CN111562737B - 一种模糊逻辑控制的改进agimm跟踪方法 - Google Patents

Abstract

本发明公开了一种模糊逻辑控制的改进AGIMM跟踪方法。该方法为：建立系统的量测方程，获取目标的相关参数：通过侦察设备测量目标与观测站径向距离、目标相对观测站的俯仰角、方位角，建立系统的量测方程；输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差；对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新；计算机动检测的可信度信息：确定模糊输入变量：最大后验概率和模型网络的间距为，采用中位数法进行解模糊化，得到机动检测的具体可信度；根据机动检测的可信度进行网络模型调整；输出状态估计和协方差估计结果，得到AGIMM跟踪结果。本发明提高了目标跟踪的模型收敛速度和目标跟踪精度。

Description

一种模糊逻辑控制的改进AGIMM跟踪方法

技术领域

本发明涉及目标跟踪技术领域，特别是一种模糊逻辑控制的改进AGIMM跟踪方法。

背景技术

随着信号处理技术研究的日益深入和成熟，目标跟踪在导弹防御、战场监视、港口避碰、交通管制、车辆导航和机器视觉等许多军事和民用领域都扮演着重要的角色，而目标模型的选择又是上述技术中不可或缺的重要组成部分。目前卡尔曼滤波方法、扩展卡尔曼滤波(extended kalman filter，EKF)方法和无迹卡尔曼滤波(unsented kalman filter，UKF)方法等经典的跟踪方法只适用于用单一数学模型描述的目标机动形式，在实际应用中，由于目标具有多阶段机动特性且机动参数很难获得，因此传统的单模型方法很难完整地描述目标的机动特性。为了解决该问题，一种具有Markov切换系数的交互式多模型(interacting multiple model，IMM)方法应运而生，并在目标跟踪领域得到了广泛应用和发展。

但是IMM方法的跟踪性能在很大程度上依赖所选取的模型集，为了提高方法的跟踪精度，就要使模型尽可能的覆盖目标运动的全过程，但较多的模型不但会增加计算量而且可能产生模型竞争使方法跟踪效果下降。为了解决这个问题，变结构交互多模型方法(variable structure interacting multiple model，VSIMM)被提出，基于协同转弯(coordinate turn，CT)模型的自适应网格交互多模型(adaptive grid interactingmultiple model，AGIMM)方法是VSIMM方法的一种，AGIMM方法克服了传统IMM方法运用协同转弯模型(Coordinate Turn,CT)时必须知道真实转弯率这一难点，因此 AGIMM方法可以用较少的运动模型完成对机动形式复杂目标的有效跟踪，目前以协同转弯模型为基础模型集的AGIMM方法已经发展成为最有效的跟踪方法之一。

但目前AGIMM系列算法仍存在下列问题：一是AGIMM算法在其网格结构调整时过多的依赖上一时刻的网格模型，导致在目标不进行机动的阶段算法的模型集收敛较慢；二是目前机动检测的方式非常依赖模型的后验概率和单个模型的残差信息，由于目标机动、存在观测误差和模型不准确等原因，目标的真实运动模式不总出现在最接近最大模型概率对应的模型处，因此容易产生错误的机动检测结果。

发明内容

本发明的目的在于提供一种模型的收敛速度快、跟踪精度高的模糊逻辑控制的改进AGIMM跟踪方法。

实现本发明目的的技术解决方案为：一种模糊逻辑控制的改进AGIMM跟踪方法，包括以下步骤：

步骤1、建立系统的量测方程，获取目标的相关参数；

步骤2、输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差；

步骤3、对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新；

步骤4、计算机动检测的可信度信息；

步骤5、根据机动检测的可信度进行网络模型调整；

步骤6、输出状态估计和协方差估计结果，得到AGIMM跟踪结果。

进一步地，步骤1所述的建立系统的量测方程，获取目标的相关参数，具体如下：

通过侦察设备测量目标与观测站径向距离r、目标相对观测站的俯仰角β、方位角α，建立系统的量测方程：

Z(k+1)＝H[X(k+1)，k+1]+V(k+1) (1)

