基于似然函数的自适应Singer模型滤波算法

作者:蒋冬婷;宁静;万洪容; 刊名:西南师范大学学报(自然科学版) 上传者:狄红秋

【摘要】Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优.

全文阅读

第44卷 第1期 西 南 师 范 大 学 学 报 (自然科学版) 2019年1月 Vol.44  No.1  Journal of Southwest China Normal University(Natural Science Edition) Jan.2019 DOI:10.13718/ j.cnki.xsxb.2019.01.015 基于似然函数的自适应Singer模型滤波算法① 蒋冬婷1, 宁 静2, 万洪容2 1.海军装备部驻重庆地区军事代表局,重庆404100; 2.中国电子科技集团公司第十研究所,成都610036 摘要:Singer模型滤波算法可以对机动目标进行有效跟踪,但其模型参数的确定依赖于先验知识,且一旦确定,将在滤波过程中不再变化.因此,当事先确定的参数与目标机动不匹配时,跟踪精度会变得比较差.针对模型参数失配时,传统Singer模型不能有效跟踪机动目标的问题,提出一种自适应Singer模型滤波算法.在滤波过程中,构造多模型的模型似然函数,并随着滤波过程实时计算模型似然函数,根据似然函数的变化,自适应调整Singer模型加速度参数.仿真表明,该算法能够有效跟踪目标不同的机动情况,滤波效果较固定参数的Singer模型算法和离散自适应Singer模型算法更优. 关 键 词:机动目标跟踪;Singer模型滤波;似然函数;跟踪精度 中图分类号:TN953     文献标志码:A     文章编号:1000-5471(2019)01-0089-06 对机动目标进行有效跟踪是工程上比较难解决的一个问题,主要体现在保证算法对机动目标的跟踪效果的同时,还要求有较高的实时性和稳定性.针对稳定性的问题,文献[ 1]提出一种自适应的卡尔曼滤波方法,有效解决了算法容易发散的问题.Singer模型将目标加速度视为时间相关的随机过程,并通过设置机动时间常数和目标加速度方差等先验参数,可以适用于各种机动类型的目标跟踪,具有计算量小、环境适应性强、实时性高等优点,是工程上常用的滤波算法之一. Singer模型是一种全局统计模型,其模型参数反映的是目标运动过程的统计特性[ 2].然而,目标的机动往往具有局部性,不同时间段内其机动强弱可能不同.在多目标跟踪时,同一时间不同目标的机动强弱也可能不同.用同样参数的Singer模型跟踪不同类型的机动模式,可能在某一段时间某个目标的跟踪效果好,而在另外一段时间其跟踪效果很差.在多目标跟踪时,可能某个时刻某几个目标的跟踪效果好,而其他目标的跟踪效果很差.鉴于此,文献[ 3]提出了用交互式多模型算法(IMM)跟踪目标,模型集中包含以典型参数建立的3种Singer模型.交互式多模型算法通过实时更新模型概率来自适应调整滤波模型[4-5],因此对机动目标有较好的跟踪效果.但由于多个模型参与滤波,增加了跟踪的计算量,从而降低了算法的时效性.文献[ 6]的改进算法先依据目标机动的可能等级,设定多组相应的参数,并根据滤波中加速度的滤 波值变化,来确定当前时刻的机动等级,同时设置Singer模型在当前时刻对应的参数 α 和 σ 2,然后用新的 状态方程滤波.这个改进算法的运算量与Singer模型相同,跟踪效果也有较大提升.但是,这种离散调整参数及加速度方差的方法可能会因为隶属度等级发生变化而造成对系统过程噪声估计的突变,导致跟踪精度的损失,从而造成较大的误差.此外,隶属度参数的设定有较大的主观性及场景依赖性,不能适应复杂的场景. 基于以上两种改进算法,深入分析交互式多模型算法中的模型似然函数及Singer模型滤波中几个参数对滤波效果的

参考文献

引证文献

问答

我要提问