CN107193009A - 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 - Google Patents
一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 Download PDFInfo
- Publication number
- CN107193009A CN107193009A CN201710365961.6A CN201710365961A CN107193009A CN 107193009 A CN107193009 A CN 107193009A CN 201710365961 A CN201710365961 A CN 201710365961A CN 107193009 A CN107193009 A CN 107193009A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- model
- target
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/66—Sonar tracking systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种模糊自适应多交互模型的多UUV协同系统水下目标跟踪算法,首先根据多UUV协同系统的纯方位目标跟踪原理,建立目标跟踪系统的离散型非线性的状态与观测方程。其次根据水下目标运动的特点,结合五种目标运动模型,依据其动力学状态转移矩阵进行分析,提出五种模型之间的耦合不等式关系,优化选择适应水下目标跟踪的运动模型集合。再次采用中间型的高斯分布函数作为隶属度函数,将模型概率作为评价每个模型获取滤波新息和对应的协方差的评价指标,设计模型转移概率的模糊推理。最后设计与实现FAIMM的算法步骤。本发明在多UUV协同系统的纯方位目标跟踪过程中,选择最少数量的目标运动集合,并通过模糊推理实现模型转移概率的自适应变化,减少模型之间的无序竞争,滤波精确更高,能够满足多UUV协同系统水下目标跟踪的需求。
Description
技术领域
本发明属于水下目标跟踪领域,具体为一种模糊自适应多交互模型的多UUV协同系统水下目标跟踪算法。
背景技术
无人水下航行器(Unmanned Underwater Vehicle,UUV)水下被动目标跟踪主要利用UUV携带的水声设备被动接受水下运动目标(潜艇)的方位信息来估计目标的距离、速度和加速度等运动特性,实现对水下目标的定位与跟踪,这种方式也被称为纯方位目标跟踪(Bearing-Only Tracking)。由于该观测方式属于被动接受目标辐射信号,具有较强的隐蔽性,往往能给水下目标出其不意的毁灭性打击。但是单站UUV由于获取水下信息受限,造成观测系统的客观性很低,不能够很好的获取水下运动目标的运动信息,而多UUV协同系统组成的纯方位目标跟踪成为研究重点。
在多UUV协同系统的纯方位目标跟踪过程中,常用跟踪算法多交互模型(Interacting Multiple Model,IMM)被认为是解决水下机动目标跟踪较好的方法之一。IMM作为一种具有马尔可夫切换系数的算法是建立在广义伪贝叶斯算法的基础上,其核心思想是设计模型集合来匹配和映射目标的不同运动状态,与对应模型的滤波器并行工作,模型间利用马尔可夫链以概率矩阵实现切换,各模型滤波器通过估计状态的组合实现交互,状态估计输出为各个滤波器的状态基于Bayes推理的融合结果。
IMM兼顾目标运动模型和滤波算法两个方面,利用马尔可夫过程描述模型间的转换,对所有滤波器的输入输出进行加权综合,能较好的解决单个机动目标跟踪问题。一般地,为了更好的覆盖水下目标运动的实际状态,选取的运动模型越多越好,但是随着模型数量的增加计算量会呈指数增长,同时还会引起多模型之间的无序竞争,反而降低了跟踪算法的跟踪精度和实时性。换句话说,IMM在UUV实际应用过程中还存在以下两个问题:(1)如何选择和优化合适的目标运动模型,(2)如何设计合适、准确的模型转换概率。
发明内容
本发明针对多UUV协同系统的纯方位目标跟踪问题,在多交互模型IMM的基础上,提出一种模糊自适应多交互模型(Fuzzy Adaptive Interacting Multiple Model,FAIMM)目标跟踪算法,主要设计目标运动模型集合(Motion Mode Set,MMS)优化选择和与模型转移概率Mode Transition Probability,MTP)的模糊推理,实现多UUV协同系统对水下目标的定位与跟踪。
本发明技术方案为:
所述一种模糊自适应多交互模型的多UUV协同系统水下目标跟踪算法,其特征在于:包括以下步骤:
步骤1:进行参数初始化,初始化参数包括模型初始概率pij(0),最大模型概率pmax,模糊推理参数cDM和σ,采样周期T,并确定目标运动模型集合中采用一个匀速模型和两个协同转弯模型;
步骤2:对于第k时刻的递推循环估计,采用以下步骤进行:
步骤2.1:输入交互:
根据公式
计算状态混合估计以及协方差混合估计其中r为目标运动模型集合中的模型个数,和pi(k-1|k-1)分别表示k-1时刻第i个模型的状态估计与状态协方差,i,j=1,2…r,μij(k-1)为k-1时刻混合概率:
为第j个模型归一化常数,pij(k-1)表示k-1时刻模型Mi转移到Mj的转移概率,μi(k-1)表示k-1时刻模型Mi的概率;
步骤2.2:条件滤波:
以步骤2.1得到的和作为k-1时刻第j个模型的输入,利用第j个模型对应的扩展卡尔曼滤波器进行条件滤波,计算滤波输出和pj(k|k);
步骤2.3:概率更新:
根据公式
计算k时刻模型j的似然函数Λj(k),其中vj(k)为模型j的滤波新息,Sj(k)为vj(k)对应的协方差;得到模型j更新后的概率为
式中
步骤2.4:根据公式
自适应推理模型转移概率pij(k),式中为隶属度函数:
和分别表示隶属度函数的中心和宽度,n表示模糊规则个数;表示第n个模糊规则对应的MTP矩阵
步骤2.5:综合输出:
根据公式
计算k时刻的总体估计和总体估计误差协方差p(k|k);
步骤3:取k=k+1,返回步骤2,直至跟踪结束。
有益效果
本发明在多UUV协同系统的纯方位目标跟踪过程中,选择最少数量的目标运动集合,并通过模糊推理实现模型转移概率的自适应变化,减少模型之间的无序竞争,滤波精确更高,能够满足多UUV协同系统水下目标跟踪的需求。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1:模糊自适应多交互模型的多UUV协同系统水下目标跟踪原理;
图2:UUV与目标之间的相对位置关系;
图3:高斯分布的隶属度函数;
图4:FAIMM框架设计;
图5:FAIMM水下目标跟踪轨迹;
图6:IMM水下目标跟踪轨迹。
具体实施方式
下面详细描述本发明的实施例,所述实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本实施例中,首先根据多UUV协同系统的纯方位目标跟踪原理,建立目标跟踪系统的离散型非线性的状态与观测方程。其次,根据水下目标运动的特点,结合匀速模型(CV),匀加速模型(CA),协同转弯模型(CT),辛格模型(SG)和“当前”统计模型(CS)等常用的五种目标运动模型,依据其动力学状态转移矩阵进行分析,提出五种模型之间的耦合不等式关系,优化选择适应水下目标跟踪的运动模型集合(Motion Mode Set,MMS)。再次,采用中间型的高斯分布函数作为隶属度函数,将模型概率作为评价每个模型获取滤波新息和对应的协方差的评价指标,设计模型转移概率Mode Transition Probability,MTP)的模糊推理。最后,设计与实现FAIMM的算法步骤,并进行实验验证分析。模糊自适应多交互模型的多UUV协同系统纯方位水下目标跟踪原理如图1所示。
1.目标跟踪原理的非线性建模
UUV观测站点利用声呐传感系统对目标进行方位观测:方位角(Azimuth Angle,β)和俯仰角(Pitch Angle,α),其中β表征目标水平方向的位置信息,α表征目标垂直方向的位置信息。具体UUV与目标之间的相对位置关系在笛卡尔坐标系中如图2所示。
由于水下目标跟踪系统中背景噪声干扰往往较大,并且目标可能会进行机动操作致使系统具有很大的随机性和非线性。因此,目标跟踪系统采用离散型非线性的状态与观测方程:
其中表示k时刻目标状态:位置xk,yk,zk和速度信息,Φ(k)表示状态转移矩阵,G(k)表示系统输入噪声矩阵,W(k)表示过程噪声;Z(k)表示观测状态,H(k)表示观测矩阵,V(k)表示观测噪声。
在图2中,Z(k)表示观测状态主要包括β(k)和α(k),其定义如:
考虑到水下目标运动具有速度慢,设定目标运动深度不变,目标深度zk为常量,则βk和αk转化为:
其中,βk和αk的测量误差是相互独立的零均值高斯白噪声V(k)=[νβ(k),να(k)],其方差矩阵表示为R=diag[λβ,λα]。
2.多交互模型(IMM)
多交互模型(IMM)是设计模型集合来匹配和映射目标的不同运动状态,与对应模型的滤波器并行工作,模型间利用马尔可夫链以概率矩阵实现切换,各模型滤波器通过估计状态的组合实现交互,状态估计输出为各个滤波器的融合结果。IMM是一个递推循环的模型,每一个递推过程主要涵盖四个步骤,具体分析如下:
Step1输入交互:有限模型集合M={M1,M2…Mr},r表示模型个数,pij表示模型Mi转移到Mj的转移概率,μi(k-1)表示k-1时刻模型Mi的概率,i,j=1,2…r,则k-1时刻混合概率μij(k-1)为:
cj为第j个模型归一化常数。
和pi(k-1|k-1)分别表示k-1时刻第i个模型对应滤波器i的状态估计与状态协方差,i,j=1,2…r,则状态与协方差的混合估计分别为:
Step2条件滤波:和作为k-1时刻第j个模型的输入,利用对应的扩展卡尔曼滤波器EKF进行条件滤波,计算滤波输出和
Step3概率更新:若模型j的滤波新息vj(k)和对应的协方差Sj(k),则在k时刻模型j的似然函数Λj(k)为:
则模型概率更新计算为:
式中,
Step4综合输出(Combination):经过以上计算,则k时刻的总体估计和总体估计误差协方差p(k|k)分别为:
3.运动模型集合MMS的优化选取
