CN109325128B - 一种机动目标的跟踪方法及系统 - Google Patents

一种机动目标的跟踪方法及系统 Download PDF

Info

Publication number
CN109325128B
CN109325128B CN201811463208.1A CN201811463208A CN109325128B CN 109325128 B CN109325128 B CN 109325128B CN 201811463208 A CN201811463208 A CN 201811463208A CN 109325128 B CN109325128 B CN 109325128B
Authority
CN
China
Prior art keywords
fuzzy
model
target
calculating
function
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.)
Active
Application number
CN201811463208.1A
Other languages
English (en)
Other versions
CN109325128A (zh
Inventor
李良群
谢维信
刘宗香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunshan Ruixiang Xuntong Communication Technology Co Ltd
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201811463208.1A priority Critical patent/CN109325128B/zh
Publication of CN109325128A publication Critical patent/CN109325128A/zh
Application granted granted Critical
Publication of CN109325128B publication Critical patent/CN109325128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种机动目标的跟踪方法及系统，用于机动目标跟踪，解决了现有技术中对机动目标的准确估计上，估计结果与实际情况之间仍存在较大误差的问题，其包括：基于T‑S模糊语义模型估计模糊线性模型的状态预测值；估计模糊线性模型的估计目标状态值计算每个模糊模型的预测观测值；计算每个模糊模型的模型模糊隶属度；计算目标的观测新息及航向角误差；将观测新息及航向角误差融入T‑S模糊模型后更新前件参数；计算前件参数的前件参数模糊隶属度；计算每个线性模型的模型权值；计算目标的目标状态值，并计算目标的目标协方差；估计机动目标的运动轨迹；从而降低了估计结果与实际情况之间的误差。

