机动目标_当前_统计模型与自适应跟踪算法_周宏仁

机动目标 “ 当前 ” 统计模型与 自适应跟踪算法 中国航空研究院周宏仁 摘 要 本文提出机动目标 “ 当前 ” 统计模型的概念并建议用修正的瑞利一马尔科夫 过程 描述目标随机加速机动的统计特性 。 文中指出了在机动目标运动模型中状态 (机动加速度)估值与状态噪声之 间 的内在联系 。 在此墓础上提出了具有机动加 速度均值 及 方差自适应的卡尔曼滤波算法 。 对一维和三维的情形进行了计算机模 拟 。 计算结果表明 , 在仅对目标位置进行观 测的情况下 , 这类自适 应估值算法无 论对高度机动或无机动的目标均可给出较好的位置 、 速度及 加速度估值 。 一 、 引言 在过去的十多年中 , 关于机动目标的状态估值问题进行了大量的研究工作 , 在建立机 动目标的统计模型 和采用卡尔曼滤波器的自适应算法 方面都取得了一些有益的结果 。 问题 的难点在于怎样用最少 的状态观察量对高度机动的目标比如不仅存在着 机动的加速 度 , 而且加速度本身也在不断变化的目标进行有效而精确的估值 。 197 0 年 , R . A . S i n g e r, 提出 了零均值 、 时间相关机动加速度模型 , 在采用维纳一郭尔 莫哥洛夫白化步骤后 , 目标的随机机动加速度表现为 状态噪声驱动的结果, 并由此建立起 机动目标运动的统计模型 , 这个模型以后 一直作为 机动目标状态估值的基础之一 。 R . L Mo os e “,幻等人意识到在 目标进行加速度机动时 , 采用零均值的统计模型是不合理的 , 因而 提出了具有随机开关均值的相关高斯噪声半马尔科夫过程统计模型 , 在Sin ge r模型的基础 上前进了一步 。 鉴于目标的机动运动千变万化 , 建立绝对准确的 目标运动统计模型 , 或给出准确的统 计参数基本上是不可能的 , 因此很 自然地需要寻求一种自适应估值算法 以对模型的不精确 性进行适时的修正 。 关于自适应卡尔曼滤波算法已经有了许多的研究结果 。 。 然而这些结 果多半不适用于 机动目标估值这种特殊的情况 , 因为这种情况所 跟踪的目标或目标机动的 方式都是在不断变化的 , 在某一期间通过观察获得的统计数据未必适用于另一期间 。 R . J . M cA u la y等人 的讨论了一种 自适应算法 : 用统计决策理论判断目标 是否存在机 动 , 然后用两种滤波器分别对有或无机动的状态进行估值 。 J . 5 .r ho rp 幻 也研究了 目标机 i, 5 1年10月收到. 动的检测问题 , 通过检测 目标的有无机动 , 将状态方程中强迫项的二进制随机 系数置 1 或 置 O , 从而实现某种意义上 的自适应算法 。 R . L . Mo o se 等人 幻 和G . G . R i c ke r 7, 等人都讨论了基于 贝叶斯估值的统计加权 自适 应滤 波算法 。 这种贝叶斯一卡尔曼树形结构由于需要考虑目标机动加速度的各种可能的取 值 , 在硬件上显得比较复杂 , 在实现上书要付出较大的代价 。 J . D . K e n d r ic k 等人 幻提出一种交互作用滤波 系统, 采用辅助的 电子光学系统进行目 标姿态的检测 , 给出目标法向过载的近似方向 , 对目标的姿态以及位置 、 速度 、 加速度数 据同时进行估值 。 这种方法除了要增加一个辅助设备之外 , 还要求机载雷达同时提供目标 距离及速度 、 方位角及方位角速度 、 俯仰角及俯仰角速度等观测值 , 因此不太适用于边跟 踪边扫描的 系统 。 本文提出一种描述目标机动统计特性的 “当前, 模型的概念 。 在以往的研 究工 作中 , 通常把目标机动的各种可能性全部予以考虑 , 构成一个完全的统计模型 。 这样 , 每一个具 体目标的每一种具体机动方式在总 的统计模型中出现的概率就很小 。 换言之 , 在一个具体 的战术场合 , 模型的精确性很难得到保证 。 这种囊括一切可能性的统计模型在某些情况下 是不必要的 。 在一个确定的战术场合 , 更令人关心的是目标机动的 “ 当前 ” 统计模型 , 即在 当时当地情况下 , 目标机动加速度将取何种概率分布的问题 。 本文提出用修正的瑞利分布 来描述目标机动加速度的当前概率分布 , 将目标的加速度随机机动看作为一个修正的瑞利 - 马尔科夫过程 , 然后利用瑞利分布的某些统计性质实现状态噪声方差自适应滤波算法 。 在 目标进行高度机动时 , 这种模型 和算法表现得相当灵 敏 。 在采用卡尔曼滤波进行机动目标的状态估值时 , 人们往往忽视了一个简单而重要的事 实 。 与一般的状态模型不同 , 由于在构成机动目标状态模型时将目标的机动加速度看作是 状态噪声激励的结果 , 因此在状态变量(加速度) 与这个状态 噪声之间存在着某种物理上 的内在联系 , 亦即状 态变量(加速度)的估值正是状态噪声的均值(乘以某一常数) 。 