Обобщенная методика оптимизации параметров траекторных измерителей координат и параметров движения в системах мониторинга воздушной и наземной обстановки

Представлены результаты разработки и исследования обобщенной методики оптимизации параметров траекторных измерителей координат и параметров движения в системах мониторинга воздушной и наземной обстановки. Методика основана на комплексном подходе к формированию обучающей выборки с учетом различных моделей движения объектов и применении специализированных алгоритмов оптимизации. Разработанные алгоритмы реализуют полный цикл оптимизации, включая формирование обучающей выборки, предварительную обработку входных данных, совершенствование параметров и верификацию полученных результатов. Продемонстрированы результаты практического применения методики для настройки параметров неадаптивного фильтра Калмана и многоканального адаптивного фильтра (Interacting Multiple Model, IMM) при различных условиях наблюдения и характере движения объектов. На основе имитационного моделирования показано, что применение разработанной методики позволяет существенно повысить точность оценивания координат и параметров движения объектов по сравнению с традиционными подходами к выбору параметров. Особое внимание уделено исследованию устойчивости полученных решений к изменению условий наблюдения и характера движения объектов. Полученные результаты целесообразно использовать при разработке и модернизации систем траекторной обработки радиолокационной информации, в системах управления воздушным движением, при создании комплексов мониторинга наземной и воздушной обстановки, а также в других приложениях, требующих точного оценивания координат и параметров движения объектов в условиях априорной неопределенности.

1. Blackman S., Popoli R. Design and Analysis of Modern Tracking Systems. Boston, Artech House, 1999. 1230 p.

2. Radhika M., Mallick M., Tian X. IMM Filtering Algorithms for a Highly Maneuvering Fighter Aircraft: An Overview. Algorithms, 2024, vol. 17, no. 9, pp. 399–415. http://doi.org/10.3390/a17090399

3. Bar-Shalom Y., Rong Li X., Kirubarajan T. Estimation with Applications to Tracking and Navigation. New York, Wiley-Interscience Publ., 2001. 558 p. https://doi.org/10.1002/0471221279

4. Ristic B., Arulampalam S., Gordon N. Beyond the Kalman Filter. Particle Filters for Tracking Applications. Boston, London, Artech House, 2004. 299 p.

5. Han B., Huang H., Lei L., Huang C., Zhang Z. An Improved IMM Algorithm Based on STSRCKF for Maneuvering Target Tracking. IEEE Access, 2019, vol. 7, pp. 57795–57804. https://doi.org/10.1109/ACCESS.2019.2912983

6. Singer R. A. Estimating optimal tracking filter performance for manned maneuvering targets. IEEE Transactions on Aerospace and Electronic Systems, 1970, vol. 6, no. 4, pp. 473–483. https://doi.org/10.1109/TAES.1970.310128

7. Li X. R., Jilkov V. P. Survey of Maneuvering Target Tracking. Part I: Dynamic Models. IEEE Transactions on Aerospace and Electronic Systems, 2003, vol. 39, no. 4, pp. 1333–1364. https://doi.org/10.1109/TAES.2003.1261132

8. Grewal M. S., Andrews A. P. Kalman Filtering: Theory and Practice with MATLAB. Wiley, 2014. 640 p. https://doi.org/10.1002/9780470377819

9. Yang X. S. Nature-Inspired Optimization Algorithms: Theory, Advances and Applications. 2nd ed. London, Academic Press, 2021. 446 p. https://doi.org/10.1016/C2019-0-02835-0