专利名称：基于神经网络的机动目标精确跟踪方法
技术领域：
本发明涉及一种基于神经网络(NN)的机动目标精确跟踪方法，用于智能交通、机器人、航空电子、反弹道导弹防御和精确制导等系统的机动目标高精度定位与预测，属于智能信息处理技术领域。
为实现这样的目的，本发明基于“当前”统计模型和BP(Error Back Propagation，误差方向传播)神经网络，结合神经网络信息融合技术，全面利用目标状态的估计信息，提出了一种新颖的基于神经网络的机动目标并行自适应跟踪算法(NIFPAT)，采用双滤波器并行结构，利用全状态反馈，通过BP网络调整系统方差以适应目标的运动变化，实现对各种运动状态具有良好自适应跟踪能力。
本发明所提出的基于神经网络的机动目标精确跟踪方法，包括特征提取、网络训练和融合跟踪三个基本步骤1、状态特征提取利用并行双滤波器的输出之差进行状态特征的提取。采用两个滤波器组成一个双并行结构，其中一个滤波器采用当前统计模型，选取最大的的加速度方差以适应目标的各种变化，并保持对机动的快速响应；另一个滤波器也采用“当前”统计模型，但其加速度方差则是根据神经网络的输出结果确定大小，初始值取最小的的加速度方差，可取1。
由于方差的不同，双滤波器的状态跟踪精度，包括位置、速度和加速度也不相同，即存在一定的误差。根据双滤波器的跟踪结果，求其误差的范数，并利用符号函数进行处理，即可获得待估计目标的状态特征向量。将提取的特征向量作为输入送给神经网络系统。2、网络训练在跟踪估计之前，神经网络系统已经离线训练好。通过对目标各种机动水平和运动形式的大量仿真发现，位置、速度和加速度的特征向量变化规律分别为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。本发明利用位置、速度和加速度的特征向量变化规律μ1∈
，μ2∈
和μ3∈
，选用BP神经网络进行调节，其学习样本选取如下当特征向量各分量处于低值时，认为目标处于非机动状态，网络输出为一接近于0的值；当特征向量各分量处于高值时，认为目标处于强机动状态，网络输出为一接近于1.0的值；当特征向量各分量在低值和高值之间变化时，认为目标处于弱机动状态，网络自动输出(0，1)之间的值。3、状态融合与自适应跟踪针对每一时刻所获得的待估计目标的特征向量，利用已经训练好的神经网络，将特征向量作为神经网络的输入，并利用神经网络的输出ONN∈[-1，1]，以不同的方差 适应目标的强弱机动和非机动变化。其输出即为当前时刻待估计目标的加速度方差预测值。利用该预测值，基于当前统计模型进行自适应滤波即可得到对待估计目标的快速和精确的跟踪。
本发明利用了目标状态的时空信息，不仅能更有效的跟踪机动目标(包括加速度机动)，而且能准确地跟踪非机动目标，具有对目标各种运动状态的全面自适应跟踪能力，并且可以最大程度地提高跟踪精度，尤其是速度、加速度精度，同时提高了系统的容错性能。
本发明采用的神经网络特征提取方法和并行滤波器结构，可以避免基于统计滤波方法的双滤波器串联结构所产生的量测噪声有色相关、估计相关等问题，是一种有效和简捷的机动和非机动目标自适应跟踪方法。
本发明可用于机动目标高精度定位与预测，在国防上可用于航空电子、反弹道导弹防御、精确制导等系统，在民用方面可用于空中交通管制、安全检查、遥感、防撞、导航及机器人视觉等领域。
图2本发明实施例中目标加速度跟踪曲线。
本发明基于神经网络的机动目标跟踪方法原理如

图1所示。图中，滤波器F1和F2组成了一个双并行结构。首先回波信号经过F1和F2进行滤波，F1滤波器的方差选取最大的加速度方差以适应各种的目标机动变化。F2滤波器的加速度方差值则是根据神经网络的输出结果确定。F1和F2的滤波状态之差通过特征提取模块进行特征提取，提取的特征向量作为输入送给神经网络系统。在跟踪估计之前，神经网络系统已经离线训练好。根据输入的特征向量，神经网络输出一个对待估计对象的相对准确的加速度方差预测值，反馈给滤波器F2。滤波器F2根据神经网络输出的加速度方差预测值，采用基于“当前”统计模型的自适应跟踪算法，给出对待估计对象的快速和准确的估计。本发明采用双滤波器并行结构，利用全状态反馈，通过BP网络调整系统方差以适应目标的运动变化，具有对各种运动状态的良好自适应跟踪能力。
表1特征样本

