APP下载

一种采用自适应测角噪声的交互多模型跟踪方法

2014-02-01杨清山

电讯技术 2014年11期
关键词:实验方法模型

杨清山,王 杰,彭 海

(电子信息控制重点实验室,成都 610036)

1 引 言

在对运动目标的无源跟踪过程中,仅利用角度对目标进行定位和跟踪,本质上是一个非线性估计问题[1]。针对测量值与目标状态之间的这种非线性关系,研究者们提出了扩展卡尔曼滤波(Extended Kalman Filter,EKF)[2]、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)[3]、转换瑞利滤波器(Shifted Rayleigh Filter,SRF)[4]等非线性滤波方法。其中,EKF方法对滤波初值敏感,UKF方法对数值计算误差敏感,都容易引起滤波器的不稳定甚至发散。与EKF和UKF相比,SRF方法具有跟踪精度方面的优势,并且计算量也较小,然而该方法只能处理采样数据恒等间隔、测角误差已知的情况。实际上,采用电子支援措施(ESM)对辐射源目标信号进行侦收时,数据率通常不稳定,并且传感器的角度测量误差和变化趋势也难以准确获得,这导致原始的SRF方法难以在工程项目中推广和应用。

考虑到SRF所需的测角误差先验信息通常不能准确获得,并且测量误差随时间的变化也会引起跟踪模型与实际模型之间的失配,因此很难通过单个固定测量噪声水平的模型进行跟踪。基于此,本文提出一种基于交互式多模型转换瑞利滤波器的航迹优化滤波方法,通过采用多个不同测量噪声水平的模型集进行并行滤波处理,并对滤波结果进行自适应加权融合,以实现对运动目标的有效跟踪。

2 基于SRF的非等间隔滤波模型

文献[5]中提出了一种基于SRF的非等间隔轨迹滤波模型。滤波系统的状态方程和测量方程分别为

X(k)=FX(k-1)+W(k-1)

(1)

B(k)=Π[HX(k)+V(k)]

(2)

式中,X(k)为k时刻的系统状态;……

登录APP查看全文

猜你喜欢

实验方法模型
一半模型
记一次有趣的实验
重尾非线性自回归模型自加权M-估计的渐近分布
做个怪怪长实验
3D打印中的模型分割与打包
NO与NO2相互转化实验的改进
实践十号上的19项实验
用对方法才能瘦
四大方法 教你不再“坐以待病”!
捕鱼