本文 利用这 一简单而重要的关系实现了加速度均值的自适应滤波算法 。 这种方法对改进估值性 能有十分明显的效果 。 基于 上述 两个基本观 点 , 本文提出了一种 目标加速度均值及方差自适应卡尔曼渡波算 法 , 对一 维及三维的情形进行了分析和计算 机模拟 。 计算结果表明 , 在仅对目标位置进行 观测 的情况下 , 这种自适应算法可以对目标的位置 、 速度及加速度进行比较准确的估值 , 甚至对变化的加速度也可以获得良好的估值 。 二 、 机动目标 “ 当前 ” 统计模型 关于 目标机动加速度 a 的概率分布 , Sing e r 曾经采用一种零均值 、 类似均匀分布 (除 了 。a 二 , 一a 。, 及 “ = 0三点另有取值外) 的模型 , 。 更多的作者则倾 向于采用零均值 或非零均值的高斯分布 。 这些模型多 半都考虑了 目标机动和 速度取值的所有可能性 。 事实上 , 在 “ 当前 ” 模型的概念下 , 目标机动加速度可能取值的范围可以缩小 。 因为 当目标现时正以某一加速度进行机动时 , 下 一瞬时机动加速度的取值范围是有限 的 , 而且 总 是在 “ 当前 ” 加速度值附近 。 例如 , 当目标现时正 以+ 4夕的加速度机动时 , 下一瞬时目 标以一49机 动 的概率可能趋近于 零 。 因此 , 在跟踪目标的某一 时刻考虑目标下一时刻机动 的可能性时 , 没有必要采用那种顾及目标机动加速度所有可能取值的统计模型 。 而且 , 由 于物理上 的限制 , 目标现时加速度值越大 , 在下一瞬时目标加速度大幅度偏离此值的概率 就越小 。 针对这种实际情况 , 更合理的统计模型是考虑一种随时间而变化的 、 以目标当前 加速度值为中心 的 、 滑动的机动加速度概率分布函数 , 即如图 1所示的修正的瑞利 分 布 函数 : P r( a )二 。. .二 一 a 卜 么 _ _ r(。一 a ) , 1 ex p 断 一甲一 万江厂一刁 0 a 气。(1) 其中 a . 二 为目标机动加速度的最大值, a 为目标的机动加速 度; 协 O为一常数 。 P r( a ) 1 。 2 卜=0 . 5 眺石 咬 甘 户.0 0 冻 图1目标机动加速度的 “当 前 ” 概率分布模型修正的瑞利分布 F抢 . 1M odified R ar l e 妙 d姑亡 ribo tf oo o fm an e二。ringa c c e l e rati o二 在这种概率分布函数下 , 目标机动加速度的均值为 二 一、 a 二 一 杯哥 协 (2) 而方差为 4一 兀 2 如所周知 , 瑞利分布的重要性质之一是只需知道 一个参数 件 , 计特性 。 对这种修正的瑞利分布 , 情况亦然 。 ( 3 ) 即可完全确定分布的统 当 目标的机动加速度具有修正的瑞利分布时 , 正 的瑞利一马尔科夫过程 。 一般说来 , 可以预知目标机动加速度的最大值 难求出 目标的随机加速机动可以看作是一个修 a. “ 。 因此当测得目标加速度均值时不 、. 、产.少 月 性 ,匀2.、 气尹 启杯 万( a m “一“ , 而机动加速度的方差为 _ , 4一沉 二 , 4一 究 , 一 ,_、 、 , 0三之 一一下一产 卜 - - 一一 -二-一一 Lu , 。一尤L “ JJ - JI 因此 , 只 要求出目标机动加速度的均值 , 即可获得目标机动加速度的方差 , 将此方差值代 入卡尔曼滤 波方程中 , 即可获得方差自适应渡波算法 。 采用非零均值时间相关机动模型时 , 可得 二云+ a ( 才) (6) d(f)二一 a a (r)+ 。 r) t口 其中 x 为目标位置 , a ( t )为零均值的有色加速度噪声 , 西为加速度均值 , Q 为目标加速 度时 间常数的倒数 , 。(t )为 白噪声 , 具有方差 。二二Za口乱 方程( 6 )或可写为 t口 = = a ; (一) , ( 一)二一a a , ( 才)+ a石+ 。 ( *) (7) 其中 aJ(f )为具有均值 云的有色加速度噪声 。 由估值理论可知 , 在所关心 的每一 目标当前模型情况下 , 目标机动加速度 a: (f )的均 值 西就是在观察t 夕(才) 下的条件均值 , 即状态变里a l( t )的最佳线性估值 。 因此 云=E a(t )l少( t )(8) 并且切( 才) 的方差 _ , _Za (4 一 二 ) , _ 。 _, , 、 二 , , 、: U 一一一万一一一 、。 一乙 u、不, 1 7、 ,Jj ( 9 ) 机动目标 . 当前 ” 统计模型的采用使得我们只盆要考虑在 当前具体的战术情况下目标 机动加速度的概率分布 , 因此模型可能比较准确 。 修正瑞利分布的引入则在机动加速度的 均值和方差之 间建立起适当的联系 , 使得自适应逮波算法易于实现 。 