用于机动目标跟踪的混合扩展卡尔曼滤波器和模糊推理算法

Jambura Journal of Electrical and Electronics Engineering Pub Date : 2022-07-14 DOI:10.37905/jjeee.v4i2.14121

Ifan Wiranto, Wrastawa Ridwan, Yuliyanti Kadir

{"title":"用于机动目标跟踪的混合扩展卡尔曼滤波器和模糊推理算法","authors":"Ifan Wiranto, Wrastawa Ridwan, Yuliyanti Kadir","doi":"10.37905/jjeee.v4i2.14121","DOIUrl":null,"url":null,"abstract":"Pada penelitian ini dikembangkan algoritma hibrid Extended Kalman Filter (EKF) dan Sistem Inferensi Fuzzy untuk mendapatkan hasil estimasi yang lebih akurat pada penjejakan target bermanuver. Logika Fuzzy telah digunakan untuk mengatur galat kovarian proses dan galat kovarian pengukuran dari proses EKF pada model sistem. Model state space yang digunakan untuk estimasi adalah model percepatan konstan, dan model pengukurannya adalah model radar. Hasil pengukuran sensor yang mengandung derau diestimasi menggunakan algoritma EKF. Kemudian galat kovarian yang dihasilkan dari proses EKF digunakan sebagai masukan pada Sistem Inferensi Fuzzy untuk koreksi berdasarkan ketidaksesuaian antara vektor inovasi dan kovarian inovasi. Hasil koreksi ini digunakan untuk mendapatkan gain Kalman yang optimal. Berdasarkan simulasi yang dilakukan menggunakan estimasi EKF dan Sistem Inferensi Fuzzy diperoleh peningkatan akurasi sebesar 59,97% dibandingkan dengan hasil pengukuran tanpa melakukan estimasi.In this paper the Extended Kalman Filter and the Fuzzy Inference System hybrid algorithm has developed to get more accurate estimation result for maneuvering target tracking. Fuzzy Logic has used to adjust the process covariance error and measurement covariance error of the Extended Kalman Filter process in the system model. The state space model used for estimation is a constant acceleration motion model, and the measurement model is a radar model. The measurement result of the sensor containing noise estimated using the Extended Kalman Filter (EKF) algorithm. Then, the covariance error resulting from the EKF process is used as input to the Fuzzy Inference System (FIS) for correction based on the mismatch between innovation vector and innovation covariance. The result of this correction used to obtain the optimal Kalman gain. The proposed system model leads to improved accuracy of 59.97% compared to measurement results without estimation in the simulation case. ","PeriodicalId":292481,"journal":{"name":"Jambura Journal of Electrical and Electronics Engineering","volume":"85 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2022-07-14","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Algoritma Hibrid Extended Kalman Filter dan Inferensi Fuzzy untuk Penjejakan Target Bermanuver\",\"authors\":\"Ifan Wiranto, Wrastawa Ridwan, Yuliyanti Kadir\",\"doi\":\"10.37905/jjeee.v4i2.14121\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Pada penelitian ini dikembangkan algoritma hibrid Extended Kalman Filter (EKF) dan Sistem Inferensi Fuzzy untuk mendapatkan hasil estimasi yang lebih akurat pada penjejakan target bermanuver. Logika Fuzzy telah digunakan untuk mengatur galat kovarian proses dan galat kovarian pengukuran dari proses EKF pada model sistem. Model state space yang digunakan untuk estimasi adalah model percepatan konstan, dan model pengukurannya adalah model radar. Hasil pengukuran sensor yang mengandung derau diestimasi menggunakan algoritma EKF. Kemudian galat kovarian yang dihasilkan dari proses EKF digunakan sebagai masukan pada Sistem Inferensi Fuzzy untuk koreksi berdasarkan ketidaksesuaian antara vektor inovasi dan kovarian inovasi. Hasil koreksi ini digunakan untuk mendapatkan gain Kalman yang optimal. Berdasarkan simulasi yang dilakukan menggunakan estimasi EKF dan Sistem Inferensi Fuzzy diperoleh peningkatan akurasi sebesar 59,97% dibandingkan dengan hasil pengukuran tanpa melakukan estimasi.In this paper the Extended Kalman Filter and the Fuzzy Inference System hybrid algorithm has developed to get more accurate estimation result for maneuvering target tracking. Fuzzy Logic has used to adjust the process covariance error and measurement covariance error of the Extended Kalman Filter process in the system model. The state space model used for estimation is a constant acceleration motion model, and the measurement model is a radar model. The measurement result of the sensor containing noise estimated using the Extended Kalman Filter (EKF) algorithm. Then, the covariance error resulting from the EKF process is used as input to the Fuzzy Inference System (FIS) for correction based on the mismatch between innovation vector and innovation covariance. The result of this correction used to obtain the optimal Kalman gain. The proposed system model leads to improved accuracy of 59.97% compared to measurement results without estimation in the simulation case. \",\"PeriodicalId\":292481,\"journal\":{\"name\":\"Jambura Journal of Electrical and Electronics Engineering\",\"volume\":\"85 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2022-07-14\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Jambura Journal of Electrical and Electronics Engineering\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.37905/jjeee.v4i2.14121\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jambura Journal of Electrical and Electronics Engineering","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.37905/jjeee.v4i2.14121","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 0

