机动目标跟踪支持向量回归学习新方法
移动机械手运动目标检测与跟踪技术研究
移动机械手运动目标检测与跟踪技术研究一、内容概要随着科技的不断发展，移动机械手在工业生产中的应用越来越广泛。
然而由于环境复杂、目标多变以及机械手运动的特殊性，给移动机械手的运动目标检测与跟踪技术带来了很大的挑战。
为了提高移动机械手的自主性和智能化水平，本文对移动机械手运动目标检测与跟踪技术进行了深入研究。
本文首先介绍了移动机械手的基本概念和工作原理，分析了其在工业生产中的重要性和应用前景。
接着针对移动机械手运动目标检测与跟踪技术的现状，提出了一种基于深度学习的目标检测与跟踪方法。
该方法结合了传统目标检测算法和深度学习技术的优势，能够有效地识别和跟踪移动机械手运动过程中的各种目标。
为了验证所提出方法的有效性，本文通过实验对比分析了不同方法在移动机械手运动目标检测与跟踪任务上的表现。
实验结果表明，所提出的基于深度学习的目标检测与跟踪方法具有较高的检测率和跟踪精度，能够满足移动机械手在复杂环境下的实时监控需求。
1. 研究背景和意义随着科技的不断发展，移动机械手在工业生产、物流配送等领域的应用越来越广泛。
然而由于移动机械手的特殊性，如高度灵活、操作空间有限等，使得其在实际应用过程中面临着诸多挑战，如运动目标检测与跟踪技术的研究尤为重要。
本文旨在通过对移动机械手运动目标检测与跟踪技术研究，提高移动机械手的自动化水平，降低人工干预的需求，从而提高生产效率和质量。
近年来随着人工智能技术的快速发展，机器人技术在各个领域取得了显著的成果。
特别是在工业生产、物流配送等领域，机器人技术的应用已经逐渐成为一种趋势。
然而由于移动机械手的特殊性，如高度灵活、操作空间有限等，使得其在实际应用过程中面临着诸多挑战，如运动目标检测与跟踪技术的研究尤为重要。
本文通过对移动机械手运动目标检测与跟踪技术研究，具有以下几个方面的研究意义：提高移动机械手的自动化水平。
通过研究运动目标检测与跟踪技术，可以实现对移动机械手周围环境的实时感知和精确控制，从而提高移动机械手的自动化水平。
自动驾驶车辆的目标检测与跟踪算法
自动驾驶车辆的目标检测与跟踪算法1. 引言随着人工智能和计算机视觉技术的不断发展，自动驾驶成为了汽车行业的一个热门领域。
自动驾驶车辆需要具备实时地感知和识别周围道路环境中的各种物体，其中最基本的就是目标检测与跟踪算法。
本文将介绍自动驾驶车辆中常用的目标检测与跟踪算法，并分析其优缺点。
2. 目标检测算法目标检测算法是自动驾驶车辆中的核心技术之一，其主要功能是识别道路上的各种目标物体，如车辆、行人、信号灯等。
目前，常用的目标检测算法主要有以下几种：2.1 卷积神经网络（CNN）卷积神经网络是目标检测中最为常用的算法之一。
它通过多层卷积和池化操作提取图像的特征，并通过全连接层进行分类。
CNN的优点是能够自动学习和提取图像特征，因此具有较高的准确率。
然而，CNN的计算量较大，在实时性方面存在一定的挑战。
2.2 支持向量机（SVM）支持向量机是一种二分类模型，其主要思想是通过找到一个最优超平面将不同类别的数据分离开。
在目标检测中，可以将SVM应用于特征提取和分类。
SVM的优点是在小样本情况下仍具有较好的表现，并且对于异常点的鲁棒性较强。
但SVM算法相对复杂，需要大量的计算资源。
2.3 区域卷积神经网络（R-CNN）R-CNN是一种基于区域的目标检测算法，其主要思想是先生成一系列候选框，然后对每个候选框应用CNN进行特征提取和分类。
R-CNN算法的优点是能够对目标进行定位，并且检测准确率较高。
但R-CNN算法的缺点是速度较慢，不适用于实时应用。
3. 目标跟踪算法目标跟踪算法是自动驾驶车辆中的另一个重要技术，其主要功能是在连续的图像序列中追踪目标物体的位置和运动。