三 、 自适应滤波算法 在一维情况 下 , 考虑非零均值加速度情形 , 则状态方程为 0 1 0一0 飞 ” 飞 _ “ 沐 + ” 。+ ” 功(, ( 0, 夕 仁住 声仁 I J 广苦l| . 1 1 ,仁、子le e. e e IJ广le s .l e e e s 仁 一一 、心 . ! 11 夕 X. .X工X厂 l e e 子. e s 、.了 、 产 10 山 ,几,几 护 .、尸 .、 其中 二 位里 , 丘 速度 , 笼 加 速度 , 云 加速度均值 。 当探侧设备的采样周期为T时 , 离散化的系统状态方程为 X(点+ i)=中(存+ 1 , 壳)X (介)+U(吞)云+W(k) 其中 X(k+ i )“ x (k +1 ) 义(掩+1 ) 笼(庵+ 1 ) , 1T 一l十aT十 e 一 叮 仅: 中(掩+ 1 , k)二中(a , T)二 o ; 。 1一 e 叮 认 (1 3) e 一认T 汀 一?+ 誉 十 1一e - ) U(k)二U 一 ( a , T) 1 1 一 一e 一“T a (1 4) 2 1 .e s f l l e s、 一一 a ( l ( l J盛 d 、.了 2.、 功 、. . . |.J w e | 尸 w (。) 一 丁百 1一e 一 一1+ a才+ e 一口t 仪2 1一e 一a, C e 一at 若探测设备仅对目标位置进行观察 , 则观察方程为 少 (k)=H (益)X(k)+ 。 (k) 其中 H (寿)= 100 。 (k)为观测噪声 , E( 。 (壳) o , 而E vZ(k )二 r (k) 。 在这种情况下的卡尔曼滤波方程为 “,“ X(k+ 1 1掩+ 1 )=X(k +1 Ik)+K (k + l )(y(壳+ 1 ) 一H (k + 1 )X(k + 1 Ik) X(k + i 寿)= 中(a , T)X(掩!k)+U(k)石 K(k + z)二P (k + 1 Ik)H T (k + z )H(k + z )P(k + i k)H T (k + i ) + r (寿+ 1 ) 一i P(k+ 1 k)= 中(a , T)P(k k)中 T (a , T )+Q(左) Za a蕊 P(k+ 1 tk + 1 )=I 一K (k + 1 )H (k + l )P(寿+ 1 1壳) 其中 i (1 8) (1 9) (2 0) (2 1) (2 2) q z 一 q 卫艺 q lZ q: 艺 一qz s q2 3 (2 3) 勺 ! J3 33 q l叽叽 产 . !|矛 一一 , 产 匀 了气 毛 G 而 。 : , 一 鑫了 1一。 一:二 +: 。: + 认 Za sTS 3 一 2一二一4、一 ) 。, :一斋(e 一,T + 1一: e 一+ Za 介一 : 一: 。: + 。: : ) 自 ,J 。! 。一 命 ( 卜 一 Za 、一) 。 : 艺一 命 4e 一卜 e 一 +Z a 二 q3 3 之 资 ( 。一+ 卜 Z e 一) 责 ( 卜 。一) 采用加速度均值 自适 应算法 , 令 、少 、声 J任一 ,曰,曰 了、 J 、 云=笼(掩 +l掩) 并考虑到方 程(12 )及(1 3 ) , 可得 X(k+ 1 Ik)= 中 (T)X( k】k) 其中 ! (26) 产 一 ZT 11八 廿 0 尸11.w e e s ,e e s e w e L 一一 、 J 产 T 了t 、 中 正是 牛顿矩阵 。 在未采用加速度均值 自适应算法时 , 只有 aT 很小的情况下才 能得到中 ( a , T )近似等于 中 : (T)的结果 。 这说明在 采用均值 自适应算法 以后 , 所得结果几乎 等效于极 大地提高了采样频率 (T 0 )或目标具有极大的加速度时间常数 ( a 一 0 )的 情况 , 而且状态 预测值基本上与 “无关 。 因此 , 采用加速度均值自适应算法后 , 实现了在 物理上不可能实现的结果 。 由于 交( + l !*+ 1)二 交( 、I、)+兀 . ( *+ i )( 夕 (。+ i ) 一交(。+i !。)(27) 对笼所进行的估值 在由交( k为)至救k+1 防 + 1 )中需要进行的修正由新息 =y (k + l ) 一交(k + l k)及卡尔曼增益K . 确定 。 是否需要对狱掩k) 进行修正 , 取决于新 息是否 为零 , 而修正的幅度 , 亦 即滤波器对新息的灵敏度则取决于卡尔受增益K 。 的大 小 。 采用加速度均值及方差自适应算法时的方块图 如图 2 所示 。 + 夕( 为+i) 必卫少伞一一一一 - 二 奥 几.(k+)卜上 一 自一 就几+ 1!