Description

一种机动目标的跟踪方法及系统
技术领域
本发明涉及目标跟踪技术领域，尤其涉及一种机动目标的跟踪方法及系统。
背景技术
T-S(全称为Takagi Sugeno)模型是Takagi和Sugeno提出的一种模糊推理模型，它能够以简单的方式引入能够关键性决定运动模型的模糊语义信息，并且这个模型可以逼近任意形状的非线性系统。
当前研究的机动目标跟踪算法大多是基于概率统计模型，这很难满足系统性能的需求。扩展卡尔曼滤波器(EKF)使用泰勒公式线性化测量和状态模型去近似当前的状态估计，卡尔曼滤波(KF)算法的迭代仍然得到应用。可是当目标做强机动时，EKF的性能下降地非常迅速，且算法还会发散。
针对上述问题，Julier和Uhlmann提出了无迹卡尔曼滤波(UKF)算法，UKF算法在二价泰勒展开时，通过迭代地传播一些精确的sigma点来获取后验均值和协方差，但是根据UKF算法进行研究的成果依然很难满足实际应用对非线性非高斯系统状态估计所提出的鲁棒性和准确性的要求，因此在对机动目标的准确估计上，估计结果与实际情况之间仍存在较大误差。
发明内容
本发明的主要目的在于提供一种机动目标的跟踪方法及系统，旨在解决现有技术中对机动目标的准确估计上，估计结果与实际情况之间仍存在较大误差的技术问题。
为实现上述目的，本发明第一方面提供一种机动目标的跟踪方法，包括：基于T-S模糊语义模型估计模糊线性模型的状态预测值；根据所述状态预测值估计模糊线性模型的估计目标状态值；根据观测模型及所述估计目标状态值计算每个模糊模型的预测观测值；根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度；根据离散动态系统的模糊语义模型计算目标的观测新息及航向角误差；将观测新息及航向角误差融入T-S模糊模型后更新前件参数；根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；根据所述前件参数的模糊隶属度组成的模糊集及离散动态系统计算每个线性模型的模型权值；根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；根据目标状态值及目标协方差估计机动目标的运动轨迹。
进一步地，所述根据所述状态预测值估计模糊线性模型的估计目标状态值包括：引入最小二乘估计器；引入目标的目标速度和时间间隔作为最小二乘估计器内的遗忘因子；根据所述遗忘因子及最小二乘估计器建立修正的扩展遗忘因子最小二乘估计器，并根据修正的扩展遗忘因子最小二乘估计器及所述状态预测值计算模糊线性模型的估计目标状态值。
进一步地，所述根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度包括：设定交叉熵；根据交叉熵设定模糊交叉熵；设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数；根据所述回归聚类函数及所述观测数据集计算每个模糊模型的模糊隶属度。
进一步地，所述根据交叉熵设定模糊交叉熵包括：设定高斯函数为交叉熵的核函数；设定在小样本情况下，交叉熵的样本均值估计函数；根据所述样本均值估计函数及模糊信息处理理论，定义模糊交叉熵。
进一步地，所述设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数包括：根据观测数据集及模糊模型的输出设定核模糊C回归模型聚类的目标函数；设定目标函数的加权指数，并设定核空间距离函数；简化所述模糊交叉熵，并定义修正目标函数；将修正目标函数带入核空间距离函数，得到模糊隶属度函数，根据模糊隶属度函数计算每个模糊模型的模型模糊隶属度。
进一步地，所述将观测新息及航向角误差融入T-S模糊模型后更新前件参数包括：分别采用三个固定粒度的模糊集描述新息及航向角误差；使用高斯隶属函数表示所述固定粒度的模糊集；根据所述高斯隶属函数定义的前件参数更新T-S模糊模型，得到修改T-S模糊模型；根据修改T-S模糊模型及所述模型模糊隶属度更新前件参数。
进一步地，所述T-S模糊模型的设定方法包括：设定离散非线性动态系统的非线性函数；使用模糊线性模型表示所述非线性函数；根据所述模糊线性模型得出全局模糊模型；设定钟型隶属函数为模糊隶属度函数，并根据所述钟型隶属度函数计算所述全局模糊模型内模型的模糊隶属度。
本发明第二方面提供了一种机动目标的跟踪系统，包括：状态预测值模块，用于基于T-S模糊语义模型估计模糊线性模型的状态预测值；目标状态值模块，用于根据所述状态预测值估计模糊线性模型的估计目标状态值；预测观测值模块，用于根据观测模型及所述估计目标状态值计算每个模糊模型的预测观测值；模型模糊隶属度模块，用于根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度；参数模块，用于根据离散动态系统的模糊语义模型计算目标的观测新息及航向角误差；更新前件参数模块，用于将观测新息及航向角误差融入T-S模糊模型后更新前件参数；前件参数模糊隶属度模块，用于根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；模型权值模块，用于根据所述前件参数模糊隶属度组成的模糊集及离散动态系统计算每个线性模型的模型权值；目标协方差模块，用于根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；运动轨迹估计模块，用于根据目标状态值及目标协方差估计机动目标的运动轨迹。
