本文選題：機動目標 + 時滯補償　； 參考：《中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)》2017年碩士論文

【摘要】：伴隨著科學(xué)技術(shù)的飛速發(fā)展,目標的機動性也在不斷地增強,尤其是小型無人機這類新型目標的出現(xiàn),使得光電跟蹤系統(tǒng)的跟蹤能力已經(jīng)很難滿足目前的實際需求,需要進一步提高。而限制光電跟蹤系統(tǒng)跟蹤能力提升的因素有很多,其中圖像傳感器的時間滯后是一個主要因素,本文從時滯補償?shù)慕嵌瘸霭l(fā)來提升系統(tǒng)的跟蹤能力。從控制結(jié)構(gòu)來講,經(jīng)典控制包含的只有前饋和反饋,所有控制方法都是由這兩種基本形式組成。本文從這兩個方面出發(fā)對滯后進行補償。利用前饋補償滯后,需要通過狀態(tài)估計方法來預(yù)測目標的速度或加速度,然后前饋到速度控制回路或加速度控制回路。利用反饋補償滯后,則需要建立控制對象的預(yù)估模型,利用預(yù)估模型補償?shù)艉袦蟮姆答伭俊榱四軠蚀_預(yù)測目標的速度或加速度,本文研究了預(yù)測濾波算法,對于小型無人機這類目標的跟蹤,其難點在于目標運動模型的準確度。分析和研究了當前主流的交互式多模型算法,預(yù)測精度有較好的效果,但計算復(fù)雜,模型切換效率低,不適合實際使用。基于對交互式多模型算法的分析,提出了基于機器學(xué)習(xí)的預(yù)測前饋,通過機器學(xué)習(xí)的支持向量機對目標的運動狀態(tài)進行分類,根據(jù)分類結(jié)果切換運動模型,濾波算法只需進行一次運算。仿真實驗結(jié)果表明,提出的基于機器學(xué)習(xí)的預(yù)測前饋算法計算量遠遠小于交互式多模型算法,同時,保證了預(yù)測的精度,在模型切換效率上也優(yōu)于交互式多模型算法。此外,對于預(yù)估補償本文重點研究了Smith預(yù)估控制,但傳統(tǒng)的Smith預(yù)估控制對控制對象的參數(shù)變化很敏感,基于此,本文提出了與速度內(nèi)回路相結(jié)合的方式,在傳統(tǒng)Smith預(yù)估控制回路中增加一個內(nèi)回路,相當于改善了控制對象的魯棒性,并且從理論上分析了改進方案的有效性,在快反鏡實驗平臺上設(shè)計了跟蹤實驗方案,實驗結(jié)果表明,改進的Smith預(yù)估控制比傳統(tǒng)的Smith預(yù)估控制更加穩(wěn)定和有效。
[Abstract]:With the rapid development of science and technology, the maneuverability of targets is also increasing, especially the emergence of new targets such as small UAVs, which makes the tracking ability of photoelectric tracking system difficult to meet the actual needs. Further improvements are needed. There are many factors that limit the tracking ability of photoelectric tracking system, among which the time lag of image sensor is the main factor. In this paper, the tracking ability of the system is improved from the angle of time-delay compensation. From the control structure, the classical control contains only feedforward and feedback, all control methods are composed of these two basic forms. This article starts from these two aspects to carry on the compensation to the lag. Using feedforward compensation for hysteresis, it is necessary to predict the velocity or acceleration of the target by state estimation, and then feed forward to the speed control loop or acceleration control loop. Using feedback to compensate the lag, the predictive model of the control object is established, and the feedback with the lag is compensated by the predictive model. In order to accurately predict the velocity or acceleration of the target, the predictive filtering algorithm is studied in this paper. For the tracking of small UAV, the difficulty lies in the accuracy of the target moving model. This paper analyzes and studies the current mainstream interactive multi-model algorithms. The prediction accuracy is good, but the calculation is complicated and the model switching efficiency is low, so it is not suitable for practical use. Based on the analysis of the interactive multi-model algorithm, the predictive feedforward based on machine learning is proposed. The moving state of the target is classified by the support vector machine of machine learning, and the motion model is switched according to the classification results. The filtering algorithm needs only one operation. The simulation results show that the computational complexity of the proposed predictive feedforward algorithm based on machine learning is much less than that of the interactive multi-model algorithm. At the same time, the prediction accuracy is guaranteed and the model switching efficiency is better than that of the interactive multi-model algorithm. In addition, the paper focuses on the Smith predictive control for predictive compensation, but the traditional Smith predictive control is very sensitive to the change of the parameters of the control object. Based on this, this paper proposes a way to combine with the velocity inner loop. Adding an internal loop to the traditional Smith predictive control loop is equivalent to improving the robustness of the control object. The effectiveness of the improved scheme is analyzed theoretically, and the tracking experimental scheme is designed on the fast mirror experimental platform. Experimental results show that the improved Smith predictive control is more stable and effective than the traditional Smith predictive control.
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP181;TN29

