CN1382997A - 基于神经网络的机动目标精确跟踪方法 - Google Patents

Abstract

一种基于神经网络的机动目标精确跟踪方法,采用两个滤波器组成双并行结构,提取并行双滤波器的状态之差为待估计目标的状态特征向量,作为输入送给神经网络***;在跟踪估计之前已经离线训练好的神经网络***根据输入的特征向量,输出当前时刻待估计目标的加速度方差预测值,并利用预测值,基于当前统计模型进行自适应滤波,得到对待估计目标的快速和精确的跟踪。本发明采用双滤波器并行结构,利用全状态反馈,通过BP神经网络调整***方差以适应目标的运动变化,具有对各种运动状态的良好自适应跟踪能力,可用于智能交通、机器人、航空电子、反弹道导弹防御和精确制导等***的机动目标高精度定位与预测。

Description

基于神经网络的机动目标精确跟踪方法

技术领域：

本发明涉及一种基于神经网络(NN)的机动目标精确跟踪方法，用于智能交通、机器人、航空电子、反弹道导弹防御和精确制导等***的机动目标高精度定位与预测，属于智能信息处理技术领域。

背景技术：

针对机动单目标的精确跟踪问题，80年代以来国内外分别提出了许多机动目标模型和自适应跟踪算法，包括微分多项式模型、匀速和匀加速模型、时间相关模型、半马尔可夫模型以及机动目标“当前”统计模型(Zhou，H.and K.S.P.Kumar.Acurrent statistical model and adaptive algorithm for estimating maneuvering targets.ALAAJournal of Guidance，Control，and Dynamics，1984，7(5)，596-602.)。跟踪算法主要是采用自适应跟踪方法。“当前”统计模型及自适应跟踪方法适用于强机动目标，具有响应快、跟踪精度高的优点，但是对非机动跟踪则精度较低。由于各个模型只能反映实际目标的某个侧面，比如匀速和匀加速模型只能反映目标的匀速和匀加速运动，因此在响应速度和跟踪精度之间的矛盾就成为机动目标跟踪的难点。为了克服这一难点，交互式多模型自适应跟踪方法(Blom，H.A.P.，and Bar-Shalom，Y.，The interacting multiple model algorithms for systems with Markovian swithchingcoefficients.IEEE Tran.Automatic Control，1988，33(8)，780-783)被提出，该方法虽然在一定程度上提高了跟踪的性能，但是其跟踪响应的速度和精度离实际***，特别是精确跟踪***的需求还有很大的距离。由于目标运动特性的不可预知性，寻找一个对目标各种运动特性都具有良好跟踪精度的模型及自适应算法一直吸引着众多的研究者。

发明内容：

本发明的目的在于针对现有技术的不足，提出一种新的基于神经网络的机动目标精确跟踪方法，使得机动目标的跟踪在保持自适应跟踪算法CSMAT方法优点的同时，还能大幅度提高对非机动或弱机动目标的跟踪精度，可以做到对机动和非机动目标的”全面”自适应高精度跟踪。

为实现这样的目的，本发明基于“当前”统计模型和BP(Error Back Propagation，误差方向传播)神经网络，结合神经网络信息融合技术，全面利用目标状态的估计信息，提出了一种新颖的基于神经网络的机动目标并行自适应跟踪算法(NIFPAT)，采用双滤波器并行结构，利用全状态反馈，通过BP网络调整***方差以适应目标的运动变化，实现对各种运动状态具有良好自适应跟踪能力。

本发明所提出的基于神经网络的机动目标精确跟踪方法，包括特征提取、网络训练和融合跟踪三个基本步骤：1、状态特征提取

利用并行双滤波器的输出之差进行状态特征的提取。采用两个滤波器组成一个双并行结构，其中一个滤波器采用当前统计模型，选取最大的的加速度方差以适应目标的各种变化，并保持对机动的快速响应；另一个滤波器也采用“当前”统计模型，但其加速度方差则是根据神经网络的输出结果确定大小，初始值取最小的的加速度方差，可取1。

由于方差的不同，双滤波器的状态跟踪精度，包括位置、速度和加速度也不相同，即存在一定的误差。根据双滤波器的跟踪结果，求其误差的范数，并利用符号函数进行处理，即可获得待估计目标的状态特征向量。将提取的特征向量作为输入送给神经网络***。2、网络训练