本发明第三方面提供了一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现上述中的任意一项所述方法。
本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述中的任意一项所述方法。
本发明提供一种机动目标的跟踪方法及系统，有益效果在于：通过计算每个模糊模型的预测观测值，并将观测新息及航向角误差融入T-S模糊模型，能够更新前件参数，从而对目标的前件参数能够更加准确地辨识，使得后续的计算能够得到更加精准的前件参数，从而提高了最终计算结果的准确性，使得对机动目标的运动轨迹的预测更加精准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例机动目标的跟踪方法的流程示意框图；
图2为本发明实施例电子装置的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，为一种机动目标的跟踪方法，包括：S1、基于T-S模糊语义模型估计模糊线性模型的状态预测值；S2、根据状态预测值估计模糊线性模型的估计目标状态值；S3、根据观测模型及估计目标状态值计算每个模糊模型的预测观测值；S4、根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度；S5、根据离散动态系统的模糊语义模型计算目标的观测新息及航向角误差；S6、将观测新息及航向角误差融入T-S模糊模型后更新前件参数；S7、根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；S8、根据前件参数模糊隶属度组成的模糊集及离散动态系统计算每个线性模型的模型权值；S9、根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；S10、根据目标状态值及目标协方差估计机动目标的运动轨迹。
T-S模糊模型的设定方法包括：设定离散非线性动态系统的非线性函数；使用模糊线性模型表示非线性函数；根据模糊线性模型得出全局模糊模型；设定钟型隶属函数为模糊隶属度函数，并根据钟型隶属度函数计算全局模糊模型内模型的模糊隶属度。
具体地，设定公式1及公式2表示离散非线性动态系统，公式1表示如下：
xk＝f(xk-1)+ek-1
公式2表示如下：
zk＝h(xk)+vk
在公式1及公式2中，xk∈Rn表示k时刻n维状态矢量，zk∈Rm表示m维观测矢量，f(xk-1)和h(xk)表示合适的非线性函数。ek-1表示均值为0协方差为
Figure BDA0001889055630000051
的过程噪声，vk表示均值为0协方差为
Figure BDA0001889055630000052
的观测噪声。
在本领域中，T-S模糊模型认为任何非线性系统可以用如公式3中的M个模糊线性模型表示，公式3表示如下：
Figure BDA0001889055630000053
Figure BDA0001889055630000054
其中，θk表示规则的前件变量，
Figure BDA0001889055630000055
表示前件变量对应的模糊隶属函，
Figure BDA0001889055630000056
和
Figure BDA0001889055630000057
分别表示状态转移矩阵和观测矩阵；从公式3可以看出，M模糊模型都是线性时不变模型；于是，全局模糊模型可以如公式4及公式5所示，公式4表示如下：
Figure BDA0001889055630000058
公式5表示如下：
Figure BDA0001889055630000061
在公式4及公式5中，
Figure BDA0001889055630000062
表示xk属于第i个线性模型的模糊隶属度，可以通过公式6计算，公式6表示如下：
Figure BDA0001889055630000063
在公式6中，
Figure BDA0001889055630000064
Figure BDA0001889055630000065
表示变量
Figure BDA0001889055630000066
属于模型集Fk i的隶属度，且
Figure BDA0001889055630000067
模糊隶属函数
Figure BDA0001889055630000068
采用如公式7所示的钟型隶属函数，公式7表示如下：
Figure BDA0001889055630000069
在公式7中，
Figure BDA00018890556300000610
和
Figure BDA00018890556300000611
