- 1、本文档共23页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
(2000,10000米),在t=400-600秒向x轴方向做的慢转弯,.doc
统计信号仿真报告
——四院五队 杨海涛
学 号 一、研究目的
针对非机动和机动目标的跟踪设计最小二乘滤波器,进一步了解滤波器的特点,掌握滤波算法,掌握滤波算法应用的基本步骤。
二、情景假设
假定有一二座标雷达对一平面上运动的目标进行观测,目标在0-400秒沿轴作恒速直线运动,运动速度为-15米/秒,目标的起始点为(2000,10000米),在t=400-600秒向x轴方向做的慢转弯,加速度为0.075米/秒,完成慢转弯后加速度将降为零,从t=610秒开始做的快转弯,加速度为0.3米/秒,在660秒结束转弯,加速度降至零。雷达扫描周期T=2秒,x和y独立地进行观测,观测噪声的标准差均为100米。试建立雷达对目标的跟踪算法,并进行仿真分析,给出仿真分析结果。画出目标的真实轨迹、对目标的观测和滤波曲线。
三、实验步骤
1 建立算法
2 仿真计算
模拟目标真实轨迹
形成观测数据(真实轨迹位置数据迭加上观测数据)
递推估计
计算估计误差
3 结果分析
滤波误差的均值
滤波误差的标准差
其中为Mente-carlo 模拟次数,,为采样次数。
四、算法仿真
1、最小二乘算法
(1)算法描述
最小二乘估计属于参数估计的范畴。它不像贝叶斯估计和最大似然估计那样,要求预先知道一定的先验分布,也不像线性均方估计那样要知道一、二阶矩,它不需要知道任何统计特性,只要知道线性模型下的观测数据就可以了。最小二乘估计是一种线性估计。
设被估计量是维随机矢量,对其进行次观测,则有
式中是维矢量,是维观测误差矢量,是观测矩阵。
若设
则次观测可表示为
式中,都是维矢量,是矩阵。
参数的最小二乘估计值为:
或
其中是正定加权矩阵,是观测噪声的协方差矩阵,当噪声有一定的先验知识,已知时,便令=。
这里用的是最小二乘估计的惯序算法(递推的最小二乘算法)。
观测模型:
将新的观测加到以前的观测中去,可得到
再记
,
其中是的方差,是的协方差矩阵。
算法步骤:
(2)仿真方法
x轴、y轴两个坐标方向分别处理。假定是匀速运动模型,由初始时刻的位移(坐标)和速度构成二维矢量,并根据观测数据对来作估计,从而得到各个时刻位置的估计值,最后得到目标的运动轨迹。
由情景假设可知
,
初始值:
程序流程图:
按照以上流程,作两次最小二乘参数估计的仿真。一次的真实运动轨迹为匀速直线运动,模型也建立成匀速直线运动;另一次的真实运动轨迹有两个转弯机动,而模型还是建立成匀速直线运动。可以看出这两个仿真效果有什么不同。
(3)结果分析
以下给出了递推的最小二乘算法的真实轨迹曲线、测量数据、跟踪曲线以及位置估计误差均值和标准差曲线:
匀速运动的仿真结果:
机动运动的仿真结果:
仿真结果分析:
i)匀速运动的情况下,跟踪误差开始时较大,随后迅速减小,而且越来越逼近真实轨迹。
ii)匀速运动的情况下,方差也是开始时较大,后来慢慢减小。
iii)匀速运动的情况,整个程序耗时5秒钟左右。
iv)一旦目标发生机动,建立在匀速模型下的递推最小二乘算法会产生很大的误差,几乎是没法跟踪上目标。所以说模型不匹配的最小二乘算法是行不通的。
2、交互多模(IMM)算法
(1)算法描述
对于机动目标的跟踪问题,一般要采用自适应的滤波算法。这类算法有很多,如辛格(Singer)算法、输入估计(IE)算法、变维滤波(VD)算法还有交互多模(IMM)算法等。与其他的算法相比,交互多模(IMM)算法的优点是它不需要机动检测器监视机动,从而不会产生因模型在机动与非机动之间切换而带来的误差。其算法原理大致如下:
假定有r个模型
j=1,…,r
其中是均值为零,协方差矩阵为的白噪声序列。可用一个马尔可夫链来控制这些模型之间的转换,马尔可夫链的转移概率矩阵为
测量模型为
IMM算法步骤可归纳如下:
输入交互:
j=1,…,r
其中
是模型转到模型的转移概率,为归一化常数。
模型条件滤波:
对应于模型,以,及作为输入进行卡尔曼滤波,
预测:
预测误差协方差:
卡尔曼增益:
滤波:
滤波协方差:
模型概率更新:
其中为归一化常数,且,而为观测的似然函数,
其中
输出交互:
其仿真流程如图所示:
(2)仿真方法
在本次仿真试验中,试采用三个模型的多模交互(IMM)算法。第一个模型是非机动模型,第二、三个模型都是机动模型,只是系统噪声的方差阵不相同。
模型一:
,,
模型二:
,,
模型三:
,,
为了程序中统一表述的方便,这里的非机动模型中也采用6维向量的形式,只是从、的取值可以看出它仍是非机动模型。
上述三个模型的观测模型都是一样的:
其中
,
三个模型之间的转移概率矩阵是:
在跟踪开始,首先采用常规的卡尔曼滤波(非机动模型)
文档评论(0)