其中Z(k+1)为k+1时刻系统的量测向量、H是量测矩阵、X(k+1)是k+1时刻系统的状态向量、V是量测噪声；

H[X(k+1)，k+1]＝[r(k+1) α(k+1) β(k+1)]^T，；

其中，雷达对目标的量测信息为目标到雷达的径向距离r，目标相对于雷达的方位角r和俯仰角β；x(k+1)、y(k+1)、z(k+1)则分别表示目标在k+1时刻的x、y、 z轴坐标；

式中V(k+1)为量测噪声，其协方差矩阵为R(k+1)：

其中，

分别表示径向距离、方位角和俯仰角的量测噪声方差。

进一步地，步骤2所述的输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差，具体如下：

由目标的状态估计

和步骤1中三个滤波器的模型概率μ_j(k-1)，得到当前循环的初始状态

和协方差

进一步地，步骤3所述的对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新，具体如下：

步骤3.1、对包括左边模型、中间模型、右边模型的三个CT模型分别进行扩展卡尔曼滤波，得到每个模型的残差信息；

步骤3.2、对三个CT模型分别进行模型概率更新，得到三个模型对应的后验概率。

进一步地，步骤4所述的计算机动检测的可信度信息，具体如下：

步骤4.1、确定模糊输入变量：最大后验概率μ_max(k)和模型网络的间距为Δω，Δω计算方式如式(3)所示：

式中，ω_L为左边模型的角速度、ω_C为中间模型的角速度、ω_R为右边模型的角速度；

μ_max(k)属于模糊集{小，中，大}；Δω属于模糊集{很小，小，中，大}，模糊控制器的推理过程采用Takagi-Sugeno模型；

步骤4.2、采用中位数法进行解模糊化，得到机动检测的具体可信度。

进一步地，步骤5所述的根据机动检测的具体可信度进行网络模型调整，具体如下：

步骤5.1、设定一个阈值T，若P(k)≤T，则根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)+μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (4)

其中，P(k)为模糊匹配输出的机动检测可信度、ω_C(k+1)为k+1时刻中间模型的角速度、ω_L(k)为k时刻左边模型的角速度、ω_C(k)为k时刻中间模型的角速度、ω_R(k) 为k时刻右边模型的角速度、μ_L(k)为左边模型的后验概率、μ_C(k)为中间模型的后验概率、μ_R(k)为右边模型的后验概率；

根据后验概率μ(k)，模型探测阈值t₁、t₂和最小网格间距δ调整左边模型和右边模型，其中t₁∈[0,1]、t₂∈[0,1]：

步骤5.1.1、当最大后验概率μ_max(k)＝μ_C(k)时：

其中λ₁＝max{ω_C(k)-ω_L(k),δ}，λ₂＝max{ω_R(k)-ω_C(k),δ}；ω_L(k+1)为k+1时刻左边模型的角速度、ω_R(k+1)为k+1时刻右边模型的角速度；

步骤5.1.2、当μ_max(k)＝μ_L(k)时：

ω_R(k+1)＝ω_C(k+1)+λ₂ (8)

步骤5.1.3、当μ_max(k)＝μ_R(k)时：

ω_L(k+1)＝ω_C(k+1)-λ₂ (10)

步骤5.2、若P(k)>T，则将机动检测信息加入模型调整过程，加快模型收敛速度：

步骤5.2.1、当μ_max(k)＝μ_C(k)时，即最大后验概率为中心模型时，对比D_C(k)和M，其中μ_max(k)为k时刻最大的后验概率、D_C(k)为k时刻中间模型的残差的范数， M为门限值；

若D_C(k)＞M，则认定目标进行了机动，根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (11)

在调整左右两边的模型时加入目标的机动信息，如式(12)所示：

其中

若D_C(k)≤M，则认定目标不发生机动，充分相信后验概率μ(k)，加快模型集的收敛速度，如式(13)所示：

ω_C(k+1)＝ω_C(k) (13)