以下是目标跟踪中常用的算法：3.1 卡尔曼滤波（Kalman Filter）卡尔曼滤波是一种用于状态估计和滤波的算法，其基本思想是通过融合预测和观测结果来估计目标的状态。
在目标跟踪中，可以将目标的位置和速度作为状态量进行估计。
卡尔曼滤波算法的优点是计算简单，适用于实时应用。
船舶动力定位系统数学模型参数辨识方法研究
船舶动力定位系统数学模型参数辨识方法研究李文华;杜佳璐;张银东;宋健;孙玉清;陈海泉【摘要】船舶动力定位是深海开发的关键技术之一,随着海上油气生产向深海的发展,对应用于船舶动力定位系统的船舶数学建模也提出更高的要求.首先介绍船舶动力定位系统的意义及其应用的数学模型,然后针对船舶及推进器动力学数学模型的辨识与建立过程进行详细介绍,最后讨论船舶外界环境扰动建模的策略.【期刊名称】《船舶》【年(卷),期】2012(023)003【总页数】5页(P55-59)【关键词】船舶;动力定位系统;数学模型;辨识;环境扰动【作者】李文华;杜佳璐;张银东;宋健;孙玉清;陈海泉【作者单位】大连海事大学轮机工程学院大连116026;大连海事大学信息科学技术学院大连116026;大连海事大学轮机工程学院大连116026;大连海事大学轮机工程学院大连116026;大连海事大学轮机工程学院大连116026;大连海事大学轮机工程学院大连116026【正文语种】中文【中图分类】U661.33船舶动力定位技术是指在不借助锚泊系统的情况下，使船舶利用自身的推进装置抵御风、浪、流等外界扰动的影响，以一定的姿态保持在海面某目标位置或精确地跟踪某一给定轨迹，以完成各种作业功能［1］。
它具有定位成本不随着水深增加而增加，机动性强，操作简便，定位精度高，不破坏海床等优点，故被广泛应用于海洋石油钻井平台以及打捞救助船、工程供应船、消防船等各种船舶上，是维持海洋浮式作业平台和船舶正常工作的关键。
近年来，随着海洋开发不断向着远海、深海扩展，动力定位技术对海洋开发具有越来越重要的现实意义，已受到业界广泛关注［2-3］。
为了提高动力定位船舶的操纵性能与定位精度，必须建立一个尽量精确而全面的数学模型。
应用于动力定位系统的船舶数学模型可以分为船舶及推进器动力学数学模型、船舶外界环境干扰因素环境扰动模型两个部分。
在有风、浪、流共同作用的复杂海况下，无约束的船舶具有六个自由度的运动特征。
基于深度学习的车辆目标检测算法综述
基于深度学习的车辆目标检测算法综述车辆目标检测是计算机视觉领域中的重要任务之一，在自动驾驶、交通监控以及智能交通系统等应用中具有广泛的应用前景。
随着深度学习的发展，基于深度学习的车辆目标检测算法也取得了显著的进展。
本文将对近年来的相关研究进行综述，介绍基于深度学习的车辆目标检测算法的原理、发展和应用。
一、深度学习在目标检测中的应用深度学习作为一种强大的机器学习方法，主要基于神经网络模型，利用大规模数据进行训练，能够学习到更复杂的特征表示。
由于车辆目标的形状和大小变化多样，传统方法在处理复杂情况下面临较大挑战。
而基于深度学习的车辆目标检测算法能够自动学习到车辆的高级特征，从而提高检测精度和鲁棒性。
二、基于深度学习的车辆目标检测算法原理基于深度学习的车辆目标检测算法主要分为两个阶段：候选区域生成和目标分类。
首先，通过使用候选区域生成器，将输入图像中可能包含车辆的区域提取出来。
接着，候选区域被送入卷积神经网络进行分类，得到最终的目标检测结果。
三、基于深度学习的车辆目标检测算法发展1. R-CNN系列方法R-CNN（Region-based Convolutional Neural Networks）是较早采用深度学习进行目标检测的方法之一。
该方法首先使用选择性搜索算法生成候选区域，然后对每个候选区域提取特征，并使用支持向量机进行分类。
虽然R-CNN方法在准确率上取得了很大的提升，但其计算速度较慢，不适合实时应用。
