卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法

摘要

卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法，涉及机动目标滤波跟踪领域，解决了无法克服EMD方法中的“边界效应”及强机动目标卡尔曼滤波的发散问题。该方法为：一、获得当前采样时刻的量测数据序列，利用卡尔曼预测方程，获得下一时刻的系统状态预测数据，将其与当前序列组合；二、在组合序列中插值生成滤波序列；三、利用EMD方法对滤波序列进行分解，剔除包含噪声的IMF，获得当前滤波值；四、将该滤波值作为当前滤波结果显示；五、将该滤波值作为系统当前状态的后验估计，在下一时刻结合量测数据及卡尔曼方程组，获得计算参数，然后返回一，将下一时刻作为当前时刻，实现机动目标的跟踪。本发明可用于机动目标滤波跟踪领域。

主权项

1.卡尔曼滤波与经验模态分解有机结合的机动目标跟踪方法，其特征在于它的具体过程如下：步骤一、获得当前采样时刻的量测数据序列，并利用卡尔曼预测方程，获得下一采样时刻的系统状态预测数据，并将所述下一采样时刻的系统状态预测数据和当前量测数据序列组合，获得组合后的数据序列；步骤二、在步骤一获得的组合后的数据序列中的每相邻两个数据之间均匀分布多个插值点，生成滤波序列；步骤三、利用EMD方法对步骤二生成的滤波序列进行分解，获得包含噪声的IMF，在滤波序列中剔除包含噪声的IMF，然后获得当前时刻的滤波值；步骤四、将当前时刻的滤波值作为当前滤波结果显示；步骤五、将当前时刻的滤波值作为系统当前状态的后验估计，在下一采样时刻来临时，结合下一采样时刻的量测数据，并利用卡尔曼方程组得到用于下一采样时刻的计算参数，然后，返回执行步骤一，将下一采样时刻作为当前采样时刻，实现机动目标的跟踪；步骤一所述内容的过程如下：在采样时刻t(n)，n＝1，2，…，滤波系统获取当前量测数据序列，且在各个采样时刻所获取的量测数据序列的长度均为N；用{y(i)，i＝1，2，…，N}表示t(n)时刻的量测数据序列，其中y(N)为t(n)时刻采样获得的系统状态量测数据，y(N-1)为t(n-1)时刻采样获得的系统状态量测数据，…，y(1)为t(n-N+1)时刻采样获得的系统状态量测数据；所述卡尔曼预测方程为：$\hat{x}(n+1|n)=F(n+1,n)\hat{x}\left(n\right|n),$其中，n为当前采样时刻的序数，即当前采样时刻为t(n)；F(n+1，n)为状态转移矩阵，它为已知量；为用于预测的输入量，为预测结果输出量；在首次执行步骤一时，令等于系统当前时刻的系统状态测量数据y(N)；在非首次执行步骤一时，令等于上次执行步骤五时获得的所述用于下一采样时刻的计算参数；通过卡尔曼预测方程，并根据获得下一采样时刻t(n+1)的系统状态预测数据将所述下一时刻的系统状态预测数据和原始量测数据序列组合，令{y(1)，y(2)，...，y(N)}表示原始量测数据序列，则组合后的数据序列为$\{y\left(1\right),y\left(2\right),...,y\left(N\right),\hat{x}(n+1|n)\}.$