基于神经网络的机动目标信息融合与并行自适应跟踪

1993年7月17日收到,1994年9月1日收到修改稿国防科技跨行业预研基金和航空科学基金资助课题基于神经网络的机动目标信息融合与并行自适应跟踪敬忠良　徐　宏　周雪琴　戴冠中(西北工业大学自动控制系,西安,710072)NEURAL NET WORK -BASED INF OR M AT I ON FUSI ONAND PARALL EL ADAPT IVE TRACK ING OFM ANEUVER ING TARGETSJ ing Zhongliang ,Xu Hong ,Zhou Xueqin ,D ai Guanzhong(D ep t 1of A utom atic Contro l ,N o rthw estern Po lytechnical U niversity ,X i’an ,710072)摘　要　基于“当前”统计模型和BP 神经网络,提出一种新的机动目标神经网络信息融合与并行自适应跟踪算法(N IFPA T )。

该算法采用双滤波器并行结构,利用全状态反馈,通过BP 网络调整系统方差以适应目标的运动变化,具有对目标各种运动状态的良好自适应跟踪能力。

关键词　信息融合,神经网络,目标跟踪中图分类号　V 2491121Abstract A novel algo rithm of neural netw o rk 2based info r m ati on fusi on and parallel adap tive track ing of m aneuvering targets (N IFPA T )is p ropo sed .T he back 2p ropagati on neural netw o rk ap 2p lied to the info r m ati on fusi on is trained off 2line based on the feedback info r m ati on of all state ,and the output of the netw o rk is adjusted on 2line autom atically based on the feature vecto r to fit thedifferent movem ents of targets .T he results of si m ulati on show that the N IFPA T algo rithm p ro 2po sed has an excellent capacity fo r adap tively track ing m aneuvering targets.Key words info r m ati on fusi on ,neural net ,target track ing机动目标跟踪[1]是随机控制领域十分活跃的热门研究课题之一。

其中“当前”统计模型及自适应跟踪算法[2](CS M A T )是目前跟踪机动目标较为有效的方法。

如何更有效地适应目标机动同时又保持对非机动目标的高精度跟踪仍是一个值得深入研究的课题。

本文基于“当前”统计模型和B P 网络[3],利用全状态反馈,提出一种新的基于神经网络的机动目标信息融合与并行自适应跟踪算法(N IFPA T ),该算法采用双滤波器并行结构,B P 网络基于全状态输入样本集进行离线训练,根据特征向量在线自动调节网络输出,以适应目标的各种运动变化,其中滤波器F 1以较大的系统方差快速响应目标机动,滤波器F 2基于B P 网路的输出,以方差自适应形式保持对目标状态的高精度跟踪。

1　问题描述111　“当前”统计模型及自适应跟踪算法(CS M A T )该算法的基本思想是[2],当目标正以某一加速度机动时,下一时刻的加速度取值是有限的,且只能在“当前”加速度邻域内。

为此,提出“当前”统计模型,即机动加速度符合非零均值时间相关过程,其概率密度由修正的瑞利分布描述。

再利用瑞利分布随均值而变第16卷　第6期1995年 11月 航　空　学　报A CTA A ERONAU T I CA ET A STRONAU T I CA S I N I CA V o l .16N o.6N ov .1995化,方差由均值决定的特点,并令加速度均值等于当前时刻的加速度预测值,就实现了均值和方差自适应滤波。

理论研究表明,该模型的系统方差Ρ2W 与加速方差Ρ2a 成正比,即Ρ2W ∝Ρ2a =(4-Π)(a m ax -a λ)2 Π a λ≥0(4-Π)(a -m ax +a λ)2 Π a λ<0(1)式中aλ为加速度均值;a m ax 和a -m ax 分别为最大正、负加速度,其值由人工设定。

显见:①当a m ax 或a -m ax 取较大值时,系统能以较大的方差保持对目标机动的快速响应;②当a m ax 或a -m ax 一定,在目标以较小的加速度机动,特别是加速度为零时,系统方差很大,跟踪精度较差;在目标以较大的加速度机动时,系统方差较小,跟踪精度较高。

上述特征表明,该模型和算法对高度机动目标具有很强的自适应能力和较高的跟踪精度,但对弱机动和非机动目标,由于系统方差的调整不当而带来精度损失;另一方面,该模型的系统方差自适应仅仅利用了加速度估计信息。

如何充分利用目标的位置、速度和加速度信息,即全状态信息,如何更有效、准确地自动调整系统方差以适应目标的各种运动变化,则是本文所要解决的问题。

112　基于神经网络信息融合的双滤波器并行结构及其基本思想基于B P 网络的双滤波器并行结构如图1所示。

基于思想是滤波器F 1采用“当前”统计模型,选取较大的a m ax 或a -m ax ,即较大的加速度方差Ρ2a 1以适应目标的各种运动变化,并保持对机动的快速响应;滤波器F 2也采用“当前”统计模型,但其加速度方差Ρ2a 2与F 1中的相应项不同,Ρ2a 2的自动调整是综合F 1和F 2的全部信息即全状态反馈信息(Λ1,Λ2,Λ3),并利用B P 网络的输出O BP ∈(0,1),以不同的Ρ2a 2=O BP Ρ2a 1适应目标的强弱机动和非机动变化,当目标高度机动时,B P 网络根据特征向量(Λ1、Λ2、Λ3)在线自动输出一个接近于110的值,使得Ρ2a 1与Ρ2a 2接近,即F 2以较大的系统方差快速响应强机动并保持对目标状态的高精度跟踪;当目标非机动时,B P 网络则在线自动输出一个接近于零的值,使得Ρ2a 2较小,即F 2以较小的系统方差保持对目标状态的高精度跟踪;当目标在机动和非机动之间变化时,B P 网络则在线自动输出(0,1)间的值,即F 2以足够准确的系统方差适应目标的运动变化并保持对目标状态的高精度跟踪。

