子科技大学，
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。