2. Fast R-CNN为了提高目标检测的速度，Fast R-CNN方法提出了一种共享特征提取的方式，通过在整个图像上只进行一次卷积操作，减少了计算时间。
此外，Fast R-CNN还引入了ROI Pooling层，用于解决不同大小的候选区域与固定尺寸的特征图之间的匹配问题。
相比于R-CNN方法，FastR-CNN在检测速度上有了较大的提升。
3. Faster R-CNNFaster R-CNN是基于Fast R-CNN的进一步改进，通过引入区域生成网络（Region Proposal Network）实现了端到端的目标检测。
基于机器视觉的自动驾驶车辆目标检测与跟踪研究
基于机器视觉的自动驾驶车辆目标检测与跟踪研究自动驾驶技术是近年来备受关注的领域之一，它凭借先进的机器视觉技术带来了许多创新的解决方案。
其中，自动驾驶车辆的目标检测与跟踪是其中关键的一环。
本文将探讨基于机器视觉的自动驾驶车辆目标检测与跟踪的研究及相关技术。
一、目标检测技术在自动驾驶中，目标检测是指识别和定位道路上的其他车辆、行人和障碍物等目标的过程。
当前广泛应用的目标检测技术包括传统方法和深度学习方法。
1. 传统方法：传统的目标检测算法通常基于特征提取和分类器的组合。
其中，常用的特征提取算法包括HOG（方向梯度直方图）和SIFT（尺度不变特征变换）。
这些算法通常需要手动设计特征，且鲁棒性较差。
分类器方面，常用的方法有支持向量机（SVM）和AdaBoost算法。
尽管传统方法在一些特定场景下表现良好，但对于复杂场景的处理能力有限。
2. 深度学习方法：深度学习技术的兴起改变了目标检测的研究方向。
基于卷积神经网络（CNN）的深度学习方法在目标检测领域取得了突破性进展。
其中，最著名的算法是R-CNN、Fast R-CNN和Faster R-CNN。
这些算法通过引入区域提议网络（Region Proposal Network，RPN）和锚点框（Anchor Box）的概念，实现了高效的目标检测与定位。
此外，还有基于单阶段检测的算法，如YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）。
这些方法不需要区域提议网络，能够在更短的时间内进行高效的目标检测。
二、目标跟踪技术目标跟踪是指在不同的图像帧中追踪同一目标，并不断更新目标的位置和状态。
目标跟踪在自动驾驶中起到了至关重要的作用，能够准确追踪其他车辆、行人等交通参与者。
目前，常用的目标跟踪方法包括基于特征的方法和深度学习方法。
1. 基于特征的方法：基于特征的目标跟踪方法通常通过手动设计目标的特征，如颜色、纹理、边缘等。
计算机视觉技术的实时目标检测和跟踪方法
计算机视觉技术的实时目标检测和跟踪方法近年来，计算机视觉技术的发展迅猛，对实时目标检测和跟踪提出了越来越高的要求。
事实上，在许多现实世界的应用中，如自动驾驶、安防监控和人机交互等领域，实时目标检测和跟踪已经成为一个重要的技术挑战。
本文将介绍一些常见的实时目标检测和跟踪方法。
实时目标检测是指在视频流中快速地检测和定位出图像中的目标物体，常用的算法包括基于传统机器学习方法和深度学习方法。
传统机器学习方法通常使用手工设计的特征和分类器，其中最著名的方法是基于HOG（方向梯度直方图）特征和SVM（支持向量机）分类器的方法。
这种方法具有较快的检测速度，但在复杂场景和目标变形的情况下效果不佳。
而随着深度学习的兴起，基于卷积神经网络（CNN）的方法逐渐成为主流。
这些方法通常将目标检测任务转化为一个回归问题，通过训练网络来预测目标的位置和类别。
其中最经典的方法是基于R-CNN的方法。
首先，利用Selective Search等算法生成候选框，然后将这些框裁剪成固定大小的图像，输入到CNN中提取特征。
最后，使用支持向量机对每个候选框进行分类和位置回归。
这种方法取得了很好的效果，但由于需要逐个处理候选框，速度较慢。
