雷达学报
雷達學報
뢰체학보
JOURNAL OF RADARS
2013年
2期
257-264
,共8页
机动目标跟踪%“当前”统计模型%机动频率自适应%方差自适应
機動目標跟蹤%“噹前”統計模型%機動頻率自適應%方差自適應
궤동목표근종%“당전”통계모형%궤동빈솔자괄응%방차자괄응
Maneuvering target tracking%“Current” Statistical (CS) model%Maneuvering frequency adaptive%Acceleration variance adaptive
在机动目标跟踪中,“当前”统计模型(“Current”Statistical model, CS)需要预先依据经验设定机动频率和加速度极限值,当预先设定的值与目标的实际运动状态不一致时,将造成较大的跟踪误差。为克服上述问题,该文首先从“当前”统计模型的离散状态方程中,导出了一种机动频率自适应算法,然后对张安清及巴宏欣等人提出的加速度方差自适应算法进行了改进。仿真实验表明,在综合运用上述机动频率自适应和加速度方差自适应算法的基础上,对CS模型修改后,得到的机动目标跟踪自适应滤波算法(Mending CS based Adaptive Filtering algorithm, MAF),能够有效增强基于CS模型的机动目标跟踪自适应滤波算法(CS based Adaptive Filtering algorithm, AF)对目标运动状态变化的自适应能力,并且在低噪声环境下,跟踪精度比 AF 算法有所提高,算法收敛速度可达到AF算法的2倍,在强噪声环境下,目标机动阶段的跟踪精度提高近2倍,匀速阶段的精度与AF算法相当,算法的收敛速度可达到AF算法的4~10倍,因此,MAF算法具有较强的抗干扰能力。
在機動目標跟蹤中,“噹前”統計模型(“Current”Statistical model, CS)需要預先依據經驗設定機動頻率和加速度極限值,噹預先設定的值與目標的實際運動狀態不一緻時,將造成較大的跟蹤誤差。為剋服上述問題,該文首先從“噹前”統計模型的離散狀態方程中,導齣瞭一種機動頻率自適應算法,然後對張安清及巴宏訢等人提齣的加速度方差自適應算法進行瞭改進。倣真實驗錶明,在綜閤運用上述機動頻率自適應和加速度方差自適應算法的基礎上,對CS模型脩改後,得到的機動目標跟蹤自適應濾波算法(Mending CS based Adaptive Filtering algorithm, MAF),能夠有效增彊基于CS模型的機動目標跟蹤自適應濾波算法(CS based Adaptive Filtering algorithm, AF)對目標運動狀態變化的自適應能力,併且在低譟聲環境下,跟蹤精度比 AF 算法有所提高,算法收斂速度可達到AF算法的2倍,在彊譟聲環境下,目標機動階段的跟蹤精度提高近2倍,勻速階段的精度與AF算法相噹,算法的收斂速度可達到AF算法的4~10倍,因此,MAF算法具有較彊的抗榦擾能力。
재궤동목표근종중,“당전”통계모형(“Current”Statistical model, CS)수요예선의거경험설정궤동빈솔화가속도겁한치,당예선설정적치여목표적실제운동상태불일치시,장조성교대적근종오차。위극복상술문제,해문수선종“당전”통계모형적리산상태방정중,도출료일충궤동빈솔자괄응산법,연후대장안청급파굉흔등인제출적가속도방차자괄응산법진행료개진。방진실험표명,재종합운용상술궤동빈솔자괄응화가속도방차자괄응산법적기출상,대CS모형수개후,득도적궤동목표근종자괄응려파산법(Mending CS based Adaptive Filtering algorithm, MAF),능구유효증강기우CS모형적궤동목표근종자괄응려파산법(CS based Adaptive Filtering algorithm, AF)대목표운동상태변화적자괄응능력,병차재저조성배경하,근종정도비 AF 산법유소제고,산법수렴속도가체도AF산법적2배,재강조성배경하,목표궤동계단적근종정도제고근2배,균속계단적정도여AF산법상당,산법적수렴속도가체도AF산법적4~10배,인차,MAF산법구유교강적항간우능력。
10.3724/SP.J.1300.2013.13003