论文部分内容阅读
近年来随着科学技术的不断发展,水下目标跟踪技术在军事国防和民生服务方面的作用越加的不容忽视。本文从水下目标跟踪的滤波计算和运动建模两方面着手,在具有高精度的高斯-厄米特求积滤波(Gauss-Hermite Quadrature Filtering, GHQF)的基础上提出了强跟踪稀疏网格求积滤波(Strong Tracking Sparse Grid Quadrature Filtering, STSGQF)算法,损失少量的估计精度从而大大降低滤波运行时间;引入能更加完善的描述目标运动状态的多模型算法,在改进滤波算法的基础上,将多模型滤波算法应用于水下目标跟踪系统。首先,从理论上对扩展卡尔曼滤波(Expended Kalman Filtering, EKF)算法、无迹卡尔曼滤波(Unscented Kalman Filtering,UKF)算法和GHQF算法的估计精度和算法效率进行了分析。通过一维和多维的非线性数值仿真实验对这3种滤波算法的性能进行了验证可知,三种滤波的估计精度关系为:EKF<UKF≤GHQF,运行时间关系为:EKF<UKF<GHQF。为解决GHQF算法“维数灾难”的问题,引入一种新的数值积分取点规则—一稀疏网格求积(Sparse Grid Quadrature, SGQ)规则,得到稀疏网格求积滤波(Sparse Grid Quadrature Filtering, SGQF)算法。SGQ规则的数值积分点的个数随维数增长呈多项式变化,对于相同维数的数值积分,SGQ的计算量要远远小于GHQ。从Sigma点选取的角度进行分析,发现2级精度的SGQF算法等价于UKF算法,GHQF算法的Sigma点最多。通过仿真实验可知,SGQF算法的估计精度只稍低于GHQF算法,要高于UKF算法,而SGQF算法的运行时间要远远低于GHQF算法。为了克服因状态突变而导致滤波估计精度下降,甚至发散的问题,在SGQF算法的基础上引入了强跟踪滤波(Strong Tracking Filtering, STF)思想,得到STSGQF算法。通过仿真实验可知,STSGQF算法对于强机动目标的状态估计效果比SGQF算法更好。最后,从目标运动模型角度对水下目标跟踪算法进行改进。介绍分析了多模型算法的原理及流程,并结合改进的滤波算法得到多模型滤波算法。通过仿真实验可知,基于STSGQF的交互式多模型(Interactive Multiple Model, IMM)算法的估计精度要高于基于单模型的STSGQF算法和UKF算法。本文的主要工作是在GHQF算法的基础上,提出了一种具有高精度、高效率和强鲁棒性的STSGQF算法,并且将基于IMM的STSGQF算法应用于水下目标跟踪中。通过仿真实验可知,新算法对于强机动的水下目标具有较好的跟踪效果。