分别表示第i个规则第j个隶属度函数的均值和标准差，从而通过公式7计算前件参数模糊隶属度
Figure BDA00018890556300000612
根据公式3可设定每个模型在k-1时刻的状态为
Figure BDA00018890556300000613
则k-1时刻的预测状态
Figure BDA00018890556300000614
可用公式8表示，公式8表示如下：
Figure BDA00018890556300000615
根据状态预测值估计模糊线性模型的估计目标状态值包括：引入最小二乘估计器；引入目标的目标速度和时间间隔作为最小二乘估计器内的遗忘因子；根据遗忘因子及最小二乘估计器建立修正的扩展遗忘因子最小二乘估计器，并根据修正的扩展遗忘因子最小二乘估计器及状态预测值计算模糊线性模型的估计目标状态值。
为了提高表示T-S模糊模型的后件参数的准确性，在引入最小二乘估计器的基础上，引入目标的速度v与时间间隔作为遗忘因子λ；在通常情况下，当前观测信息越精确，或历史数据包含的信息越少时，遗忘因子λ越小，反之遗忘因子越大，因此可以得知，在速度v越大或时间间隔越大的情况下，遗忘因子λ越小，反之遗忘因子越大，因此得到修正的扩展遗忘因子最小二乘估计器如公式9至公式12所示：
公式9表示如下：
Figure BDA0001889055630000071
公式10表示如下：
Figure BDA0001889055630000072
公式11表示如下：
Figure BDA0001889055630000073
公式12表示如下：
Figure BDA0001889055630000074
在公式9至公式12中，
Figure BDA0001889055630000075
表示k时刻模型i的状态估计值，
Figure BDA0001889055630000076
表示k时刻模型i的状态协方差，wi,k-1表示表示k-1时刻模型i的权值，记做模型权值，其他变量与公式3相同。
根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度包括：设定交叉熵；根据交叉熵设定模糊交叉熵；设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数；根据回归聚类函数及观测数据集计算每个模糊模型的模糊隶属度。
根据交叉熵设定模糊交叉熵包括：设定高斯函数为交叉熵的核函数；设定在小样本情况下，交叉熵的样本均值估计函数；根据样本均值估计函数及模糊信息处理理论，定义模糊交叉熵；根据模糊交叉熵辨识T-S模糊模型的前件参数。
交叉熵表示任意两个随机变量之间的广义相似测度，定义为公式13，公式13表示如下：
Vσ(X,Y)＝E[κσ(X,Y)]＝∫κσ(X,Y)dFXY(x,y)
在公式13中，FXY(x,y)随机变量X和Y的联合分布函数，E表示数学期望，κσ(X,Y)表示移不变Merer核。在本实施例中，选择高斯核函数作为交叉熵的核函数，则κσ(X,Y)表示如公式14，公式14表示如下：
Figure BDA0001889055630000081
在公式14中，σ表示核尺寸；X和Y的联合分布函数未知。在小样本情况，交叉熵的样本均值估计定义如公式15，公式15表示如下：
Figure BDA0001889055630000082
在公式15中，N表示数据对(xi,yi)的个数。从上式交叉熵的定义可以看出，对于所有样本都具有相同的权值1/N。而在实际中，不同样本对于状态估计的作用应该是不竟相同的，及不同样本应该具有不同的权值。对此，基于模糊信息处理理论，定义模糊交叉熵如公式16，公式16表示如下：
Figure BDA0001889055630000083
在公式16中，m为加权指数，μi表示变量xi和yi之间的模糊隶属度，且满足公式17，公式17表示如下：
Figure BDA0001889055630000084
从公式11可知，当m等于0时，模糊交叉熵就退化成普通交叉熵。
设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数包括：根据观测数据集及模糊模型的输出设定核模糊C回归模型聚类的目标函数；设定目标函数的加权指数，并设定核空间距离函数；简化模糊交叉熵，并定义修正目标函数，且根据修正目标函数辨识T-S模糊模型的后件参数；将修正目标函数带入核空间距离函数，并根据前件参数及后件参数得到模糊隶属度函数，根据模糊隶属度函数计算每个模糊模型的模型模糊隶属度。
设定在k时刻，总共接收到N个观测数据集
Figure BDA0001889055630000085
同时又M个模糊输出
Figure BDA0001889055630000086
聚类的目标就是将数据集Zk分成M类，并优化出观测与线性模型输出之间的隶属度矩阵U＝[uij]M×N。uij表示观测
Figure BDA0001889055630000099
输入第i类的模糊隶属度。则核模糊C回归模型聚类的目标函数可以定义如公式18及公式19，公式18表示如下：
Figure BDA0001889055630000091
公式19表示如下：