在跟踪估计之前，神经网络***已经离线训练好。通过对目标各种机动水平和运动形式的大量仿真发现，位置、速度和加速度的特征向量变化规律分别为μ₁(X)∈[L₁，H₁]，μ₂(X)∈[L₂，H₂]和μ₃(X)∈[L₃，H₃]。其中L代表最低值，H代表最高值。本发明利用位置、速度和加速度的特征向量变化规律μ₁∈[0.05，0.2]，μ₂∈[0.2，0.6]和μ₃∈[0.1，0.4]，选用BP神经网络进行调节，其学习样本选取如下：当特征向量各分量处于低值时，认为目标处于非机动状态，网络输出为一接近于0的值；当特征向量各分量处于高值时，认为目标处于强机动状态，网络输出为一接近于1.0的值；当特征向量各分量在低值和高值之间变化时，认为目标处于弱机动状态，网络自动输出(0，1)之间的值。3、状态融合与自适应跟踪

针对每一时刻所获得的待估计目标的特征向量，利用已经训练好的神经网络，将特征向量作为神经网络的输入，并利用神经网络的输出O_NN∈[-1，1]，以不同的方差 适应目标的强弱机动和非机动变化。其输出即为当前时刻待估计目标的加速度方差预测值。利用该预测值，基于当前统计模型进行自适应滤波即可得到对待估计目标的快速和精确的跟踪。

本发明利用了目标状态的时空信息，不仅能更有效的跟踪机动目标(包括加速度机动)，而且能准确地跟踪非机动目标，具有对目标各种运动状态的全面自适应跟踪能力，并且可以最大程度地提高跟踪精度，尤其是速度、加速度精度，同时提高了***的容错性能。

本发明采用的神经网络特征提取方法和并行滤波器结构，可以避免基于统计滤波方法的双滤波器串联结构所产生的量测噪声有色相关、估计相关等问题，是一种有效和简捷的机动和非机动目标自适应跟踪方法。

本发明可用于机动目标高精度定位与预测，在国防上可用于航空电子、反弹道导弹防御、精确制导等***，在民用方面可用于空中交通管制、安全检查、遥感、防撞、导航及机器人视觉等领域。

附图说明：

图1为本发明基于神经网络的机动目标跟踪方法原理框图。

图2本发明实施例中目标加速度跟踪曲线。

具体实施方式：

为更好地理解本发明的技术方案，以下结合附图及具体的实施例作进一步描述。

本发明基于神经网络的机动目标跟踪方法原理如图1所示。图中，滤波器F₁和F₂组成了一个双并行结构。首先回波信号经过F₁和F₂进行滤波，F₁滤波器的方差选取最大的加速度方差以适应各种的目标机动变化。F₂滤波器的加速度方差值则是根据神经网络的输出结果确定。F₁和F₂的滤波状态之差通过特征提取模块进行特征提取，提取的特征向量作为输入送给神经网络***。在跟踪估计之前，神经网络***已经离线训练好。根据输入的特征向量，神经网络输出一个对待估计对象的相对准确的加速度方差预测值，反馈给滤波器F₂。滤波器F₂根据神经网络输出的加速度方差预测值，采用基于“当前”统计模型的自适应跟踪算法，给出对待估计对象的快速和准确的估计。本发明采用双滤波器并行结构，利用全状态反馈，通过BP网络调整***方差以适应目标的运动变化，具有对各种运动状态的良好自适应跟踪能力。

实施例1、状态特征提取

为了克服噪声对特征量的影响，对于状态信息融合算法，采用F₁和F₂滤波器当前时刻估值的误差范数作为神经网络NN的输入，其分量为

式中

和

为滤波器F₁和F₂在k时刻基于回波(对目标t的位置、速度和加速度滤波值。2、网络训练

所选特征样本如表1。

                                            表1特征样本

Input	(0，0，0)	(0，0，1)	(0，1，0)	(0，1，1)	(1，0，0)	(1，0，1)	(1，1，0)	(1，1，1)
									net0	0.10	0.75	0.60	0.85	0.40	0.75	0.60	0.95

因三层BP网络具有逼近任意非线性函数的学习能力，选取含一个隐层的BP网络，其中输入节点数为3，输出节点数为1，隐层节点数为7，学习速率为0.7，惯性比例因子为0.9，网络迭代1500步后即可获得满意收敛效果。3、状态融合与自适应跟踪