IMM模型应用于水下目标跟踪时,常用的目标运动模型有以下五种:匀速模型(CV),匀加速模型(CA),协同转弯模型(CT),辛格模型(SG)和“当前”统计模型(CS)。根据从运动学模型角度对这五种模型进行分析,给出MMS的详细优化选取过程。
CV模型用于跟踪匀速运动目标,其一维和二维状态转移矩阵分别为:
CA模型用于跟踪匀加速直线运动目标,其一维态转移矩阵分别为:
SG模型将目标加速度描述成时间相关随机过程,其一维态转移矩阵分别为:
式中,T为时间常数,1/α是一个与机动时间有关的常量,若α→∞,根据公式(14)和(15),则若α→0,根据公式(12)和(15),则可见SG模型随着加速因子α的变化在CV和CA模型之间变化,即CV和CA模型为SG的极限形式。
CS模型采用非零均值的修正瑞利分布来表征目标机动的加速度特征,其一维态转移矩阵与SG模型相同:
CT模型表示目标机动转弯过程,其二维态转移矩阵分别为:
式中,T为时间常数,w为转角角速度,若w→0,根据公式(13)和(17),则即CT退化为CV模型,可见CT模型与CV模型具有高度的耦合性。
由公式(12)~(17)综合可知,以上五个模型之间具有相似性和耦合性,根据运动学模型建立不等式关系:
CV<SG=CS≤CA<CT (18)
根据公式(18)蕴含意义可知,SG,CS和CA模型可以根据CV与CT模型的权重之和协调获得;同时,CT模型中虽然转弯方向不知,但是转弯角速度w决定的最大值一般情况下可知。因此,MMS优化选取一个CV模型和两个CT模型共三个模型可以满足水下目标的跟踪的需要,这样不仅可以减少MMS模型数量和计算资源,还可以确保跟踪效果。
4.模糊推理的时变模型转移概率设计
马尔可夫链模型转移概率MTP作为IMM模型水下目标跟踪的另一关键因素,其直接影响模型误差以及模型概率估计的准确性,因此合理地选择状态转移矩阵显得尤为重要。一般情况下,IMM模型之间的转移概率在跟踪目标时根据一定的规律性对其进行固定设置。但是,这种固定方式设置的MTP存在无用模型对有用模型的竞争,进而降低了跟踪精确度。为此,利用模糊推理设计时变模型转移概率(TVMTP)自适应调整模型概率,在MMS确定的情况下减少无用模型对目标跟踪精度的影响。由于模型概率μi(k)表示作为评价每个模型获取滤波新息vi(k-1)和对应的协方差Si(k-1)的评价指标。因此,TVMTP主要思想是将μi(k-1)作为模糊推理的输入,通过模糊规则推理自动调整MTP。
由于潜艇目标在水下目标跟踪的过程中,往往以低速进行连续机动,因此采用中间型的高斯分布函数作为隶属度函数,具体定义为:
式中,和分别表示第i隶属度函数的中心和宽度,n=0,1,2…,r表示模糊规则个数,Ai表示输入变量的模糊术语,主要分为负大(Recessive Big,RB),负中(RecessiveMedium,RM),零(Zero,ZO),正中(Dominant Medium,DM)和正大(Dominant Big,DB),其分布如图5所示。
由于模型概率μi(k-1)归一化后其和为1,因此可以直接采用模型概率作为输入,则RB和DB中心隶属函数设定为和ZO中心隶属函数设定RM和DM中心隶属函数则主要根据公式(19)进行设定:如果模型之间相似度高,则接近如果模型之间相似度低,则远离因此RM中心隶属函数则设定为cRM=(1-cDM)/(r-1),同时为了计算方便RB,RM,ZO,DM,DB的宽度设置相同
模糊规则推理计算形式建立如下:
式中,Rn表示第n个模糊规则,表示第n个模糊规则对应的MTP矩阵,其计算:
式中,pmax模型概率最大值。
则对应的模糊规则的解模糊计算:
式中,
pij(k)表示所求解的时变MTP,用其代替公式(4)~(5)中的模型转移概率进行IMM递推。
根据以上分析,则形成FAIMM流程如图4所示,具体步骤如下所示:
Step1初始化:运动模型集合MMS(1个CT模型和2个CT模型),模型初始概率pij(0),最大模型概率pmax,模糊推理参数cDM和σ,采样周期T;
Step2利用公式(6)-(7)进行输入交互,和
Step3利用扩展卡尔曼滤波器EKF进行条件滤波,输出和pj(k|k);
Step4利用(8)~(9)进行模型转移更新μj(k);
Step5利用(19)~(23)模型转移概率MTP的自适应推理pij(k);
Step6利用(10)~(11)状态估计输出和p(k|k);
Step7 k=k+1,转向Step2,直到结束。
应用上述方法,本实施例中假设9个的UUV随机静态分布在4000×7000水下空间,对敌方潜艇目标进行跟踪。设定UUV与潜艇固定航深,则水下三维空间退化为二维空间目标跟踪,潜艇状态向量为xk与yk分别表示X与Y轴位置,与分别表示X与Y轴速度,航深zk=-10,起始位置X(0|0)=[4000 5500 25 25]T,初始航向,测量噪声方差R=diag{σβ,σα}=diag{0.2,0.2}。其中目标在时间1-100s,120-130s和140-200s以25m/s速度匀速直线,在时间100-120s和130-140内分别以1.62°/s和-1.62°/s进行转弯运动。
运动模型集合MMS由一个CV模型和2个CT模型组成r=3,对应3个KF滤波器,UUV采样周期为T=2s,模型初始概率pij(0)=0.33,模型概率最大值pmax=0.98;模糊推理参数cDM=0.66,σ=0.33。