调整左右两边的模型时，依据各自模型对应的后验概率值的大小，在原有网格间距的基础上，若左边模型概率小则减小左边探测区域，反之增加左边探测区域，如式 (14)所示：

ω_L(k+1)＝ω_C(k+1]-γ_L[1-μ_R(k)] (14)

若右边模型概率小则减小网格右边探测区域，反之增加右边探测区域，如式(15)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (15)

式中γ_L＝max{ω_C(k)-ω_L(k),δ}，γ_R＝max{ω_R(k)-ω_C(k),δ}；

步骤5.2.2、当μ_max(k)＝μ_L(k)时，即最大概率为左边模型时，对比D_L(k)和M：

若D_L(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_R＝max{[ω_R(k)-ω_C(k)],δ}；

若D_L(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(16)所示：

ω_C(k+1)＝ω_L(k) (16)

调整左边的模型时，在原有网格间距的基础上，若左边模型后验概率大则增加左边探测区域，反之减小左边探测区域，如式(17)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (17)

右边模型网格间距如式(18)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R (18)

步骤5.2.3、当μ_max(k)＝μ_R(k)时，即最大概率为右边模型时，对比D_R(k)和M：

若D_R(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_L＝max{[ω_C(k)-ω_L(k)],δ}，

若D_R(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(19)所示：

ω_C(k+1)＝ω_R(k) (19)

左边模型网格间距如式(20)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L (20)

计算右边模型时，在原有网格间距的基础上，若右边模型后验概率大则增加右边探测区域，反之减小右边探测区域，如式(21)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (21)

其中，D_L(k)、D_C(k)、D_R(k)均为服从量测维数值的χ²分布，根据χ²分布性质设置门限值M，若D_j(k)＞M则目标发生机动，反之目标不发生机动，目标发生机动的典型概率值取0.01时，M取7，目标发生机动的典型概率值取0.1时，M取3。

进一步地，步骤6所述的输出状态估计和协方差估计结果，得到AGIMM跟踪结果，具体如下：

基于模型概率，对包括左边模型、中间模型、右边模型的三个CT模型的估计结果加权合并，得到状态估计X(k|k)和协方差估计P(k|k)结果，并输出状态估计 X(k|k)和协方差估计P(k|k)结果。

本发明与现有技术相比，其显著优点在于：(1)通过模糊逻辑方法对单模型机动检测可信度进行检测，并利用机动检测可信度信息调整网络结构，不受观测误差、模型竞争和模型不准确等因素的影响；(2)通过目标的机动信息和模型的后验概率重新调整模型网格结构，具有更快的模型收敛速度和更高的目标跟踪精度。

附图说明

图1是本发明一种模糊逻辑控制的改进AGIMM跟踪方法的流程示意图。

图2是本发明实施例中输入变量的隶属度函数曲线图，其中(a)为μ_max(k)对应的隶属度函数图，(b)为Δω的隶属度函数曲线图。

图3是本发明实施例中输出变量的隶属度函数曲线图。

图4是本发明实施例中模型的角速度变化曲线图。

具体实施方式

本发明模糊逻辑控制的改进AGIMM跟踪方法，包括以下步骤：

步骤1、建立系统的量测方程，获取目标的相关参数；

步骤2、输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差；

步骤3、对协同转弯(coordinate turn，CT)模型分别进行扩展卡尔曼滤波和概率更新；

步骤4、计算机动检测的可信度信息；

步骤5、根据机动检测的可信度进行网络模型调整；

步骤6、输出状态估计和协方差估计结果，得到AGIMM跟踪结果。

进一步，步骤1所述的建立系统的量测方程，获取目标的相关参数，具体如下：

通过侦察设备测量目标与观测站径向距离r、目标相对观测站的俯仰角β、方位角α，建立系统的量测方程：

Z(k+1)＝H[X(k+1)，k+1]+V(k+1) (1)

