在线学习的循环自适应机动目标跟踪算法

针对机动目标难以精确跟踪的问题，提出了一种可在线学习的循环Kalman神经网络跟踪算法。考虑到状态转移矩阵、量测噪声和过程噪声矩阵在机动目标跟踪中难以实时、离线估计，且在实际应用中对应数据集获取成本高，因此使用在线学习的神经网络对其进行实时估计。由于Kalman滤波算法本身是一种循环结构，将简单的全连接层网络与其嵌合，全连接层网络实时输出状态转移矩阵、量测和过程噪声矩阵估计，构成一种广义的循环Kalman神经网络，根据网络最终输出的位置估计进行端到端的在线学习，并且通过理论推导证明了其在线学习的可行性。将提出的循环Kalman神经网络同3种经典机动目标算法进行了仿真对比，结果表明：循环Kalman神经网络跟踪需要很少的先验信息，在最优区域内较之其他3种算法具有最高的跟踪精度和鲁棒性，并且具有效率高、训练成本低以及可扩展性强的特点。