專利名稱：基于神經(jīng)網(wǎng)絡的機動目標精確跟蹤方法
技術領域：
本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(NN)的機動目標精確跟蹤方法，用于智能交通、機器人、航空電子、反彈道導彈防御和精確制導等系統(tǒng)的機動目標高精度定位與預測，屬于智能信息處理技術領域。
為實現(xiàn)這樣的目的，本發(fā)明基于“當前”統(tǒng)計模型和BP(Error Back Propagation，誤差方向傳播)神經(jīng)網(wǎng)絡，結合神經(jīng)網(wǎng)絡信息融合技術，全面利用目標狀態(tài)的估計信息，提出了一種新穎的基于神經(jīng)網(wǎng)絡的機動目標并行自適應跟蹤算法(NIFPAT)，采用雙濾波器并行結構，利用全狀態(tài)反饋，通過BP網(wǎng)絡調(diào)整系統(tǒng)方差以適應目標的運動變化，實現(xiàn)對各種運動狀態(tài)具有良好自適應跟蹤能力。
本發(fā)明所提出的基于神經(jīng)網(wǎng)絡的機動目標精確跟蹤方法，包括特征提取、網(wǎng)絡訓練和融合跟蹤三個基本步驟1、狀態(tài)特征提取利用并行雙濾波器的輸出之差進行狀態(tài)特征的提取。采用兩個濾波器組成一個雙并行結構，其中一個濾波器采用當前統(tǒng)計模型，選取最大的的加速度方差以適應目標的各種變化，并保持對機動的快速響應；另一個濾波器也采用“當前”統(tǒng)計模型，但其加速度方差則是根據(jù)神經(jīng)網(wǎng)絡的輸出結果確定大小，初始值取最小的的加速度方差，可取1。
由于方差的不同，雙濾波器的狀態(tài)跟蹤精度，包括位置、速度和加速度也不相同，即存在一定的誤差。根據(jù)雙濾波器的跟蹤結果，求其誤差的范數(shù)，并利用符號函數(shù)進行處理，即可獲得待估計目標的狀態(tài)特征向量。將提取的特征向量作為輸入送給神經(jīng)網(wǎng)絡系統(tǒng)。2、網(wǎng)絡訓練在跟蹤估計之前，神經(jīng)網(wǎng)絡系統(tǒng)已經(jīng)離線訓練好。通過對目標各種機動水平和運動形式的大量仿真發(fā)現(xiàn)，位置、速度和加速度的特征向量變化規(guī)律分別為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。本發(fā)明利用位置、速度和加速度的特征向量變化規(guī)律μ1∈
，μ2∈
和μ3∈
，選用BP神經(jīng)網(wǎng)絡進行調(diào)節(jié)，其學習樣本選取如下當特征向量各分量處于低值時，認為目標處于非機動狀態(tài)，網(wǎng)絡輸出為一接近于0的值；當特征向量各分量處于高值時，認為目標處于強機動狀態(tài)，網(wǎng)絡輸出為一接近于1.0的值；當特征向量各分量在低值和高值之間變化時，認為目標處于弱機動狀態(tài)，網(wǎng)絡自動輸出(0，1)之間的值。3、狀態(tài)融合與自適應跟蹤針對每一時刻所獲得的待估計目標的特征向量，利用已經(jīng)訓練好的神經(jīng)網(wǎng)絡，將特征向量作為神經(jīng)網(wǎng)絡的輸入，并利用神經(jīng)網(wǎng)絡的輸出ONN∈[-1，1]，以不同的方差 適應目標的強弱機動和非機動變化。其輸出即為當前時刻待估計目標的加速度方差預測值。利用該預測值，基于當前統(tǒng)計模型進行自適應濾波即可得到對待估計目標的快速和精確的跟蹤。
本發(fā)明利用了目標狀態(tài)的時空信息，不僅能更有效的跟蹤機動目標(包括加速度機動)，而且能準確地跟蹤非機動目標，具有對目標各種運動狀態(tài)的全面自適應跟蹤能力，并且可以最大程度地提高跟蹤精度，尤其是速度、加速度精度，同時提高了系統(tǒng)的容錯性能。
本發(fā)明采用的神經(jīng)網(wǎng)絡特征提取方法和并行濾波器結構，可以避免基于統(tǒng)計濾波方法的雙濾波器串聯(lián)結構所產(chǎn)生的量測噪聲有色相關、估計相關等問題，是一種有效和簡捷的機動和非機動目標自適應跟蹤方法。
本發(fā)明可用于機動目標高精度定位與預測，在國防上可用于航空電子、反彈道導彈防御、精確制導等系統(tǒng)，在民用方面可用于空中交通管制、安全檢查、遙感、防撞、導航及機器人視覺等領域。
圖2本發(fā)明實施例中目標加速度跟蹤曲線。
本發(fā)明基于神經(jīng)網(wǎng)絡的機動目標跟蹤方法原理如

