發(fā)布時間：2024-02-23 20:43

　　對于水下目標(biāo)被動跟蹤,通常采用擴(kuò)展卡爾曼濾波算法進(jìn)行目標(biāo)狀態(tài)估計,但在目標(biāo)跟蹤過程中,由于目標(biāo)運(yùn)動的不確定性及系統(tǒng)噪聲的影響,此時對目標(biāo)的狀態(tài)估計通常難以獲得較高的精度.針對以上問題,本文提出一種由BP神經(jīng)網(wǎng)絡(luò)來校正擴(kuò)展卡爾曼濾波的被動目標(biāo)跟蹤算法.利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,將卡爾曼濾波過程中的濾波增益、濾波值與預(yù)測值之差、濾波值與量測值之差作為BP神經(jīng)網(wǎng)絡(luò)的輸入,學(xué)習(xí)得出卡爾曼濾波的濾波誤差,并利用此誤差值對濾波過程進(jìn)行在線校正.仿真表明,BP神經(jīng)網(wǎng)絡(luò)輔助校正擴(kuò)展卡爾曼濾波的方法,對濾波過程的可靠性和精確度都有了提升.

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1目標(biāo)和觀測站的相對運(yùn)動態(tài)勢圖

傳統(tǒng)的EKF方法得到的估計的軌跡如圖4(a)，可以看到，當(dāng)目標(biāo)發(fā)生機(jī)動轉(zhuǎn)彎時，濾波跟蹤精度嚴(yán)重下降，最大誤差在200m左右．而采用神經(jīng)網(wǎng)絡(luò)輔助卡爾曼濾波修正后的目標(biāo)軌跡如圖4(b)，與圖4(a)相比較，可以觀察到本文方法有效地校正了機(jī)動轉(zhuǎn)彎后跟蹤效果差的點(diǎn)，該方法得到的估計軌跡始....

圖2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖4單目標(biāo)仿真結(jié)果對比在單目標(biāo)仿真試驗進(jìn)行良好的基礎(chǔ)上加入一條軌跡，對多目標(biāo)進(jìn)行仿真實驗．目標(biāo)1的初始位置為(1400,50)，速度為(-6,0)，目標(biāo)2的初始位置為(0,1400)，速度為(2,-6)，跟蹤過程中兩個目標(biāo)交叉．圖6(a)(b)對比可以看出，在EKF估計的濾波結(jié)....

圖3神經(jīng)網(wǎng)絡(luò)輔助卡爾濾波器結(jié)構(gòu)圖

在單目標(biāo)仿真試驗進(jìn)行良好的基礎(chǔ)上加入一條軌跡，對多目標(biāo)進(jìn)行仿真實驗．目標(biāo)1的初始位置為(1400,50)，速度為(-6,0)，目標(biāo)2的初始位置為(0,1400)，速度為(2,-6)，跟蹤過程中兩個目標(biāo)交叉．圖6(a)(b)對比可以看出，在EKF估計的濾波結(jié)果有發(fā)散的趨勢時，經(jīng)過B....

圖4單目標(biāo)仿真結(jié)果對比

從數(shù)值仿真實驗的結(jié)果可以看出，該算法可以應(yīng)用在單目標(biāo)情況下，也可以應(yīng)用在多目標(biāo)情況下，EKF-BP算法的精度遠(yuǎn)遠(yuǎn)高于EKF算法．外場數(shù)據(jù)的實驗結(jié)果則說明了，EKF在有雜波干擾且量測斷續(xù)的情況下，收斂速度很慢，而本文提出的算法誤差大大減小，校正后被動目標(biāo)跟蹤過程的精度和穩(wěn)定性都有了....

本文編號：3907942