CN105277928A - 一种稠密大气内无推力高速飞行目标类别辨识系统及方法 - Google Patents
一种稠密大气内无推力高速飞行目标类别辨识系统及方法 Download PDFInfo
- Publication number
- CN105277928A CN105277928A CN201510629618.9A CN201510629618A CN105277928A CN 105277928 A CN105277928 A CN 105277928A CN 201510629618 A CN201510629618 A CN 201510629618A CN 105277928 A CN105277928 A CN 105277928A
- Authority
- CN
- China
- Prior art keywords
- probability
- resistance compared
- compared estimate
- matter
- matter resistance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种稠密大气内无推力高速飞行目标类别辨识系统,包括初始化模块、质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块,所述初始化模块,其用于对变量进行初始化;所述质阻比估计模块,其用于得到第K+1拍的质阻比估计值;所述质阻比估计收敛辨识模块,其用于辨识质阻比估计的收敛性;所述目标类别辨识模块,其用于递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。本发明一种稠密大气内无推力高速飞行目标类别辨识系统可以精确估计稠密大气内无推力高速飞行目标质阻比,并且通过精确估计的质阻比进行质阻比估计的收敛辨识,从而通过精确估计的质阻比和质阻比估计的收敛辨识进行目标类别的准确辨识。
Description
技术领域
本发明涉及一种雷达测量目标类别的系统及方法,具体涉及一种稠密大气内无推力高速飞行目标类别辨识系统及方法。
背景技术
高速目标再入大气层时,受到大气阻力的作用而呈现减速特性,不同类别目标的减速特性有所差异。稠密大气内无推力高速飞行目标的这种减速特性可用质阻比衡量,质阻比是辨识稠密大气内无推力高速飞行目标类别的运动特征,其倒数也称为弹道系数。
质阻比是目标质量和外形特性的组合参数,主要取决于其质量与迎风面积的比值,一定程度上可认为是质量的面分布量纲。再入飞行速度远大于声速的高速目标,其质阻比可认为是常量。再入目标在大气层内运动时,其质阻比估计存在一个动态收敛的过程;质阻比不同的目标受到的大气阻力不同,呈现出不同的减速特性,质阻比估计的收敛高度及目标类别辨识高度也有差异。因而,稠密大气内无推力高速飞行目标质阻比估计及类别辨识的难点与关键主要包括:质阻比的精确估计、质阻比估计的收敛辨识和目标类别的准确辨识。为解决这些问题,主要有三类技术途径。
第一类技术途径,根据质阻比的物理意义与雷达对目标的测量(或由测量滤波所得目标运动参数)之间的关系式计算质阻比。文献“基于解析法的再入目标实时质阻比估计”提出了一种基于解析方法实时计算质阻比的算法,可在较高的海拔高度上对质阻比进行实时估计,然而,在实际应用中,雷达测量精度对算法的影响还需深入研究。这种方法运算快,约束条件少,但相对来说精度较差。质阻比估计存在一个收敛的过程,文献“基于解析法的再入目标实时质阻比估计”并未给出质阻比估计收敛性的实时辨识方法,也并未给出稠密大气内无推力高速飞行目标类别的辨识方法。
第二类技术途径,根据不同类目标质阻比不同引起的运动特性差异(相对速度、相对位移、相对能量等),对稠密大气内无推力高速飞行目标进行辨识。文献“稀薄大气层内轻诱饵速度识别法”研究了稀薄大气对轻诱饵的减速作用,通过地基雷达高精度多普勒测速和轨迹估计信息,获取轻诱饵气动特性并进行辨识。这种方法可以避免质阻比估计的收敛过程,不需要对大气模型建模,但不能辨识出弹头目标。
第三类技术途径,基于再入运动方程,将质阻比作为状态向量的一个元素,利用非线性滤波方法实时估计质阻比。文献“Atrackfilterforreentryobjectswithuncertaindrag”提出了一种七维Kalman滤波器,将质阻比作为第七个状态变量,对于质阻比变化比较剧烈的情况,也能对进行良好的滤波跟踪,该方法已经应用到了位于夸贾林导弹靶场的毫米波雷达中。这种方法紧密结合再入目标运动方程,精度较高;但质阻比估计存在一个收敛的过程,文献“Atrackfilterforreentryobjectswithuncertaindrag”并未给出质阻比估计收敛性的实时辨识方法。
综上可知,现有的稠密大气内无推力高速飞行目标质阻比估计与类别辨识方法,或相对来说质阻比估计精度较差;或不能辨识出弹头目标;或仅仅估计质阻比,却未给出质阻比估计收敛性的实时辨识方法,也并未给出稠密大气内无推力高速飞行目标类别的辨识方法。
发明内容