Figure BDA0001889055630000092
在公式18及公式19中，m∈[1,∞]为加权指数，设为m＝2，Dij表示观测
Figure BDA0001889055630000093
和模糊模型输出
Figure BDA0001889055630000094
之间的相异性测度，这里，Dij定义为核空间距离，且Dij的具体表示如公式20，公式20表示如下：
Figure BDA0001889055630000095
在公式20中，φ表示原始特征空间到高维特征空间的任意非线性映射，K(·)表示Mercer核函数，如果K(·)选用高斯核函数，则公式16化简为公式21，公式21表示如下：
Figure BDA0001889055630000096
而为了引入模糊交叉熵，定义公式22为修正目标函数Lk，公式22表示如下：
Lk＝VF,σ-β·J
在公式22中，β为拉格朗日乘子矢量，联合公式11及公式14，得到公式23，公式23表示如下：
Figure BDA0001889055630000097
为了计算出uij，对uij求一阶导数并令其等于0，可得公式24，公式24表示如下：
Figure BDA0001889055630000098
更进一步可得公式25，公式25表示如下：
Figure BDA0001889055630000101
使用公式21代替公式15中的uij，并化简得到公式26，公式26表示如下：
Figure BDA0001889055630000102
将公式22代入公式21，得到模糊隶属度uij为公式27，公式27表示如下：
Figure BDA0001889055630000103
将观测新息及航向角误差融入T-S模糊模型后更新前件参数包括：分别采用三个固定粒度的模糊集描述新息及航向角误差；使用高斯隶属函数表示固定粒度的模糊集；根据高斯隶属函数定义的前件参数更新T-S模糊模型，得到修改T-S模糊模型；根据修改T-S模糊模型及模型模糊隶属度更新前件参数。
根据公式3，在机动目标跟踪中，选择观测新息Δvk和航向角误差
Figure BDA0001889055630000104
作为T-S模糊模型的前件变量。假设k时刻的观测zk，
Figure BDA0001889055630000105
表示k-1时刻的目标状态，则Δvk和
Figure BDA0001889055630000106
可以分别定义如公式28及公式29，公式28表示如下：
Figure BDA0001889055630000107
公式29表示如下：
Figure BDA0001889055630000108
其中，
Figure BDA0001889055630000109
如公式30所示，公式30表示如下：
Figure BDA00018890556300001010
在公式29至公式30中，Δvk表示观测的新息，
Figure BDA00018890556300001011
表示航向角误差，
Figure BDA00018890556300001012
表示k时刻的目标航向角，
Figure BDA00018890556300001013
表示k时刻的预测观测，
Figure BDA00018890556300001014
和
Figure BDA00018890556300001015
分别表示目标状态向量
Figure BDA00018890556300001016
中的x分量和y分量。
而为了将上述信息融入T-S模糊模型中，采用几个固定粒度的模糊集分别描述新息和航向角误差；在T-S模糊模型中，新息变量Δvk利用三个语言值Small(S),Medium(M),and Large(L))描述，分别表示为
Figure BDA0001889055630000111
和
Figure BDA0001889055630000112
航向角误差
Figure BDA0001889055630000113
使用三个语言值Negative Large(NL),Small(S)和Positive Large(PL)描述，分别表示为
Figure BDA0001889055630000114
和
Figure BDA0001889055630000115
同时也假设都采用高斯隶属函数来表示上述模糊集，则可以设定公式31及公式32，公式31表示如下：
Figure BDA0001889055630000116
公式32表示如下：
Figure BDA0001889055630000117
在公式31及公式32中，
Figure BDA0001889055630000118
和
Figure BDA0001889055630000119
分别表示k时刻新息第j个语言值的均值和方差，
Figure BDA00018890556300001110
和
Figure BDA00018890556300001111
分别表示k时刻航向角误差第j个语言值的均值和方差。
则根据上述设定的前件变量，公式3中的T-S模糊模型修改如下：
Figure BDA00018890556300001112