在上述设定条件下目标跟踪的轨迹如图5~6所示,同时为了验证FAIMM方法的有效性,通过与IMM方法在相同设定条件下使用MATLAB进行100次蒙特卡洛,进行统计实现根均方误差(RMSE)定量化分析如表1所示。
表1 蒙特卡洛统计分析结果
从图5和图6对比可以看出,在开始匀速阶段,FAIMM与IMM两种方法可以实现对目标的有效跟踪,但是在机动转弯过程中FAIMM能够跟踪机动过程,而IMM方法则会产生较大响应延迟,随着时间增长,产生更大误差,同时在X-Y方向位置与速度误差都低于IMM。之所以FAIMM能够实现对目标运动过程的有效跟踪得益于在保证有效且最少的运动目标集MMS,并且能够自适应调节模型概率实现了在目标运动过程的匹配,减少了目标模型之间的竞争。
总的来说,在多UUV协同系统的纯方位目标跟踪过程中,FAIMM优化选择最少数量的目标运动集合,并通过模糊推理实现模型转移概率的自适应变化,减少模型之间的无序竞争,滤波精确更高,能够满足多UUV协同系统水下目标跟踪的需求。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (1)
1.一种模糊自适应多交互模型的多UUV协同系统水下目标跟踪算法,其特征在于:
包括以下步骤:
步骤1:进行参数初始化,初始化参数包括模型初始概率pij(0),最大模型概率pmax,模糊推理参数cDM和σ,采样周期T,并确定目标运动模型集合中采用一个匀速模型和两个协同转弯模型;
步骤2:对于第k时刻的递推循环估计,采用以下步骤进行:
步骤2.1:输入交互:
根据公式
计算状态混合估计以及协方差混合估计其中r为目标运动模型集合中的模型个数,和pi(k-1|k-1)分别表示k-1时刻第i个模型的状态估计与状态协方差,i,j=1,2…r,μij(k-1)为k-1时刻混合概率:
<mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mfrac>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
为第j个模型归一化常数,pij(k-1)表示k-1时刻模型Mi转移到Mj的转移概率,μi(k-1)表示k-1时刻模型Mi的概率;
步骤2.2:条件滤波:
以步骤2.1得到的和作为k-1时刻第j个模型的输入,利用第j个模型对应的扩展卡尔曼滤波器进行条件滤波,计算滤波输出和pj(k|k);
步骤2.3:概率更新:
根据公式
<mrow>
<msub>
<mi>&Lambda;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
<mo>|</mo>
<msub>
<mi>S</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
</msqrt>
</mfrac>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msubsup>
<mi>v</mi>
<mi>j</mi>
<mi>T</mi>
</msubsup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msubsup>
<mi>S</mi>
<mi>j</mi>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<msub>
<mi>v</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
计算k时刻模型j的似然函数Λj(k),其中vj(k)为模型j的滤波新息,Sj(k)为vj(k)对应的协方差;得到模型j更新后的概率为
<mrow>
<msub>
<mi>&mu;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>c</mi>
</mfrac>
<msub>
<mi>&Lambda;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>c</mi>
<mi>j</mi>
</msub>
</mrow>
式中
步骤2.4:根据公式
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>n</mi>
</msub>
<msubsup>
<mi>p</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>n</mi>
</msub>
</mrow>
自适应推理模型转移概率pij(k),式中为隶属度函数:
<mrow>
<msub>
<mi>f</mi>
<msubsup>
<mi>A</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>c</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</mrow>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mi>n</mi>