儿+i) 王(k +11而+i) 一(k+ 1) 翻川 妥伪+1 1,” 巴骂兰 P( 几+11掩) 图 2 机动加速度均值及方差自适应算法的方块图 Fi g 2Blo ck di arar n o f m a neu,eringa e eel eratioo m ean 哪 a l ue ,nd y,r扭n eeadaptivealgo rith口 采用加速度方差自适应算法时 , 令 a 卜兰斋 卫( am 二二一 交(。+ 1!、)4一兀 ( a 二a 二一 笼(掩!k)么 (2 8) 不难求出 1 Ik) .一 十 + 一卜 P 1 1 (k + 1 r (k +1 ) K(k+ 1 ) = P , : (尧 +1 k) P , (k + i !九)+ r (k + 1 ) (2 9) 、le e .|l 夕 瓜价K a 厂l | | | | |e ej .一 + + 一丫 尹 1 Ik) P , (k + 1 r (k + 1 ) 一 , . _ 二 、_ . 。 . 。 . 。 . T 4 1 1 1 1 P ll 戈总+ 1介)“Pll+艺PI:1 + P zol +P :1 +P :3j “+ P o s一 .丁一 4 _一生 尹a 交仪 , ,: (* +1 、卜, , : + , ,3: +, : : : + , : 3 誉 , , 。(* + , ! 小 , ,。+ ,: : :+, 3。等 T 3 _ 。 +P 。 二丁一 + 1 。二 乙 + a T 3a 其中P i ( , j= 1 , 2 , 3 ) 为 误差矩阵尸(川k)的诸元素 。 很明显 , 在系统参数 a , T及观察噪声方差 r 确定的情况下 , 卡尔曼增益 的大小将由 自适应方差此确定 。 由修正 的瑞利分布曲线可知 , 当加速度均值较小时 , 机动加 速度的可 能取值散布较大 , 意味着狱k 十1九+ 1 )可能有较大 的变化 , 因此卡尔曼增益宜大 , 以 使系统对可能变化较大的加速度有比较灵敏的反应 。 反之 , 当加速度均值较大 时 , 机动加 速度可能取值的散布较小 , 意味着父(掩十 1 k + 1 ) 可能变化不大 , 因此卡尔曼增益宜 小 , 使系统对变化可能较小的加速度不致有过度的反应 。 由式仁9)可见 , 当 。二增大时, P l 工(k + i !k) 将减小 , 而P i : (k + 1 1秃)与P l: (吞+ i k) 将增大 , 结果恰 好使 卡尔 曼增益K ; 及K 。 随之增大 ; 反之亦然 。 由此观之 , 采用修正的瑞利分布描述目标的当前 机动统计特性并利 用其性质实现加速度方差自适应算法 , 其物理意义是 十分明显的 。 四 、 计算机模拟结果 为评价 系统的性能 , 在计算机上进行了模拟 。 _ 在 一维情况下 , 研 究 了自适应滤波器在目标匀速及匀加 速运动情况 下 的状态估值 精 度 , 并与无 自适应的情形进行了对比 。 所谓无 自适应 , 即在方程(l的中令 西一0 并在(21 ) 式中令 G蕊= 常数 在模拟中 , 假设观察噪声的方差与目标距离 二 (k)的平方成正 比 , 即 。 (k)一(日 x (k)+ 右 x 。)叨, (k)(30) 其中 日为相对 误差率 , 各丸为 固定误差 , 二式k )为利用蒙特一卡洛方法产生的伪随机数 , 具 有正态分布 , 均值为零 , 方差为 1 。 因此观察噪声方差为 夕0 r (k)=(日 x (吞)+乙 x 。)名 (3 1) 模拟中所采用 的参数选择如下 : 6x 。= 3 0米 日= 0 . 0 1 住=0 . 1 T =1 秒 图 3 及图 4 分别给出了当 x 。= 3 0 公里 , 犷 . =30 0 米/秒, “ =O时的 速度及加速度估值 曲线 。 由图可见 , 在目标等速运动的情况下 , 自适应挂波器跟踪良好, 而无 自适应滤波器 则有相当大的方差 。 自珍也平均恨位, 2. , 均方根误盆 二2 宁 无自适匕平均浪盖, 一4. 1 , 均方很诀盆, 105 . .1 1 雌 “n1 1 .- 入 二 心 ,、 r汀 . 只 : 二1 1 曰 人卜户 . 卜 , 曰 l - l 入 : 0 0 。 5 0 0, 0 0 于 . 肠 吕 终 、 纽 东 宁 列j叮 卜 I IJ I 抢怕 U 以 . 咚 ;协 . .右,-. 姗 抽 甘 恻 记 暇 “ : - 八 公、 毖 扛 几 Un仙 八甘n 2 口 . O10一203 040 的 60108090100 t带) 图3目标匀速 运动时的逮度估值曲线 Fig . 3 V elo c it了 es*imati ono f eonsta. t I O C it 了m o tio n ta r沙t 自适度平均谈全一。 . 3 , 均方根误趁 二1 . 。 - 一 无自适应 , 平均浪发二 0 . 1, 均方很误羞 。了 . l “ 刀”1 1二曰 曰 . 的 户日 冷 “ 知曰 扫 六 l 片 1 1 . 月n 立! 口. . 产 。 , 户 d 尸“ 勺 .1| 洲 甲 飞 1口. 