神经网络校正的EKF在水下被动目标跟踪中的应用研究

发布时间：2024-02-23 20:43

　　对于水下目标被动跟踪,通常采用扩展卡尔曼滤波算法进行目标状态估计,但在目标跟踪过程中,由于目标运动的不确定性及系统噪声的影响,此时对目标的状态估计通常难以获得较高的精度.针对以上问题,本文提出一种由BP神经网络来校正扩展卡尔曼滤波的被动目标跟踪算法.利用BP神经网络的学习能力,将卡尔曼滤波过程中的滤波增益、滤波值与预测值之差、滤波值与量测值之差作为BP神经网络的输入,学习得出卡尔曼滤波的滤波误差,并利用此误差值对滤波过程进行在线校正.仿真表明,BP神经网络辅助校正扩展卡尔曼滤波的方法,对滤波过程的可靠性和精确度都有了提升.

【文章页数】：5 页

【部分图文】：

图1目标和观测站的相对运动态势图

传统的EKF方法得到的估计的轨迹如图4(a)，可以看到，当目标发生机动转弯时，滤波跟踪精度严重下降，最大误差在200m左右．而采用神经网络辅助卡尔曼滤波修正后的目标轨迹如图4(b)，与图4(a)相比较，可以观察到本文方法有效地校正了机动转弯后跟踪效果差的点，该方法得到的估计轨迹始....

图2BP神经网络结构

图4单目标仿真结果对比在单目标仿真试验进行良好的基础上加入一条轨迹，对多目标进行仿真实验．目标1的初始位置为(1400,50)，速度为(-6,0)，目标2的初始位置为(0,1400)，速度为(2,-6)，跟踪过程中两个目标交叉．图6(a)(b)对比可以看出，在EKF估计的滤波结....

图3神经网络辅助卡尔滤波器结构图

在单目标仿真试验进行良好的基础上加入一条轨迹，对多目标进行仿真实验．目标1的初始位置为(1400,50)，速度为(-6,0)，目标2的初始位置为(0,1400)，速度为(2,-6)，跟踪过程中两个目标交叉．图6(a)(b)对比可以看出，在EKF估计的滤波结果有发散的趋势时，经过B....

图4单目标仿真结果对比

从数值仿真实验的结果可以看出，该算法可以应用在单目标情况下，也可以应用在多目标情况下，EKF-BP算法的精度远远高于EKF算法．外场数据的实验结果则说明了，EKF在有杂波干扰且量测断续的情况下，收敛速度很慢，而本文提出的算法误差大大减小，校正后被动目标跟踪过程的精度和稳定性都有了....

本文编号：3907942