基于平方根CKF的自適應目標跟蹤方法研究.pdf

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