</msubsup>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
</mrow>
和分别表示隶属度函数的中心和宽度,n表示模糊规则个数;表示第n个模糊规则对应的MTP矩阵
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mi>r</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>/</mo>
<mi>r</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&NotEqual;</mo>
<mn>0</mn>
<mo>,</mo>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤2.5:综合输出:
根据公式
计算k时刻的总体估计和总体估计误差协方差p(k|k);
步骤3:取k=k+1,返回步骤2,直至跟踪结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710365961.6A CN107193009A (zh) | 2017-05-23 | 2017-05-23 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710365961.6A CN107193009A (zh) | 2017-05-23 | 2017-05-23 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107193009A true CN107193009A (zh) | 2017-09-22 |
Family
ID=59874828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710365961.6A Pending CN107193009A (zh) | 2017-05-23 | 2017-05-23 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107193009A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109061615A (zh) * | 2018-10-26 | 2018-12-21 | 海鹰企业集团有限责任公司 | 被动声纳中非线性系统的目标运动参数估计方法及装置 |
CN109687844A (zh) * | 2018-08-17 | 2019-04-26 | 西安理工大学 | 一种智能机动目标跟踪方法 |
CN110209180A (zh) * | 2019-05-20 | 2019-09-06 | 武汉理工大学 | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 |
CN110261859A (zh) * | 2019-06-25 | 2019-09-20 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN110426671A (zh) * | 2019-07-04 | 2019-11-08 | 重庆邮电大学 | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 |
CN110516193A (zh) * | 2019-07-08 | 2019-11-29 | 杭州电子科技大学 | 笛卡尔坐标系下基于转换瑞利滤波器的机动目标跟踪方法 |
CN110618690A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN111506966A (zh) * | 2020-04-20 | 2020-08-07 | 成都飞机工业(集团)有限责任公司 | 工艺协调模型的判别方法、装置、电子设备和存储介质 |
CN111667513A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
CN111830916A (zh) * | 2020-07-02 | 2020-10-27 | 兰州大学 | 一种面向多目标追踪的群机器人分布式竞争协同方法 |
CN112462408A (zh) * | 2020-10-17 | 2021-03-09 | 中国工程物理研究院材料研究所 | 一种利用贝叶斯分析搜寻本底中弱放射源的方法 |
CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
CN113566821A (zh) * | 2021-06-28 | 2021-10-29 | 江南造船(集团)有限责任公司 | 基于交互式滤波的无人机航向估计方法、系统及电子设备 |
CN113639594A (zh) * | 2021-05-27 | 2021-11-12 | 西北工业大学 | 一种多弹协同系统的模糊关联融合方法 |