因三层BP网络具有逼近任意非线性函数的学习能力，选取含一个隐层的BP网络，其中输入节点数为3，输出节点数为1，隐层节点数为7，学习速率为0.7，惯性比例因子为0.9，网络迭代1500步后即可获得满意收敛效果。3、状态融合与自适应跟踪滤波器F1和F2均采用基于“当前”统计模型的自适应跟踪算法，其状态方程、量测方程、滤波公式和状态协方差矩阵分别为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为模糊神经网络的输出；α为机动频率；Q0为与α和采样周期T有关的常值矩阵。当目标模型采用“当前”统计模型，初始参数见表2。
表2初始参数

其中目标2在x方向的加速度变化过程为0m/s(0-100s)，10m/s(100-150s)，5m/s(150-300s)，两目标在R＝40km处相交，机动频率α＝0.05，采样周期为1s。雷达精度分别为距离85m、距离变化率15m/s、俯仰0.4°和方位0.4°；雷达检测概率为0.99，杂波密度λ为

。仿真结果如图2，图2为目标加速度跟踪曲线。图中，“—”为真值，“.”为传统方法滤波值，“—·”为本方法滤波值。
本发明基于神经网络的机动目标精确跟踪方法与传统方法的比较结果见表3，误差压缩比是描述滤波相对于测量的平均性能改善程度的性能评价指标。从表3可见本发明的方法具有较高的跟踪性能。
表3误差压缩比EN

权利要求
1.一种基于神经网络的机动目标精确跟踪方法，其特征在于包括特征提取、网络训练和融合跟踪三个基本步骤1)状态特征提取采用两个滤波器组成双并行结构，滤波器采用当前统计模型，其中一个选取最大的的加速度方差以适应目标变化并保持对机动的快速响应，另一个加速度方差根据神经网络的输出结果确定大小，初始值取最小的加速度方差，提取并行双滤波器的状态之差为待估计目标的状态特征向量；2)网络训练利用位置、速度和加速度的特征向量变化规律μ1∈
，μ2∈
和μ3∈
，选用BP神经网络进行调节，其学习样本选取为当特征向量各分量处于低值时，认为目标处于非机动状态，网络输出为一接近于0的值；当特征向量各分量处于高值时，认为目标处于强机动状态，网络输出为一接近于1.0的值；当特征向量各分量在低值和高值之间变化时，认为目标处于弱机动状态，网络自动输出(0，1)之间的值；3)状态融合与自适应跟踪针对每一时刻所获得的待估计目标的特征向量，利用已经训练好的神经网络，将特征向量作为神经网络的输入，并利用神经网络的输出ONN∈[-1，1]，以不同的方差 适应目标的强弱机动和非机动变化，利用输出的当前时刻待估计目标的加速度方差预测值，基于当前统计模型进行自适应滤波，得到对待估计目标的快速和精确的跟踪。
全文摘要
一种基于神经网络的机动目标精确跟踪方法,采用两个滤波器组成双并行结构,提取并行双滤波器的状态之差为待估计目标的状态特征向量,作为输入送给神经网络系统;在跟踪估计之前已经离线训练好的神经网络系统根据输入的特征向量,输出当前时刻待估计目标的加速度方差预测值,并利用预测值,基于当前统计模型进行自适应滤波,得到对待估计目标的快速和精确的跟踪。本发明采用双滤波器并行结构,利用全状态反馈,通过BP神经网络调整系统方差以适应目标的运动变化,具有对各种运动状态的良好自适应跟踪能力,可用于智能交通、机器人、航空电子、反弹道导弹防御和精确制导等系统的机动目标高精度定位与预测。
文档编号G01S13/00GK1382997SQ0211206
公开日2002年12月4日 申请日期2002年6月13日 优先权日2002年6月13日
发明者敬忠良, 李建勋 申请人:上海交通大学