滤波器F₁和F₂均采用基于“当前”统计模型的自适应跟踪算法，其状态方程、量测方程、滤波公式和状态协方差矩阵分别为：

 X(k+1)＝ΦX(k)+U a+Gw(k)

 Z(k)＝HX(k)+v(k)

 X(k|k-1)＝ΦX(k-1|k-1)+U a(k)

 P(k|k-1)＝ΦP(k-1|k-1)Φ^T+GQ(k-1)G^T

 K(k)＝P(k|k-1)H^T[HP(k|k-1)H^T+R]^-1

 X(k|k)＝X(k|k-1)+K(k)[Z(k)-H(k)X(k|k-1)]

 P(k|k)＝[I-K(k)H]P(k|k-1) $Q_1\left(k\right)=2\mathrm{\α}{\mathrm{\σ}}_{a1}^2{Q}_0$ $Q_2\left(k\right)=2\mathrm{\α}{\mathrm{\σ}}_{a2}^2{Q}_0$

其中O_FNN为模糊神经网络的输出；α为机动频率；Q₀为与α和采样周期T有关的常值矩阵。当目标模型采用“当前”统计模型，初始参数见表2。

                              表2初始参数

	运动类型	初始位置(km)	初始速度(m/s)	初始加速度(m/s2)
					目标1目标2	匀速运动阶跃运动	(70，70，3)(100，30，3)	(-400，-400，0)(-400，-50，0)	(0，0，0)((0，10，5)，0，0)

其中目标2在x方向的加速度变化过程为：0m/s(0-100s)，10m/s(100-150s)，5m/s(150-300s)，两目标在R＝40km处相交，机动频率α＝0.05，采样周期为1s。雷达精度分别为距离85m、距离变化率15m/s、俯仰0.4°和方位0.4°；雷达检测概率为0.99，杂波密度λ为

。仿真结果如图2，图2为目标加速度跟踪曲线。图中，“—”为真值，“.”为传统方法滤波值，“—·”为本方法滤波值。

本发明基于神经网络的机动目标精确跟踪方法与传统方法的比较结果见表3，误差压缩比是描述滤波相对于测量的平均性能改善程度的性能评价指标。从表3可见本发明的方法具有较高的跟踪性能。

                             表3误差压缩比EN

目标	方法	距离	速度	加速度	方位	俯仰
							1122	传统方法本发明方法传统方法本发明方法	0.42190.40010.62110.5423	0.54540.35510.69320.4112	0.69230.54430.74120.5811	0.67210.63220.75220.7133	0.70160.65110.79110.7678

Claims (1)

1、一种基于神经网络的机动目标精确跟踪方法，其特征在于包括特征提取、网络训练和融合跟踪三个基本步骤：

1)状态特征提取：采用两个滤波器组成双并行结构，滤波器采用当前统计模

  型，其中一个选取最大的的加速度方差以适应目标变化并保持对机动的快

  速响应，另一个加速度方差根据神经网络的输出结果确定大小，初始值取

  最小的加速度方差，提取并行双滤波器的状态之差为待估计目标的状态特

  征向量；

2)网络训练：利用位置、速度和加速度的特征向量变化规律

  μ₁∈[0.05，0.2]，μ₂∈[0.2，0.6]和μ₃∈[0.1，0.4]，选用BP神经网络进行调节，其

  学习样本选取为：当特征向量各分量处于低值时，认为目标处于非机动状

  态，网络输出为一接近于0的值；当特征向量各分量处于高值时，认为目

  标处于强机动状态，网络输出为一接近于1.0的值；当特征向量各分量在

  低值和高值之间变化时，认为目标处于弱机动状态，网络自动输出(0，1)

  之间的值；

3)状态融合与自适应跟踪：针对每一时刻所获得的待估计目标的特征向量，

  利用已经训练好的神经网络，将特征向量作为神经网络的输入，并利用神

  经网络的输出O_NN∈[-1，1]，以不同的方差

适应目标

  的强弱机动和非机动变化，利用输出的当前时刻待估计目标的加速度方差

  预测值，基于当前统计模型进行自适应滤波，得到对待估计目标的快速和

  精确的跟踪。

Images