基于极限学习机的修正当前统计模型跟踪算法

摘要

针对当前统计(Current Statistical,CS)模型由于先验知识的缺乏和其结构特点导致的跟踪精度降低的问题,通过使用极限学习机(Extreme Learning Machine,ELM)并根据目标历史状态信息,实时估计并修正CS模型的加速度估计值,提出了基于ELM的修正CS模型跟踪算法。ELM的训练结果表明,其训练速度极快且泛化性很好。测试集和单条轨迹的蒙特卡洛仿真实验表明,提出的算法在测试集上,能够提高原始算法的位置和速度约14%的精度,在单轨迹的跟踪实验中,其位置、速度和加速度的平均均方根误差和峰值均方根误差均为CS模型的14左右,并且机动自适应性好,鲁棒性更强,加速度估计更为稳定。同时,ELM结构简单,训练速度极快,增加的计算成本很小,具有较好的实际应用价值。