[发明专利]基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法

说明书

本发明公开了一种基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，首先构建训练数据集，训练Elman神经网络；然后利用Elman神经网络初步预测待测数据的相对机动误差和过程噪声尺度因子；接着根据初步预测的相对机动误差和过程噪声尺度因子调整目标状态方程，进行二次预测，获得二次状态预测值和协方差矩阵；最后根据二次状态预测值和协方差矩阵进行量测更新，获得当前时刻滤波的最优估计。本发明降低了滞后优化修正带来的滤波误差，提高了滤波精度，对机动目标具有更好的适应能力。

技术领域

本发明涉及目标跟踪技术，具体涉及一种基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法。

背景技术

机动目标跟踪系统中最基本的问题就是状态估计问题，也就是常见的滤波问题。随着机动目标跟踪技术的研究不断深入，涌现了很多实用的滤波算法，如卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等等。这些基本的滤波算法结合时下较为成熟的机动目标运动模型即可很好地机动目标进行跟踪。但近年来，国内外科学技术日新月异，目标的机动性能不断提高，机动目标的跟踪环境也愈加复杂，一些传统的机动目标运动模型和滤波算法在跟踪这类强机动目标或高误差目标时，其性能往往都会显著下降。面对这样严峻的挑战，机动目标跟踪的研究工作不仅仅要从运动模型入手，来建模出能适应这种强机动目标的运动模型，还需要对滤波算法进行优化调整，使得滤波算法能够适应于不同的机动场景。

目前而言，常见的滤波优化方法可以分成以下三种类型：一是对于滤波算法中的某些参数进行自适应调整，即根据某种动态调整策略或者引入加权因子的方式对参数进行机动大小的自适应调整。如检测自适应滤波算法就是根据新息过程的变化，设计出机动检测准则，一旦检测到目标机动时，立刻进行噪声方差的调整。二是利用机器学习或者神经网络的方法对目标的状态估计进行预测，使用预测值来更新当前时刻的状态估计。如基于交互多模型的优化估计滤波算法就是通过神经网络训练出机动大小与最优估计的拟合函数，从而预测出当前时刻的状态估计值来更新目标的最优估计。三是结合以上两种方式既对滤波参数进行自适应调整，同时也对状态估计进行优化更新。但这三种类型的优化方法都是在单次滤波结束之后进行方差或者估计值的调整，其优化过程相对于滤波有一定的滞后，仍旧会有一定的滞后误差。

发明内容

本发明的目的在于提供一种基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，降低了滞后优化修正所带来的滤波误差，提高了滤波精度。

实现本发明目的的技术解决方案为：基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法，包括如下步骤：

步骤1、初始化滤波参数，包括初始状态估计、状态协方差矩阵、过程噪声协方差矩阵和观测噪声协方差矩阵；

步骤2、根据上一时刻的状态估计计算Sigma点和对应权值，进行Sigma点预测加权求和，获得当前时刻的初始状态预测值；

步骤3、获取当前时刻的目标观测值，与步骤2的初始状态预测值作差，获得待测数据；

步骤4、选取历史观测值、二次状态预测值、状态估计值、初始状态预测值和过程噪声协方差的尺度因子构建训练数据集，训练Elman神经网络；

步骤5、利用训练的Elman神经网络，初步预测待测数据的相对机动误差和过程噪声尺度因子；

步骤6、根据初步预测的相对机动误差和过程噪声尺度因子调整目标状态方程，并对步骤1的每个Sigma点进行二次预测，获得二次状态预测值和协方差矩阵；

步骤7、根据二次状态预测值和协方差矩阵进行量测更新，获得当前时刻滤波的最优估计。