图4目标匀速运动时的加速度估值 曲线 A峨l e rati o.eotimatio no f e o o stant一ve l oeity m o ti o n ta r罗士 打 日. 图5及图 线 。 由图可见 , 6分 别给出了 二。二3 0 公里 , 犷 。一 0 , a = 2 0 米触忿时 的速度及加速 度估值曲 无自适应滤波器对恒定的加速度基本上无法给出正确的估值 , 平均误差及 均方根误差均较大 ; 而且速度估值的方差亦较大 。 . 才治) 图 5 目标匀加速运动时的速度估值曲线 F褚 5 V el o c ity e , t恤ati o n 叮c o 那ta n 士一a eed er ati on 咖 t沁n 妞 rget 有适瓦平均误差二 一。 . 3, 均方根误裁户。 . 书 无自适应 , 平均误羞, 9夕,均丈如渗差”i认6 2 别 轰一 -冬 砚J 协枯 之 H I .抢 - 八 曰 二 .色甘龟 . 淤廿 t 、t、.嘴.耳、百 !r 月 护 户 - 竹 硬. t ,、 吸古.口. 压.厅 护 .r L 、 t-爪t.- r- 、,勺 曰打砖、 t . 厂 . .电. . ., 、吸 *、生、- t毛 l 刁 口 丫 ? ! , 翻 孚O 钱 爪 i、 二乃 沁阴 川 ! 犷附 洲 , 卜 切们 份 “ ., 如 川 藉 J。,忿 别 川 汁 冲 ” 昭J 10 户念、兴 长 O 10了 30 ,汽O 5O仁 O 孙 日飞 9。,100 术(举 议 七 . 犷砂书勺rJ 皿 . 卜衬 ”1 , .10 如即 图6 Fi琴 6A仁eler ati o n 目标匀加速运动时的加速度估值曲线 “ti贝ati on o f oon,tant, e 沈墓 er ati on m oti on 士arget 表 1 给 出了稳态 时滤波器对于不同目标机动加速度的距离 、 速度和加速度估值的平均 误差 及均 方根误差 。 距离估值的 相对平均误差及均方根误差 一般小于 0 , 5呱 , 速度估值的 相对平均误差小于 1务 , 均方根误差小于 5肠, 加速度估值的相对平均误差一般小于 2肠 , 均方根误 差则小于 5肠 。 表 1 不 同目标 机动加速度时 , 距离 、 速度 、 加速度估值的 稳态平均误差及均 方根误 差(p二0 . 01 ) T ab le 1 . Statio n ary m eanerro ra 习drmse r r o r of ran ge 、 v elo eit了、a e ee l e r atio n e stimations fo rvarious m ane u ver ing a e eeleration s 目标加速度(米/秒1 ) 距 平均误 (米) 均方 根 误差 加速度(米/秒z ) 平均误差l均方根 误差 9 1勺 0 o 8 9 n灿 毛 喻 , 几 0 八 ,占,诬 引一 133 . 8 17 5 . 2 27 7 . 7 379 . 弓 4 e19 2 1 93 2 5 54 3右1 , 9 45石 . 8 543 . 3 一2 8 一07 1 、 3 3 , 3 56 24 7 2 5 . 1 3 0 . 6 35 . 1 38 9 一0 . 3 一 02 O , 3 0 . 2 0 . 2 ! 工 1 1 叮. 、胜汀, L . , t, .! , 0 0 0 0 ,二 2 f oj, J . D . Ke nd康k 等人 , 曾经指出 , 法向加速度机动在目标的各种机动方式中扮演着主 要的角色;并提出采用交互作用滤波器系统来保证对这种急剧加速机动的 目标进行良好的 状态估值 。 为了研究本模型及自适应算法对法向加速度机动的估值能力 , 采用计算机进行 了三 维 空间的模拟 。 所考虑的 目标运动轨迹如图 7 所示 。 在三个轴上 分别采用前面所说的 一维模型和自适应算法 。 目标速度厂 “45 0 米/秒, 法向加速 度“4 . 0 89 ,6二 30 时Z 轴 方向的速度 及加速度估值结果分别如图 8 及图 9 所示 。 X轴方向及Y轴方向的估值结果均 与Z轴方向的结果类似 。 图 9 反映了系统对突然出现的阶跃加速度的反应能力 。 从 / - - - 尤。X 图 了 三维空问中目标的法向加速度机 动 Fig 7 N ormolaee elor atio。 】 1】 ane以VCrS Cena ri o , thre e dim e n 蛇 、” 忆as。 攀 兴 ) 亡 图 8 目标法向机动时Z轴方向的速度估值 曲线 F屯 . 8V ef oeityesth aa 士沁n 初 2dir e etion 户公兴 )悦又 图9目标法向机动时Z轴方向的加速度估值曲线 Fi g . 