臨近空間高超聲速目標因具有高速、大機動、全球到達的特點,已成為國防安全的一類新型威脅.此類目標具有非慣性的航跡形式、并可進行復雜的策略性機動,給其航跡估計帶來了新的挑戰(zhàn).為應對目標的機動特性,提升航跡估計性能,將循環(huán)神經(jīng)網(wǎng)絡與擴展卡爾曼濾波深度嵌合,提出了基于可學習擴展卡爾曼濾波的航跡估計方法.首先,通過分析目標機動特性,建立了參數(shù)化的目標機動模型.然后,考慮目標復雜機動特性對航跡估計造成的影響,將循環(huán)神經(jīng)網(wǎng)絡與擴展卡爾曼濾波深度嵌合,提出了可學習擴展卡爾曼濾波方法.通過使用已有航跡數(shù)據(jù)進行訓練,所嵌入的兩個循環(huán)神經(jīng)網(wǎng)絡,可發(fā)現(xiàn)目標機動的隱含規(guī)律,并對目標復雜機動所引起參數(shù)與模型不確定性的進行在線識別與動態(tài)補償.最后,以某臨近空間高超聲速目標的航跡估計為例,選取典型機動場景,對所提出方法與EKF、AEKF等傳統(tǒng)方法進行了對比分析.分析結果表明,所提出的可學習擴展卡爾曼濾波方法可有效應對目標復雜的機動,具有比EKF、AEKF方法更高的估計精度和更優(yōu)的估計動態(tài)性能. 

【文章頁數(shù)】：11 頁

【部分圖文】：

擴展卡爾曼濾波

輸入修飾網(wǎng)絡

增益修飾網(wǎng)絡

【參考文獻】：
期刊論文
[1]Highly maneuvering target tracking using multi-parameter fusion Singer model[J]. Shuyi Jia,Yun Zhang,Guohong Wang.  Journal of Systems Engineering and Electronics. 2017(05)
[2]Modified unscented Kalman filter using modified filter gain and variance scale factor for highly maneuvering target tracking[J]. Changyun Liu,Penglang Shui,Gang Wei,Song Li.  Journal of Systems Engineering and Electronics. 2014(03)



本文編號：3710232