圖1所示。圖中，濾波器F1和F2組成了一個雙并行結構。首先回波信號經(jīng)過F1和F2進行濾波，F(xiàn)1濾波器的方差選取最大的加速度方差以適應各種的目標機動變化。F2濾波器的加速度方差值則是根據(jù)神經(jīng)網(wǎng)絡的輸出結果確定。F1和F2的濾波狀態(tài)之差通過特征提取模塊進行特征提取，提取的特征向量作為輸入送給神經(jīng)網(wǎng)絡系統(tǒng)。在跟蹤估計之前，神經(jīng)網(wǎng)絡系統(tǒng)已經(jīng)離線訓練好。根據(jù)輸入的特征向量，神經(jīng)網(wǎng)絡輸出一個對待估計對象的相對準確的加速度方差預測值，反饋給濾波器F2。濾波器F2根據(jù)神經(jīng)網(wǎng)絡輸出的加速度方差預測值，采用基于“當前”統(tǒng)計模型的自適應跟蹤算法，給出對待估計對象的快速和準確的估計。本發(fā)明采用雙濾波器并行結構，利用全狀態(tài)反饋，通過BP網(wǎng)絡調(diào)整系統(tǒng)方差以適應目標的運動變化，具有對各種運動狀態(tài)的良好自適應跟蹤能力。
表1特征樣本

因三層BP網(wǎng)絡具有逼近任意非線性函數(shù)的學習能力，選取含一個隱層的BP網(wǎng)絡，其中輸入節(jié)點數(shù)為3，輸出節(jié)點數(shù)為1，隱層節(jié)點數(shù)為7，學習速率為0.7，慣性比例因子為0.9，網(wǎng)絡迭代1500步后即可獲得滿意收斂效果。3、狀態(tài)融合與自適應跟蹤濾波器F1和F2均采用基于“當前”統(tǒng)計模型的自適應跟蹤算法，其狀態(tài)方程、量測方程、濾波公式和狀態(tài)協(xié)方差矩陣分別為X(k+1)＝ΦX(k)+Ua+Gw(k)Z(k)＝HX(k)+v(k)X(k|k-1)＝ΦX(k-1|k-1)+Ua(k)P(k|k-1)＝ΦP(k-1|k-1)ΦT+GQ(k-1)GTK(k)＝P(k|k-1)HT[HP(k|k-1)HT+R]-1X(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)Q1(k)=2ασa12Q0]]>Q2(k)=2ασa22Q0]]>


其中OFNN為模糊神經(jīng)網(wǎng)絡的輸出；α為機動頻率；Q0為與α和采樣周期T有關的常值矩陣。當目標模型采用“當前”統(tǒng)計模型，初始參數(shù)見表2。
表2初始參數(shù)

其中目標2在x方向的加速度變化過程為0m/s(0-100s)，10m/s(100-150s)，5m/s(150-300s)，兩目標在R＝40km處相交，機動頻率α＝0.05，采樣周期為1s。雷達精度分別為距離85m、距離變化率15m/s、俯仰0.4°和方位0.4°；雷達檢測概率為0.99，雜波密度λ為