本发明所要解决的技术问题是提供一种稠密大气内无推力高速飞行目标类别辨识系统及方法,可以解决稠密大气内无推力高速飞行目标质阻比的精确估计、质阻比估计的收敛辨识和目标类别的准确辨识三大问题。
本发明解决上述技术问题的技术方案如下:一种稠密大气内无推力高速飞行目标类别辨识系统,包括初始化模块、质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块,
所述初始化模块,其用于通过初始两拍的雷达测量数据对质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块中的变量进行初始化;
所述质阻比估计模块,其用于通过接收第K拍的质阻比估计模块中变量的值和第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;
所述质阻比估计收敛辨识模块,其用于通过接收第K拍的质阻比估计收敛模块中变量的值和第K+1拍的质阻比估计值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;
所述目标类别辨识模块,其用于通过接收第K拍的目标类别辨识模块中变量的值、第K+1拍的质阻比估计值和第K+1拍的质阻比估计收敛概率,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
本发明的有益效果是:本发明一种稠密大气内无推力高速飞行目标类别辨识系统可以精确估计稠密大气内无推力高速飞行目标质阻比,并且通过精确估计的质阻比进行质阻比估计的收敛辨识,从而通过精确估计的质阻比和质阻比估计的收敛辨识进行目标类别的准确辨识。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述初始化模块初始化的变量包括所述质阻比估计模块的系统状态变量和协方差矩阵;所述质阻比估计收敛辨识模块的离散状态变量、质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;所述目标类别辨识模块的类别数目、离散状态变量、目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
进一步,所述第K拍的质阻比估计模块中变量的值为质阻比估计模块中系统状态变量和协方差矩阵的初始化的值,或为通过质阻比估计模块中系统状态变量和协方差矩阵的初始化的值和雷达测量数据逐拍递推更新得到的第K拍的系统状态变量和协方差矩阵;
所述第K拍的质阻比估计收敛模块中变量的值为质阻比估计收敛模块中质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值,或为通过质阻比估计收敛模块中质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值通过预测进行更新得到的第K拍的质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;
所述第K拍的目标类别辨识模块中变量的值为目标类别辨识模块中目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值,或为通过目标类别辨识模块中目标类别辨识模块的目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值通过预测进行更新得到的第K拍的目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
进一步,所述质阻比估计模块得到质阻比估计值的具体实现,包括以下步骤,
步骤一,根据第K拍的质阻比估计模块中的系统状态变量的维度计算第K拍的质阻比估计模块中的系统状态变量和协方差矩阵的权值;
步骤二,利用第K拍的质阻比估计模块中的系统状态变量和协方差矩阵生成第K拍的采样点;
步骤三,根据第K拍的质阻比估计模块中的系统状态变量和协方差矩阵的权值和第K拍的采样点进行第K+1拍的采样点和协方差矩阵预测;
步骤四,根据第K+1拍的采样点和协方差矩阵预测的值和接收的第K+1拍的雷达测量数据进行第K+1拍的采样点测量预测;
步骤五,根据第K+1拍的采样点测量预测的值更新质阻比估计模块中的系统状态变量和协方差矩阵,得到第K+1拍的系统状态变量和协方差矩阵,并根据第K+1拍的系统状态变量和协方差矩阵得到第K+1拍的质阻比估计值。
进一步,所述质阻比估计收敛辨识模块得到质阻比估计收敛概率并进行质阻比估计收敛性辨识的具体实现,包括以下步骤,
步骤一,利用第K拍的质阻比估计收敛辨识模块的质阻比估计收敛概率和状态转移概率对第K+1拍的质阻比估计收敛概率进行预测;
步骤二,利用第K+1拍的质阻比估计收敛概率、第K+1拍的质阻比估计值和第K拍的质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的质阻比估计收敛概率进行更新,得到第K+1拍的质阻比估计收敛概率;
步骤三,根据收敛条件辨识第K+1拍的质阻比估计的收敛性。
