小波神经网络用于机动目标跟踪中

资 源 简 介

在机动目标跟踪中，机动目标模型是机动目标跟踪的基本要素之一，一般希望机动目标模型能准确表征目标机动时的各种运动状态。比较常用的模型有匀速运动(CV)模型、匀加速运动(CA) 模型、时间相关模型（Singer）和机动目标“当前”统计模型。上述模型均采用机动频率表征目标的机动情况。在应用当中，通常采用固定的机动频率，这就表示机动目标的机动时间是一定的，而实际上机动目标的机动时间是不断变化的，也就是说机动频率是不断变化的，采用固定机动频率必然会带来误差。采样周期在0.5—2S时，机动频率越小跟踪精度越高[1]，

详 情 说 明

在机动目标跟踪中，机动目标模型是机动目标跟踪的基本要素之一。机动目标模型可以准确地表征目标机动时的各种运动状态。机动目标的模型常用的有匀速运动(CV)模型、匀加速运动(CA)模型、时间相关模型(Singer)和机动目标“当前”统计模型。这些模型均采用机动频率表征目标的机动情况。在应用中，通常采用固定的机动频率。然而，实际上机动目标的机动时间是不断变化的，因此采用固定机动频率必然会带来误差。当采样周期在0.5-2秒之间时，机动频率越小，跟踪精度越高。但是，机动频率仍然是固定值，无法动态调整到目标的真实状态。因此，本文提出了一种基于神经网络的机动频率自适应调整方法，可以使机动频率随机动而变化，从而提高状态估计的准确性，提高跟踪精度。该算法采用小波神经网络的离线训练，实时性好。通过对机动目标“当前”统计模型中的机动频率进行实时修改，该算法可以自适应地改变机动频率，使跟踪算法与目标的真实状态更接近。