其中Z(k+1)为k+1时刻系统的量测向量、H是量测矩阵、X(k+1)是k+1时刻系统的状态向量、V是量测噪声；

H[X(k+1)，k+1]＝[r(k+1) α(k+1) β(k+1)]^T，；

其中，雷达对目标的量测信息为目标到雷达的径向距离r，目标相对于雷达的方位角r和俯仰角β；x(k+1)、y(k+1)、z(k+1)则分别表示目标在k+1时刻的x、y、 z轴坐标；

式中V(k+1)为量测噪声，其协方差矩阵为R(k+1)：

其中，

分别表示径向距离、方位角和俯仰角的量测噪声方差。

进一步，步骤2所述的输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差，具体如下：

由目标的状态估计

和步骤1中三个滤波器的模型概率μ_j(k-1)，得到当前循环的初始状态

和协方差

进一步，步骤3所述的对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新，具体如下：

步骤3.1、对包括左边模型、中间模型、右边模型的三个CT模型分别进行扩展卡尔曼滤波，得到每个模型的残差信息；

步骤3.2、对三个CT模型分别进行模型概率更新，得到各模型对应的后验概率。

进一步，步骤4所述的计算机动检测的可信度信息，具体如下：

步骤4.1、确定模糊输入变量：最大后验概率μ_max(k)和模型网络的间距为Δω，Δω计算方式如式(3)所示：

式中，ω_L为左边模型的角速度、ω_C为中间模型的角速度、ω_R为右边模型的角速度；

μ_max(k)属于模糊集{小，中，大}；Δω属于模糊集{很小，小，中，大}，模糊控制器的推理过程采用Takagi-Sugeno模型；

步骤4.2、采用中位数法进行解模糊化，得到机动检测的具体可信度。

进一步，步骤5所述的根据机动检测的具体可信度进行网络模型调整，具体如下：

步骤5.1、设定一个阈值T，若P(k)≤T，则根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (4)

其中，P(k)为模糊匹配输出的机动检测可信度、ω_C(k+1)为k+1时刻中间模型的角速度、ω_L(k)为k时刻左边模型的角速度、ω_C(k)为k时刻中间模型的角速度、ω_R(k) 为k时刻右边模型的角速度、μ_L(k)为左边模型的后验概率、μ_C(k)为中间模型的后验概率、μ_R(k)为右边模型的后验概率；

根据后验概率μ(k)，模型探测阈值t₁、t₂和最小网格间距δ调整左边模型和右边模型，其中t₁∈[0,1]、t₂∈[0,1]：

步骤5.1.1、当最大后验概率μ_max(k)＝μ_C(k)时：

其中λ₁＝max{ω_C(k)-ω_L(k),δ}，λ₂＝max{ω_R(k)-ω_C(k),δ}，t₁取0.05～0.15；ω_L(k+1)为k+1时刻左边模型的角速度、ω_R(k+1)为k+1时刻右边模型的角速度；

步骤5.1.2、当μ_max(k)＝μ_L(k)时：

ω_R(k+1)＝ω_C(k+1)+λ₂ (8)

式中，t₂取值0.85～0.95；

步骤5.1.3、当μ_max(k)＝μ_R(k)时：

ω_L(k+1)＝ω_C(k+1)-λ₂ (10)

步骤5.2、若P(k)>T，则将机动检测信息加入模型调整过程，加快模型收敛速度：

步骤5.2.1、当μ_max(k)＝μ_C(k)时，即最大后验概率为中心模型时，对比D_C(k)和 M，其中μ_max(k)为k时刻最大的后验概率、D_C(k)为k时刻中间模型的残差的范数， M为门限值；

若D_C(k)＞M，则认定目标进行了机动，根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (11)

在调整左右两边的模型时加入目标的机动信息，如式(12)所示：

其中

若D_C(k)≤M，则认定目标不发生机动，充分相信后验概率μ(k)，加快模型集的收敛速度，如式(13)所示：

ω_C(k+1)＝ω_C(k) (13)