进一步,所述目标类别辨识模块进行稠密大气内无推力高速飞行目标的目标类别辨识的具体实现,包括以下步骤,
步骤一,利用第K拍的目标类别辨识模块的目标类别概率和状态转移概率对第K+1拍的目标类别概率进行预测;
步骤二,利用第K+1拍的质阻比估计值和第K拍的目标类别辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的目标类别概率进行更新,得到第K+1拍的目标类别概率;
步骤三,通过得到的第K+1拍的质阻比估计收敛概率和第K+1拍的目标类别概率计算联合后验概率;
步骤四,通过联合后验概率对稠密大气内无推力高速飞行目标的类别进行第K+1拍的辨识;
步骤五,令K=K+1,依次循环进行质阻比估计、质阻比估计收敛概率计算和稠密大气内无推力高速飞行目标的类别辨识,直至稠密大气内无推力高速飞行目标类别辨识系统退出,将多次辨识的结果综合得出稠密大气内无推力高速飞行目标辨识结果。
基于上述一种稠密大气内无推力高速飞行目标类别辨识系统,本发明还提供一种稠密大气内无推力高速飞行目标类别辨识方法。
一种稠密大气内无推力高速飞行目标类别辨识方法,包括以下步骤,
S1,搭建权上述所述的一种稠密大气内无推力高速飞行目标类别辨识系统;
S2,通过接收的初始两拍的雷达测量数据对一种稠密大气内无推力高速飞行目标类别辨识系统中的变量进行初始化;
S3,通过第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值和接收的第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;
S4,通过接收第K+1拍的质阻比估计值和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;
S5,通过接收第K+1拍的质阻比估计值、第K+1拍的质阻比估计收敛概率和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,在步骤S2中,进行初始化的变量包括,质阻比估计模块的系统状态变量和协方差矩阵;质阻比估计收敛辨识模块的离散状态变量、质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;目标类别辨识模块的类别数目、离散状态变量、目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
进一步,在所述步骤S3中,得到质阻比估计值的具体实现,包括以下步骤,
S31,根据第K拍的质阻比估计模块的系统状态变量的维度计算第K拍的质阻比估计模块的系统状态变量和协方差矩阵的权值;
S32,利用第K拍的质阻比估计模块的系统状态变量和协方差矩阵生成第K拍的采样点;
S33,根据第K拍的质阻比估计模块的系统状态变量和协方差矩阵的权值和第K拍的采样点进行第K+1拍的采样点和协方差矩阵预测;
S34,根据第K+1拍的采样点和协方差矩阵预测的值和接收的第K+1拍的雷达测量数据进行第K+1拍的采样点测量预测;
S35,根据第K+1拍的采样点测量预测的值更新质阻比估计模块的系统状态和协方差矩阵,得到第K+1拍的质阻比估计值。
进一步,在步骤S4中,得到质阻比估计收敛概率并进行质阻比估计收敛性辨识的具体实现,包括以下步骤,
S41,利用第K拍的质阻比估计收敛辨识模块的质阻比估计收敛概率和状态转移概率对第K+1拍的质阻比估计收敛概率进行预测;
S42,利用第K+1拍的质阻比估计收敛概率、第K+1拍的质阻比估计值和第K拍的质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的质阻比估计收敛概率进行更新,得到第K+1拍的质阻比估计收敛概率;
S43,根据收敛条件辨识第K+1拍的质阻比估计的收敛性。
进一步,在步骤S5中,进行稠密大气内无推力高速飞行目标的目标类别辨识的具体实现,包括以下步骤,
S51,利用第K拍的目标类别辨识模块的目标类别概率和状态转移概率对第K+1拍的目标类别概率进行预测;
S52,利用第K+1拍的质阻比估计值和第K拍的目标类别辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的目标类别概率进行更新,得到第K+1拍的目标类别概率;
S53,通过得到的第K+1拍的质阻比估计收敛概率和第K+1拍的目标类别概率计算联合后验概率;
S54,通过联合后验概率对稠密大气内无推力高速飞行目标的类别进行第K+1拍的辨识;
S55,令K=K+1,依次循环进行质阻比估计、质阻比估计收敛概率计算和稠密大气内无推力高速飞行目标的类别辨识,直至稠密大气内无推力高速飞行目标类别辨识系统退出,将多次辨识的结果综合得出稠密大气内无推力高速飞行目标辨识结果。
本发明的有益效果是:本发明一种稠密大气内无推力高速飞行目标类别辨识方法可以解决稠密大气内无推力高速飞行目标质阻比的精确估计、质阻比估计的收敛辨识和目标类别的准确辨识三大问题。
附图说明
图1为本发明一种稠密大气内无推力高速飞行目标类别辨识系统的结构框图;
