基于改進的QIPF交互式多模型的機動弱目標檢測前跟蹤算法的研究

蔣繼娟 李亭亭

摘 要：交互式多模型（Interacting Multiple Model，IMM）算法是當前處理機動微弱目標檢測跟蹤問題的主要研究方法，但是該算法使用的粒子數較多，導致算法的運行時間變長。本文章將傳統的交互式多模型算法與改進的擬蒙特卡羅智能粒子濾波思想相融合，提出了一種適用于非線性、非高斯系統的擬蒙特卡羅粒子濾波交互式多模型檢測前跟蹤算法。

關鍵詞：交互式多模型；擬蒙特卡羅；智能粒子濾波；機動微弱目標

一般對機動弱目標進行定位與跟蹤[ 1 ]，常常使用交互式多模型（Interacting Multiple Model，IMM）算法和粒子濾波（Particle Filter，PF）算法結合即IMMPF-TBD算法[ 2 ]本文中提出基于改進的擬蒙特卡羅[ 3 ]交互式多模型檢測前跟蹤算法（Interacting Multiple Model- Improve Quasi-Monte-Carlo Intelligent Particle Filter Track Before Detect，IMM-IQIPF-TBD）。

1 IMM-IQIPF-TBD算法

多模型IQIPF算法增添了模型變量，在采樣進行粒子狀態更新以及粒子權值更新時都是以模型變量為條件。原理圖如下圖1所示：

2 仿真及性能分析

在本小節我們將針對具體環境進行實驗仿真分析。本節將對IMMPF-TBD和IMM-IQIPF-TBD兩種算法，進行性能的實驗仿真，并對結果進行比較。

仿真環境如下：目標在5?t?15內和25?t?35內做勻速直線運動。在16?t?24，目標的角速度ω=0.2rad/s，做的是一種CT運動。在，目標沿x軸方向，在36?t?42秒，目標以角速度 ω=-0.2rad/s做CT運動，在42?t?50，目標沿x軸方向做勻速的直線運動。

仿真1：在這里我們的信噪比設為5dB，粒子數設置為1000，IMM-IQIPF-TBD算法、IMMPF-TBD的估計航跡與真實航跡進行對比，仿真結果如圖2所示。

圖2的仿真圖中可以看出相比較與IMMPF-TBD算法，IMM-IQIPF-TBD算法更能很好的描述目標運行的一個軌跡，由圖可知，IMM-IQIPF-TBD算法在目標轉彎時的收斂速度快，相應的跟蹤效果就更好。

參考文獻：

[1] 萬九卿，梁旭，馬志峰.基于自適應觀測模型交互多模型粒子濾波的紅外機動目標跟蹤[J].電子學報，2011，39（3）：602-608.

[2] 呂鐵軍，蔣宏，梁國威，等.改進的交互式多模型粒子濾波目標跟蹤算法[J].彈箭與制導學報，2013，33（3）：9-11.

[3] 郭云飛，唐學大，駱吉安，等.一種基于QMC-APF的檢測前跟蹤算法[J].現代雷達，2015，37（2）：33-36.