调整左右两边的模型时，依据各自模型对应的后验概率值的大小，在原有网格间距的基础上，若左边模型概率小则减小左边探测区域，反之增加左边探测区域，如式 (14)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (14)

若右边模型概率小则减小网格右边探测区域，反之增加右边探测区域，如式(15)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (15)

式中γ_L＝max{ω_C(k)-ω_L(k),δ}，γ_R＝max{ω_R(k)-ω_C(k),δ}；

步骤5.2.2、当μ_max(k)＝μ_L(k)时，即最大概率为左边模型时，对比D_L(k)和M：

若D_L(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_R＝max{[ω_R(k)-ω_C(k)],δ}；

若D_L(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(16)所示：

ω_C(k+1)＝ω_L(k) (16)

调整左边的模型时，在原有网格间距的基础上，若左边模型后验概率大则增加左边探测区域，反之减小左边探测区域，如式(17)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (17)

右边模型网格间距如式(18)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R (18)

步骤5.2.3、当μ_max(k)＝μ_R(k)时，即最大概率为右边模型时，对比D_R(k)和M：

若D_R(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_L＝max{[ω_C(k)-ω_L(k)],δ}，

若D_R(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(19)所示：

ω_C(k+1)＝ω_R(k) (19)

左边模型网格间距如式(20)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L (20)

计算右边模型时，在原有网格间距的基础上，若右边模型后验概率大则增加右边探测区域，反之减小右边探测区域，如式(21)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (21)

其中，D_L(k)、D_C(k)、D_R(k)均为服从量测维数值的χ²分布，根据χ²分布性质设置门限值M，若D_j(k)＞M则目标发生机动，反之目标不发生机动，目标发生机动的典型概率值取0.01时，M取7，目标发生机动的典型概率值取0.1时，M取3。

进一步，步骤6所述的输出状态估计和协方差估计结果，得到AGIMM跟踪结果，具体如下：

基于模型概率，对三个CT模型滤波器的估计结果加权合并，得到状态估计 X(k|k)和协方差估计P(k|k)结果，并输出状态估计X(k|k)和协方差估计P(k|k) 结果。

下面结合附图及具体实施例对本发明作进一步详细说明。

实施例

结合图1，本发明一种模糊逻辑控制的改进AGIMM跟踪方法，包括以下步骤：

步骤1、建立系统的量测方程，获取目标的相关参数，具体如下：

通过侦察设备测量目标与观测站径向距离r、目标相对观测站的俯仰角β、方位角α，建立系统的量测方程：

Z(k+1)＝H[X(k+1)，k+1]+V(k+1) (1)

其中H[X(k+1)，k+1]＝[r(k+1) α(k+1) β(k+1)]^T；

式中V(k+1)为量测噪声，其协方差矩阵为：

步骤2、输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差，结合图2(a)～(b)、图3，具体如下：

由目标的状态估计

和步骤1中三个滤波器的模型概率μ_j(k-1)，得到当前循环的初始状态

和协方差

步骤3、对模型分别进行扩展卡尔曼滤波和概率更新，具体如下：

步骤3.1、对三个模型分别进行扩展卡尔曼滤波，得到每个模型的残差信息；

步骤3.2、对三个模型分别进行模型概率更新，得到三个模型对应的后验概率。

步骤4、计算机动检测的可信度信息，结合表1本实施例中系统模糊控制的控制规则，具体如下：

表1系统模糊控制的控制规则

步骤4.1、确定模糊输入变量：最大后验概率μ_max(k)和模型网络的间距为Δω，Δω计算方式如式(3)所示：

μ_max(k)属于模糊集{小，中，大}；Δω属于模糊集{很小，小，中，大}，模糊控制器的推理过程采用Takagi-Sugeno模型，具体表述为：

If μ_max(k)is A and d is B,then P(k)is C，k＝1,2,…,l

步骤4.2、根据输入输出变量的含义可以到如下结论:若最大后验概率μ_max(k)很小且模型网络间距Δω很大，则根据最大后验概率μ_max(k)对应模型的残差信息得到的机动判决结果的可信度很小，P(k)可以视为0；在对模糊控制器的输出进行解模糊化时，采用中位数法进行解模糊化，得到机动检测的具体可信度。

