【正文】 度大。例如，在MATLAB里，用戶無需對矩陣預(yù)定義就可使用。程序的可移植性很好，基本上不做修改就可以在各種型號的計算機和操作系統(tǒng)上運行。MATLAB的圖形功能強大。在FORTRAN和C語言里，繪圖都很不容易，但在MATLAB里，數(shù)據(jù)的可視化非常簡單。MATLAB還具有較強的編輯圖形界面的能力。MATLAB的缺點是，它和其他高級程序相比，程序的執(zhí)行速度較慢。由于MATLAB的程序不用編譯等預(yù)處理，也不生成可執(zhí)行文件，程序為解釋執(zhí)行，所以速度較慢。功能強大的工具箱是MATLAB的另一特色。MATLAB包含兩個部分：核心部分和各種可選的工具箱。核心部分中有數(shù)百個核心內(nèi)部函數(shù)。其工具箱又分為兩類：功能性工具箱和學(xué)科性工具箱。功能性工具箱主要用來擴充其符號計算功能，圖示建模仿真功能，文字處理功能以及與硬件實時交互功能。功能性工具箱用于多種學(xué)科。而學(xué)科性工具箱是專業(yè)性比較強的，如control,toolbox,signl proceessing toolbox,mumnication toolbox等。這些工具箱都是由該領(lǐng)域內(nèi)學(xué)術(shù)水平很高的專家編寫的，所以用戶無需編寫自己學(xué)科范圍內(nèi)的基礎(chǔ)程序，而直接進行高、精、尖的研究。源程序的開放性。開放性也許是MATLAB最受人們歡迎的特點。除內(nèi)部函數(shù)以外，所有MATLAB的核心文件和工具箱文件都是可讀可改的源文件，用戶可通過對源文件的修改以及加入自己的文件構(gòu)成新的工具箱。 仿真與分析 對設(shè)計和實驗來說，仿真與分析師不可缺少的步驟，只要這樣才能找到合理的實驗方法和設(shè)計參數(shù)，從而達到實驗或設(shè)計的目標。 仿真流程圖。 目標跟蹤仿真流程圖 目標跟蹤試驗?zāi)Ｐ鸵獙δ繕烁欉M行仿真，建立試驗?zāi)Ｐ褪潜仨毜?。下面即是本論文進行仿真的實驗?zāi)Ｐ汀＜俣ㄓ幸蛔走_對平面上運動的目標進行觀測，目標在0400秒沿著y軸作恒速直線運動，運動速度為15米/秒，目標的起始點為(2000米,10000米)，在t= 400600秒向軸x方向做的慢轉(zhuǎn)彎，完成慢轉(zhuǎn)彎后加速度將降為零，從t=610秒開始做90度的快轉(zhuǎn)彎，在660秒結(jié)束轉(zhuǎn)彎，加速度降至零。雷達掃描周期T=2秒，X和Y獨立地進行觀測，觀測噪聲的標準差均為100米。分析：在該模型中，涉及到四個過程。第一過程，目標在0400秒的勻速運動過程，該過程采用卡爾曼線性濾波的方法對目標實施跟蹤。第二過程在t= 400600秒向軸x方向做的慢轉(zhuǎn)彎和第三過程t= 610660秒做的快轉(zhuǎn)彎，這兩個過程都產(chǎn)生了機動，需要對目標進行機動檢測，若檢測到機動，再利用機動的VD算法實現(xiàn)對目標跟蹤。第四個過程回到了勻速運動過程，還是利用卡爾曼濾波的方法。 實驗及仿真主程序勻速過程實驗主程序若檢測到目標做勻速運動，則在此階段采用靜態(tài)濾波——卡爾曼濾波技術(shù)實現(xiàn)對目標的跟蹤。下面程序為此勻速過程的跟蹤源程序。 X_predict(k,:)=(Phi*X_estimate(k1,:)39。)39。 %狀態(tài)預(yù)測 P_predict=Phi*P_estimate*(Phi)39。 %預(yù)測協(xié)方差 K=P_predict*(H)39。*inv(H*P_predict*(H)39。+R)。 %增益 X_estimate(k,:)=(X_predict(k,:)39。+K*(z1H*X_predict(k,:)39。))39。 %狀態(tài)更新方程 P_estimate=(IK*H)*P_predict。 %協(xié)方差更新方程 X_est=X_estimate(k,:)。 X_pre=X_predict(k,:)。 v(:,k)=z1H*(X_predict(k,:))39。 % 新信息 S=H*P_predict*H39。+R。 % 新信息的方差陣機動過程實驗主程序——變維濾波算法若實驗過程中出現(xiàn)了機動，則采用基于機動檢測的跟蹤算法——變維濾波算法對機動進行檢測并對目標實施跟蹤。下面為出現(xiàn)機動時的跟蹤源程序。window=1/(1alpha)。 % 檢測機動的有效窗口長度Xm_estimate(k1,:)=Xm_est。if qq==1 %由非機動進入機動模型，需進行修正， 初始化 Xm_predict(k,:)=Xm_pre。 Xm_estimate(k,5)=[z1(1)Xm_predict(k,1)]*2/(T^2)。 Xm_estimate(k,6)=[z1(2)Xm_predict(k,3)]*2/(T^2)。 Xm_estimate(k,1)=z1(1)。 Xm_estimate(k,3)=z1(2)。 Xm_estimate(k,2)=Xm_estimate(k1,2)+Xm_estimate(k,5)*T。 Xm_estimate(k,4)=Xm_estimate(k1,4)+Xm_estimate(k,6)*T。 % 修正協(xié)方差陣 Pm_estimate(1,1)=R(1,1)。 Pm_estimate(3,3)=R(2,2)。 Pm_estimate(1,2)=R(1,1)*2/T。 Pm_estimate(2,1)=Pm_estimate(1,2)。 Pm_estimate(3,4)=R(2,2)*2/T。 Pm_estimate(4,3)=Pm_estimate(3,4)。 Pm_estimate(1,5)=R(1,1)*2/(T^2)。 Pm_estimate(5,1)=Pm_estimate(1,5)。 Pm_estimate(3,6)=R(2,2)*2/(T^2)。 Pm_estimate(6,3)=Pm_estimate(3,6)。 Pm_estimate(5,5)=[R(1,1)+P(1)+P(2)*2*T+P(3)*T*T]*4/(T^4)。 Pm_estimate(6,6)=[R(2,2)+P(4)+P(5)*2*T+P(6)*T*T]*4/(T^4)。 Pm_estimate(2,2)=R(1,1)*4/(T^2)+P(1)*4/(T^2)+P(3)+P(2)*4/T。 Pm_estimate(4,4)=R(2,2)*4/(T^2)+P(4)*4/(T^2)+P(6)+P(5)*4/T。 Pm_estimate(2,5)=R(1,1)*4/(T^3)+P(1)*4/(T^3)+P(3)*2/T+P(2)*6/(T^2)。 Pm_estimate(5,2)=Pm_estimate(2,5)。 Pm_estimate(4,6)=R(2,2)*4/(T^3)+P(4)*4/(T^3)+P(6)*2/T+P(5)*6/(T^2)。 Pm_estimate(6,4)=Pm_estimate(4,6)。 Xm_est=Xm_estimate(k,:)。 qq=0。%修正后，標志qq復(fù)位（不再初始化），ua1設(shè)為１０，使不進入非機動模型 ua1=10。 m=0。else % 濾波方程 Xm_predict(k,:)=(Phi*Xm_estimate(k1,:)39。)39。 %狀態(tài)預(yù)測 Q=[(Xm_estimate(k1,5)/20)^2,0。0,(Xm_estimate(k1,6)/20)^2]。 Pm_predict=Phi*Pm_estimate*(Phi)39。+G*Q*G39。 %協(xié)方差預(yù)測 K=Pm_predict*(H)39。*inv(H*Pm_predict*(H)39。+R)。 %增益 Xm_estimate(k,:)=(Xm_predict(k,:)39。+K*(z1H*Xm_predict(k,:)39。))39。 %狀態(tài)更新 Pm_estimate=(IK*H)*Pm_