摘要

在这项研究中，开发了一种改良的杂交卡尔曼滤波器算法和模糊推理系统，以获得更准确地估计目标的机动性。模糊的逻辑被用来设置系统模型中存在的不共变量错误和同变量错误。测量用的状态空间模型是恒定加速度模型，测量模型是雷达模型。使用EKF算法进行带有梯度测定的传感器。然后，从exf过程中产生的同变量错误被用作对模糊推理系统的输入，以根据创新矢量和创新一致性之间的不匹配。这些纠正结果被用来获得最佳的卡尔曼增益。根据使用exf估计和模糊推理系统进行的模拟，在不进行估计的情况下，准确率增加了59.97%。在这篇扩展的卡尔曼过滤的论文中，模糊的遗传算法已经开发出来，为了准确定位定位目标的预测结果。模糊的逻辑只用于在系统模型中延长卡尔曼过滤过程的过程。美国的太空模型被用来估算是持续加速运动的模型，测量模型是雷达模型。传感器接触的建议建议使用扩展卡尔曼滤波器(exf)算法进行估计。然后，基于向量和创新共同变量之间的错误，这一纠正的结果使最优卡尔曼得到了证实。按比例计算，计算结果为59.97%。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

Algoritma Hibrid Extended Kalman Filter dan Inferensi Fuzzy untuk Penjejakan Target Bermanuver

Pada penelitian ini dikembangkan algoritma hibrid Extended Kalman Filter (EKF) dan Sistem Inferensi Fuzzy untuk mendapatkan hasil estimasi yang lebih akurat pada penjejakan target bermanuver. Logika Fuzzy telah digunakan untuk mengatur galat kovarian proses dan galat kovarian pengukuran dari proses EKF pada model sistem. Model state space yang digunakan untuk estimasi adalah model percepatan konstan, dan model pengukurannya adalah model radar. Hasil pengukuran sensor yang mengandung derau diestimasi menggunakan algoritma EKF. Kemudian galat kovarian yang dihasilkan dari proses EKF digunakan sebagai masukan pada Sistem Inferensi Fuzzy untuk koreksi berdasarkan ketidaksesuaian antara vektor inovasi dan kovarian inovasi. Hasil koreksi ini digunakan untuk mendapatkan gain Kalman yang optimal. Berdasarkan simulasi yang dilakukan menggunakan estimasi EKF dan Sistem Inferensi Fuzzy diperoleh peningkatan akurasi sebesar 59,97% dibandingkan dengan hasil pengukuran tanpa melakukan estimasi.In this paper the Extended Kalman Filter and the Fuzzy Inference System hybrid algorithm has developed to get more accurate estimation result for maneuvering target tracking. Fuzzy Logic has used to adjust the process covariance error and measurement covariance error of the Extended Kalman Filter process in the system model. The state space model used for estimation is a constant acceleration motion model, and the measurement model is a radar model. The measurement result of the sensor containing noise estimated using the Extended Kalman Filter (EKF) algorithm. Then, the covariance error resulting from the EKF process is used as input to the Fuzzy Inference System (FIS) for correction based on the mismatch between innovation vector and innovation covariance. The result of this correction used to obtain the optimal Kalman gain. The proposed system model leads to improved accuracy of 59.97% compared to measurement results without estimation in the simulation case.

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

Jambura Journal of Electrical and Electronics Engineering

自引率

0.00%

发文量