步骤5、根据机动检测的具体可信度进行网络模型调整，结合图4，具体如下：

步骤5.1、设定一个阈值T，若P(k)≤T，说明机动检测信息的可信度较低，此时根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (4)

根据后验概率t₁、模型探测阈值t₂和最小网格间距δ调整左边模型和右边模型，其中t₁∈[0,1]、t₂∈[0,1]：

步骤5.1.1、当μ_max(k)＝μ_C(k)时：

其中λ₁＝max{ω_C(k)-ω_L(k),δ}，λ₂＝max{ω_R(k)-ω_C(k),δ}，t₁取0.1左右；

步骤5.1.2、当max(μ_k)＝μ_L(k)时：

ω_R(k+1)＝ω_C(k+1)+λ₂ (8)

式中t₂取0.9左右；

步骤5.1.3、当μ_max(k)＝μ_R(k)时：

ω_L(k+1)＝ω_C(k+1)-λ₂ (10)

步骤5.2、若P(k)>T，说明机动检测信息的可信度较高，此时将机动检测信息加入模型调整过程，加快模型收敛速度：

步骤5.2.1、当μ_max(k)＝μ_C(k)时，即最大概率为中心模型时，对比D_C(k)和M：

若D_C(k)＞M，则认定目标进行了机动，根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (11)

在调整左右两边的模型时加入目标的机动信息，若模型残差值大，说明目标进行了较强的机动，则增加网格探测范围，若模型残差值小则减小网格探测范围，如式(12) 所示：

其中

若D_C(k)≤M，则认定目标不发生机动，目标的运动较稳定，所以此时充分相信后验概率μ(k)，加快模型集的收敛速度，如式(13)所示：

ω_C(k+1)＝ω_C(k) (13)

调整左右两边的模型时，依据各自模型对应的后验概率值的大小，在原有网格间距的基础上，若左边模型概率小则减小左边探测区域，反之增加左边探测区域，如式 (14)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (14)

若右边模型概率小则减小网格右边探测区域，反之增加右边探测区域，如式(15)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (15)

式中γ_L＝max{ω_C(k)-ω_L(k),δ}，γ_R＝max{ω_R(k)-ω_C(k),δ}；

步骤5.2.2、当μ_max(k)＝μ_L(k)时，即最大概率为左边模型时，对比D_L(k)和M：

若D_L(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_R＝max{[ω_R(k)-ω_C(k)],δ}；

若D_L(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(16)所示：

ω_C(k+1)＝ω_L(k) (16)

调整左边的模型时，在原有网格间距的基础上，若左边模型后验概率大则增加左边探测区域，反之减小左边探测区域，如式(17)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (17)

右边模型网格间距如式(18)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R (18)

步骤5.2.3、当μ_max(k)＝μ_R(k)时，即最大概率为右边模型时，对比D_R(k)和M：

若D_R(k)＞M，则认定目标发生了机动；

根据式(11)和式(12)调整模型结构，此时式(12)中λ_L＝max{[ω_C(k)-ω_L(k)],δ}，

若D_R(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(19)所示：

ω_C(k+1)＝ω_R(k) (19)

左边模型网格间距如式(20)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L (20)

计算右边模型时，在原有网格间距的基础上，若右边模型后验概率大则增加右边探测区域，反之减小右边探测区域，如式(21)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (21)

步骤6、输出状态估计和协方差估计结果，具体如下：

基于模型概率，对包括左边模型、中间模型、右边模型的三个滤波器的估计结果加权合并，得到状态估计X(k|k)和协方差估计P(k|k)结果，并输出状态估计 X(k|k)和协方差估计P(k|k)结果。