Figure BDA00018890556300001113
其中，M表示规则数，
Figure BDA00018890556300001114
和
Figure BDA00018890556300001115
分别表示状态转移矩阵和观测矩阵，ωi表示目标转弯率。
在机动目标中，需要时刻对公式29和公式30中的参数进行更新，根据公式23聚类得到的模糊隶属度ui,k，前件变量的参数可以如公式33至公式36进行更新，公式33表示如下：
Figure BDA00018890556300001116
公式34表示如下：
Figure BDA00018890556300001117
公式35表示如下：
Figure BDA0001889055630000121
公式36表示如下：
Figure BDA0001889055630000122
根据上述的计算，可以得到目标状态值
Figure BDA0001889055630000123
及目标协方差Pk，目标状态值
Figure BDA0001889055630000124
如公式37所示，目标协方差Pk如公式38所示，公式37表示如下：
Figure BDA0001889055630000125
公式38表示如下：
Figure BDA0001889055630000126
最后根据目标状态值
Figure BDA0001889055630000127
及目标协方差Pk估计机动目标的运动轨迹。
本申请实施例提供一种机动目标的跟踪系统，包括：状态预测值模块，用于基于T-S模糊语义模型估计模糊线性模型的状态预测值；目标状态值模块，用于根据状态预测值估计模糊线性模型的估计目标状态值；预测观测值模块，用于根据观测模型及估计目标状态值计算每个模糊模型的预测观测值；模型模糊隶属度模块，用于根据预测观测值组成的观测数据集计算每个模糊模型的模型模糊隶属度；参数模块，用于根据离散动态系统的模糊语义模型计算目标的观测新息及航向角误差；更新前件参数模块，用于将观测新息及航向角误差融入T-S模糊模型后更新前件参数；前件参数模糊隶属度模块，用于根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；模型权值模块，用于根据前件参数的模糊隶属度组成的模糊集及离散动态系统计算每个线性模型的模型权值；目标协方差模块，用于根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；运动轨迹估计模块，用于根据目标状态值及目标协方差估计机动目标的运动轨迹。
本申请实施例提供一种电子装置，请参阅2，该电子装置包括：存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序，处理器602执行该计算机程序时，实现前述实施例中描述的机动目标的跟踪方法。
进一步的，该电子装置还包括：至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604，通过总线605连接。
其中，输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM，Random Access Memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器601用于存储一组可执行程序代码，处理器602与存储器601耦合。
进一步的，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子装置中，该计算机可读存储介质可以是前述实施例中的存储器601。该计算机可读存储介质上存储有计算机程序，该程序被处理器602执行时实现前述方法实施例中描述的机动目标的跟踪方法。
进一步的，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM，Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种机动目标的跟踪方法及系统的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种机动目标的跟踪方法，其特征在于，包括：
基于T-S模糊语义模型估计每个模糊线性模型的状态预测值；
根据所述状态预测值估计模糊线性模型的估计目标状态值；
根据观测模型及所述估计目标状态值计算每个模糊线性模型的预测观测值；
根据预测观测值组成的观测数据集计算每个模糊线性模型的模糊隶属度；
根据离散动态系统的模糊语义模型计算目标的观测信息及航向角误差；
将观测信息及航向角误差融入T-S模糊语义模型后更新前件参数；
根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；
根据所述前件参数模糊隶属度组成的模糊集及离散动态系统计算每个模糊线性模型的模型权值；
根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；
根据目标状态值及目标协方差估计机动目标的运动轨迹；