9 A eeeler ati onest远at沁n 妞 2 d ir e eti on 表 2 给出 了目标取不 同的初速及法向加速度时X 、 Y 、 Z 方向的距离 、 速度及加速度 估值精度 。 由表可 见 , 在转弯半径由 1 . 5 公里变化至 1 8 公里 、 法向加速度达 6 . 1 2 9 的情 况下 , 本模型及自适应算法均可给出较好的估值结果 。 84 尹,、 息 闪 一一一 聋 翼, , 户叫吸、卜. . . O, 尸叫口, , 超超么么 攀缪一 一 . -. . . 上上吐内户 户户 口勺e jr、 、 口 二亡It、 、 一一 二钊、 、 尸州 丫叫 叫 ,目训,.闷 闷 一一具去 去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去去 蔺 一一一 每 万否 万万 吧口 C. 门门尸闷口口, , 兴兴兴兴 , ,、 】 弓二 C.弓弓 卜闷.二,弓。 。 侧 侧侧侧 Il l l 杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏杏 O匀 ,叫 弓, , 卷卷 为为蟾, , , O飞巨幻 O匀 匀 . , . . . 健健 、 、 ,卜俐l l l l l O盆 .口门月 月 留留兴兴 下、洲助 助助】力 ,川 ,口口弓咭口甲匀匀 侧侧侧侧 职.二 和和和 月口,仁月月月 侧侧侧侧 科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科科 脚脚脚脚荆荆 一万一酉一万一 . . . 户刃 ,口 州翻 翻创二弓O,叮叮 阵阵阵阵哆哆哆 ., . . . 尸尸尸尸尸尸叫.二冲 O O O 亡 闷心 二.尸叫叫 1 1 1 1 1 1 1 1 1 1 111 1 1I, , 兴兴兴兴形, , 不酥丁福一 一 O翻O二 .刃 刃刃刃刃刃刃刃刃刃 健健健健 1片甲甲 J J J J J 一借 雇福一 一 留留留留 下气”田田田 ,.叫 O匀C翻 翻翻 一一一一 泛习习习 口二 ,护,口口口 平平平平平 季 李李 , 咭 勺任幻 幻 心心心心心心习 O, ,口口 问问问问问问 二二 丁二酥谁 谁 l l l 知知知知知 t 、.二, 口口 O O O O O O O O O为 口 闷闷 , , , , ,叫闷,叫叫 O O O O O O O.月O、 - 一 -一. , 一 一一 . . , 一 一一一, 日叫-一一一 一 口口口口,C . C C C 弓叼 Q ,口口 户闷 0 10 0 0 O O O O O O O O O O O , .闷 O O O 十, , 一丁一舀 一一万一 一 O O O O 一万-万-履 一一 一 苏苏苏苏 登 . . . . . . . . . . 叫 . . . . . . .一 一一 勺勺勺、 O匀O加 .月 月月 兴兴兴兴兴兴 侧侧侧侧侧侧 弓二心月,口口口 蚜蚜蚜蚜 麟麟 污任 卜 ;一 一 ,口p刁 甲J J J 一;一参 于于 河河河河翎翎翎 , . . . . . . . . . . . . . . .门尸闷,穿穿穿 . . . . . . . . . . .巴 弓. .二. . . . . 侧侧侧侧件哆哆 , , 一一分万- 一童 一一 口l l l 兴兴兴兴 !碧 潮潮 O二 尸叫.J, , , 口 卜. 户习 习 健健健健健 月月月月月尸,碑.沪甘, , , J . .目口. 鑫鑫鑫鑫 蜘蜘 共澡共 一一雇一导导 呀,J .刁 巧.刀刀 C C C C C C C C C C C C C翻 卜.弓口口 , , , , , , , 叫叫 卜卜卜卜卜卜卜. 今】 侣 闷闷 袱袱袱 ) 留 捧 邪邪 、日 .闷,叫 叫.翻J 1.叫 下叫叫口 二,甲 O刀 刀 凝凝凝凝 卑。 。 ., ,叮11 1 1 护叫叫 一一一一一 - , 一 ., . . .叫. , ,., . . . 一 一 一 一 - . . .,. - - - . . . . . . . . . . . .月 月 护曰尸州0 0 0 0.口尸闷 公公 尸尸尸尸尸闷 叨户 J J J 鑫鑫鑫鑫 茹茹一象迁一寡 寡 O翻 吐 、门盆 盆 口 ,心口 口 脚脚脚脚翎翎翎 甲叫户 J J J ,叫 心闷闷 阵阵阵阵哆哆哆 - 目一一- - 一- - 一一 00 ,.叫 叫 以 _ _ _ _ _ ,叫 尸叫峪口 口口 ”悉 心, O 弓. . . 护. 弓翻 明二 二 为为为为为 111 1 1.1. . . .二.户, , 、 , , ,. 叫. . . . . . . . . . . . . . . . . . . . . . . . . . 网. . . . . . - 一 一 , lI I I 兴兴兴兴兴 ,乃 峨翻 .0 0 0, . 弓目t、 、 、 - . . .目. . . . . . . . . . .