CN113804188A (zh) * | 2021-09-06 | 2021-12-17 | 浙江大学 | 一种基于随机分布节点的水下机器人导航方法 |
CN114666729A (zh) * | 2022-03-25 | 2022-06-24 | 东南大学 | 一种用于水下集群uuv协同导航定位的水声通信误差补偿方法 |
CN116383966A (zh) * | 2023-03-30 | 2023-07-04 | 中国矿业大学 | 一种基于交互多模型的多无人系统分布式协同定位方法 |
CN114666729B (zh) * | 2022-03-25 | 2024-07-12 | 东南大学 | 一种用于水下集群uuv协同导航定位的水声通信误差补偿方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566691A (zh) * | 2009-05-11 | 2009-10-28 | 华南理工大学 | 一种水下目标跟踪定位方法及系统 |
CN103091679A (zh) * | 2013-02-04 | 2013-05-08 | 中国科学院声学研究所 | 水下运动目标识别方法 |
JP2013212716A (ja) * | 2012-03-30 | 2013-10-17 | Nec Corp | 水中航走体対処法リコメンドシステム、水中航走体対処法リコメンド方法およびそのプログラム |
CN103645487A (zh) * | 2013-12-06 | 2014-03-19 | 江苏科技大学 | 水下多目标跟踪方法 |
CN103759742A (zh) * | 2014-01-22 | 2014-04-30 | 东南大学 | 基于模糊自适应控制技术的捷联惯导非线性对准方法 |
CN104008451A (zh) * | 2014-05-29 | 2014-08-27 | 西北工业大学 | 一种虚拟海洋战场三维可视化效果评估方法 |
CN104820993A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 |
CN105549004A (zh) * | 2015-12-07 | 2016-05-04 | 中国人民解放军海军航空工程学院 | 解距离测量模糊的impm-pphdf方法 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
-
2017
- 2017-05-23 CN CN201710365961.6A patent/CN107193009A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566691A (zh) * | 2009-05-11 | 2009-10-28 | 华南理工大学 | 一种水下目标跟踪定位方法及系统 |
JP2013212716A (ja) * | 2012-03-30 | 2013-10-17 | Nec Corp | 水中航走体対処法リコメンドシステム、水中航走体対処法リコメンド方法およびそのプログラム |
CN103091679A (zh) * | 2013-02-04 | 2013-05-08 | 中国科学院声学研究所 | 水下运动目标识别方法 |
CN103645487A (zh) * | 2013-12-06 | 2014-03-19 | 江苏科技大学 | 水下多目标跟踪方法 |
CN103759742A (zh) * | 2014-01-22 | 2014-04-30 | 东南大学 | 基于模糊自适应控制技术的捷联惯导非线性对准方法 |
CN104008451A (zh) * | 2014-05-29 | 2014-08-27 | 西北工业大学 | 一种虚拟海洋战场三维可视化效果评估方法 |
CN104820993A (zh) * | 2015-03-27 | 2015-08-05 | 浙江大学 | 一种联合粒子滤波和跟踪置前检测的水下弱目标跟踪方法 |
CN106154274A (zh) * | 2015-04-10 | 2016-11-23 | 中国科学院声学研究所 | 一种水下小目标多基地融合跟踪方法 |
CN105549004A (zh) * | 2015-12-07 | 2016-05-04 | 中国人民解放军海军航空工程学院 | 解距离测量模糊的impm-pphdf方法 |
CN105955268A (zh) * | 2016-05-12 | 2016-09-21 | 哈尔滨工程大学 | 一种考虑局部避碰的uuv动目标滑模跟踪控制方法 |
Non-Patent Citations (5)
Title |
---|
HYUN-SIK KIM等: "Design of Fuzzy IMM Algorithm based on Basis Sub-models and Time-varying Mode Transition Probabilities", 《INTERNATIONAL JOURNAL OF CONTROL, AUTOMATION, AND SYSTEMS》 * |