其中，所述根据预测观测值组成的观测数据集计算每个模糊模型的模糊隶属度包括:设定交叉熵，根据交叉熵设定模糊交叉熵，设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数，根据所述回归聚类函数及所述观测数据集计算每个模糊线性模型的模糊隶属度；
其中，所述根据交叉熵设定模糊交叉熵包括：
设定高斯函数为交叉熵的核函数，
设定在小样本情况下，交叉熵的样本均值估计函数，
根据所述样本均值估计函数及模糊信息处理理论，定义模糊交叉熵，
根据模糊交叉熵辨识T-S模糊语义模型的前件参数。
2.根据权利要求1所述的机动目标的跟踪方法，其特征在于，
所述根据所述状态预测值估计模糊线性模型的估计目标状态值包括：
引入最小二乘估计器；
引入目标的目标速度和时间间隔作为最小二乘估计器内的遗忘因子；
根据所述遗忘因子及最小二乘估计器建立修正的扩展遗忘因子最小二乘估计器，并根据修正的扩展遗忘因子最小二乘估计器及所述状态预测值计算模糊线性模型的估计目标状态值。
3.根据权利要求1所述的机动目标的跟踪方法，其特征在于，
所述设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数包括：
根据观测数据集及模糊线性模型的输出设定核模糊C回归聚类函数；
设定目标函数的加权指数，并设定核空间距离函数。
4.根据权利要求1所述的机动目标的跟踪方法，其特征在于，
所述将观测信息及航向角误差融入T-S模糊语义模型后更新前件参数包括：
分别采用三个固定粒度的模糊集表示观测信息及航向角误差；
使用高斯隶属函数表示所述固定粒度的模糊集；
根据所述高斯隶属函数定义的前件参数更新T-S模糊语义模型，得到修改T-S模糊语义模型；
根据修改T-S模糊语义模型及所述模型模糊隶属度更新前件参数。
5.根据权利要求1所述的机动目标的跟踪方法，其特征在于，
所述T-S模糊语义模型的设定方法包括：
设定离散非线性动态系统的非线性函数；
使用模糊线性模型表示所述非线性函数；
根据所述模糊线性模型得出全局模糊线性模型；
设定钟型隶属度函数为模糊隶属度函数，并根据所述钟型隶属度函数计算所述全局模糊线性模型内模型的模糊隶属度。
6.一种利用如权利要求1-5任意一项所述方法的机动目标的跟踪系统，其特征在于，包括：
状态预测值模块，用于基于T-S模糊语义模型估计每个模糊线性模型的状态预测值；
目标状态值模块，用于根据所述状态预测值估计模糊线性模型的估计目标状态值；
预测观测值模块，用于根据观测模型及所述估计目标状态值计算每个模糊线性模型的预测观测值；
模型模糊隶属度模块，用于根据预测观测值组成的观测数据集计算每个模糊线性模型的模糊隶属度包括：设定交叉熵，根据交叉熵设定模糊交叉熵，设定基于模糊交叉熵的核模糊C回归模型聚类的回归聚类函数，根据所述回归聚类函数及所述观测数据集计算每个模糊线性模型的模糊隶属度，其中所述根据交叉熵设定模糊交叉熵包括：
设定高斯函数为交叉熵的核函数，
设定在小样本情况下，交叉熵的样本均值估计函数，
根据所述样本均值估计函数及模糊信息处理理论，定义模糊交叉熵，
根据模糊交叉熵辨识T-S模糊语义模型的前件参数；
参数模块，用于根据离散动态系统的模糊语义模型计算目标的观测信息及航向角误差；
更新前件参数模块，用于将观测信息及航向角误差融入T-S模糊语义模型后更新前件参数；
前件参数模糊隶属度模块，用于根据模型模糊隶属度计算前件参数的前件参数模糊隶属度；
模型权值模块，用于根据所述前件参数的模糊隶属度组成的模糊集及离散动态系统计算每个模糊线性模型的模型权值；
目标协方差模块，用于根据模型权值计算目标的目标状态值，并根据目标状态值及模型权值计算目标的目标协方差；
运动轨迹估计模块，用于根据目标状态值及目标协方差估计机动目标的运动轨迹。
7.一种电子装置，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至5中的任意一项所述方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至5中的任意一项所述方法。
CN201811463208.1A 2018-12-03 2018-12-03 一种机动目标的跟踪方法及系统 Active CN109325128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811463208.1A CN109325128B (zh) 2018-12-03 2018-12-03 一种机动目标的跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811463208.1A CN109325128B (zh) 2018-12-03 2018-12-03 一种机动目标的跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN109325128A CN109325128A (zh) 2019-02-12
CN109325128B true CN109325128B (zh) 2021-06-08