目. . . . a a a a a a a a a a a a a O ,护护叫叫 之之之之翎翎 班抢 节节节节呱m , , 0 1口 C. . . 心 闷 甲叫 以】 】 代代代代, 六盈 盈.目 O冲 ,护护公、 O翔 已 闷闷闷 粼粼粼粼粼 户闷闷尸叫叫叫 口口口口口J 叹, 七 、- . . , , 一- - - - - - C C C C C C C C C C C,“】 】 蠢蠢蠢 粼粼 二 一二 _ 三三 ,叫 卜 . C, , , : : : : : 郭 _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ 丙 . . . . . 羹羹羹羹舀妻妻 t、目 二二二二二二二二二二二二二二二二二二二二二二二二二二 弓弓弓弓弓, .口 弓口口 t t t t t t t t t、二亡 、,甲.0 0 0 0 户户户户户J弓, 卜J J J 闪 O含,闷闷 N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N N 翎 口, , 称粼 粼 ,宁弓口户 J J J弓月 0 1 困困困困困困困困困困困困困困困困困困困困困困困困困困 旦旦旦 门口口J勺勺 七七全全 ,叫尸川臼, ,峨口.口户 ) ) ) , 二二 , , ,口 叫 叫 州 月月 侣门,矛比, ,它 、,甲,甲甲 1 1 1 1 1Ij j j N I乃 , , 卜卜卜】 】,口卜, 洲洲 111 1 1 门,叫,甲甲甲.乃弓 月月 . . . . . . . . . . . .门 今】口翻 翻 后后弓弓 ,甲卜.尸叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫叫 派派派 O ,护口口 哪哪哪 一. . . . . ., ,. .,. . . 习习上 户口、 、 甘甘 I I I I IC, 0 C . . . 石石 爸爸 0 10 .二 二 挥挥挥 .月心 闷.门 门 琢琢翻 , 穿穿 ,李O 】尸闷闷 一一一一一一一一一一一一一一一一一一-一 . 一 一一一一 - - - 枣枣袅参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参参 布决 、曰胃尺 尺 弓二, O C C C, 心 : : : 目山 、喇户户 闷,甲弓 卜刁 ,矛弓 _ _ _ _ _ _ _ 书. J 巴 灿 口 。卜n. u 目l u l璐日 o uJ 。 J s uo 4。 . P 尹 知 产 次 u s u o 妇 司 日 洞 5.uo 妇 目. 1。 。. 尸 卜扫 。0 1。 卜 户 。 切 u 璐 J Oo . 5日 . 。“ 位 翎嘱窦喇翎长翁嘿公睁 密 划 鹅侧侧 梁 ; 侧侧 二 袍 裂 谊 长 Z 成 P u韶 o. 口璐。 芝 . N二 巴 司 卜 p 狄 蓄书 懊军召鉴血 N 琳 五 、 结论 分析和结果表明 , 以机动目标 “ 当前 ” 统计模型这一概念为基础将目标加速机动表示 为 一个修正的瑞利一马尔可夫过程以及利 用状态估值与状态噪声之间物理上的 内在联系所 构成的 目标机动加速度均值及方差自适应算法确实较大地改善了无自适应滤 波器的性能 , 无论在目标无机动(匀速运动) 、 有机动 (匀加速运动)或高度机动(加 速度本身 发生变 化) 的情况下都可以给出较好的 目标状态估值 。 显而易见 , 本文所提出的机动加速度均值及方差 自适应滤波算法是简单 而 易于实现 的 , 可 以方便地应用于对飞机 、 舰船及潜艇等目标进行状态估值 。 参考 文献 iR . A . Singe r, ( (E stimatin g op timal tr a eking filte r 叶 rfo rma n ee fo rm an n ed m a n euve ring targets, IE E ETr ans . A e r o spaeeand Eleetr o nieSvstem s, July 107 0 . 2N . H . Ghol so na nd R . L . Mo o se, Ma n eu ve ring targe士tr aeking usin g a dap tive stateesti皿atio n , IE E ETr a ns . A e r o sPae eand E le etr o nieS”tem s, May i, 77 . 3R . L . Mo o se, H . F . V a n la ngin gham and D . H . M eCabe, ( (Modeling ande stimation fo r tr a eking m a- ne u v e ring tar g ets IE E ET r a n s . A e r o spaeeand El e etronie Svstem s, M盯 1 9 7 0 . 