。仿真結果如圖2，圖2為目標加速度跟蹤曲線。圖中，“—”為真值，“.”為傳統(tǒng)方法濾波值，“—·”為本方法濾波值。
本發(fā)明基于神經(jīng)網(wǎng)絡的機動目標精確跟蹤方法與傳統(tǒng)方法的比較結果見表3，誤差壓縮比是描述濾波相對于測量的平均性能改善程度的性能評價指標。從表3可見本發(fā)明的方法具有較高的跟蹤性能。
表3誤差壓縮比EN

權利要求
1.一種基于神經(jīng)網(wǎng)絡的機動目標精確跟蹤方法，其特征在于包括特征提取、網(wǎng)絡訓練和融合跟蹤三個基本步驟1)狀態(tài)特征提取采用兩個濾波器組成雙并行結構，濾波器采用當前統(tǒng)計模型，其中一個選取最大的的加速度方差以適應目標變化并保持對機動的快速響應，另一個加速度方差根據(jù)神經(jīng)網(wǎng)絡的輸出結果確定大小，初始值取最小的加速度方差，提取并行雙濾波器的狀態(tài)之差為待估計目標的狀態(tài)特征向量；2)網(wǎng)絡訓練利用位置、速度和加速度的特征向量變化規(guī)律μ1∈
，μ2∈
和μ3∈
，選用BP神經(jīng)網(wǎng)絡進行調(diào)節(jié)，其學習樣本選取為當特征向量各分量處于低值時，認為目標處于非機動狀態(tài)，網(wǎng)絡輸出為一接近于0的值；當特征向量各分量處于高值時，認為目標處于強機動狀態(tài)，網(wǎng)絡輸出為一接近于1.0的值；當特征向量各分量在低值和高值之間變化時，認為目標處于弱機動狀態(tài)，網(wǎng)絡自動輸出(0，1)之間的值；3)狀態(tài)融合與自適應跟蹤針對每一時刻所獲得的待估計目標的特征向量，利用已經(jīng)訓練好的神經(jīng)網(wǎng)絡，將特征向量作為神經(jīng)網(wǎng)絡的輸入，并利用神經(jīng)網(wǎng)絡的輸出ONN∈[-1，1]，以不同的方差 適應目標的強弱機動和非機動變化，利用輸出的當前時刻待估計目標的加速度方差預測值，基于當前統(tǒng)計模型進行自適應濾波，得到對待估計目標的快速和精確的跟蹤。
全文摘要
一種基于神經(jīng)網(wǎng)絡的機動目標精確跟蹤方法,采用兩個濾波器組成雙并行結構,提取并行雙濾波器的狀態(tài)之差為待估計目標的狀態(tài)特征向量,作為輸入送給神經(jīng)網(wǎng)絡系統(tǒng);在跟蹤估計之前已經(jīng)離線訓練好的神經(jīng)網(wǎng)絡系統(tǒng)根據(jù)輸入的特征向量,輸出當前時刻待估計目標的加速度方差預測值,并利用預測值,基于當前統(tǒng)計模型進行自適應濾波,得到對待估計目標的快速和精確的跟蹤。本發(fā)明采用雙濾波器并行結構,利用全狀態(tài)反饋,通過BP神經(jīng)網(wǎng)絡調(diào)整系統(tǒng)方差以適應目標的運動變化,具有對各種運動狀態(tài)的良好自適應跟蹤能力,可用于智能交通、機器人、航空電子、反彈道導彈防御和精確制導等系統(tǒng)的機動目標高精度定位與預測。
文檔編號G01S13/00GK1382997SQ0211206
公開日2002年12月4日 申請日期2002年6月13日 優(yōu)先權日2002年6月13日
發(fā)明者敬忠良, 李建勛 申請人:上海交通大學