Family

ID=65256149

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811463208.1A Active CN109325128B (zh) 2018-12-03 2018-12-03 一种机动目标的跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN109325128B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109990786B (zh) * 2019-02-28 2020-10-13 深圳大学 机动目标跟踪方法及装置
WO2020223889A1 (zh) * 2019-05-07 2020-11-12 深圳大学 模糊模型粒子滤波方法、装置、设备及存储介质
CN110187638A (zh) * 2019-06-12 2019-08-30 南宁学院 一种大时滞模糊控制方法
CN110347971B (zh) * 2019-07-18 2023-04-07 深圳大学 基于tsk模糊模型的粒子滤波方法、装置及存储介质
CN112288768B (zh) * 2020-09-27 2024-07-26 绍兴文理学院 一种结肠镜图像序列肠息肉区域的跟踪初始化决策系统
CN113077492A (zh) * 2021-04-26 2021-07-06 北京华捷艾米科技有限公司 位置跟踪方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN109325128A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109325128B (zh) 一种机动目标的跟踪方法及系统
CN109990786B (zh) 机动目标跟踪方法及装置
CN110347971B (zh) 基于tsk模糊模型的粒子滤波方法、装置及存储介质
CN109190023B (zh) 协同推荐的方法、装置及终端设备
Zhu et al. A variational Bayesian approach to robust sensor fusion based on Student-t distribution
Onken et al. Discretize-optimize vs. optimize-discretize for time-series regression and continuous normalizing flows
CN110111367B (zh) 用于目标跟踪的模型粒子滤波方法、装置、设备及存储介质
CN109558594B (zh) 交互式t-s模糊语义模型估计方法、系统和计算机可读存储介质
Yu et al. Density-preserving hierarchical EM algorithm: Simplifying Gaussian mixture models for approximate inference
Govea Incremental learning for motion prediction of pedestrians and vehicles
Li et al. A novel recursive TS fuzzy semantic modeling approach for discrete state-space systems
Zhao et al. Fast exact computation of expected hypervolume improvement
CN114445449A (zh) 基于变结构t-s模糊语义模型的目标跟踪方法及相关装置
Fan et al. Entropy‐based variational Bayes learning framework for data clustering
CN113452349A (zh) 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法
Hyttinen et al. Binary independent component analysis: a non-stationarity-based approach
Du et al. A novel locally regularized automatic construction method for RBF neural models
WO2020113353A1 (zh) 一种机动目标的跟踪方法及系统
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
Liu et al. A three-stage method for batch-based incremental nonnegative matrix factorization
Lan et al. Variational nonlinear Kalman filtering with unknown process noise covariance
Malmström et al. Uncertainty quantification in neural network classifiers—A local linear approach
CN113534127A (zh) 一种多目标数据关联方法、装置及计算机可读存储介质
Wang et al. Fuzzy interacting multiple model H∞ particle filter algorithm based on current statistical model
Yang et al. Application of particle filter algorithm based on Gaussian clustering in dynamic target tracking

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210721

Address after: 215300 no.1689-5 Zizhu Road, Yushan Town, Kunshan City, Suzhou City, Jiangsu Province

Patentee after: KUNSHAN RUIXIANG XUNTONG COMMUNICATION TECHNOLOGY Co.,Ltd.

Address before: 518060 No. 3688 Nanhai Road, Shenzhen, Guangdong, Nanshan District

Patentee before: SHENZHEN University

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 215300 Room 009, No. 55, Shengchuang Road, Yushan Town, Kunshan, Suzhou, Jiangsu Province

Patentee after: KUNSHAN RUIXIANG XUNTONG COMMUNICATION TECHNOLOGY Co.,Ltd.

Country or region after: China

Address before: 215300 no.1689-5 Zizhu Road, Yushan Town, Kunshan City, Suzhou City, Jiangsu Province

Patentee before: KUNSHAN RUIXIANG XUNTONG COMMUNICATION TECHNOLOGY Co.,Ltd.

Country or region before: China