基于学习记忆的雷达目标跟踪优化方法研究

对于高校来讲，要想全方面提升学生管理信息化建设的水平，则需要根据实际情况，分析各方面影响因素，并且建设合理的规章制度，规范学生的行为，以及管理人员的行为（谢雨初,俞磊,刘文龙,姚懿,赵爽，高校学生管理工作信息化建设的探索与思考，信息记录材料,2019年第3期151-152页）。然而，在开展这方面工作的过程中，并不是一朝一夕就能完成的，而是需要累积经验，完善自身的不足，从而能够达到管理的目标。为了确保信息化建设工作的高效性与可靠性，高校领导以及管理人员，应该重视信息化建设，并且构建相关的维护团队与系统开发团队，确保在信息化建设的过程中，能够高效的完善网络信息平台。与此同时，还应该确保管理经费的充足，避免影响信息化建设到高效运行，而导致管理水平低下。此外，还应该定期的维护网络信息平台加大库存的数量，确保各方面信息能够实现共享，朝着智能的方向发展。结束语：总之，在高校实际开展学生管理信息化建设的过程中，应该全方面的分析影响因素，确保信息化建设能够高效稳定的进行。与此同时，应该重视对辅导员及管理人员的计算机能力培养，确保在管理与教学的过程中能够为学生创设优质的环境，促使学生的学习效率得到有效的提升。除此之外，辅导员以及高校管理人员，应该重视信息化建设，顺应时代的发展将更多高科技引进信息化建设当中，保障高校管理工作能够顺利开展，为社会培养众多优秀的人才。作者简介：王伟，男，山东平原人，大学本科，工程硕士，中级讲师，研究方向：高校大学生思想理论研究。

4 高校学生管理工作信息化建设的对策与建议

4.1 提高教学质量与管理素质

在高校学生管理实际开展信息化建设的过程中，应该提高改革的质量，创建高质量，高素质的辅导团队，促使学生能够接受，更加高水平的教育，进而提高学生的学习效率。与此同时，在开展管理的过程中，高校应该开展定期的测评分析学生学习过程中以及管理上出现的不足，竟然能够根据实际情况开展针对性培训与管理改善集群化建设过程中存在的不足，累积经验开展更加高效的管理方式（王涵，信息化建设对高校学生日常生活管理的影响研究，智库时代，2019年第11期84和157页）。4.2 推动信息化的建设

不仅需要重视师资力量的建设，同时需要推动信息化改革，简化实际工作流程，精细化各方面管理工作。与此同时，在开展信息化建设的过程中，应该严格遵守国家以及高校的规定，确保各项管理以及教学，都符合相关规章制度，严禁出现违规管理的情况。除此之外，高校在实施信息化检查的过程中，不仅需要跟进时代发展的步伐，同时需要评价自身的能力，进行创新与改革。将信息化建设的优点和优势应用到学生创建优质的学习环境，为教师提供高效的管理模式减轻教师的日常工作任务，进而轻松的实现管理学生的工作。能够将更多的精力放在其他高校事务上，避免教师工作压力大，导致各方面工作都无法提高效率。

引言：传统的雷达目标跟踪单纯依靠跟踪算法完成目标追踪，容易受到追踪目标自身属性及杂波的干扰，导致跟踪失败。本文提出了一种基于学习记忆的雷达目标跟踪优化方法，该方法以跟踪-学习-检测架构为基础，将多模型跟踪结果作为样本输入数据，通过学习器对和检测器进行约束，并优化，以满足稳定追踪的基本要求。仿真实验表明，本文提出的雷达目标跟踪优化方法可以提升目标跟踪的准确性。传统α — β滤波与卡尔曼滤波在跟踪基于线性系统的高斯过程表现出良好的性能，但在跟踪基于线性系统的非高斯过程表现的性能有待提升，而对于非线性过程，卡尔曼滤波则是改进的典型代表。同时在跟踪基于非线性、非高斯系统时，基于蒙特卡洛方法的滤波算法表现出良好的性能，在近些年被众多科研人员深入研究。交互多模型跟踪算法在对移动目标进行跟踪时，表现出精准的跟踪能力，此外还有以检测轨迹作为预测依据对物体进行追踪，在使用雷达对目标进行追踪时，实验周期延长可发现物体自身的机动性与实验环境杂波因素的强度对结果影响较大。一方面，实验环境杂波因素的强度过大将会导致追踪目标的信号被遮掩，同时在追踪时容易跟随杂波信号，导致结果错误。另一方面，物体自身的机动性较强时，运动轨迹变化频率较强，使用单一的模型对运动轨迹进行追踪时，结果很难实现精准，使得模型的准确率骤降，影响算法结果。本文基于在线学习机制，引入TLD框架进行跟踪，将对雷达目标的检测与跟踪同步进行，使用学习算法在技术上实现，利用的优势，提出基于TLD框架跟踪的多模型协同优化的目标跟踪算法，通过多模型进行优点互补，提升模型准确率，从而提升对目标进行跟踪时的鲁棒性，减少因物体自身的机动性与实验环境杂波因素的强度对追踪结果的影响。1 多模型优化的在线学习雷达目标跟踪算法

1.1 跟踪-学习-检测(TLD) 算法框架

TLD在对目标跟踪时可以分为跟踪、学习、检测三个阶段，融合P-N学习机制，并将机制和检测器的优点相结合，获取跟踪目标大量的位置变动信息与时间信息，使得对目标的跟踪更加稳定，检测器与在追踪过程中相互协调，不断通过跟踪目标将信息传递至检测器，对检测器的参数设置进行更新，学习器则对追踪器与检测器中出现的问题进行校对，更新对目标追踪时存在的问题。1.2 基于多模型优化的在线学习雷达目标跟踪算法

多模型优化的在线学习雷达目标跟踪算法对机动性目标进行跟踪时较为有效，对目标进行周期较长的追踪时，多模型对于不同的干扰因素建立有针对的模型，并对得到的不同滤波结果由学习

浙江宁波92602 罗剑雄

基于学习记忆的雷达目标跟踪优化方法研究• 59 •

ELECTRONICS WORLD・探索与观察机制进行分析，生成相应的输入样本用于目标跟踪与分类。

（1）多模型

多模型算法（Multiple Model，MM）能够针对运动状态较为多变的目标进行综合分析与追踪目标运动轨迹，不同的模型对应目标不同的运动特性，从而实现对运动特性的综合分析，提升目标轨迹追踪的准确率。对于雷达所追踪的目标W而言，在进行扫描检测时的属性量测能够成为特征目标生成的向量状态X，同时让Mj代表先验概率的j模型为正确状态下的事件名，在该模型j的参数下，该时刻量测下通过以下公式对似然函数进行计算：

（1）

上式中，Zk

代表1~k时间的测量，代表k时刻的信

息。利用贝叶斯计算法则，在时刻k创建模型j是正确的的验算概率为：

（2）

将上述计算得到的值作为权重，并按照不同的权重计算平均值，将该值作为 利用上述概率作为权重进行加权平均，该值作为对目标状态的评估值，因而最终得到的协方差近似为：

（3） （4）

在的正常运转中，多个滤波器会同时进行工作，每一类模型均对应物体的一种运动特性的概率，学习器在学习后将学习的结果对模型反馈后进行参数调整，使得模型估计的准确性再不断调整中得以提升。（2）检测器

检测器主要用于对目标的运动状态进行检测，使用的是Adaboost 算法，通过使用多组弱分类器进行串联，最后级联实现强分类器，在对样本进行分类分析时，前一级的分类器判断为合格样本，将送至下一分类器，若为不合格样本则不继续传送，直接予以输出，每一级的分类器判断结果均合格的则作为正确样本进行输出。

（3）学习器

P-N学习是结构化的训练方法，在学习数据的结构有两类约束，分别为正约束与负约束，其中正约束是指通过样本的可提取特征，负约束指未通过样本的可提取特征。具体的步骤如下：

利用监督学习的方法对样本分类为有监督学习与无监督学习，而后将通过样本加入到样本的学习库中，将未通过样本加入到检测器的检测数据中，并将最新的检测结果送至P-N专家进行学习与检测，不断迭代，直到结果出现了收敛，对模型的概率进行调整，算法的具体流程如图1所示。图1 MM-TLD 算法流程

2 仿真结果分析

为了验证本文提出的算法在对目标进行长周期跟踪时是否具备稳定性和准确性，将进行仿真实验，实验使用蒙特卡洛方法进行仿真追踪物体运动，同时对每一组获得的数据使用卡尔曼滤波与本文提出的算法做对比仿真实验。考虑雷达的电磁波返回情况及其他杂波干扰因素，使用RCS关系分

• 60 •

布特征中的x2来代表电磁波返回情况的起伏，x2分布的值的计

算如下：

（5）

在上述式子中，λ表示为双自由度。

在实验中，地面杂乱波长使用瑞利分布来表示，同时航线轨迹中存在的噪声使用高斯分布来表示，

λ作为双自由度取2，σ作为瑞利分布的标志系数，设为0.5。噪声值设为0，同时检测时的周期间隔取2秒，平均方差设定为40，仿真选取了1000组目标进行分析，使用相同的原理对不同的目标分别分析。

对实验结果进行分析，当目标的机动性过强、变化结果较快时，对比实验所使用的卡尔曼滤波将会显著的收到杂波的干扰使得准确定骤降，本文所提出的

MM-TLD 算法使用在线学习机制，当对物体跟踪出现问题时，通过P-N学习方法进行校对，并对的各类参数重新初始化，并调整检测器的值，最终实现对运动目标的精确跟踪，达到时间长，较稳定的跟踪结果。

同时实验模拟了发现概率为0.75状态下的1000组目标运动追踪，每一组目标为20个匀速运动的对象，同时对目标的稳定跟踪时的间隔周期进行计算，每组的目标的数量为10，将机动目标的最大加速度定为5g，通过跟踪失败的目标数除以总跟踪目标数计算跟丢率，在仿真实验中，使用了5种运动特征分析，分别为中心点迹、环境影响因素、运动速率、方向变动速率、解模糊识别码。跟踪的数据频率为2s，同时介绍本算法运行时的硬件配置，CPU为 Intel CoreTM i7-3400M，主频为3.2HZ，内存8GB，仿真实验在Matlab下运行，下表反映了两种算法实验对目标跟踪时的均方根误差、总目标平均跟丢率、跟踪时间、稳定跟踪所需周期。

表1 算法性能比较

均方根误差

总目标平均跟丢

跟踪时间稳定跟踪所需周

率（%）

（us）期数

Kalman65.218.82.4198MM-TLD

42.3

1.7

21.2

1127

对表1的结果进行分析，显然卡尔曼滤波与MM-TLD算法进行对比时存在差异，对目标跟踪周期较长时对目标的稳定性有着显著的要求，因此保证对目标追踪的准确率就尤为重要，MM-TLD与卡尔曼滤波算法相比，在对目标跟踪时稳定性较高，但是算法的运行时间明显增加，但数据更新率为2s时，本文提出的算法消耗的时间完全不影响数据分析的及时性，在时间可以接受的范围内最大程度的保证了追踪的稳定性，而MM-TLD 算法的稳定性与准确率更优秀。

3 结论

本文提出了基于学习记忆的雷达目标跟踪优化方法，MM-TLD，该算法在复杂的环境下也能实现对目标进行长周期的稳定跟踪，算法引入了P-N学习机制，将检测器与的机制进行融合，并利用学习机制对跟踪过程中存在的误差进行校正与更新，通过对比实验分析，本文所提出的MM-TLD算法与卡尔曼算法相比，能够在保证及时性的基础上保证对运动目标的精确跟踪，能够提供更加精准的长周期目标跟踪。作者简介：罗剑雄 （19-），男，重庆垫江人，硕士，工程师，研究方向：信息处理。