为了提高速度，出现了一系列的改进方法。
其中最重要的是Fast R-CNN和Faster R-CNN。
Fast R-CNN方法通过引入RoI Pooling层，将特征图与候选框对齐，从而避免了对每个候选框进行剪裁。
而Faster R-CNN方法则引入了一个Region Proposal Network（RPN），用于生成候选框，进一步减少了不必要的计算。
这些方法在目标检测的准确率和速度上都取得了较大的提升。
除了目标检测，实时目标跟踪也是计算机视觉中的一个关键问题。
实时目标跟踪是指在连续帧图像中准确地跟踪目标物体的移动。
为了解决这个问题，研究者们提出了各种各样的方法。
传统的目标跟踪方法通常基于特征点或者颜色信息来进行跟踪。
智能交通系统中的车辆目标跟踪算法研究
智能交通系统中的车辆目标跟踪算法研究智能交通系统（Intelligent Transportation System，ITS）是指通过应用先进的信息技术、通信技术和控制技术，来提高交通运输系统运行效率、安全性以及可持续性的一种综合性系统。
在智能交通系统中，车辆目标跟踪算法的研究具有重要意义。
本文将从车辆目标跟踪算法的基本原理、应用场景、挑战和发展趋势等方面进行探讨。
一、基本原理车辆目标跟踪算法是指通过分析车辆在连续帧图像中的位置和形态变化，实时追踪车辆目标的一种计算机视觉算法。
其基本原理可以概括为以下几个步骤：1. 目标检测：首先通过目标检测算法，如卷积神经网络（Convolutional Neural Network，CNN）或支持向量机（Support Vector Machine，SVM）等，从图像中提取出所有可能的车辆目标。
2. 目标匹配：根据车辆目标的位置、颜色、尺寸等特征，利用跟踪算法对目标进行匹配，确保每辆车的轨迹可以被连续、准确地跟踪。
3. 目标预测：根据车辆在历史帧中的运动轨迹，利用预测算法对目标的未来位置进行估计，以实现更准确的跟踪。
二、应用场景车辆目标跟踪算法在智能交通系统中有着广泛的应用场景。
以下是其中几个典型的应用示例：1. 交通流分析：通过对车辆目标的跟踪，可以实时获取道路上的车流密度、车速分布、拥堵状况等信息，为交通管理部门提供决策依据，优化交通流量分配。
2. 驾驶辅助系统：车辆目标跟踪算法可以应用于车载摄像头，实时监测车辆周围环境，提醒驾驶员注意前方障碍物，并且根据目标的运动轨迹进行预测，避免潜在的碰撞风险。
3. 交通事故预警：通过对车辆目标的跟踪，可以及时发现交通事故并进行预警，减少事故发生的时间和损失。
三、挑战与解决方案然而，车辆目标跟踪算法面临一些挑战。
以下是其中几个常见的挑战和可行的解决方案：1. 多目标跟踪：在复杂的交通环境中，同时存在多个车辆目标，这对跟踪算法提出了更高的要求。
《2024年目标跟踪算法综述》范文
《目标跟踪算法综述》篇一一、引言目标跟踪是计算机视觉领域的一个重要研究方向，广泛应用于视频监控、智能驾驶、人机交互等众多领域。
随着深度学习技术的发展，目标跟踪算法取得了显著的进步。
本文旨在全面综述目标跟踪算法的研究现状、主要方法和挑战，以期为相关研究提供参考。
二、目标跟踪算法的研究现状目标跟踪算法的发展历程可以追溯到上世纪中期，经历了从传统方法到深度学习方法的发展。
传统方法主要依赖于特征提取和匹配，而深度学习方法则通过学习大量数据来提高跟踪性能。
近年来，随着深度学习的广泛应用，基于深度学习的目标跟踪算法成为了研究热点。
三、主要目标跟踪算法1. 基于特征的方法基于特征的方法是早期目标跟踪的主要方法。
该方法首先提取目标对象的特征，然后在视频帧中搜索与该特征相似的区域。
常见的特征包括颜色、纹理、边缘等。
然而，这种方法对于复杂场景和动态背景的适应性较差。
2. 基于模型的方法基于模型的方法通过建立目标的模型来进行跟踪。
该方法首先从视频帧中提取目标对象，然后使用模型对目标进行描述和预测。
常见的模型包括模板匹配、支持向量机等。
这种方法对于模型的准确性和泛化能力要求较高。
3. 基于深度学习的方法基于深度学习的方法是近年来目标跟踪算法的研究热点。
该方法通过学习大量数据来提取目标的特征和模型，从而提高跟踪性能。
常见的深度学习方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
深度学习方法对于复杂场景和动态背景的适应性较强，但需要大量的训练数据和计算资源。
四、主要挑战与解决方法1. 目标形变与遮挡目标形变和遮挡是目标跟踪中的主要挑战之一。
为了解决这一问题，研究者们提出了各种方法，如使用更复杂的模型来描述目标、引入遮挡检测机制等。
此外，基于深度学习的方法也可以通过学习目标的形态变化和遮挡情况来提高跟踪性能。
2. 背景干扰与噪声背景干扰和噪声会影响目标的准确跟踪。
为了解决这一问题，研究者们提出了使用更鲁棒的特征提取方法和背景抑制技术。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
机动目标跟踪支持向量回归学习新方法赖少发;刘华军【摘要】Aiming at the problem that the motion modeling,the control input modeling and the noise modeling of the intense maneuvering target is not so accurate that bringing out the low accuracy in the automotive radar target tracking task,a novel method based on the support vector regression(SVR)for the manuevering target tracking is proposedhere.Through the online learning on the Frobenius norm of the residuals of theory innovation covarivance matrix and the actual innovation covariance maxtrix based on the constant accleration(CA)model,a scaling factor of the process noise covariance matrix is estimated to correct the previous motion model and the noise model in real time.Experiments indicate that the approach has the low dependency on the motion model and the noise model,is far superior to the constant acceleration model(CA),and it has higher accuracy and adaption than the Singer model.%针对强机动性车辆目标的运动建模、控制输入建模和噪声建模的不精确导致的汽车雷达目标跟踪滤波精度低的问题,该文提出了基于支持向量回归(SVR)的机动目标跟踪滤波新方法.在常加速度(CA)模型的基础上,对理论新息协方差与实际新息协方差残差的Frobenius 范数在线学习,获得过程噪声协方差的自适应调节因子,实时调整运动模型.对汽车雷达目标跟踪系统的仿真实验表明,该文算法降低了汽车雷达目标跟踪滤波对车辆运动模型和噪声模型的依赖程度,在强机动目标跟踪滤波性能上优于CA模型,比Singer模型具有更强的机动适应性和更高的精度.【期刊名称】《南京理工大学学报（自然科学版）》【年(卷),期】2017(041)002【总页数】5页(P264-268)【关键词】机动目标跟踪;支持向量回归;汽车毫米波雷达【作者】赖少发;刘华军【作者单位】南京理工大学计算机科学与工程学院,江苏南京 210094;南京理工大学计算机科学与工程学院,江苏南京 210094【正文语种】中文【中图分类】TP301.6对运动中的车辆做出精准的状态估计是智能交通系统(Intelligent transportation system,ITS)的最基本任务。
尤其在高级辅助驾驶系统(Advanced driver assitance system,ADAS)中,对其他车辆位置可靠的估计是碰撞检测、自适应巡航、盲点检测等应用的决定性条件[1]。
为了提高估计的准确性和鲁棒性,往往假设车辆的运动过程符合某种特定的运动模型,在此基础上使用卡尔曼滤波等状态估计方法对车辆的运动做出合理预测和估计。
然而,外界环境的变化和人对被测车辆不可预期的控制导致目标车辆具有非常强的机动性,很难使用精确的运动模型、合理的控制输入和准确的过程噪声统计特性来描述其运动规律。
过去几十年,人们提出了很多经典的机动目标动态模型,主要思想是使用符合一定统计特征的随机过程近似刻画事实上非随机的目标机动[2],这样的模型大致可分为3类:白噪声模型、可尔科夫过程模型和半可尔科夫跳跃过程模型[3,4]。
白噪声模型假设目标机动特性服从时不变的白噪声分布,如常速度(Constant velocity,CV)模型,常加速度(Constantacceleration,CA)模型等。
这类模型的特点是简单,但应用于强机动的汽车目标跟踪时滤波性能较差。
可尔科夫过程模型假设目标机动是一个可尔科夫过程,如熟知的Singer模型及其扩展模型。
Singer模型将目标机动加速度看作是一个平稳的一阶零均值可尔科夫过程,并假设机动加速度的时间相关函数是指数衰减函数。
实践表明,Singer模型能较好地适应介于匀速和匀加速之间的机动目标跟踪,并且修改机动频率参数就能方便地适应不同的机动方式[5]。
然而,Singer模型仍然属于先验模型,当机动性很强或机动场景发生较大改变时,Singer模型误差将变得很大甚至导致滤波发散[6]。
本文提出的自适应机动目标跟踪滤波算法,使用支持向量回归在线学习的方法,通过对新息协方差误差的Frobenius范数在线学习,实时监测目标机动的发生,并根据机动的大小在线调整模型参数,克服了Singer模型等先验模型对先验知识的紧密依赖,具有较好的机动适应性。
以汽车雷达所在位置为原点,定义k时刻机动目标状态向量为]T,量测向量为和分别表示笛卡尔坐标系下目标在X轴和Y轴方向的位置、速度和加速度分量;r,a,v分别表示在极坐标下目标距离、方位角和径向速度[7,8]。
因此系统离散时间模型描述如下Xk+1=FXk+wkYk=h(Xk)+vk式中:F为目标状态转移矩阵,h(·)为非线性测量模型。
wk、vk服从高斯白噪声分布,分别表示过程噪声和测量噪声,即P(wk)～N(0,Qk),P(vk)～N(0,Rk),Qk和Rk分别表示过程噪声协方差矩阵和测量噪声协方差矩阵。
CA模型假设系统控制输入服从高斯白噪声分布,因此目标状态转移矩阵表示为当假设系统控制输入和过程噪声均是高斯白噪声时,Qk实际上刻画了控制输入和过程噪声叠加后的统计特性[4]。
当目标机动较大时,控制输入和过程噪声不再符合高斯白噪声分布,Qk对机动的建模精度将变得很差,导致跟踪滤波误差较大甚至发散。
因此,根据目标机动实时调整Qk将有利于提高跟踪滤波的精度和稳定性。
定义Qk 的调整策略Qk+1=qkQk,qk为Qk的自适应调节因子,根据迭代滤波器的新息特性使用SVR在线学习获得最新的qk,可使得过程噪声协方差随着实际的噪声水平得到动态修正,达到运动模型适应目标机动的目的。
支持向量回归(Support vector regreesion,SVR)是支持向量机(Support vector machine,SVM)用于解决回归问题的推广形式。
通过样本特征空间到高维特征空间的映射,SVR能以任意精度逼近非线性过程[9]。
假设样本集Tset={(xi,yi)}i=1,2,…,n,xi∈Rm,yi∈R1,n为样本数量,m为样本维度。
利用高维特征空间线性函数yi=f(xi)=wTφ(xi)+b,i=1,2,…,n拟合样本集Tset,采用ε-不敏感损失函数的SVR可描述为以下最优化问题s.t. yi-wTφ(xi)-b≤ε+ξiwTφ式中:φ(·)为非线性映射,将样本特征空间映射到高维特征空间;w为权重,C>0为样本惩罚系数,ε表示不敏感系数,ξ和ξ*分别为偏离敏感区域的大小。
通过构建Lagrange函数,得到如下模型式中为Lagrange乘子,K(xi,x)=φ(xi)Tφ(x)为核函数[9-11]。
由前文可知,跟踪机动目标的核心问题在于目标机动的检测和运动模型的在线学习。
迭代滤波器中新息zk表示模型相关的状态预测值与测量值的偏差大小,理想状态下,理论新息服从高斯白噪声分布,然而,实验表明,在机动过程中实际新息的分布与机动分布基本一致[12]。
根据文献[13]中描述的新息协方差匹配技术,本文定义理论新息协方差Sk与实际新息协方差残差的Frobenius范数dSk为机动检测的依据dSk=‖‖F式中,实际新息协方差使用了长度为N的滑动窗口近似逼近[13],定义如下假设dSk和自适应调节因子qk存在以下关系qk=f(dSk)=wTφ(dSk)+b以dSk为SVR的输入,自适应调节因子qk为输出,则集成SVR的迭代滤波器框图如图1所示。
仿真实验设计了机动性较强的S形弯道,针对每一个机动场景分别使用CA模型、Singer模型和本文提出的基于支持向量回归的自学习方法(SVR-CA)进行10 000次蒙特卡罗实验,通过比较3种模型下卡尔曼滤波器的滤波精度,定量分析了基于支持向量回归的自学习方法的优良建模性能。
场景一,假设目标具有常量航向加速度a=2 m/s2,且航向初速度v0=10 m/s;场景二,假设目标具有常量航向加加速度j=0.5 m/s3,且航向初始加速度a0=2 m/s2,航向初速度v0=10 m/s。
两种场景模拟了相同的测量高斯白噪声。
图2、4分别为两种机动场景下CA模型、Singer模型和本文方法的滤波轨迹;图3、5分别为两种机动场景10 000次蒙特卡罗仿真的误差均值和误差均方根值的分布,相应的统计结果见表1、2。
由图2、3和表1分析可知,CA模型在目标机动时性能很差,滤波误差均值和均方根值甚至比测量值更大,即CA模型不具有机动建模能力;相比CA模型,Singer模型具有一定的机动适应性;基于CA的SVR在线学习模型在三者中性能最好,相比Singer模型,其滤波误差均值降低7.5%,误差均方根值降低25.5%。
由图4、5和表2分析可知,场景二相比场景一具有更强的机动性,CA模型和Singer模型的滤波位置误差均值和均方根值都大于测量噪声的均值和均方根值;而基于CA的SVR在线学习模型体现出了良好的性能,相比Singer模型,其滤波误差均值降低27.7%,滤波误差均方根值降低72.57%。
场景一和场景二的实验统计结果表明,Singer等先验机动模型的机动适应能力有限,不适于强机动目标跟踪运动建模。
本文提出的基于SVR在线自学习模型具有很好的机动适应能力,在强机动目标跟中也具有良好的建模性能。
本文提出了基于支持向量回归的机动目标跟踪滤波方法,在常加速度模型的基础上,使用支持向量回归算法,通过对理论新息协方差矩阵和实际新息协方差矩阵残差的Frobenius范数在线学习,获得过程噪声协方差矩阵的自适应调节因子,实时调整运动模型参数。