高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进自适应IMM-UKF算法的水下目标跟踪

王平波 刘杨

王平波, 刘杨. 基于改进自适应IMM-UKF算法的水下目标跟踪[J]. 电子与信息学报, 2022, 44(6): 1999-2005. doi: 10.11999/JEIT211128
引用本文: 王平波, 刘杨. 基于改进自适应IMM-UKF算法的水下目标跟踪[J]. 电子与信息学报, 2022, 44(6): 1999-2005. doi: 10.11999/JEIT211128
WANG Pingbo, LIU Yang. Underwater Target Tracking Algorithm Based on Improved Adaptive IMM-UKF[J]. Journal of Electronics & Information Technology, 2022, 44(6): 1999-2005. doi: 10.11999/JEIT211128
Citation: WANG Pingbo, LIU Yang. Underwater Target Tracking Algorithm Based on Improved Adaptive IMM-UKF[J]. Journal of Electronics & Information Technology, 2022, 44(6): 1999-2005. doi: 10.11999/JEIT211128

基于改进自适应IMM-UKF算法的水下目标跟踪

doi: 10.11999/JEIT211128
详细信息
    作者简介:

    王平波:男,1976年生,副教授,研究方向为水声信号处理、声呐作战使用、目标定位跟踪等

    刘杨:男,1997年生,硕士生,研究方向为水声信号处理、目标定位跟踪

    通讯作者:

    刘杨 373943937@qq.com

  • 中图分类号: TN929.3; TN953

Underwater Target Tracking Algorithm Based on Improved Adaptive IMM-UKF

  • 摘要: 针对现有自适应交互式多模型算法(AIMM)在水下目标跟踪过程中模型切换和跟踪精度上的不足,该文结合无迹卡尔曼滤波(UKF)算法,提出一种改进的AIMM-UKF算法。该算法在自适应修正马尔可夫转移概率矩阵的基础上,利用判定窗对其进行二次修正,实现匹配模型概率的快速增大和对非匹配模型的抑制。仿真结果表明,改进算法相比原有自适应算法,能更加充分地利用后验信息,拥有更好的模型切换速度,跟踪精度提升约24%。
  • 图  1  IMM-UKF算法流程图

    图  2  跟踪轨迹

    图  3  位置均方根误差

    图  4  速度均方根误差

    图  5  标准算法模型概率变化曲线

    图  6  文献[12]模型概率变化曲线

    图  7  本文算法模型概率变化曲线

    图  8  跟踪轨迹

    图  9  位置均方根误差

    图  10  速度均方根误差

    图  11  标准算法模型概率变化曲线

    图  12  文献[12]算法模型概率变化曲线

    图  13  本文算法模型概率变化曲线

    表  1  仿真参数

    参数名称数值
    X0目标初始状态向量(3000,4000,0,0,0.5,0.5)
    S声呐平台位置(m)(0,0)
    R量测噪声协方差阵diag(502 0.092)
    T采样间隔(s)1
    Th概率修正阈值0.5
    L判定窗长度5
    $ \eta $模型概率切换门限值4
    $ \lambda $转移概率矩阵调节参数0.99
    下载: 导出CSV

    表  2  各算法跟踪性能数据

    算法平均均方根误差均方根误差峰值
    位置(m)速度(m/s)位置(m)速度(m/s)
    本文算法80.333.44101.858.05
    文献[12]106.744.80173.448.21
    标准IMM-UKF算法130.366.42201.428.97
    下载: 导出CSV

    表  3  各算法跟踪性能数据

    算法平均均方根误差均方根误差峰值
    位置(m)速度(m/s)位置(m)速度(m/s)
    本文算法72.752.25100.254.32
    文献[12]86.162.79141.275.47
    标准IMM-UKF算法95.513.01158.975.70
    下载: 导出CSV
  • [1] MAZOR E, AVERBUCH A, BAR-SHALOM Y, et al. Interacting multiple model methods in target tracking: A survey[J]. IEEE Transactions on Aerospace and Electronic Systems, 1998, 34(1): 103–123. doi: 10.1109/7.640267
    [2] KALMAN R E. A new approach to linear filtering and prediction problems[J]. Journal of Basic Engineering, 1960, 82(1): 35–45. doi: 10.1115/1.3662552
    [3] 许红, 谢文冲, 袁华东, 等. 基于自适应的增广状态-交互式多模型的机动目标跟踪算法[J]. 电子与信息学报, 2020, 42(11): 2749–2755. doi: 10.11999/JEIT190516

