机动目标跟踪技术的研究

论文摘要

随着科学技术的发展,现代战争环境发生了巨大变化。日趋复杂的战争环境和各种新式武器的不断涌现给目标跟踪带来了巨大的挑战。因此,各种新的技术不断被应用到目标跟踪中来以适应更加复杂的环境。而目标跟踪中的一个核心部分就是滤波算法,本文重点研究了卡尔曼滤波算法。本文首先介绍了目标跟踪的基本原理,重点分析了基于卡尔曼滤波的经典跟踪方法。通过一系列的仿真,一方面了解到卡尔曼滤波精度明显高于其他算法滤波精度;另一方面可以得知“当前”统计模型的跟踪精度取决于事先确定的加速度的上下限和以及机动频率,同时由于卡尔曼滤波算法固有的缺陷也影响了滤波精度。针对卡尔曼滤波算法固有的缺陷,本文提出了基于BP神经网络的卡尔曼滤波(ANNKF: Artificial Neural Network Kalman Filter)算法。其次,对BP神经网络进行了详细介绍,并针对其不足,介绍了改进方法。通过仿真了解到:①BP神经网络具有较强的自组织、自学习和非线性逼近能力;②经过训练达到允许误差精度的神经网络并不一定具有泛化能力;③改进的BP神经网络的收敛性要明显好于传统的BP神经网络的收敛性。再次,针对卡尔曼滤波算法的不足,介绍了BP神经网络的校正原理,并设计了基于BP神经网络的卡尔曼滤波器,并提出本文提高泛化能力的几点措施。最后,把ANNKF应用到实战中,用其跟踪实战中飞机的飞行轨迹。仿真结果表明ANNKF算法较传统的KF(Kalman filter)算法滤波精度更高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究机动目标跟踪的目的和意义
• 1.2 机动目标跟踪中的滤波算法
• 1.3 目标跟踪技术有待进一步解决的问题
• 1.3.1 滤波算法的稳定性和准确性
• 1.3.2 滤波过程中的系统偏差的问题
• 1.4 本文的主要工作
• 第二章 机动目标跟踪的原理及方法
• 2.1 机动目标跟踪原理
• 2.2 机动目标模型
• 2.2.1 CV 和CA 模型
• 2.2.2 时间相关模型
• 2.2.3 半马尔可夫模型
• 2.2.4 Noval 统计模型
• 2.2.5 “当前”统计模型
• 2.3 滤波算法介绍
• 2.3.1 两点外推滤波
• 2.3.2 维纳滤波
• 2.3.3 α-β和α-β-γ滤波
• 2.3.4 卡尔曼滤波
• 2.3.5 扩展卡尔曼滤波（EKF）
• 2.4 算法仿真
• 2.4.1 卡尔曼滤波算法与α- β滤波算法对比仿真实验
• 2.4.2 卡尔曼滤波算法与α-β- γ滤波算法对比仿真实验
• 2.4.3 基于“当前”统计模型的卡尔曼滤波算法仿真
• 2.5 本章小结
• 第三章 神经网络
• 3.1 神经网络简介
• 3.2 神经网络的结构及分类
• 3.3 BP 神经网络
• 3.3.1 BP 神经网络的结构
• 3.3.2 BP 网络学习算法
• 3.3.3 BP 算法的改进
• 3.3.4 BP 神经网络的设计
• 3.4 实例仿真
• 3.5 本章小结
• 第四章 基于 BP 神经网络的卡尔曼滤波器
• 4.1 卡尔曼滤波需要校正的原因及校正原理
• 4.1.1 校正原因
• 4.1.2 校正原理
• 4.2 基于BP 神经网络的卡尔曼滤波器的设计
• 4.2.1 基于BP 神经网络的卡尔曼滤波器的结构
• 4.2.2 BP 神经网络的结构设计
• 4.2.3 BP 神经网络的训练
• 4.2.4 泛化能力的提升
• 4.3 本章小结
• 第五章 ANNKF 在目标跟踪中的应用
• 5.1 剪形机动目标跟踪
• 5.2 蛇形机动目标跟踪
• 5.3 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 攻读硕士期间研究成果