图2为本发明一种稠密大气内无推力高速飞行目标类别辨识方法的流程图;
图3为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第1类目标质阻比估计均方根误差的曲线图;
图4为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第2类目标质阻比估计均方根误差的曲线图;
图5为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第1类目标质阻比估计收敛概率的曲线图;
图6为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第2类目标质阻比估计收敛概率的曲线图;
图7为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第1类目标的联合后验概率的曲线图;
图8为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的第2类目标的联合后验概率的曲线图;
图9为由本发明一种稠密大气内无推力高速飞行目标类别辨识方法得出的稠密大气内无推力高速飞行目标的目标类别辨识结果的曲线图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种稠密大气内无推力高速飞行目标类别辨识系统,包括初始化模块、质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块,所述初始化模块,其用于通过初始两拍的雷达测量数据对质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块中的变量进行初始化;所述质阻比估计模块,其用于通过接收第K拍的质阻比估计模块中变量的值和第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;所述质阻比估计收敛辨识模块,其用于通过接收第K拍的质阻比估计收敛模块中变量的值和第K+1拍的质阻比估计值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;所述目标类别辨识模块,其用于通过接收第K拍的目标类别辨识模块中变量的值、第K+1拍的质阻比估计值和第K+1拍的质阻比估计收敛概率,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
当收到初始两拍的雷达测量数据后,初始化模块对变量进行初始化,需要进行初始化的变量包括:质阻比估计模块的系统状态变量和协方差矩阵;质阻比估计收敛辨识模块的离散状态变量、质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;目标类别辨识模块的类别数目、离散状态变量、目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
记收到的两拍雷达测量数据为Z(-1)、Z(0),这两拍分别记作k=-1,0:
其中,Rg、Az、El和Vr分别为距离、方位、俯仰和径向速度测量;将Z(-1)、Z(0)转换到大地直角坐标系得ZG(-1)、ZG(0),
其中,
基于上述初始两拍的雷达测量数据,初始化模块的功能如下:
初始化模块对质阻比估计模块的系统状态变量和协方差矩阵初始化分别为X(0)和P(0),
其中,
式中,[xEyEzE]和 分别为目标位置和速度;α为质阻比的倒数;O是零矩阵;φ、λ和H为雷达所在的纬度、经度和高度;fPG2E和fVG2E分别是从大地直角坐标系到地心地固直角坐标系的位置变换函数和速度变换函数;T是Z(-1)和Z(0)之间的时间差;σxx、σyy和σzz分别是雷达在地心地固直角坐标系沿着X、Y和Z轴的测量误差标准差;σrg、σaz和σel分别为雷达距离、方位和俯仰的测量误差标准差;fCovS2E是从雷达测量大地极坐标系到地心地固直角坐标系的测量误差标准差变换函数。
初始化模块将质阻比估计收敛辨识模块的离散状态变量初始化为xc,
xc={1,2}
其中,xc=1和xc=2分别代表质阻比估计“已收敛”和“未收敛”。
初始化模块将质阻比估计收敛辨识模块的质阻比估计收敛概率初始化为μc,i(0),i=1,2。
初始化模块将质阻比估计收敛辨识模块的状态转移概率初始化为Pc:
初始化模块将质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差分别初始化为ηc,i和i=1,2。
初始化模块将目标类别辨识模块的类别数目和离散状态变量分别初始化为m和xd,
xd={1,…,m,m+1}
其中,xd=j代表稠密大气内无推力高速飞行目标属于第j类,j=1,…,m;xd=m+1代表稠密大气内无推力高速飞行目标的目标类别为未知。为便于叙述,不失一般性,可令:
m=2
xd={1,2,3}
初始化模块将目标类别辨识模块的目标类别概率初始化为μd,i(0),i=1,2,3;其中,xd=3代表稠密大气内无推力高速飞行目标的目标类别为未知。
