刘　楠，刘望生

(浙江理工大学 机械与自动控制学院，浙江 杭州 310018)



基于当前统计模型的一种双自适应模糊滤波算法

刘楠，刘望生

(浙江理工大学 机械与自动控制学院，浙江 杭州 310018)

摘要：在当前统计模型的基础上，提出一种双自适应模糊滤波算法.该算法利用模糊推理机制及结合升半正态形模糊分布函数，对最大加速度和过程噪声协方差矩阵进行双自适应调整.针对阶跃机动, 引入强跟滤波器达到增强跟踪机动目标的能力.仿真结果表明，该算法提高了机动模型与目标实际机动模型的匹配程度以及对强机动目标跟踪的精度, 改善了滤波器的跟踪性能, 克服了对弱机动目标跟踪性能的不足.

关键词：卡尔曼滤波；当前统计模型；强跟踪算法；模糊推理；自适应滤波

由于目标机动是随机的、突发的, 而且机动强度也是未知的，因此很难准确地实时建立机动目标的动力学模型.为此机动目标模型的研究一直都受到很高重视.在1983年，我国学者周宏仁教授基于Singer模型提出了机动目标“当前”统计模型，该模型本质上是非零均值时间相关模型，其机动加速度的“当前”概率密度用修正的瑞利分布描述，均值为“当前”加速度预测值.与Singer 模型相比较，“当前”统计模型在一定程度上更符合实际情况，而且，对复杂的机动目标具有较好的跟踪性能.

在当前统计模型中, 机动频率和最大加速度的极限值需要根据经验提前设定, 而在实际中这些参数都是……