改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

作者:欧阳超;杨霄鹏;贾航川;陈强;倪娟 刊名:科学技术与工程 上传者:徐向红

【摘要】基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。

全文阅读

基于多台站的对空话音通信网中,航空器飞越多个台站覆盖区域时,需进行工作波道越区切换。在掌握航空器位置信息的前提下,可通过预测航空器航迹来判断它的运动趋势及下一时刻可能出现的位置,提前进行越区切换预判断,提高航空器越区切换决策的准确性和实时性。在航迹预测中,Kalman滤波[1,2]是一种简单且常用的方法;它根据当前状态的估计值和当前时刻的一个观测数据来预测状态变量下一时刻的值。对机动目标建立准确的运动模型是进行Kal-man滤波的前提和基础。近些年来学者们对机动目标运动模型进行了深入研究,提出了一些实用的运动模型,如匀速运动(constantvelocity,CV)模型、匀加速运动(constantacceleration,CA)模型、Singer模型[3]、“当前”统计(currentstatistical,CS)模型[4,5]、Jerk模型[6,7]和交互多模型[8]。其中,“当前”统计模型对机动目标的描述较为准确,它是我国学者周宏仁于1984年提出的。然而,该模型的机动加速度极限值amax和a-max在跟踪过程中是固定不变的,这使得模型能够很好地跟踪机动性较强的目标,却无法对机动性较弱的目标进行准确跟踪。为了解决这个问题,必须使机动加速度极限值amax和a-max在跟踪过程中自适应调整。文献[9]采用模糊推理的方法,利用测量新息和新息变化率来自适应地调整amax和a-max,提高了跟踪精度和收敛速度。但该文献中采用的模糊函数是三角隶属度函数,该函数在隶属度等级发生变化时会造成系统噪声估计的突变,导致跟踪精度降低,造成较大的误差。文献[10]提出了一种无突变的指数形式的非线性模糊隶属度函数,根据机动目标的“当前”加速度实时调整amax和a-max,提高了跟踪精度。然而该文献假定机动目标加速度在一个特定的区间内,这使得它的应用范围有限。文献[9,10]都是通过模糊隶属度函数自适应调整机动加速度极限值amax和a-max,进而间接地调整卡尔曼滤波增益,提高了对机动性较弱目标跟踪的精度和收敛速度。然而,这两篇文献都没有关注滤波残差,而仅仅根据“当前”加速度调整下一时刻的预测误差协方差和卡尔曼增益。当目标作强机动时,跟踪误差和动态时延较大。本文在文献[10]提出的基于“当前”统计模型机动目标模糊自适应(FACS)滤波算法的基础上,引入了强跟踪滤波器;用模糊隶属度函数和渐消因子来共同调整卡尔曼滤波增益,提出了基于“当前”统计模型的机动目标模糊自适应强跟踪滤波(strongtrackingfil-terFACS,STF-FACS)算法,并将它应用于机动目标的航迹预测。仿真结果表明,在对强机动目标的航迹预测中,STF-FACS算法在预测精度和动态时延方面都比FACS算法要好。1模糊自适应滤波算法基于“当前”统计模型的自适应卡尔曼滤波算法能够很好地跟踪机动性较强的机动目标,而对于机动性较弱甚至不机动的目标,由于无法对其进行描述而出现较大的跟踪误差。针对这个缺点,王向华等[10]对其进行了改进,提出了基于“当前”统计模型的模糊自适应滤波(FACS)算法。该算法的基本思想是,设计一个平滑无突变的指数形式非线性模糊隶属度函数,利用机动目标的“当前”加速度实时调整机动加速度极限值,使得无论机动目标的加速度多大,都能落在区间4-4amax,a[]max或者a-max,4-4a-[]max内,确保“当前”统计模型可以描述任何加速度的机动目标,实现对机动目标的有效跟踪。该算法假定机动目标的加速度a在区间[a-up,aup]内,并设定两个加速度阀值a-th和ath满足a-t

参考文献

引证文献

问答

我要提问