论文部分内容阅读
在利用雷达开展运动目标跟踪过程中,通常会选取传统卡尔曼滤波、维纳滤波、α-β滤波等算法,构建目标物体滤波的状态模型,对线性化、高斯化运动目标的状态滤波进行跟踪分析。但对于非线性、非高斯过程目标的跟踪,仍旧采取传统跟踪检测算法,容易造成目标物体运动状态模型,发生形变、遮挡或消失等问题。基于此,本文提出一种改进的机器学习机制,对目标物体运动模型、状态值参数的跟踪中,不断检测与更新跟踪滤波信号,并优化跟踪器,进入实现在长时间内目标稳定跟踪的效果。