遗传模糊神经网络改进的交互式多模型算法提升机动目标跟踪精度

本文主要探讨的是"基于遗传模糊神经网络的交互式多模型算法改进"，由史健芳和姜燕两位作者在太原理工大学信息工程学院进行的研究。机动目标跟踪是一个关键领域，特别是对于具有不确定性和变化性的目标，传统的交互式多模型（IMM）算法在概率更新过程中通常依赖于先验知识，而这对于动态的目标来说难以获取，可能导致跟踪精度下降甚至丢失。 IMM算法的核心在于模型概率的更新和模型间的切换，它通过马尔可夫切换系数实现模型间的软切换。然而，当目标机动时，如何实时调整模型参数和融合计算成为提升跟踪性能的关键。现有的改进方法包括优化模型集合设计、结合统计模型、神经网络辅助的IMM算法以及集成机动检测功能。 本文创新之处在于提出了一种新型的GA-FNNIMM算法，即遗传模糊神经网络（Genetic Fuzzy Neural Network，GFNN）与交互式多模型算法的融合。GFNN具有自学习和自适应特性，能处理不确定性，将目标机动时的残差量作为输入，通过网络学习得到各模型的匹配概率，从而替代了传统IMM算法中复杂的模型概率计算。这种方法减少了对先验知识的依赖，提高了机动目标跟踪的精度。 研究者设计了特定的GFNN结构和算法流程，并通过Monte Carlo仿真来验证其效果。实验结果显示，与常规的IMM算法相比，GA-FNNIMM算法在机动目标跟踪性能上表现更优，尤其是在处理复杂机动行为时，能够显著提升跟踪的稳定性和准确性。 总结起来，这篇论文的主要贡献在于提供了一种新颖的解决机动目标跟踪问题的方法，通过遗传模糊神经网络的智能化处理，有效地改进了交互式多模型算法，为实际应用提供了更为精确和鲁棒的跟踪解决方案。