基于平方根CKF的自適應目標跟蹤方法研究.pdf_第1頁
已閱讀1頁,還剩86頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、隨著科技的發(fā)展,機動目標的運動越發(fā)變得復雜,尤其在現代戰(zhàn)場上,導彈、戰(zhàn)斗機等高機動目標的技術發(fā)展使得對目標進行跟蹤和攔截越發(fā)困難。當目標的噪聲統(tǒng)計特性未知或建立模型不準確、目標在運動過程中某一方向速度發(fā)生突然增大或減小、目標在運動過程中機動發(fā)生變化時(如由CV模型到CT模型),單純使用濾波算法將不再適用。目前用于解決該問題主有經典的Sage-Husa算法,以及在Sage-Husa算法基礎上引入非線性濾波算法適用于非線性領域的自適應算法,

2、強跟蹤算法,基于UT變換的強跟蹤算法以及交互式多模型算法,本文在此基礎上研究如何進一步提高自適應濾波算法精度。
  首先,介紹了幾種常用的目標運動模型,詳細介紹了CV模型和VT模型,以及兩個交互出現的情況,并對幾種常用的非線性濾波算法進行了介紹,詳細介紹了容積卡爾曼算法和平方根容積卡爾曼算法。
  其次,針對系統(tǒng)建模中噪聲統(tǒng)計特性未知或隨時間變化的問題,研究了經典的Sage-Husa算法,但該算法只能應用在線性領域,對此,研

3、究了幾種適用在非線性領域的自適應算法,自適應擴展卡爾曼算法,自適應無跡卡爾曼算法,但由于算法本身的缺陷,濾波精度低。將非線性領域自適應濾波思想與容積卡爾曼及平方根容積卡爾曼算法相結合,提出了自適應平方根容積卡爾曼算法,理論證明了該方法的合理性。
  再次,當目標在運動過程中,狀態(tài)突然發(fā)生了改變,導致之前所建立的系統(tǒng)模型不再適用,針對該問題,研究了基于單重及多重漸消因子的強跟蹤算法及基于UT變換的強跟蹤算法,然后將強跟蹤算法的思想與

4、容積卡爾曼向結合,提出了基于多重次優(yōu)漸消因子的強跟蹤容積卡爾曼算法,并在此基礎上加入平方根,進一步提出了基于多重次優(yōu)漸消因子的強跟蹤平方根容積卡爾曼算法,理論推導說明了方法的正確性。
  最后,目標在運動過程中存在多個模型時,單一的建模將不能滿足精確跟蹤的指標,為此研究交互式多模型算法,針對常用交互式多模型算法中濾波環(huán)節(jié)所選用的濾波算法精度受限的問題,選用了更高濾波精度的容積卡爾曼算法及平方根容積卡爾曼算法,并將兩者結合,提出了基

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論