初始化模块将目标类别辨识模块的状态转移概率初始化为Pd:
初始化模块将目标类别辨识模块的概率似然函数均值和概率似然函数方差分别初始化为ηd,i和i=1,2,3。
质阻比估计模块的功能如下:
质阻比估计模块采用递归滤波的方法来估计质阻比;
当接收到第k+1(k≥0)拍雷达测量数据Z(k+1)、第k拍的系统状态变量X(k)和协方差矩阵P(k)后,质阻比估计模块使用非线性滤波器,递归滤波以估计质阻比,其中:
具体步骤为:
步骤一,根据第K拍的质阻比估计模块中的系统状态变量的维度计算第K拍的质阻比估计模块中的系统状态变量和协方差矩阵的权值:
其中,n=7,λ=-0.96·n。
步骤二,利用第K拍的质阻比估计模块中的系统状态变量和协方差矩阵生成第K拍的采样点Xi(k|k),i=0,1,2,…2n:
X0(k|k)=X(k)
其中,表示矩阵(n+λ)P(k|k)的Cholesky分解平方根的第i行;
步骤三,根据第K拍的质阻比估计模块的系统状态变量和协方差矩阵的权值和第K拍的采样点进行第K+1拍的采样点和协方差矩阵预测,
Xi(k+1|k)=f(Xi(k|k))
其中,f是系统状态转移函数,满足:
其中,
Q为系统噪声协方差矩阵,
式中,O为零矩阵;I为单位矩阵;Δ代表从第k拍到第k+1拍的时间差;agra代表由地心引力、科氏惯性力和牵连惯性力带来的目标运动加速度;h为目标海拔高度;η(h)为目标位置处的大气密度;qα和qs为系统噪声方差;其它符号意义同上。
步骤四,根据第K+1拍的采样点和协方差矩阵预测的值和接收的第K+1拍的雷达测量数据进行第K+1拍的采样点测量预测,
Zi(k+1|k)=h(Xi(k+1|k)),i=0,1,2,…2n
其中,
式中,φ、λ和H为雷达所在的纬度、经度和高度;fPE2G和fVE2G分别是从地心地固直角坐标系到大地直角坐标系的位置变换函数和速度变换函数;σrg、σaz、σel和σvr分别为雷达距离、方位、俯仰和径向速度的测量误差标准差。
步骤五,根据第K+1拍的采样点测量预测的值更新质阻比估计模块的系统状态和协方差矩阵,得到第K+1拍的质阻比估计值;
X(k+1)=X(k+1|k)+K(k+1)(Z(k+1)-Z(k+1|k))
K(k+1)=PX(k+1)Z(k+1)(PZ(k+1))-1
P(k+1)=P(k+1|k)-K(k+1)(PZ(k+1))-1(K(k+1))T
其中:
由此,得到质阻比估计值,
质阻比估计收敛辨识模块的功能如下:
质阻比估计收敛辨识模块递推计算质阻比估计收敛概率;
质阻比估计收敛辨识模块接收第k+1拍的质阻比估计值β(k+1)、第k拍的质阻比估计收敛概率{μc,i(k)|i=1,2}、状态转移概率Pc、概率似然函数均值和概率似然函数方差对质阻比估计收敛概率进行递推计算。其中:
具体步骤为:
步骤一,利用第K拍的质阻比估计收敛辨识模块的质阻比估计收敛概率和状态转移概率对第K+1拍的质阻比估计收敛概率进行预测:
步骤二,利用第K+1拍的质阻比估计收敛概率、第K+1拍的质阻比估计值和第K拍的质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的质阻比估计收敛概率进行更新,得到第K+1拍的质阻比估计收敛概率:
其中,
ηβ(k+1)和σβ(k+1)分别代表质阻比估计的统计均值与标准差。
步骤三,根据收敛条件辨识第K+1拍的质阻比估计的收敛性,当满足下述条件时,可辨识出质阻比估计已收敛:
目标类别辨识模块的功能如下:
目标类别辨识模块递推计算目标类别概率,并辨识目标类别;
目标类别辨识模块,接收第k+1拍的质阻比估计值β(k+1)、第k+1拍的质阻比估计收敛概率{μc,i(k+1)|i=1,2}、第k拍的目标类别概率{μd,i(k)|i=1,2,3}、状态转移概率Pd、概率似然函数均值和概率似然函数方差递推计算目标类别概率。其中,
具体步骤为:
步骤一,利用第K拍的目标类别辨识模块的目标类别概率和状态转移概率对第K+1拍的目标类别概率进行预测:
步骤二,利用第K+1拍的质阻比估计值和第K拍的目标类别辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的目标类别概率进行更新,得到第K+1拍的目标类别概率:
其中,
zd(k+1)=β(k+1)
步骤三,通过得到的第K+1拍的质阻比估计收敛概率和第K+1拍的目标类别概率计算联合后验概率μcd,ij(k+1),
μcd,ij(k+1)=μc,i(k+1)·μd,j(k+1)i=1,2j=1,2,3
步骤四,通过联合后验概率μcd,ij(k+1),对稠密大气内无推力高速飞行目标的类别进行第K+1拍的辨识:当满足下述条件时,将目标类别辨识为jcd:
步骤五,令k=k+1,依次循环进行质阻比估计、质阻比估计收敛概率计算和稠密大气内无推力高速飞行目标的类别辨识,直至稠密大气内无推力高速飞行目标类别辨识系统退出,将多次辨识的结果综合得出稠密大气内无推力高速飞行目标辨识结果。
基于上述一种稠密大气内无推力高速飞行目标类别辨识系统,本发明还提供一种稠密大气内无推力高速飞行目标类别辨识方法。
如图2所示,一种稠密大气内无推力高速飞行目标类别辨识方法,包括以下步骤,
S1,搭建上述所述的一种稠密大气内无推力高速飞行目标类别辨识系统;
S2,通过接收的初始两拍的雷达测量数据对一种稠密大气内无推力高速飞行目标类别辨识系统中的变量进行初始化;
S3,通过第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值和接收的第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;
S4,通过接收第K+1拍的质阻比估计值和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;
S5,通过接收第K+1拍的质阻比估计值、第K+1拍的质阻比估计收敛概率和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
其中,变量初始化、质阻比估计、质阻比估计收敛、飞行目标的类别辨识的具体步骤如上述所述的一种稠密大气内无推力高速飞行目标类别辨识系统中各模块功能的具体实现步骤。
在仿真试验中,利用所述一种稠密大气内无推力高速飞行目标类别辨识方法,对两类稠密大气内无推力高速飞行目标类别辨识。试验中,一部雷达对两类再入高速目标进行跟踪测量,这两类目标的质阻比真值分别为,第一类目标为3125kg/m2,第二类目标为100kg/m2,雷达测量数据率设为10Hz,雷达距离、方位、俯仰和速度测量误差标准差分别为10m、0.1mrad和0.5m/s;共进行了100次蒙特卡罗仿真。
图3~图4分别给出了两类目标质阻比估计经归一化后的均方根误差:对各高度处的100个蒙特卡罗仿真质阻比估计值求取均方根误差,计算该均方根误差与质阻比真值的比值。
图5~图6分别给出了一次蒙特卡罗仿真中,两类目标的质阻比估计收敛概率。
图7~图8分别给出了一次蒙特卡罗仿真中,两类目标的联合后验概率。
图9给出了这两类稠密大气内无推力高速飞行目标的目标类别辨识结果。
在100次蒙特卡罗仿真中,对这两类稠密大气内无推力高速飞行目标的目标类别辨识准确率为100%。
本发明给出的一种稠密大气内无推力高速飞行目标类别辨识系统及方法,可解决稠密大气内无推力高速飞行目标质阻比的精确估计、质阻比估计的收敛辨识和目标类别的准确辨识三大问题。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:包括初始化模块、质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块,
所述初始化模块,其用于通过初始两拍的雷达测量数据对质阻比估计模块、质阻比估计收敛辨识模块和目标类别辨识模块中的变量进行初始化;
所述质阻比估计模块,其用于通过接收第K拍的质阻比估计模块中变量的值和第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;
所述质阻比估计收敛辨识模块,其用于通过接收第K拍的质阻比估计收敛模块中变量的值和第K+1拍的质阻比估计值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;
所述目标类别辨识模块,其用于通过接收第K拍的目标类别辨识模块中变量的值、第K+1拍的质阻比估计值和第K+1拍的质阻比估计收敛概率,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
2.根据权利要求1所述的一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:所述初始化模块初始化的变量包括所述质阻比估计模块的系统状态变量和协方差矩阵;所述质阻比估计收敛辨识模块的离散状态变量、质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;所述目标类别辨识模块的类别数目、离散状态变量、目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
3.根据权利要求2所述的一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:所述第K拍的质阻比估计模块中变量的值为质阻比估计模块中系统状态变量和协方差矩阵的初始化的值,或为通过质阻比估计模块中系统状态变量和协方差矩阵的初始化的值和雷达测量数据逐拍递推更新得到的第K拍的系统状态变量和协方差矩阵;
所述第K拍的质阻比估计收敛模块中变量的值为质阻比估计收敛模块中质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值,或为通过质阻比估计收敛模块中质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值通过预测进行更新得到的第K拍的质阻比估计收敛概率、状态转移概率、概率似然函数均值和概率似然函数方差;
所述第K拍的目标类别辨识模块中变量的值为目标类别辨识模块中目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值,或为通过目标类别辨识模块中目标类别辨识模块的目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差的初始化的值通过预测进行更新得到的第K拍的目标类别概率、状态转移概率、概率似然函数均值和概率似然函数方差。
4.根据权利要求根据权利要求3所述的一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:所述质阻比估计模块得到质阻比估计值的具体实现,包括以下步骤,
步骤一,根据第K拍的质阻比估计模块中的系统状态变量的维度计算第K拍的质阻比估计模块中的系统状态变量和协方差矩阵的权值;
步骤二,利用第K拍的质阻比估计模块中的系统状态变量和协方差矩阵生成第K拍的采样点;
步骤三,根据第K拍的质阻比估计模块中的系统状态变量和协方差矩阵的权值和第K拍的采样点进行第K+1拍的采样点和协方差矩阵预测;
步骤四,根据第K+1拍的采样点和协方差矩阵预测的值和接收的第K+1拍的雷达测量数据进行第K+1拍的采样点测量预测;
步骤五,根据第K+1拍的采样点测量预测的值更新质阻比估计模块中的系统状态变量和协方差矩阵,得到第K+1拍的系统状态变量和协方差矩阵,并根据第K+1拍的系统状态变量和协方差矩阵得到第K+1拍的质阻比估计值。
5.根据权利要求3所述的一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:所述质阻比估计收敛辨识模块得到质阻比估计收敛概率并进行质阻比估计收敛性辨识的具体实现,包括以下步骤,
步骤一,利用第K拍的质阻比估计收敛辨识模块的质阻比估计收敛概率和状态转移概率对第K+1拍的质阻比估计收敛概率进行预测;
步骤二,利用第K+1拍的质阻比估计收敛概率、第K+1拍的质阻比估计值和第K拍的质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的质阻比估计收敛概率进行更新,得到第K+1拍的质阻比估计收敛概率;
步骤三,根据收敛条件辨识第K+1拍的质阻比估计的收敛性。
6.根据权利要求3所述的一种稠密大气内无推力高速飞行目标类别辨识系统,其特征在于:所述目标类别辨识模块进行稠密大气内无推力高速飞行目标的目标类别辨识的具体实现,包括以下步骤,
步骤一,利用第K拍的目标类别辨识模块的目标类别概率和状态转移概率对第K+1拍的目标类别概率进行预测;
步骤二,利用第K+1拍的质阻比估计值和第K拍的目标类别辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的目标类别概率进行更新,得到第K+1拍的目标类别概率;
步骤三,通过得到的第K+1拍的质阻比估计收敛概率和第K+1拍的目标类别概率计算联合后验概率;
步骤四,通过联合后验概率对稠密大气内无推力高速飞行目标的类别进行第K+1拍的辨识;
步骤五,令K=K+1,依次循环进行质阻比估计、质阻比估计收敛概率计算和稠密大气内无推力高速飞行目标的类别辨识,直至稠密大气内无推力高速飞行目标类别辨识系统退出,将多次辨识的结果综合得出稠密大气内无推力高速飞行目标辨识结果。
7.一种稠密大气内无推力高速飞行目标类别辨识方法,其特征在于:包括以下步骤,
S1,搭建权利要求1至6任一项所述的一种稠密大气内无推力高速飞行目标类别辨识系统;
S2,通过接收的初始两拍的雷达测量数据对一种稠密大气内无推力高速飞行目标类别辨识系统中的变量进行初始化;
S3,通过第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值和接收的第K+1拍的雷达测量数据,采用非线性滤波器以递归滤波的方法估计质阻比,得到第K+1拍的质阻比估计值;
S4,通过接收第K+1拍的质阻比估计值和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算第K+1拍的质阻比估计收敛概率,并辨识质阻比估计的收敛性;
S5,通过接收第K+1拍的质阻比估计值、第K+1拍的质阻比估计收敛概率和第K拍的一种稠密大气内无推力高速飞行目标类别辨识系统中的变量值,递推计算目标类别概率,辨识稠密大气内无推力高速飞行目标的类别。
8.根据权利要求7所述的一种稠密大气内无推力高速飞行目标类别辨识方法,其特征在于:在所述步骤S3中,得到质阻比估计值的具体实现,包括以下步骤,
S31,根据第K拍的质阻比估计模块的系统状态变量的维度计算第K拍的质阻比估计模块的系统状态变量和协方差矩阵的权值;
S32,利用第K拍的质阻比估计模块的系统状态变量和协方差矩阵生成第K拍的采样点;
S33,根据第K拍的质阻比估计模块的系统状态变量和协方差矩阵的权值和第K拍的采样点进行第K+1拍的采样点和协方差矩阵预测;
S34,根据第K+1拍的采样点和协方差矩阵预测的值和接收的第K+1拍的雷达测量数据进行第K+1拍的采样点测量预测;