F 2的输出即为目标的状态估计。

图1　基于BP 网络的双滤波器并行结构图2　B P 网络及目标特征提取B P 网络是一种有监督学习的多层前向网络,由输入层、输出层和至少一个隐层构成,各层由若干非线性处理单元即神经元组成[3]。

其学习算法基于最小均方误差准则。

设有一样本训练集(d k ,p ,z k ,p ,k =1,2,…,N ),定义平方误差为617航　空　学　报第16卷E P =12(d p -z p )T (d p -z p )=122N k =1(d k ,p -z k ,p )2(2)利用最速下降法使权值沿误差函数的负梯度方向改变,并使E p 达到最小,权值修正量为∃w (t )=-Γ5E p 5w+Α’∃w (t -1)(3)式中Α’为惯性比例因子;Γ为学习速率。

因三层B P 网络具有逼近任意非线性函数的学习能力,本文选仅含一个隐层的B P 网络,其中输入节点数为3,输出节点为1,隐层节点数为7,Γ=017,Α’=019,网络迭代1500步即可取得满意的收敛效果。

N IFPA T 算法采用全状态反馈,以便最大程度地利用目标的位置、速度和加速度状态信息。

为了克服噪声的影响,选特征向量即B P 网络的输入为两滤波器预测误差范数,其分量为Λ1=f 1(3)=x ^1(k +1 k )-x ^2(k +1 k )]2s 1(k +1)+s 2(k +1)(4)Λ2=f 2(3)=[x ^1(k +1 k )-x ^2(k +1 k )]2p 1,22(k +1 k )+p 2,22(k +1 k )(5)Λ3=f 3(3)=[x ¨^1(k +1 k )-x ¨^2(k +1 k )]2p 1,33(k +1 k )+p 2,33(k +1 k )(6)式中x ^i (k +1 k ),x ・^i (k +1 k ))和x ¨^i (k +1 k ),i =1,2分别为两滤波器的位置、速度和加速度预测值;s 1(k +1)和s 2(k +1)分别为两滤波器位置残差的方差:p 1,22(k +1 k )和p 1,33(k +1 k )分别为滤波器F 1的速度和加速度预测方差:p 2,22(k +1 k )和p 2,33(k +1 k )分别为F 2的速度和加速度预测方差。

通过对目标各种机动水平和运动形式的大量仿真发现,特征向量的变化规律为Λ1∈[L Λ1,H Λ1],Λ2∈[L Λ2,H Λ2]和Λ3∈[L Λ3,H Λ3]。

学习样体选取如下:当特征向量各分量处于低值时,认为目标处于非机动状态,B P 网络的输出O BP 为一接近于0的值;当特征向量各分量处于高值时,认为目标处于强机动状态,B P 网络的输出O BP 为一接近于110的值;当特征向量各分量在低值和高值之间变化时,认为目标处于弱机动状态,B P 网络自动输出(0,1)之间的值。

考虑到目标发生机动时,Λ1,Λ2和Λ3对其具有不同的敏感性,不一定同时达到高值,为使F 2能较快地响应机动,当特征向量中1个或2个分量达到高值时,也应设置一个较大的学习样本值,即B P 网络的输出O BP 为一个较大的值。

3　机动目标神经网络信息融合与并行自适应跟踪算法假设两滤波器并行工作,并设目标的状态方程和观测方程分别为X (k )=5(k +1,k )X (k )+U (k )a λ+W (k )(7)Y (k )=H (k )X (k )+V (k )(8)其中X (k )=[x (k )x α(k )x β(k )]T ;5(k +1,k )为状态转移矩阵;U (k )为输入矩阵;H (k )为观测矩阵;V (k )与W (k )为相互独立的高斯量测噪声。

并行自适应滤波方程为X i (k k )=X i (k k -1)+K i (k )[Y (k )-H (k )X i (k k -1)](9)X i (k k -1)=5(k ,k -1)X i (k -1 k -1)+U (k )a λi (k )(10)K i (k )=P i (k k -1)H T (k )[H (k )P i (k k -1)H T (k )+R (k )]-1(11)717第6期敬忠良等:基于神经网络的机动目标信息融合与并行自适应跟踪P i (k k -1)=5(k ,k -1)P i (k -1 k -1)5T (k ,k -1)+Q i (k -1)(12)P i (k k )=[I -K i (k )H (k )]P i (k k -1)(13)a λi (k )=x ¨^i (k k -1) i =1,2(14)量测误差R (k )=[Βx (k )+∃x 0]2E [Ξ2(k )](15)式中Β为相对量测误差系数;∃x 0为探测器固定量测误差;Ξ(k )是均值为零、方差为1的正态伪随机数。