CN111562737B - 一种模糊逻辑控制的改进agimm跟踪方法 - Google Patents
一种模糊逻辑控制的改进agimm跟踪方法 Download PDFInfo
- Publication number
- CN111562737B CN111562737B CN201911399933.1A CN201911399933A CN111562737B CN 111562737 B CN111562737 B CN 111562737B CN 201911399933 A CN201911399933 A CN 201911399933A CN 111562737 B CN111562737 B CN 111562737B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- probability
- formula
- max
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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):
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:
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μmax(k)和模型网络的间距为Δω,Δω计算方式如式(3)所示:
式中,ωL为左边模型的角速度、ωC为中间模型的角速度、ωR为右边模型的角速度;
μmax(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:
ωC(k+1)+μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(k) (4)
其中,P(k)为模糊匹配输出的机动检测可信度、ωC(k+1)为k+1时刻中间模型的角速度、ωL(k)为k时刻左边模型的角速度、ωC(k)为k时刻中间模型的角速度、ωR(k) 为k时刻右边模型的角速度、μL(k)为左边模型的后验概率、μC(k)为中间模型的后验概率、μR(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μmax(k)=μC(k)时:
其中λ1=max{ωC(k)-ωL(k),δ},λ2=max{ωR(k)-ωC(k),δ};ωL(k+1)为k+1时刻左边模型的角速度、ωR(k+1)为k+1时刻右边模型的角速度;
步骤5.1.2、当μmax(k)=μL(k)时:
ωR(k+1)=ωC(k+1)+λ2 (8)
步骤5.1.3、当μmax(k)=μR(k)时:
ωL(k+1)=ωC(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μmax(k)=μC(k)时,即最大后验概率为中心模型时,对比DC(k)和M,其中μmax(k)为k时刻最大的后验概率、DC(k)为k时刻中间模型的残差的范数, M为门限值;
若DC(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(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:
若DC(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:
ωC(k+1)=ωC(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:
ωL(k+1)=ωC(k+1]-γL[1-μR(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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (15)
式中γL=max{ωC(k)-ωL(k),δ},γR=max{ωR(k)-ωC(k),δ};
步骤5.2.2、当μmax(k)=μL(k)时,即最大概率为左边模型时,对比DL(k)和M:
λR=max{[ωR(k)-ωC(k)],δ};
若DL(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:
ωC(k+1)=ωL(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(k)] (17)
右边模型网格间距如式(18)所示:
ωR(k+1)=ωC(k+1)+γR (18)
步骤5.2.3、当μmax(k)=μR(k)时,即最大概率为右边模型时,对比DR(k)和M:
若DR(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
若DR(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:
ωC(k+1)=ωR(k) (19)
左边模型网格间距如式(20)所示:
ωL(k+1)=ωC(k+1)-γL (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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (21)
其中,DL(k)、DC(k)、DR(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Dj(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μmax(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):
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:
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μmax(k)和模型网络的间距为Δω,Δω计算方式如式(3)所示:
式中,ωL为左边模型的角速度、ωC为中间模型的角速度、ωR为右边模型的角速度;
μmax(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(k) (4)
其中,P(k)为模糊匹配输出的机动检测可信度、ωC(k+1)为k+1时刻中间模型的角速度、ωL(k)为k时刻左边模型的角速度、ωC(k)为k时刻中间模型的角速度、ωR(k) 为k时刻右边模型的角速度、μL(k)为左边模型的后验概率、μC(k)为中间模型的后验概率、μR(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μmax(k)=μC(k)时:
其中λ1=max{ωC(k)-ωL(k),δ},λ2=max{ωR(k)-ωC(k),δ},t1取0.05~0.15;ωL(k+1)为k+1时刻左边模型的角速度、ωR(k+1)为k+1时刻右边模型的角速度;
步骤5.1.2、当μmax(k)=μL(k)时:
ωR(k+1)=ωC(k+1)+λ2 (8)
式中,t2取值0.85~0.95;
步骤5.1.3、当μmax(k)=μR(k)时:
ωL(k+1)=ωC(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μmax(k)=μC(k)时,即最大后验概率为中心模型时,对比DC(k)和 M,其中μmax(k)为k时刻最大的后验概率、DC(k)为k时刻中间模型的残差的范数, M为门限值;
若DC(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(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:
若DC(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:
ωC(k+1)=ωC(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (15)
式中γL=max{ωC(k)-ωL(k),δ},γR=max{ωR(k)-ωC(k),δ};
步骤5.2.2、当μmax(k)=μL(k)时,即最大概率为左边模型时,对比DL(k)和M:
λR=max{[ωR(k)-ωC(k)],δ};
若DL(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:
ωC(k+1)=ωL(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(k)] (17)
右边模型网格间距如式(18)所示:
ωR(k+1)=ωC(k+1)+γR (18)
步骤5.2.3、当μmax(k)=μR(k)时,即最大概率为右边模型时,对比DR(k)和M:
若DR(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
若DR(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:
ωC(k+1)=ωR(k) (19)
左边模型网格间距如式(20)所示:
ωL(k+1)=ωC(k+1)-γL (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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (21)
其中,DL(k)、DC(k)、DR(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Dj(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:
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μmax(k)和模型网络的间距为Δω,Δω计算方式如式(3)所示:
μmax(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 μmax(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μmax(k)很小且模型网络间距Δω很大,则根据最大后验概率μmax(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(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μmax(k)=μC(k)时:
其中λ1=max{ωC(k)-ωL(k),δ},λ2=max{ωR(k)-ωC(k),δ},t1取0.1左右;
步骤5.1.2、当max(μk)=μL(k)时:
ωR(k+1)=ωC(k+1)+λ2 (8)
式中t2取0.9左右;
步骤5.1.3、当μmax(k)=μR(k)时:
ωL(k+1)=ωC(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μmax(k)=μC(k)时,即最大概率为中心模型时,对比DC(k)和M:
若DC(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(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:
若DC(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:
ωC(k+1)=ωC(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (15)
式中γL=max{ωC(k)-ωL(k),δ},γR=max{ωR(k)-ωC(k),δ};
步骤5.2.2、当μmax(k)=μL(k)时,即最大概率为左边模型时,对比DL(k)和M:
λR=max{[ωR(k)-ωC(k)],δ};
若DL(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:
ωC(k+1)=ωL(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(k)] (17)
右边模型网格间距如式(18)所示:
ωR(k+1)=ωC(k+1)+γR (18)
步骤5.2.3、当μmax(k)=μR(k)时,即最大概率为右边模型时,对比DR(k)和M:
若DR(k)>M,则认定目标发生了机动;
若DR(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:
ωC(k+1)=ωR(k) (19)
左边模型网格间距如式(20)所示:
ωL(k+1)=ωC(k+1)-γL (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:
ωR(k+1)=ωC(k+1)+γR[1-μL(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):
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。
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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(k) (4)
其中,P(k)为模糊匹配输出的机动检测可信度、ωC(k+1)为k+1时刻中间模型的角速度、ωL(k)为k时刻左边模型的角速度、ωC(k)为k时刻中间模型的角速度、ωR(k)为k时刻右边模型的角速度、μL(k)为左边模型的后验概率、μC(k)为中间模型的后验概率、μR(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μmax(k)=μC(k)时:
其中λ1=max{ωC(k)-ωL(k),δ},λ2=max{ωR(k)-ωC(k),δ};ωL(k+1)为k+1时刻左边模型的角速度、ωR(k+1)为k+1时刻右边模型的角速度;
步骤5.1.2、当μmax(k)=μL(k)时:
ωR(k+1)=ωC(k+1)+λ2 (8)
步骤5.1.3、当μmax(k)=μR(k)时:
ωL(k+1)=ωC(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μmax(k)=μC(k)时,即最大后验概率为中心模型时,对比DC(k)和M,其中μmax(k)为k时刻最大的后验概率、DC(k)为k时刻中间模型的残差的范数,M为门限值;
若DC(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:
ωC(k+1)=μL(k)ωL(k)+μC(k)ωC(k)+μR(k)ωR(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:
若DC(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:
ωC(k+1)=ωC(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (15)
式中γL=max{ωC(k)-ωL(k),δ},γR=max{ωR(k)-ωC(k),δ};
步骤5.2.2、当μmax(k)=μL(k)时,即最大概率为左边模型时,对比DL(k)和M:
λR=max{[ωR(k)-ωC(k)],δ};
若DL(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:
ωC(k+1)=ωL(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:
ωL(k+1)=ωC(k+1)-γL[1-μR(k)] (17)
右边模型网格间距如式(18)所示:
ωR(k+1)=ωC(k+1)+γR (18)
步骤5.2.3、当μmax(k)=μR(k)时,即最大概率为右边模型时,对比DR(k)和M:
若DR(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
若DR(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:
ωC(k+1)=ωR(k) (19)
左边模型网格间距如式(20)所示:
ωL(k+1)=ωC(k+1)-γL (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:
ωR(k+1)=ωC(k+1)+γR[1-μL(k)] (21)
其中,DL(k)、DC(k)、DR(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Dj(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911399933.1A CN111562737B (zh) | 2019-12-30 | 2019-12-30 | 一种模糊逻辑控制的改进agimm跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911399933.1A CN111562737B (zh) | 2019-12-30 | 2019-12-30 | 一种模糊逻辑控制的改进agimm跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562737A CN111562737A (zh) | 2020-08-21 |
CN111562737B true CN111562737B (zh) | 2022-03-11 |
Family
ID=72071363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911399933.1A Active CN111562737B (zh) | 2019-12-30 | 2019-12-30 | 一种模糊逻辑控制的改进agimm跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111562737B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114187B (zh) * | 2021-11-18 | 2022-05-17 | 中国人民解放军国防科技大学 | 网格失配情况下基于深度展开admm网络测向方法 |
CN115390560B (zh) * | 2022-08-18 | 2023-09-15 | 哈尔滨工业大学 | 一种基于混合网格多模型的地面目标轨迹跟踪方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152812A (zh) * | 2017-12-13 | 2018-06-12 | 西安电子科技大学 | 一种调整网格间距的改进agimm跟踪方法 |
-
2019
- 2019-12-30 CN CN201911399933.1A patent/CN111562737B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108152812A (zh) * | 2017-12-13 | 2018-06-12 | 西安电子科技大学 | 一种调整网格间距的改进agimm跟踪方法 |
Non-Patent Citations (2)
Title |
---|
Distributed Adaptive Grid Interacting Multiple Model Joint Probabilistic Data Association Algorithm;Xu Jianghu等;《2011 International Conference on Multimedia and Signal Processing》;20110718 * |
基于机动判别的变结构交互多模型跟踪算法;潘媚媚等;《系统工程与电子技术》;20190430;第41卷(第4期);第730-736页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111562737A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
CN108682023A (zh) | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 | |
CN105785359B (zh) | 一种多约束机动目标跟踪方法 | |
CN106199580B (zh) | 一种基于模糊推理系统的Singer模型改进算法 | |
CN111562737B (zh) | 一种模糊逻辑控制的改进agimm跟踪方法 | |
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 | |
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
CN107885232A (zh) | 一种用于多策略机动跟踪的滤波方法 | |
CN111291471B (zh) | 一种基于l1正则无迹变换的约束多模型滤波方法 | |
CN111460636A (zh) | 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法 | |
CN116125462A (zh) | 一种纯角度量测下机动目标跟踪方法 | |
CN117892223A (zh) | 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 | |
CN115685128B (zh) | 一种机动目标场景下的雷达目标跟踪算法及电子设备 | |
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 | |
CN112784506B (zh) | 一种基于变结构多模型的再入机动弹道目标跟踪算法 | |
CN114325686B (zh) | 基于smc-phd滤波器的多目标跟踪方法 | |
Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
Havangi | Intelligent FastSLAM: An intelligent factorized solution to simultaneous localization and mapping | |
Alotaibi et al. | Object Tracking Incorporating Transfer Learning into an Unscented Kalman Filter | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
Yu et al. | Neural network aided unscented kalman filter for maneuvering target tracking in distributed acoustic sensor networks | |
CN115047444B (zh) | 基于广义时变平滑层策略的多普勒雷达滤波方法及系统 | |
Du et al. | Intelligent counter guidance regulated by deep reinforced learning | |
CN113075652B (zh) | 一种高超声速飞行器三维跟踪方法 | |
CN115495707A (zh) | 一种基于模糊自适应ukf的交互多模型机动目标跟踪方法 |
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 |