综上所述，本发明针对AGIMM方法网格模型收敛速度慢和机动检测方法过于依赖单个模型后验概率的问题，提出了FLMD-AGIMM方法，通过模糊逻辑方法对单模型机动检测可信度进行检测并利用机动检测可信度信息调整网络结构，不受观测误差、模型竞争和模型不准确等因素的影响；通过目标的机动信息和模型的后验概率重新调整模型网格结构，解决了AGIMM方法网格模型收敛速度慢的问题，具有更快的模型收敛速度和更高的目标跟踪精度。

Claims (7)

1.一种模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，包括以下步骤：

步骤1、建立系统的量测方程，获取目标的相关参数；

步骤2、输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差；

步骤3、对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新；

步骤4、计算机动检测的可信度信息；

步骤5、根据机动检测的可信度进行网络模型调整；

步骤6、输出状态估计和协方差估计结果，得到AGIMM跟踪结果。

2.根据权利要求1所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤1所述的建立系统的量测方程，获取目标的相关参数，具体如下：

通过侦察设备测量目标与观测站径向距离r、目标相对观测站的俯仰角β、方位角α，建立系统的量测方程：

Z(k+1)＝H[X(k+1)，k+1]+V(k+1) (1)

其中Z(k+1)为k+1时刻系统的量测向量、H是量测矩阵、X(k+1)是k+1时刻系统的状态向量、V(k+1)是k+1时刻量测噪声；

其中，雷达对目标的量测信息为目标到雷达的径向距离r，目标相对于雷达的方位角r和俯仰角β；x(k+1)、y(k+1)、z(k+1)则分别表示目标在k+1时刻的x、y、z轴坐标；

V(k+1)的协方差矩阵为R(k+1)：

其中，

分别表示径向距离、方位角和俯仰角的量测噪声方差。

3.根据权利要求2所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤2所述的输入目标的状态估计和模型概率，得到当前循环的初始状态和协方差，具体如下：

由目标的状态估计

和步骤1中三个滤波器的模型概率μ_j(k-1)，得到当前循环的初始状态

和协方差

4.根据权利要求1所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤3所述的对协同转弯即CT模型分别进行扩展卡尔曼滤波和概率更新，具体如下：

步骤3.1、对包括左边模型、中间模型、右边模型的三个CT模型分别进行扩展卡尔曼滤波，得到每个模型的残差信息；

步骤3.2、对三个CT模型分别进行模型概率更新，得到三个模型对应的后验概率。

5.根据权利要求4所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤4所述的计算机动检测的可信度信息，具体如下：

步骤4.1、确定模糊输入变量：最大后验概率μ_max(k)和模型网络的间距为Δω，Δω计算方式如式(3)所示：

式中，ω_L为左边模型的角速度、ω_C为中间模型的角速度、ω_R为右边模型的角速度；

μ_max(k)属于模糊集{小，中，大}；Δω属于模糊集{很小，小，中，大}，模糊控制器的推理过程采用Takagi-Sugeno模型；

步骤4.2、采用中位数法进行解模糊化，得到机动检测的可信度信息。

6.根据权利要求5所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤5所述的根据机动检测的可信度进行网络模型调整，具体如下：

步骤5.1、设定一个阈值T，若P(k)≤T，则根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (4)

其中，P(k)为模糊匹配输出的机动检测可信度、ω_C(k+1)为k+1时刻中间模型的角速度、ω_L(k)为k时刻左边模型的角速度、ω_C(k)为k时刻中间模型的角速度、ω_R(k)为k时刻右边模型的角速度、μ_L(k)为左边模型的后验概率、μ_C(k)为中间模型的后验概率、μ_R(k)为右边模型的后验概率；

根据后验概率μ(k)，模型探测阈值t₁、t₂和最小网格间距δ调整左边模型和右边模型，其中t₁∈[0,1]、t₂∈[0,1]：

步骤5.1.1、当最大后验概率μ_max(k)＝μ_C(k)时：

其中λ₁＝max{ω_C(k)-ω_L(k),δ}，λ₂＝max{ω_R(k)-ω_C(k),δ}；ω_L(k+1)为k+1时刻左边模型的角速度、ω_R(k+1)为k+1时刻右边模型的角速度；