    XU Hong, XIE Wenchong, YUAN Huadong, et al. Maneuvering target tracking algorithm based on the adaptive augmented state interracting multiple model[J]. Journal of Electronics &Information Technology, 2020, 42(11): 2749–2755. doi: 10.11999/JEIT190516
    [4] DAUM F. Nonlinear filters: Beyond the Kalman filter[J]. IEEE Aerospace and Electronic Systems Magazine, 2005, 20(8): 57–69. doi: 10.1109/MAES.2005.1499276
    [5] SONG T and SPEYER J. A stochastic analysis of a modified gain extended Kalman filter with applications to estimation with bearings only measurements[J]. IEEE Transactions on Automatic Control, 1985, 30(10): 940–949. doi: 10.1109/TAC.1985.1103821
    [6] TIAN Mengchu, BO Yuming, CHEN Zhimin, et al. Multi-target tracking method based on improved firefly algorithm optimized particle filter[J]. Neurocomputing, 2019, 359: 438–448. doi: 10.1016/j.neucom.2019.06.003
    [7] 马艳, 刘小东. 状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用[J]. 兵工学报, 2019, 40(2): 361–368. doi: 10.3969/j.issn.1000-1093.2019.02.016

    MA Yan and LIU Xiaodong. State adaptive unscented Kaiman filter algorithm and its application in tracking of underwater maneuvering target[J]. Acta Armamentarii, 2019, 40(2): 361–368. doi: 10.3969/j.issn.1000-1093.2019.02.016
    [8] 许登荣, 程水英, 包守亮. 自适应转移概率交互式多模型跟踪算法[J]. 电子学报, 2017, 45(9): 2113–2120. doi: 10.3969/j.issn.0372-2112.2017.09.009

    XU Dengrong, CHENG Shuiying, and BAO Shouliang. Interacting multiple model algorithm based on adaptive transition probability[J]. Acta Electronica Sinica, 2017, 45(9): 2113–2120. doi: 10.3969/j.issn.0372-2112.2017.09.009
    [9] 周昆正. 基于IMM-RDCKF的机动目标跟踪算法[J]. 雷达科学与技术, 2018, 16(6): 656–660,666. doi: 10.3969/j.issn.1672-2337.2018.06.013

    ZHOU Kunzheng. Maneuvering target tracking algorithm based on IMM-RDCKF[J]. Radar Science and Technology, 2018, 16(6): 656–660,666. doi: 10.3969/j.issn.1672-2337.2018.06.013
    [10] 周非, 罗晓勇, 刘云萍. 基于概率模型的实时修正IMM目标跟踪算法[J]. 计算机工程与应用, 2020, 56(21): 85–92. doi: 10.3778/j.issn.1002-8331.1909-0012

    ZHOU Fei, LUO Xiaoyong, and LIU Yunping. Real-time correction of IMM target tracking algorithm based on probability model[J]. Computer Engineering and Applications, 2020, 56(21): 85–92. doi: 10.3778/j.issn.1002-8331.1909-0012
    [11] 戴定成, 姚敏立, 蔡宗平, 等. 改进的马尔可夫参数自适应IMM算法[J]. 电子学报, 2017, 45(5): 1198–1205. doi: 10.3969/j.issn.0372-2112.2017.05.024

    DAI Dingcheng, YAO Minli, CAI Zongping, et al. Improved adaptive Markov IMM algorithm[J]. Acta Electronica Sinica, 2017, 45(5): 1198–1205. doi: 10.3969/j.issn.0372-2112.2017.05.024
    [12] 叶瑾, 许枫, 杨娟, 等. 一种改进的时变转移概率AIMM跟踪算法[J]. 应用声学, 2020, 39(2): 246–252. doi: 10.11684/j.issn.1000-310X.2020.02.011

    YE Jin, XU Feng, YANG Juan, et al. An improved AIMM tracking algorithm based on adaptivetransition probability[J]. Journal of Applied Acoustics, 2020, 39(2): 246–252. doi: 10.11684/j.issn.1000-310X.2020.02.011
    [13] 罗笑冰, 王宏强, 黎湘. 模型转移概率自适应的交互式多模型跟踪算法[J]. 电子与信息学报, 2005, 27(10): 1539–1541.

    LUO Xiaobing, WANG Hongqiang, and LI Xiang. Interacting multiple model algorithm with adaptive Markov transition probabilities[J]. Journal of Electronics &Information Technology, 2005, 27(10): 1539–1541.
  • 加载中
图(13) / 表(3)
计量
  • 文章访问数:  927
  • HTML全文浏览量:  388
  • PDF下载量:  141
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-10-14
  • 修回日期:  2022-04-17
  • 录用日期:  2022-04-30
  • 网络出版日期:  2022-05-06
  • 刊出日期:  2022-06-21

目录

    /

    返回文章
    返回