LIANG HONG-TAO等: "Tracking UUV based on interacting multiple model unscented particlefilter with multi-sensor information fusion", 《OPTIK》 * |
任建存等: "基于一致性的多UUV协同目标跟踪算法", 《舰船电子工程》 * |
杨艳成: "基于交互式多模型的机动目标跟踪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王伟等: "多点测试的多模型机动目标跟踪算法", 《自动化学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618690A (zh) * | 2018-06-20 | 2019-12-27 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN110618690B (zh) * | 2018-06-20 | 2022-06-07 | 陕西师范大学 | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 |
CN109687844A (zh) * | 2018-08-17 | 2019-04-26 | 西安理工大学 | 一种智能机动目标跟踪方法 |
CN109061615A (zh) * | 2018-10-26 | 2018-12-21 | 海鹰企业集团有限责任公司 | 被动声纳中非线性系统的目标运动参数估计方法及装置 |
CN110209180B (zh) * | 2019-05-20 | 2022-03-01 | 武汉理工大学 | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 |
CN110209180A (zh) * | 2019-05-20 | 2019-09-06 | 武汉理工大学 | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 |
CN110261859A (zh) * | 2019-06-25 | 2019-09-20 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110261859B (zh) * | 2019-06-25 | 2023-10-31 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110426671A (zh) * | 2019-07-04 | 2019-11-08 | 重庆邮电大学 | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 |
CN110426671B (zh) * | 2019-07-04 | 2023-05-12 | 重庆邮电大学 | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 |
CN110516193B (zh) * | 2019-07-08 | 2023-03-21 | 杭州电子科技大学 | 笛卡尔坐标系下基于转换瑞利滤波器的机动目标跟踪方法 |
CN110516193A (zh) * | 2019-07-08 | 2019-11-29 | 杭州电子科技大学 | 笛卡尔坐标系下基于转换瑞利滤波器的机动目标跟踪方法 |
CN110349188A (zh) * | 2019-07-18 | 2019-10-18 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN110349188B (zh) * | 2019-07-18 | 2023-10-27 | 深圳大学 | 基于tsk模糊模型的多目标跟踪方法、装置及存储介质 |
CN111506966A (zh) * | 2020-04-20 | 2020-08-07 | 成都飞机工业(集团)有限责任公司 | 工艺协调模型的判别方法、装置、电子设备和存储介质 |
CN111506966B (zh) * | 2020-04-20 | 2024-03-22 | 成都飞机工业(集团)有限责任公司 | 工艺协调模型的判别方法、装置、电子设备和存储介质 |
CN111667513A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
CN111667513B (zh) * | 2020-06-01 | 2022-02-18 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
CN111830916A (zh) * | 2020-07-02 | 2020-10-27 | 兰州大学 | 一种面向多目标追踪的群机器人分布式竞争协同方法 |
CN112462408B (zh) * | 2020-10-17 | 2022-04-29 | 中国工程物理研究院材料研究所 | 一种利用贝叶斯分析搜寻本底中弱放射源的方法 |
