基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方法
【專利摘要】本發(fā)明屬于雷達(dá)機(jī)動目標(biāo)跟蹤領(lǐng)域,公開了一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方法,包括:初始化雷達(dá)觀測值,得到初始狀態(tài)向量和初始協(xié)方差矩陣;選擇初始角速度,確定運(yùn)動模型的狀態(tài)轉(zhuǎn)移矩陣;由運(yùn)動模型的個數(shù)假定初始先驗概率和初始模型概率轉(zhuǎn)移矩陣;進(jìn)行交互多模型濾波得到狀態(tài)估計向量和估計協(xié)方差矩陣,同時也得到模型的后驗概率;利用變結(jié)構(gòu)和圖論的思想,通過模型的后驗概率對角速度即多模型結(jié)構(gòu)進(jìn)行調(diào)整;通過模型的后驗概率對模型概率轉(zhuǎn)移矩陣進(jìn)行調(diào)整,直至跟蹤完成。本發(fā)明跟蹤性能好、計算量小,可用于對高速強(qiáng)機(jī)動目標(biāo)的跟蹤。
【專利說明】
基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及雷達(dá)機(jī)動目標(biāo)跟蹤領(lǐng)域,尤其涉及一種基于后驗概率的變結(jié)構(gòu)交互多 模型雷達(dá)機(jī)動目標(biāo)跟蹤方法,可用于對高速機(jī)動目標(biāo)的跟蹤。
【背景技術(shù)】
[0002] 由于目標(biāo)跟蹤在國防和民用各領(lǐng)域的重要價值,一直以來很多學(xué)者致力于研究目 標(biāo)跟蹤算法。隨著現(xiàn)代航空的迅速發(fā)展,各種飛行器的機(jī)動性和運(yùn)動速度越來越高,但是可 靠而精確的跟蹤目標(biāo)始終是目標(biāo)跟蹤系統(tǒng)設(shè)計的主要目的與難點。目標(biāo)跟蹤實際上就是對 目標(biāo)狀態(tài)的跟蹤濾波問題,而實現(xiàn)目標(biāo)跟蹤首先要使所建立的目標(biāo)運(yùn)動模型與實際的目標(biāo) 運(yùn)動模型匹配,建立目標(biāo)的運(yùn)動模型和自適應(yīng)濾波是機(jī)動目標(biāo)的兩個關(guān)鍵部分。
[0003] 在當(dāng)前目標(biāo)機(jī)動能力日益增強(qiáng)的情況下,單模型算法很難滿足跟蹤速度和精度的 需求,而多模型算法可以避免采用單模型時由于目標(biāo)機(jī)動而造成模型的不準(zhǔn)確,提高機(jī)動 目標(biāo)跟蹤性能,從而實現(xiàn)對強(qiáng)機(jī)動目標(biāo)的精確跟蹤。經(jīng)過國內(nèi)外學(xué)者幾十年來的不斷研究, 提出了很多目標(biāo)模型與算法。目前廣泛采用的算法是1984-1989年Blom和Bar-Shalom提出 的交互式多模型MM算法,該算法具有Markov轉(zhuǎn)移概率,且算法中有多個模型并行工作,多 個濾波器交互作用得到目標(biāo)狀態(tài)估計的結(jié)果,由于該模型有較好的自適應(yīng)能力,因而比較 理想。但是MM算法中由于其模型轉(zhuǎn)移概率是人為設(shè)置的,因此引入了人為誤差,影響了跟 蹤性能。除此之外,因為IMM算法中每一個模型都固定不變,在所設(shè)的模型都不符合實際運(yùn) 動模型的情況下,IMM算法跟蹤性能無疑會很差?,F(xiàn)在有為此改進(jìn)的變結(jié)構(gòu)IMM算法,雖然解 決了 IMM算法中模型固定不變的問題,但需要提前設(shè)好盡可能多的模型集,而模型集增刪規(guī) 則也十分復(fù)雜,運(yùn)算量十分龐大。
【發(fā)明內(nèi)容】
[0004] 針對上述現(xiàn)有技術(shù)的不足,本發(fā)明的目的在于提供一種基于后驗概率的變結(jié)構(gòu)交 互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方法,能夠增強(qiáng)濾波算法的自適應(yīng)能力,提高雷達(dá)在目標(biāo)強(qiáng)機(jī) 動下的跟蹤精度。
[0005] 實現(xiàn)本發(fā)明的技術(shù)思路是:利用變結(jié)構(gòu)和圖論的思想,通過交互多模型的后驗概 率調(diào)整濾波器的結(jié)構(gòu)以及轉(zhuǎn)移概率,使多模型采用的機(jī)動模型集向著目標(biāo)真實運(yùn)動模型逼 近,進(jìn)而使估計信號逼近期望信號,以提高跟蹤性能。
[0006] 為達(dá)到上述目的,本發(fā)明的實施例采用如下技術(shù)方案:
[0007] -種基于后驗概率反饋的變結(jié)構(gòu)交互多模型機(jī)動目標(biāo)跟蹤方法,所述方法包括如 下步驟:
[0008] 步驟1,獲取雷達(dá)機(jī)動目標(biāo)的位置檢測值,對所述位置檢測值進(jìn)行N次采樣,得到觀 測值序列,根據(jù)所述觀測值序列確定雷達(dá)機(jī)動目標(biāo)的第〇時刻狀態(tài)向量和第〇時刻協(xié)方差矩 陣,N為大于1的自然數(shù);
[0009] 步驟2,雷達(dá)機(jī)動目標(biāo)運(yùn)動模型采用聯(lián)動式轉(zhuǎn)彎運(yùn)動模型,對所述聯(lián)動式轉(zhuǎn)彎運(yùn)動 模型設(shè)定r個不同的初始角速度,得到r個對應(yīng)的目標(biāo)運(yùn)動子模型和r個對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn) 移矩陣;分別確定r個目標(biāo)運(yùn)動子模型第0時刻先驗概率矩陣、第0時刻模型狀態(tài)轉(zhuǎn)移矩陣;
[0010] 步驟3,對于第j個目標(biāo)運(yùn)動子模型,根據(jù)第k-1時刻狀態(tài)向量和第k-1時刻協(xié)方差 矩陣,以及其對應(yīng)的第k-1時刻先驗概率矩陣、第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣,得到第j個目 標(biāo)運(yùn)動子模型最新的第k-1時刻狀態(tài)向量和第k-1時刻協(xié)方差矩陣,j G (1,2,-_r),k彡1,k 的初值為1;
[0011] 步驟4,根據(jù)第j個目標(biāo)運(yùn)動子模型最新的第k-1時刻狀態(tài)向量、第k-1時刻協(xié)方差 矩陣、所述觀測值序列和其對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣,計算第j個目標(biāo)運(yùn)動子模型的第k時 亥噺息值、第k時刻新息協(xié)方差矩陣以及第k時刻增益矩陣,從而得到第j個目標(biāo)運(yùn)動子模型 的第k時刻狀態(tài)估計向量和第k時刻狀態(tài)估計協(xié)方差矩陣;
[0012] 步驟5,根據(jù)所述第j個目標(biāo)運(yùn)動子模型的第k時亥噺息值和第k時刻新息協(xié)方差矩 陣計算第k時刻新息的似然函數(shù);根據(jù)所述第k時刻新息的似然函數(shù)、所述第j個目標(biāo)運(yùn)動子 模型的第k-1時刻先驗概率矩陣和第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣計算所述第j個目標(biāo)運(yùn)動子 模型的第k時刻后驗概率;
[0013] 步驟6,根據(jù)步驟3至步驟5,依次得到r個目標(biāo)運(yùn)動子模型的第k時刻狀態(tài)估計向 量、第k時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率,根據(jù)所述r個目標(biāo)運(yùn)動子模型的第 k時刻狀態(tài)估計向量、第k時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率得到r個目標(biāo)運(yùn)動 子模型第k時刻總體狀態(tài)估計向量和第k時刻總體狀態(tài)估計協(xié)方差矩陣;
[0014] 步驟7,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率對r個目標(biāo)運(yùn)動子模型的角速度 進(jìn)行修正,并將修正后的角速度作為r個目標(biāo)運(yùn)動子模型的最新角速度;
[0015] 步驟8,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率和第k-1時刻后驗概率對r個目 標(biāo)運(yùn)動子模型第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正,得到r個目標(biāo)運(yùn)動子模型第k時刻模 型狀態(tài)轉(zhuǎn)移矩陣,并將其作為r個目標(biāo)運(yùn)動子模型最新的模型狀態(tài)轉(zhuǎn)移矩陣;
[0016] 步驟9,令k的值加1,并依次重復(fù)執(zhí)行步驟3至步驟8,直到k>N-l,從而得到r個目 標(biāo)運(yùn)動子模型對雷達(dá)機(jī)動目標(biāo)跟蹤的最終模型狀態(tài)轉(zhuǎn)移矩陣,根據(jù)r個目標(biāo)運(yùn)動子模型的 最終模型狀態(tài)轉(zhuǎn)移矩陣對雷達(dá)機(jī)動目標(biāo)進(jìn)行跟蹤。
[0017]本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點在于:1.跟蹤性能高:本發(fā)明中引入了變結(jié)構(gòu)和圖 論的思想,與傳統(tǒng)IMM算法中模型集和轉(zhuǎn)移概率固定不同的是,本發(fā)明中濾波器可以利用多 模型的后驗概率自適應(yīng)調(diào)節(jié)模型集和轉(zhuǎn)移概率,從而提高了跟蹤精度,減小了誤差,同時提 高了對機(jī)動目標(biāo)的跟蹤性能;2.計算簡單:現(xiàn)有變結(jié)構(gòu)交互多模型算法都經(jīng)過一系列復(fù)雜 算法來達(dá)到增刪模型集的目的,雖然可能對更復(fù)雜的機(jī)動情況達(dá)到全面的自適應(yīng),更有可 能使結(jié)果背道而馳。本發(fā)明僅使用多模型的后驗概率對模型的某一參數(shù)進(jìn)行修正就達(dá)到修 改模型集的目的,大幅度降低了計算復(fù)雜度。
【附圖說明】
[0018]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案,下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單地介紹,顯而易見地,下面描述中的附圖僅僅是本 發(fā)明的一些實施例,對于本領(lǐng)域普通技術(shù)人員來講,在不付出創(chuàng)造性勞動的前提下,還可以 根據(jù)這些附圖獲得其他的附圖。
[0019] 圖1為本發(fā)明實施例提供的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo) 跟蹤方法的流程示意圖;
[0020] 圖2為本發(fā)明對雷達(dá)機(jī)動目標(biāo)跟蹤的效果示意圖;
[0021] 圖3為本發(fā)明與傳統(tǒng)IMM方法對雷達(dá)機(jī)動目標(biāo)跟蹤三維位置誤差比較示意圖;
[0022]圖4為本發(fā)明與傳統(tǒng)IMM方法對雷達(dá)機(jī)動目標(biāo)跟蹤三維速度誤差比較示意圖。
【具體實施方式】
[0023]下面將結(jié)合本發(fā)明實施例中的附圖,對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完 整地描述,顯然,所描述的實施例僅僅是本發(fā)明一部分實施例,而不是全部的實施例?;?本發(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例,都屬于本發(fā)明保護(hù)的范圍。
[0024] 一種基于后驗概率反饋的變結(jié)構(gòu)交互多模型機(jī)動目標(biāo)跟蹤方法,參照圖1,所述方 法包括如下步驟:
[0025]對機(jī)動目標(biāo)運(yùn)動狀態(tài)進(jìn)行初始化:
[0026]步驟1,步驟1,獲取雷達(dá)機(jī)動目標(biāo)的位置檢測值,對所述位置檢測值進(jìn)行N次采樣, 得到觀測值序列,根據(jù)所述觀測值序列確定雷達(dá)機(jī)動目標(biāo)的第〇時刻狀態(tài)向量和第〇時刻協(xié) 方差矩陣,N為大于1的自然數(shù)。
[0027]步驟1具體包括:
[0028] (la)對雷達(dá)機(jī)動目標(biāo)的位置進(jìn)行檢測,得到雷達(dá)機(jī)動目標(biāo)的位置檢測值,并對所 述位置檢測值進(jìn)行N次采樣,得到觀測值序列Z(k),k=l,2,…,N;
[0029]從觀測值序列Z(k)中取出前三個采樣點的觀測值Z(l),Z(2),Z(3),其中:
[0030] z(l) = [xx(l) yy(l) zz(l)]T
[0031] Z(2) = [xx(2) yy(2) zz(2)]T
[0032] Z(3) = [xx(3) yy(3) zz(3)]T
[0033] 式中xx( ? ),yy( ? ),zz( ?)分別表示雷達(dá)機(jī)動目標(biāo)在x軸、y軸、z軸的位置,[? ]T 表示矩陣的轉(zhuǎn)置;
[0034] (lb)根據(jù)所述觀測值序列Z(k)確定雷達(dá)機(jī)動目標(biāo)的第0時刻狀態(tài)向量,根據(jù)雷 達(dá)機(jī)動目標(biāo)的第〇時刻狀態(tài)向量確定雷達(dá)機(jī)動目標(biāo)的第〇時刻協(xié)方差矩陣P 〇:
[0035] 根據(jù)觀測值2(1),2(2),2(3),獲得雷達(dá)機(jī)動目標(biāo)的第0時刻狀態(tài)向量#:()'如下:
[0037] 其中,(叉叉(3)1叉(2))/1'、(77(3)17(2))/1'、(22(3)-22(2))/1'分別表示雷達(dá)機(jī)動 目標(biāo)在第3采樣點處的x軸方向速度、y軸方向速度、z軸方向速度;((xx(3)-xx(2))/T_(xx (2)-xx(l))/T)/T、((yy(3)-yy(2))/T-(yy(2)-yy(l))/T)/T、((zz(3)-zz(2)/T)_(zz(2)-zz(l)/T))/T分別表示雷達(dá)機(jī)動目標(biāo)在第3采樣點的x軸方向加速度、y軸方向加速度、z軸方 向加速度,T為采樣間隔;
[0038] (lc)根據(jù)第0時刻狀態(tài)向量為,獲得第0時刻協(xié)方差矩陣Po:PD ^,其中,E [?]表示數(shù)學(xué)期望。
[0039] 對機(jī)動目標(biāo)跟蹤模型參數(shù)進(jìn)行初始化:
[0040] 步驟2,雷達(dá)機(jī)動目標(biāo)運(yùn)動模型采用聯(lián)動式轉(zhuǎn)彎運(yùn)動模型,對所述聯(lián)動式轉(zhuǎn)彎運(yùn)動 模型設(shè)定r個不同的初始角速度,得到r個對應(yīng)的目標(biāo)運(yùn)動子模型和r個對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn) 移矩陣;分別確定r個目標(biāo)運(yùn)動子模型第0時刻先驗概率矩陣、第0時刻模型狀態(tài)轉(zhuǎn)移矩陣。
[0041] 根據(jù)機(jī)動目標(biāo)的運(yùn)動特性,可知協(xié)CT(聯(lián)動式轉(zhuǎn)彎運(yùn)動)模型因角速度不同幾乎可 以包含所有運(yùn)動可能狀態(tài)。
[0042]步驟2具體包括:
[0043] (2a)對雷達(dá)機(jī)動目標(biāo)運(yùn)動模型設(shè)定r個不同的初始角速度on,從而得到r個對應(yīng) 的系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣?i:
[0045] 根據(jù)目標(biāo)運(yùn)動子模型的個數(shù)確定r個目標(biāo)運(yùn)動子模型的第0時刻先驗概率y矩陣和 第〇時刻模型狀態(tài)轉(zhuǎn)移矩陣P:
[0046] y=[l/r 1/r ??? l/r]ixr 0,8 0.2/r-l ??? 0.2//--1" 0.2/f-l 0.8 0.2/r-I
[0047] p 二 ?. ? ? .4 ? ? ? ? ? 0.2/r-l 0.2/r-I 〇-8 _fXr
[0048] 其中,i = l,2,-_r,[ ? ]1Xr表示該矩陣為1行r列的矩陣,[? ]rXr表示該矩陣為r行 r列的矩陣。
[0049]輸入交互,即以模型j為例jG(l,2,-_r)進(jìn)行如下步驟:
[0050]步驟3,對于第j個目標(biāo)運(yùn)動子模型,根據(jù)第k-1時刻狀態(tài)向量和第k-1時刻協(xié)方差 矩陣,以及其對應(yīng)的第k_l時刻先驗概率矩陣、第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣,得到第j個目 標(biāo)運(yùn)動子模型最新的第k-1時刻狀態(tài)向量和第k-1時刻協(xié)方差矩陣,j G (1,2,-_r),k彡1,k 的初值為1。
[0051 ]步驟3具體包括:
[0052]對于第j個目標(biāo)運(yùn)動子模型,jG(l,2,-_r),根據(jù)第k-1時刻先驗概率矩陣、第k-1 時刻模型狀態(tài)轉(zhuǎn)移矩陣、第k-1時刻狀態(tài)向量和第k-1時刻協(xié)方差矩陣,得到第k-1時刻第j 個目標(biāo)運(yùn)動子模型的最新的第k-1時刻狀態(tài)向量伏-啦-1)和第k-1時刻協(xié)方差矩陣
[0056] 其中,m(k-l)為第k-1時刻目標(biāo)運(yùn)動子模型i發(fā)生的概率,Plj(k_l)為第k-1時刻模 型i轉(zhuǎn)換到模型j的概率,r代表目標(biāo)運(yùn)動子模型的總數(shù),mb(k-l| k-1)為第k-1時刻在轉(zhuǎn)換 結(jié)果為目標(biāo)運(yùn)動子模型j的條件下目標(biāo)運(yùn)動子模型i發(fā)生的概率。
[0057] 對于模型j,以步驟3求得的lk-1)、啦-1)及觀測值Z(k)作為輸入按 照如下步驟進(jìn)行濾波:
[0058] 步驟4,根據(jù)第j個目標(biāo)運(yùn)動子模型最新的第k-1時刻狀態(tài)向量、第k-1時刻協(xié)方差 矩陣、所述觀測值序列和其對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣,計算第j個目標(biāo)運(yùn)動子模型的第k時 亥噺息值、第k時刻新息協(xié)方差矩陣以及第k時刻增益矩陣,從而得到第j個目標(biāo)運(yùn)動子模型 的第k時刻狀態(tài)估計向量和第k時刻狀態(tài)估計協(xié)方差矩陣。
[0059]步驟4具體包括:
[0060] (4a)根據(jù)第k時刻目標(biāo)運(yùn)動子模型j的狀態(tài)轉(zhuǎn)移矩陣〇」(k)對第k-1時刻目標(biāo)運(yùn)動 子模型j的狀態(tài)向量f -l|.fc -1)進(jìn)行一步預(yù)測,得到對應(yīng)目標(biāo)運(yùn)動子模型的一步狀態(tài)預(yù)測 值餐--1): x,.(冰-1)=0,⑷義:;u~-ik -1);
[0061] (4b)根據(jù)狀態(tài)轉(zhuǎn)移矩陣〇j(k)對第k-1時刻目標(biāo)運(yùn)動子模型j的狀態(tài)協(xié)方差矩陣 -ik -1)進(jìn)行一步預(yù)測,得到對應(yīng)目標(biāo)運(yùn)動子模型的一步協(xié)方差預(yù)測值p」(k | k-i): -丨)=0, (/〇 +c?,,其中,Qj表示模型j的過程噪聲協(xié)方差;
[0062] (4c)獲取第k時刻目標(biāo)運(yùn)動子模型j的量測矩陣出(k),利用第k時刻目標(biāo)運(yùn)動子模 型j的量測矩陣Hj(k)對目標(biāo)運(yùn)動子模型j的一步狀態(tài)預(yù)測值f 進(jìn)行量測轉(zhuǎn)換,得到 對應(yīng)目標(biāo)運(yùn)動子模型的量測預(yù)測值$(^-1)=%(幻^(#-1),其中,出(k) 表示雷達(dá)機(jī)動目標(biāo)第k時刻目標(biāo)運(yùn)動子模型j的量測矩陣;
[0063] (4d)利用當(dāng)前時刻觀測值Z(k)和目標(biāo)運(yùn)動子模型j的量測預(yù)測值g(tk-l)相減得 到對應(yīng)目標(biāo)運(yùn)動子模型的新息值V」(k): V,.⑷=Z⑷-&(咖-1);
[0064] (4e)由目標(biāo)運(yùn)動子模型j的一步協(xié)方差預(yù)測值h(k|k-l)和量測矩陣出(k)確定對 應(yīng)目標(biāo)運(yùn)動子模型的新息協(xié)方差矩陣Sj(k): \(幻=//,.㈦以成-1)//丨⑷+ /?(/〇 ;其中,R (k)是觀測噪聲在第k時刻的協(xié)方差矩陣;
[0065] (4f)根據(jù)目標(biāo)運(yùn)動子模型j的一步協(xié)方差預(yù)測值lMk|k-l)、量測矩陣出(k)以及新 息協(xié)方差矩陣S」(k)計算增益矩陣l(k) 巧(稱S/H,( ?)H表示求矩陣 的共輒轉(zhuǎn)置,(? r1表示求矩陣的逆;
[0066] (4g)利用增益矩陣&(k)對目標(biāo)運(yùn)動子模型j的一步狀態(tài)預(yù)測值和一步 協(xié)方差預(yù)測值h(k|k-i)進(jìn)行濾波,得到目標(biāo)運(yùn)動子模型j的第k時刻狀態(tài)估計向量 和第k時刻狀態(tài)估計協(xié)方差矩陣Pj(k | k):
[0067] X; (A |A-) - X,. {/c iA - i j + /T, (A-)V;. (k)
[0068] Pj(k\k) = Pj{k\k-\)- Kjik )Sj(k)K/ i.k)。
[0069]對機(jī)動目標(biāo)跟蹤模型進(jìn)行更新:
[0070] 步驟5,根據(jù)所述第j個目標(biāo)運(yùn)動子模型的第k時刻新息值和第k時刻新息協(xié)方差矩 陣計算第k時刻新息的似然函數(shù);根據(jù)所述第k時刻新息的似然函數(shù)、所述第j個目標(biāo)運(yùn)動子 模型的第k-1時刻先驗概率矩陣和第k_l時刻模型狀態(tài)轉(zhuǎn)移矩陣計算所述第j個目標(biāo)運(yùn)動子 模型的第k時刻后驗概率。
[0071] 步驟5具體包括:
[0072] (5a)由目標(biāo)運(yùn)動子模型j的新息%(k)及其協(xié)方差矩陣S」(k)計算新息的似然函數(shù)
[0073] (5b)利用模型狀態(tài)轉(zhuǎn)移矩陣和新息的似然函數(shù)A」(k)對目標(biāo)運(yùn)動子模型j的先驗 概率進(jìn)行更新,得到目標(biāo)運(yùn)動子模型j的后驗概率h(k):
[0075] 輸出交互:
[0076] 步驟6,根據(jù)步驟3至步驟5,依次得到r個目標(biāo)運(yùn)動子模型的第k時刻狀態(tài)估計向 量、第k時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率,根據(jù)所述r個目標(biāo)運(yùn)動子模型的第 k時刻狀態(tài)估計向量、第k時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率得到r個目標(biāo)運(yùn)動 子模型第k時刻總體狀態(tài)估計向量和第k時刻總體狀態(tài)估計協(xié)方差矩陣。
[0077]步驟6具體包括:
[0078] 根據(jù)所述r個目標(biāo)運(yùn)動子模型第k時刻狀態(tài)估計向量、第k時刻狀態(tài)估計協(xié)方差矩 陣以及第k時刻后驗概率得到r個目標(biāo)運(yùn)動子模型交互后第k時刻狀態(tài)估計向量iab和第 k時刻狀態(tài)估計協(xié)方差矩陣P(k|k):
[0079] X (冰-)=之 X,.(人.丨幻,",.(人.) j=i "
[0081 ]按照如下步驟根據(jù)后驗概率建立變結(jié)構(gòu)模型:
[0082]步驟7,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率對r個目標(biāo)運(yùn)動子模型的角速度 進(jìn)行修正,并將修正后的角速度作為r個目標(biāo)運(yùn)動子模型的最新角速度。
[0083]步驟7具體包括:
[0084]若目標(biāo)運(yùn)動子模型數(shù)r為奇數(shù)即r = 2n + l,則在第k時刻的模型集為 wn(M ?…,<ina), ,?r(n) j,其特征參數(shù)分別對應(yīng)r個目標(biāo)運(yùn) 動子模型的角速度且在模型集中從小到大排列,《fH/稱為中心模型;對應(yīng)模型集的后驗概率為 r=2n,則在第k時刻的模型集為岣尸{<▲-11,…,,<如丨,⑵,… 為中心模型;對應(yīng)模型集的后驗概率為…,
[0085]按照下述方法調(diào)整模型間距:
[0086] 第k時刻模型間距調(diào)整參數(shù)為;狀{&fy-<inU),d' }:, = max'[份廣洲-h i二;K2,…n,其中s (U表示模型區(qū)分距離,一般取 S[i) < min{<H/ -<in(,),<ax(,) );
[0087] (7a)模型概率重心無跳變:此時/r" = max (/丨),則可根據(jù)其他模型概率判定模型 集不變或向中心模型靠攏;
[0090] 其中,表示不可能模型的門限值,一般取tKO. 1;
[0091] (7b)模型概率重心向左跳變:此時//廣;"=max W ),則可根據(jù)其他模型概率判定 模型集不變或向左側(cè)模型靠攏; Ld)其他 [0093] 〇j^(i) =0^+^
[0094]其中,七2表示有效模型的門限值,一般取^ >0.9;
[0095] (7c)模型概率重心向右跳變:此時//廠w = max(7:),則可根據(jù)其他模型概率判定 模型集不變或向右側(cè)模型靠攏; +2Ar(,)若//廠(,)>6
[0096] cr(H 、 , +Ar(,) 其他
[0097] 。
[0098] 按照如下步驟基于后驗概率改變轉(zhuǎn)移概率矩陣:
[0099] 步驟8,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率和第k-1時刻后驗概率對r個目 標(biāo)運(yùn)動子模型第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正,得到r個目標(biāo)運(yùn)動子模型第k時刻模 型狀態(tài)轉(zhuǎn)移矩陣,并將其作為r個目標(biāo)運(yùn)動子模型最新的模型狀態(tài)轉(zhuǎn)移矩陣。
[0100] 步驟8具體包括:
[0101] (8a)對于目標(biāo)運(yùn)動子模型j,其后驗概率在第k時刻與第k-1時刻的比值h(k)為:
[0103] (8b)利用前后時刻后驗概率比值丨(k)對第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正, 第k時刻模型狀態(tài)轉(zhuǎn)移矩陣:
[0105] 判斷跟蹤是否完成:
[0106] 步驟9,令k的值加1,并依次重復(fù)執(zhí)行步驟3至步驟8,直到k>N-l,從而得到r個目 標(biāo)運(yùn)動子模型對雷達(dá)機(jī)動目標(biāo)跟蹤的最終模型狀態(tài)轉(zhuǎn)移矩陣,根據(jù)r個目標(biāo)運(yùn)動子模型的 最終模型狀態(tài)轉(zhuǎn)移矩陣對雷達(dá)機(jī)動目標(biāo)進(jìn)行跟蹤。
[0107] 本發(fā)明的效果可以通過以下仿真進(jìn)一步說明:
[0108] 1.仿真條件:
[0109] 假設(shè)目標(biāo)的起始位置為[60 40 20]km,起始速度為[-184 184 150]m/s,轉(zhuǎn)彎速度 300m/s,在l-60s,156-180s,246-300s目標(biāo)在x-z平面做左轉(zhuǎn)45°圓周運(yùn)動;在64-155s目標(biāo) 在三維斜面做左轉(zhuǎn)1.87°圓周運(yùn)動;在181-245S目標(biāo)在三維斜面做右轉(zhuǎn)2.8°圓周運(yùn)動。距離 誤差的標(biāo)準(zhǔn)差為△ r= 127m,方位角誤差的標(biāo)準(zhǔn)差為A 0 = 0.1°,仰角測量誤差的標(biāo)準(zhǔn)差為 = 0 f。對目標(biāo)進(jìn)行3〇〇8的觀測,采樣間隔T為ls,Monte Carlo仿真100次。
[0110] 選擇的運(yùn)動模型是CT模型。初始模型集選取_={-31/3,-31/18,-31/3},模型區(qū)分距 離 5 = jt/18〇
[0111] 2.仿真內(nèi)容
[0112] 仿真1,采用本發(fā)明方法對仿真條件中所述的目標(biāo)進(jìn)行跟蹤仿真,結(jié)果如圖2。從圖 2可以看出,本發(fā)明方法的跟蹤軌跡很接近機(jī)動目標(biāo)運(yùn)動的真實軌跡。
[0113] 仿真2,對用本發(fā)明方法與傳統(tǒng)IMM方法的跟蹤誤差進(jìn)行比較,圖3表示本發(fā)明方法 和傳統(tǒng)MM算法在距離上的跟蹤誤差比較;圖4表示本發(fā)明方法和傳統(tǒng)頂M算法在速度上的 跟蹤誤差比較。
[0114] 圖3和圖4表明本發(fā)明方法的跟蹤誤差在整體趨勢上小于MM算法的跟蹤誤差,且 跟蹤穩(wěn)定,更適合對高速強(qiáng)機(jī)動目標(biāo)的跟蹤。
[0115] 以上所述,僅為本發(fā)明的【具體實施方式】,但本發(fā)明的保護(hù)范圍并不局限于此,任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi),可輕易想到變化或替換,都應(yīng)涵 蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此,本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項】
1. 一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方法,其特征在于,所述 方法包括如下步驟: 步驟1,獲取雷達(dá)機(jī)動目標(biāo)的位置檢測值,對所述位置檢測值進(jìn)行N次采樣,得到觀測值 序列,根據(jù)所述觀測值序列確定雷達(dá)機(jī)動目標(biāo)的第〇時刻狀態(tài)向量和第〇時刻協(xié)方差矩陣,N 為大于1的自然數(shù); 步驟2,雷達(dá)機(jī)動目標(biāo)運(yùn)動模型采用聯(lián)動式轉(zhuǎn)彎運(yùn)動模型,對所述聯(lián)動式轉(zhuǎn)彎運(yùn)動模型 設(shè)定r個不同的初始角速度,得到r個對應(yīng)的目標(biāo)運(yùn)動子模型和r個對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn)移矩 陣;分別確定r個目標(biāo)運(yùn)動子模型第0時刻先驗概率矩陣、第0時刻模型狀態(tài)轉(zhuǎn)移矩陣; 步驟3,對于第j個目標(biāo)運(yùn)動子模型,根據(jù)第k-Ι時刻狀態(tài)向量和第k-Ι時刻協(xié)方差矩陣, 以及其對應(yīng)的第k-Ι時刻先驗概率矩陣、第k-Ι時刻模型狀態(tài)轉(zhuǎn)移矩陣,得到第j個目標(biāo)運(yùn)動 子模型最新的第k-Ι時刻狀態(tài)向量和第k-Ι時刻協(xié)方差矩陣,j e (1,2,- _r),k多1,k的初值 為1; 步驟4,根據(jù)第j個目標(biāo)運(yùn)動子模型最新的第k-Ι時刻狀態(tài)向量、第k-Ι時刻協(xié)方差矩陣、 所述觀測值序列和其對應(yīng)的系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣,計算第j個目標(biāo)運(yùn)動子模型的第k時刻新息 值、第k時刻新息協(xié)方差矩陣以及第k時刻增益矩陣,從而得到第j個目標(biāo)運(yùn)動子模型的第k 時刻狀態(tài)估計向量和第k時刻狀態(tài)估計協(xié)方差矩陣; 步驟5,根據(jù)所述第j個目標(biāo)運(yùn)動子模型的第k時刻新息值和第k時刻新息協(xié)方差矩陣計 算第k時刻新息的似然函數(shù);根據(jù)所述第k時刻新息的似然函數(shù)、所述第j個目標(biāo)運(yùn)動子模型 的第k-Ι時刻先驗概率矩陣和第k-Ι時刻模型狀態(tài)轉(zhuǎn)移矩陣計算所述第j個目標(biāo)運(yùn)動子模型 的第k時刻后驗概率; 步驟6,根據(jù)步驟3至步驟5,依次得到r個目標(biāo)運(yùn)動子模型的第k時刻狀態(tài)估計向量、第k 時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率,根據(jù)所述r個目標(biāo)運(yùn)動子模型的第k時刻 狀態(tài)估計向量、第k時刻狀態(tài)估計協(xié)方差矩陣以及第k時刻后驗概率得到r個目標(biāo)運(yùn)動子模 型第k時刻總體狀態(tài)估計向量和第k時刻總體狀態(tài)估計協(xié)方差矩陣; 步驟7,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率對r個目標(biāo)運(yùn)動子模型的角速度進(jìn)行 修正,并將修正后的角速度作為r個目標(biāo)運(yùn)動子模型的最新角速度; 步驟8,根據(jù)r個目標(biāo)運(yùn)動子模型第k時刻后驗概率和第k-Ι時刻后驗概率對r個目標(biāo)運(yùn) 動子模型第k-Ι時刻模型狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正,得到r個目標(biāo)運(yùn)動子模型第k時刻模型狀 態(tài)轉(zhuǎn)移矩陣,并將其作為r個目標(biāo)運(yùn)動子模型最新的模型狀態(tài)轉(zhuǎn)移矩陣; 步驟9,令k的值加1,并依次重復(fù)執(zhí)行步驟3至步驟8,直到k>N-l,從而得到r個目標(biāo)運(yùn)動 子模型對雷達(dá)機(jī)動目標(biāo)跟蹤的最終模型狀態(tài)轉(zhuǎn)移矩陣,根據(jù)r個目標(biāo)運(yùn)動子模型的最終模 型狀態(tài)轉(zhuǎn)移矩陣對雷達(dá)機(jī)動目標(biāo)進(jìn)行跟蹤。2. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟1具體包括: (la)對雷達(dá)機(jī)動目標(biāo)的位置進(jìn)行檢測,得到雷達(dá)機(jī)動目標(biāo)的位置檢測值,并對所述位 置檢測值進(jìn)行N次采樣,得到觀測值序列Z(k),k=l,2,…,N; 從觀測值序列Z (k)中取出前三個采樣點的觀測值Z (1),2(2),2(3),其中: Z(l) = [xx(l) yy(l) ζζ(1)]τ Z(2) = [xx(2) yy(2) ζζ(2)]τ Z(3) = [xx(3) yy(3) zz(3)]T 式中xx( · ),yy( · ),zz( ·)分別表示雷達(dá)機(jī)動目標(biāo)在x軸、y軸、z軸的位置,[· ]T表示 矩陣的轉(zhuǎn)置; (lb)根據(jù)所述觀測值序列Z(k)確定雷達(dá)機(jī)動目標(biāo)的第0時刻狀態(tài)向量,根據(jù)雷達(dá)機(jī) 動目標(biāo)的第〇時刻狀態(tài)向量1(3確定雷達(dá)機(jī)動目標(biāo)的第〇時刻協(xié)方差矩陣P〇: 根據(jù)觀測值2(1),2(2),2(3),獲得雷達(dá)機(jī)動目標(biāo)的第0時刻狀態(tài)向量;^如下:其中,(叉叉(3)1叉(2))/1'、(77(3)17(2))/1'、(22(3)-22(2))/1'分別表示雷達(dá)機(jī)動目標(biāo) 在第3采樣點處的X軸方向速度、y軸方向速度、z軸方向速度;((xx(3)-xx(2))/T-(xx(2)-xx (l))/T)/T、((yy(3)-yy(2))/T-(yy(2)-yy(l))/T)/T、((zz(3)-zz(2)/T)-(zz(2)_zz(l)/ T))/T分別表示雷達(dá)機(jī)動目標(biāo)在第3采樣點的x軸方向加速度、y軸方向加速度、z軸方向加速 度,T為采樣間隔; (1幻根據(jù)第0時刻狀態(tài)向量尤,獲得第0時刻協(xié)方差矩陣?0:尺=£:|^()^1其中4[·] 表示數(shù)學(xué)期望。3.根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟2具體包括: (2a)對雷達(dá)機(jī)動目標(biāo)運(yùn)動模型設(shè)定r個不同的初始角速度ω,,從而得到r個對應(yīng)的系統(tǒng) 狀態(tài)轉(zhuǎn)移矩陣Φη根據(jù)目標(biāo)運(yùn)動子模型的個數(shù)確定r個目標(biāo)運(yùn)動子模型的第0時刻先驗概率μ矩陣和第0 時刻模型狀態(tài)轉(zhuǎn)移矩陣Ρ: μ= [1/r 1/r ???l/r]ixr其中,? = 1,2,···Γ,[ · ]1Xr表示該矩陣為1行r列的矩陣,[· ]rXr表示該矩陣為Η?γ列的 矩陣。4. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟3具體包括: 對于第j個目標(biāo)運(yùn)動子模型,j e (1,2,一r),根據(jù)第k-Ι時刻先驗概率矩陣、第k-Ι時刻 模型狀態(tài)轉(zhuǎn)移矩陣、第k_l時刻狀態(tài)向量和第k_l時刻協(xié)方差矩陣,得到第k_l時刻第j個目 標(biāo)運(yùn)動子模型的最新的第k-Ι時刻狀態(tài)向量丨k-1)和第k-Ι時刻協(xié)方差矩陣 -1):其中,ydk-i)為第k-i時刻目標(biāo)運(yùn)動子模型i發(fā)生的概率,Plj(k-i)為第k-i時刻模型i 轉(zhuǎn)換到模型j的概率,r代表目標(biāo)運(yùn)動子模型的總數(shù),μ出(k-l|k-l)為第k-l時刻在轉(zhuǎn)換結(jié)果 為目標(biāo)運(yùn)動子模型j的條件下目標(biāo)運(yùn)動子模型i發(fā)生的概率。5. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟4具體包括: (4a)根據(jù)第k時刻目標(biāo)運(yùn)動子模型j的狀態(tài)轉(zhuǎn)移矩陣Φ」(1〇對第k-Ι時刻目標(biāo)運(yùn)動子模 型j的狀態(tài)向量.fot-ik-i)進(jìn)行一步預(yù)測,得到對應(yīng)目標(biāo)運(yùn)動子模型的一步狀態(tài)預(yù)測值 i,(ak -1) ::x Ak\k -1) ^ {k)x'\k-ik:-1); (4b)根據(jù)狀態(tài)轉(zhuǎn)移矩陣ΦΑ10對第k-1時刻目標(biāo)運(yùn)動子模型j的狀態(tài)協(xié)方差矩陣 Pf認(rèn)-lk-1)進(jìn)行一步預(yù)測,得到對應(yīng)目標(biāo)運(yùn)動子模型的一步協(xié)方差預(yù)測值Pj(k|k-1): -丨)=(々)P;)(A' -lk -1)< +?,其中,Qj表示模型j的過程噪聲協(xié)方差; (4c)獲取第k時刻目標(biāo)運(yùn)動子模型j的量測矩陣出(1〇,利用第k時刻目標(biāo)運(yùn)動子模型j的 量測矩陣Hj(k)對目標(biāo)運(yùn)動子模型j的一步狀態(tài)預(yù)測值戈-1)進(jìn)行量測轉(zhuǎn)換,得到對應(yīng) 目標(biāo)運(yùn)動子模型的量測預(yù)測值毛(咖-1) 毛(冰-1) = %(幻其中,Hj(k)表示雷 達(dá)機(jī)動目標(biāo)第k時刻目標(biāo)運(yùn)動子模型j的量測矩陣; (4d)利用當(dāng)前時刻觀測值Z(k)和目標(biāo)運(yùn)動子模型j的量測預(yù)測值乏;以也-1)相減得到對 應(yīng)目標(biāo)運(yùn)動子模型的新息值Vj(k): V:;(幻=ZU) -f,(冰-Γ); (4e)由目標(biāo)運(yùn)動子模型j的一步協(xié)方差預(yù)測值P」(k | k-Ι)和量測矩陣H」(k)確定對應(yīng)目 標(biāo)運(yùn)動子模型的新息協(xié)方差矩陣S」(k) :5,.(0 = /-/,.(A〇P,(A'k-丨)/-/丨α') + /?(Α');其中,R(k)是 觀測噪聲在第k時刻的協(xié)方差矩陣; (4f)根據(jù)目標(biāo)運(yùn)動子模型j的一步協(xié)方差預(yù)測值P」(k | k-Ι)、量測矩陣比(1〇以及新息協(xié) 方差矩陣&(1〇計算增益矩陣i(k):心(幻=-!)//丨,( ·)H表示求矩陣的共 輒轉(zhuǎn)置,(· Γ1表示求矩陣的逆; (4g)利用增益矩陣l(k)對目標(biāo)運(yùn)動子模型j的一步狀態(tài)預(yù)測值f和一步協(xié)方 差預(yù)測值h(k|k-i)進(jìn)行濾波,得到目標(biāo)運(yùn)動子模型j的第k時刻狀態(tài)估計向量和第k 時刻狀態(tài)估計協(xié)方差矩陣Pj(k I k):6. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟5具體包括: (5a)由目標(biāo)運(yùn)動子模型j的新息V」(k)及其協(xié)方差矩陣&(1〇計算新息的似然函數(shù)Λ」(5b)利用模型狀態(tài)轉(zhuǎn)移矩陣和新息的似然函數(shù)Λ」(k)對目標(biāo)運(yùn)動子模型j的先驗概率 進(jìn)行更新,得到目標(biāo)運(yùn)動子模型j的后驗概率^(k):7. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟6具體包括: 根據(jù)所述r個目標(biāo)運(yùn)動子模型第k時刻狀態(tài)估計向量、第k時刻狀態(tài)估計協(xié)方差矩陣以 及第k時刻后驗概率得到r個目標(biāo)運(yùn)動子模型交互后第k時刻狀態(tài)估計向量戈(tfc)和第k時 刻狀態(tài)估計協(xié)方差矩陣P(k | k):8. 根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟7具體包括: 若目標(biāo)運(yùn)動子模型數(shù)r為奇數(shù)即r = 2n + l,則在第k時刻的模型集為 句―',其特征參數(shù)分別對應(yīng)r個目標(biāo) 運(yùn)動子模型的角速度且在模型集中從小到大排列,稱為中心模型;對應(yīng)模型集的后驗概率為 數(shù)即r = 2n,則在第 k 時刻的模型集為 = ?(冗--1。<n<n?>Γ?2), ?Γ(11,".,試―1-1) h 為中心模型;對應(yīng)模型集的后驗概率為廣丨"―丨),.·..々廣w#r仙,廣⑴ 按照下述方法調(diào)整模型間距: 第k時亥膜型間距調(diào)整參數(shù)為# =臟_<toW,},妒};嫌; = 1,2,...《, 其中5(1)表示模型區(qū)分距離,一般取妒-<ini0,<axl1) -<1/2 ): (7a)模型概率重心無跳變:此時/C'd=maX(/丨),則可根據(jù)其他模型概率判定模型集不 變或向中心模型靠攏;其中,^表示不可能模型的門限值,一般取tKO. 1; (7b)模型概率重心向左跳變:此時//廠(/| = max(G ),則可根據(jù)其他模型概率判定模型 集不變或向左側(cè)模型靠攏;其中,^表示有效模型的門限值,一般取〖2>0.9; (7c)模型概率重心向右跳變:此時則可根據(jù)其他模型概率判定模型 集不變或向右側(cè)模型靠攏;9.根據(jù)權(quán)利要求1所述的一種基于后驗概率的變結(jié)構(gòu)交互多模型雷達(dá)機(jī)動目標(biāo)跟蹤方 法,其特征在于,步驟8具體包括: (8a)對于目標(biāo)運(yùn)動子模型j,其后驗概率在第k時刻與第k-Ι時刻的比值\(k)為:(8b)利用前后時刻后驗概率比值\(k)對第k-1時刻模型狀態(tài)轉(zhuǎn)移矩陣進(jìn)行修正,第k時 刻模型狀態(tài)轉(zhuǎn)移矩陣:
【文檔編號】G01S13/66GK105929391SQ201610257082
【公開日】2016年9月7日
【申請日】2016年4月24日
【發(fā)明人】曹運(yùn)合, 閆浩, 吳文華, 劉宏偉, 蘇洪濤
【申請人】西安電子科技大學(xué)