4R . K . M e五r a, ( (APpro aehes to a daPtiv e filte ring , IE EE T r ans . A utomatie C o ntrol, o et . 1 9 72 . 5 R . J . MeA n lay and E . D en l ing er, Ade eision 一dir e e生edadaPtiv e traeke r, IEE E T r ans . A e rospaee a nd El e etr onie Sy ste皿s, Ma r eh 1073 . 6 J . 5 . Tho印 , OPtim altr a ekingof man euve ring ta rgets , IE E ETr an s . A er ospa e ea nd E le etro nie Sy stems, July 10 73 . 7 G . G . Rieke r an dJ . R . W illiam s, A daptiv e tr a eking filte rfo rm ane uve ring ta rgets, IE EE Tr a ns . A e r o sPa eeand E le etronie Syst ems, Ja n u a叮 19 7 5 . s J . D . K endriek, P . 5 . M a ybe ekand J . G . R eid, ( (Estim ationofa ir eraft targ etmotion u singorie - n tatio nm e a su r eme nts , IE E E T ran s . A erospae ean d E le etro nie System s, M a reh 19 8 1 . 9中国科学院 数 学研究所概率 组 , 离散时 间系统滤波 的数学方法 , 国防工业出版社 , 1 9 75 0 i 。 A . H . Ja zwin ski, ( (Sto ehastiePr o eessesan dFilte ringThe o ry , A eade皿ie Pr e ss , N ew Yo r k a nd L ondon , 19 7 0 . A “Cu rren t ” statistica!Model a nd Ad a pti v e T rac ki ng AIgo rithm fo r Ma ne uvering Ta rgets Zhot , H o”g r e n (Chi ne二 A e r o n au才 葱 cal E对abl葱动。e : t) A b str aet T his p aPer p t t ts fo rw a rd ta rg et a“eur r e nt m o d eleo ne epto fm a ne u verin gtarg ets a t 1 s Itm e ans thatwh en the reg io n 15m ane uvering w ith a Pr e s ent s lim ited , a eeeleration whieh ean be taken eerta in ae eeler ation in the next in sta nt a o f an d15 alwa了5a r o u n d “eu rren t ” ae e ele ration . Tf i erefo r e , it15 unne ee s s a ry 含 6 totake a ll o fthe a e e ele r ationva l ueo fta rgets into aeeo u n tdu ringth ee stab li - shin g o f statistiea lm o d elo fm ane u v e ringae eele r ation . In viewo fth e fa et that “eu rren t ” aeeelera tio n 15 va riable,a kind o f slidin g m an e uv er ing a eeele r a tio n probabilityd e nsit了 fu n etion 一m od ifiedR ayleigh de n sity fu n etio n who s e m e a n一 valu e 15 th ee urr en t ae e ele rationo fta rget 15p r o po sed in thispaPe r . By