【相似文獻】

相關(guān)期刊論文 前10條

1 周星南;張鳳宇;劉以安;;基于輸入估計的機動目標跟蹤方法[J];江南大學(xué)學(xué)報(自然科學(xué)版);2012年06期

2 ;探測、跟蹤與偵察[J];電子科技文摘;2000年07期

3 劉丹,王宏強,黎湘;基于交互多模算法在非線性測量方程下的機動目標跟蹤[J];電光與控制;2002年04期

4 錢瓊芬,徐毓;單模型機動目標跟蹤方法的仿真研究[J];空軍雷達學(xué)院學(xué)報;2004年02期

5 劉昌云,劉進忙,陳長興,李松;機動目標跟蹤的機動頻率自適應(yīng)算法[J];控制理論與應(yīng)用;2004年06期

6 李璐;;機動目標跟蹤領(lǐng)域的數(shù)據(jù)濾波技術(shù)應(yīng)用[J];電子科學(xué)技術(shù)評論;2005年04期

7 劉凱;苗艷;袁富宇;;用于純方位機動目標跟蹤的機動探測法[J];指揮控制與仿真;2006年02期

8 馬照英;楊莘元;楊雷;;機動目標跟蹤中的序貫濾波[J];應(yīng)用科技;2006年06期

9 蔣宏;宋龍;任章;;非全測狀態(tài)下的機動目標跟蹤[J];系統(tǒng)工程與電子技術(shù);2007年02期

10 于國橋;張安清;;機動目標跟蹤的非線性算法[J];火力與指揮控制;2007年06期

相關(guān)會議論文 前10條

1 邱曉波;周啟煌;竇麗華;;機動目標跟蹤的參數(shù)辨識模型[A];2009年中國智能自動化會議論文集（第一分冊）[C];2009年

2 徐本連;;雙觀測器純方位跟蹤性能界限的分析與近似[A];蘇州市自然科學(xué)優(yōu)秀學(xué)術(shù)論文匯編(2008-2009)[C];2010年

3 朱自謙;;用于機動目標跟蹤的復(fù)合機動模型及其應(yīng)用[A];1992年中國控制與決策學(xué)術(shù)年會論文集[C];1992年

4 單甘霖;朱紀洪;王子棟;郭治;;具有有色噪聲和指定預(yù)測方差的目標跟蹤[A];1994中國控制與決策學(xué)術(shù)年會論文集[C];1994年

5 曲洪權(quán);李少洪;;一種改進的機動目標跟蹤算法[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

6 郭軍海;謝京穩(wěn);沙定國;;基于多普勒雷達組網(wǎng)的空間機動目標跟蹤[A];中國空間科學(xué)學(xué)會空間探測專業(yè)委員會第十八次學(xué)術(shù)會議論文集（下冊）[C];2005年

7 巴宏欣;趙宗貴;劉海燕;楊飛;曹雷;;一種機動目標跟蹤的交互式多模型算法[A];’2004系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會論文集[C];2004年

8 胡振濤;劉先省;;基于“當前”統(tǒng)計模型的一種改進機動目標跟蹤算法[A];第16屆中國過程控制學(xué)術(shù)年會暨第4屆全國故障診斷與安全性學(xué)術(shù)會議論文集[C];2005年

9 史健芳;馮志永;何承偉;趙丹丹;;基于高階累積量檢測機動的目標跟蹤算法[A];2007'中國儀器儀表與測控技術(shù)交流大會論文集（二）[C];2007年

10 孟凡剛;毛征;周沛然;趙齊月;龔萍;;基于IMM交互式平滑算法的機動目標跟蹤建模和仿真[A];系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)論文集（第15卷）[C];2014年

相關(guān)博士學(xué)位論文 前9條

1 王寫;基于H_∞濾波理論和多模型算法的機動目標跟蹤研究[D];浙江大學(xué);2016年

2 羅笑冰;強機動目標跟蹤技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2007年

3 黨瑩;強雜波下機動目標跟蹤技術(shù)研究[D];中國科學(xué)院長春光學(xué)精密機械與物理研究所;2001年

4 陳亮;機動目標跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

5 李林;機動目標跟蹤航跡生成的融合算法研究[D];國防科學(xué)技術(shù)大學(xué);2008年

6 孫福明;機動目標跟蹤狀態(tài)估計與數(shù)據(jù)關(guān)聯(lián)技術(shù)的研究[D];中國科學(xué)技術(shù)大學(xué);2007年

7 肖延國;智能傳感器偵察網(wǎng)絡(luò)中的目標跟蹤算法研究[D];中國科學(xué)技術(shù)大學(xué);2007年

8 劉昌云;雷達機動目標運動模型與跟蹤算法研究[D];西安電子科技大學(xué);2014年

9 祝依龍;特征輔助的目標機動檢測技術(shù)[D];國防科學(xué)技術(shù)大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 羅偉生;面向強機動的目標跟蹤算法研究[D];華南理工大學(xué);2015年

2 陳松;基于粒子濾波的自適應(yīng)機動目標跟蹤[D];昆明理工大學(xué);2015年

3 劉葉楠;機動目標融合跟蹤算法研究[D];西安工業(yè)大學(xué);2015年

4 張文杰;基于變結(jié)構(gòu)多模型的機動目標跟蹤方法研究[D];貴州大學(xué);2015年

5 趙夢;機動目標跟蹤與多目標互聯(lián)算法研究[D];電子科技大學(xué);2014年

6 董天發(fā);臨近空間高速高機動目標跟蹤算法研究[D];電子科技大學(xué);2015年

7 侯磊;機動目標跟蹤算法的研究[D];大連海事大學(xué);2015年

8 王順利;量化量測下的機動目標跟蹤方法研究[D];西安電子科技大學(xué);2015年

9 王美健;基于多模型（MM）的機動目標跟蹤算法研究[D];江南大學(xué);2016年

10 劉楠;基于機動目標跟蹤模型的自適應(yīng)濾波算法[D];浙江理工大學(xué);2016年

，

本文編號：1777249