CN112462408A (zh) * | 2020-10-17 | 2021-03-09 | 中国工程物理研究院材料研究所 | 一种利用贝叶斯分析搜寻本底中弱放射源的方法 |
CN112925319A (zh) * | 2021-01-25 | 2021-06-08 | 哈尔滨工程大学 | 一种基于深度强化学习的水下自主航行器动态避障方法 |
CN113639594A (zh) * | 2021-05-27 | 2021-11-12 | 西北工业大学 | 一种多弹协同系统的模糊关联融合方法 |
CN113566821A (zh) * | 2021-06-28 | 2021-10-29 | 江南造船(集团)有限责任公司 | 基于交互式滤波的无人机航向估计方法、系统及电子设备 |
CN113804188A (zh) * | 2021-09-06 | 2021-12-17 | 浙江大学 | 一种基于随机分布节点的水下机器人导航方法 |
CN113804188B (zh) * | 2021-09-06 | 2024-02-09 | 浙江大学 | 一种基于随机分布节点的水下机器人导航方法 |
CN114666729A (zh) * | 2022-03-25 | 2022-06-24 | 东南大学 | 一种用于水下集群uuv协同导航定位的水声通信误差补偿方法 |
CN114666729B (zh) * | 2022-03-25 | 2024-07-12 | 东南大学 | 一种用于水下集群uuv协同导航定位的水声通信误差补偿方法 |
CN116383966A (zh) * | 2023-03-30 | 2023-07-04 | 中国矿业大学 | 一种基于交互多模型的多无人系统分布式协同定位方法 |
CN116383966B (zh) * | 2023-03-30 | 2023-11-21 | 中国矿业大学 | 一种基于交互多模型的多无人系统分布式协同定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193009A (zh) | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 | |
CN107192995A (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
CN104297748B (zh) | 一种基于轨迹增强的雷达目标检测前跟踪方法 | |
CN106873628A (zh) | 一种多无人机跟踪多机动目标的协同路径规划方法 | |
CN102568004A (zh) | 一种高机动目标跟踪算法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN101661104A (zh) | 基于雷达/红外量测数据坐标转换的目标跟踪方法 | |
Wang et al. | Target localization and tracking based on improved Bayesian enhanced least-squares algorithm in wireless sensor networks | |
CN101477623A (zh) | 基于模糊推理的交互式多模型方法 | |
CN106526559A (zh) | 一种基于bcd‑vsmm机动目标无源协同定位方法 | |
CN110516193B (zh) | 笛卡尔坐标系下基于转换瑞利滤波器的机动目标跟踪方法 | |
CN106199580A (zh) | 一种基于模糊推理系统的Singer模型改进算法 | |
CN108152812B (zh) | 一种调整网格间距的改进agimm跟踪方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN114679729A (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
Wang et al. | Improving particle filter with a new sampling strategy | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
Garapati Vaishnavi et al. | Underwater bearings-only tracking using particle filter | |
CN114200439A (zh) | 一种基于多普勒盲区的多模式空域目标跟踪方法 | |
Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
CN111948601A (zh) | 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法 | |
Zhang et al. | The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |