改进智能优化策略多机动目标跟踪方法研究

Multi-maneuvering target tracking technology is one of the key technologies of national air defense system, and multi-maneuvering target tracking technology of China compared with foreign countries still have large gaps. There is urgent need to improve its performance. In multi-maneuvering target tracking, target tracking algorithm base on the thought of joint probabilistic data association-interacting multiple model-particle filter is one the key technologies. We plan to study on the problems of high computation complexity and low performance price ratio. Firstly, improving the learning style and competition style of joint probabilistic data association based on Kohonen neural network, proposing an improved high real-time performance joint probabilistic data association method. Secondly, the particle update strategy of particle swarm optimized particle filter will be improved, we will design the particle optimization mechanism to improve comprehensive search ability and propose high cost performance particle swarm optimized particle filter. Finally, we will improve the particles interacting style of interacting multiple model and propose improved high real-time performance tracking model which will be suitable for particle filter. We plan to use improved intelligent optimization strategy mainly and design improved high comprehensive performance target tracking algorithm based on joint probabilistic data association-interacting multiple model-particle filter, it will provide novel ideas for new modern multi-maneuvering target tracking technology.

多机动目标跟踪技术是国家空中防御体系的核心技术之一，而目前我国多机动目标跟踪技术与发达国家相比尚有较大差距，迫切需要进一步提高其性能。在多机动目标跟踪中，基于联合数据关联-交互多模型-粒子滤波框架的目标跟踪方法是关键技术之一，本项目拟针对其存在的运算复杂度高、综合性价比低等问题进行研究。首先，对Kohonen神经网络联合数据关联方法的学习方式和竞争方式进行优化，提出高实时性的改进联合数据关联方法；其次，对粒子群优化粒子滤波的粒子更新策略进行改进，并设计能够提高综合寻优能力的粒子寻优机制，提出高性价比的改进粒子群优化粒子滤波算法；最后，对交互多模型的粒子交互方式进行优化，提出适用于粒子滤波的高实时性改进机动目标跟踪模型。本项目拟以改进的智能优化策略为主要手段，设计具有高综合性价比的改进联合数据关联交互多模型粒子滤波目标跟踪方法，为现代新型多机动目标跟踪技术的研究和应用提供新的思路。

目标状态估计理论是控制、数据处理等领域的基本问题，也是现在研究非常广泛的目标跟踪理论的重要理论基础。结合智能优化思想和状态估计理论，发展智能化及自适应的状态估计理论是现代目标跟踪领域的重要研究方向，成为实现常规场景下高精度、高可靠性多目标跟踪的新途径。项目组研究了常规场景下基于动态认知蝙蝠算法的联合数据关联多目标跟踪方法，提出认知范围限制策略和信息交互策略对蝙蝠算法进行改进，提高了多目标数据关联的精确性和稳定性；其次研究了常规场景下基于智能优化思想的目标跟踪非线性滤波方法，提出利用细菌的运动特性对粒子群优化粒子滤波的粒子运动趋势进行修正，实现全局寻优和局部寻优的良好平衡，提高了目标跟踪非线性滤波方法的精度；然后提出了常规场景下基于系统重采样的改进非交互多模型机动目标识别跟踪方法，对模型的切换规则进行改进，避免了粒子参与模型切换以及粒子进行交互引起的高运算复杂度，提高了常规场景下机动目标跟踪的效率。我们利用上述理论和方法解决了常规场景下的高精度、高稳定性多机动目标跟踪问题，进一步完善了目标状态估计理论。该项目研究不仅拓宽了智能优化目标跟踪理论的应用范围，而且为目标跟踪的研究提供了新的思路，具有较高的理论价值和应用价值。