步骤5.1.2、当μ_max(k)＝μ_L(k)时：

ω_R(k+1)＝ω_C(k+1)+λ₂ (8)

步骤5.1.3、当μ_max(k)＝μ_R(k)时：

ω_L(k+1)＝ω_C(k+1)-λ₂ (10)

步骤5.2、若P(k)>T，则将机动检测信息加入模型调整过程，加快模型收敛速度：

步骤5.2.1、当μ_max(k)＝μ_C(k)时，即最大后验概率为中心模型时，对比D_C(k)和M，其中μ_max(k)为k时刻最大的后验概率、D_C(k)为k时刻中间模型的残差的范数，M为门限值；

若D_C(k)＞M，则认定目标进行了机动，根据后验概率μ(k)在原网格模型的基础上调整网格中心：

ω_C(k+1)＝μ_L(k)ω_L(k)+μ_C(k)ω_C(k)+μ_R(k)ω_R(k) (11)

在调整左右两边的模型时加入目标的机动信息，如式(12)所示：

其中

若D_C(k)≤M，则认定目标不发生机动，充分相信后验概率μ(k)，加快模型集的收敛速度，如式(13)所示：

ω_C(k+1)＝ω_C(k) (13)

调整左右两边的模型时，依据各自模型对应的后验概率值的大小，在原有网格间距的基础上，若左边模型概率小则减小左边探测区域，反之增加左边探测区域，如式(14)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (14)

若右边模型概率小则减小网格右边探测区域，反之增加右边探测区域，如式(15)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (15)

式中γ_L＝max{ω_C(k)-ω_L(k),δ}，γ_R＝max{ω_R(k)-ω_C(k),δ}；

步骤5.2.2、当μ_max(k)＝μ_L(k)时，即最大概率为左边模型时，对比D_L(k)和M：

若D_L(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_R＝max{[ω_R(k)-ω_C(k)],δ}；

若D_L(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(16)所示：

ω_C(k+1)＝ω_L(k) (16)

调整左边的模型时，在原有网格间距的基础上，若左边模型后验概率大则增加左边探测区域，反之减小左边探测区域，如式(17)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L[1-μ_R(k)] (17)

右边模型网格间距如式(18)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R (18)

步骤5.2.3、当μ_max(k)＝μ_R(k)时，即最大概率为右边模型时，对比D_R(k)和M：

若D_R(k)＞M，则认定目标发生了机动，根据式(11)和式(12)调整模型结构，此时式(12)中

λ_L＝max{[ω_C(k)-ω_L(k)],δ}，

若D_R(k)≤M，则认定目标不发生机动，根据后验概率重新调整模型中心点，如式(19)所示：

ω_C(k+1)＝ω_R(k) (19)

左边模型网格间距如式(20)所示：

ω_L(k+1)＝ω_C(k+1)-γ_L (20)

计算右边模型时，在原有网格间距的基础上，若右边模型后验概率大则增加右边探测区域，反之减小右边探测区域，如式(21)所示：

ω_R(k+1)＝ω_C(k+1)+γ_R[1-μ_L(k)] (21)

其中，D_L(k)、D_C(k)、D_R(k)均为服从量测维数值的χ²分布，根据χ²分布性质设置门限值M，若D_j(k)＞M则目标发生机动，反之目标不发生机动，目标发生机动的典型概率值取0.01时，M取7，目标发生机动的典型概率值取0.1时，M取3。

7.根据权利要求4所述的模糊逻辑控制的改进AGIMM跟踪方法，其特征在于，步骤6所述的输出状态估计和协方差估计结果，得到AGIMM跟踪结果，具体如下：

基于模型概率，对包括左边模型、中间模型、右边模型的三个CT模型的估计结果加权合并，得到状态估计X(k|k)和协方差估计P(k|k)结果，并输出状态估计X(k|k)和协方差估计P(k|k)结果。

Images