S35,根据第K+1拍的采样点测量预测的值更新质阻比估计模块的系统状态和协方差矩阵,得到第K+1拍的质阻比估计值。
9.根据权利要求7所述的一种稠密大气内无推力高速飞行目标类别辨识方法,其特征在于:在步骤S4中,得到质阻比估计收敛概率并进行质阻比估计收敛性辨识的具体实现,包括以下步骤,
S41,利用第K拍的质阻比估计收敛辨识模块的质阻比估计收敛概率和状态转移概率对第K+1拍的质阻比估计收敛概率进行预测;
S42,利用第K+1拍的质阻比估计收敛概率、第K+1拍的质阻比估计值和第K拍的质阻比估计收敛辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的质阻比估计收敛概率进行更新,得到第K+1拍的质阻比估计收敛概率;
S43,根据收敛条件辨识第K+1拍的质阻比估计的收敛性。
10.根据权利要求7所述的一种稠密大气内无推力高速飞行目标类别辨识方法,其特征在于:在步骤S5中,进行稠密大气内无推力高速飞行目标的目标类别辨识的具体实现,包括以下步骤,
S51,利用第K拍的目标类别辨识模块的目标类别概率和状态转移概率对第K+1拍的目标类别概率进行预测;
S52,利用第K+1拍的质阻比估计值和第K拍的目标类别辨识模块的概率似然函数均值和概率似然函数方差对第K+1拍的目标类别概率进行更新,得到第K+1拍的目标类别概率;
S53,通过得到的第K+1拍的质阻比估计收敛概率和第K+1拍的目标类别概率计算联合后验概率;
S54,通过联合后验概率对稠密大气内无推力高速飞行目标的类别进行第K+1拍的辨识;
S55,令K=K+1,依次循环进行质阻比估计、质阻比估计收敛概率计算和稠密大气内无推力高速飞行目标的类别辨识,直至稠密大气内无推力高速飞行目标类别辨识系统退出,将多次辨识的结果综合得出稠密大气内无推力高速飞行目标辨识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629618.9A CN105277928B (zh) | 2015-09-28 | 2015-09-28 | 一种稠密大气内无推力高速飞行目标类别辨识系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510629618.9A CN105277928B (zh) | 2015-09-28 | 2015-09-28 | 一种稠密大气内无推力高速飞行目标类别辨识系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105277928A true CN105277928A (zh) | 2016-01-27 |
CN105277928B CN105277928B (zh) | 2017-09-05 |
Family
ID=55147273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510629618.9A Active CN105277928B (zh) | 2015-09-28 | 2015-09-28 | 一种稠密大气内无推力高速飞行目标类别辨识系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105277928B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099004A (zh) * | 2019-09-05 | 2020-12-18 | 北京无线电测量研究所 | 一种机载干涉合成孔径雷达复杂场景高程反演方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294931A (zh) * | 2013-06-28 | 2013-09-11 | 上海交通大学 | 基于改进的非线性鲁棒滤波算法的系统状态估计方法 |
CN103453907A (zh) * | 2013-09-06 | 2013-12-18 | 北京理工大学 | 基于分层大气模型的行星进入段导航滤波方法 |
CN103744057A (zh) * | 2013-12-24 | 2014-04-23 | 河海大学 | 基于输出相关自适应卡尔曼滤波的弹道轨迹形成方法 |
CN104568652A (zh) * | 2015-01-08 | 2015-04-29 | 浙江大学 | 一种高精度测量临近空间大气密度的方法及测量装置 |
-
2015
- 2015-09-28 CN CN201510629618.9A patent/CN105277928B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294931A (zh) * | 2013-06-28 | 2013-09-11 | 上海交通大学 | 基于改进的非线性鲁棒滤波算法的系统状态估计方法 |
CN103453907A (zh) * | 2013-09-06 | 2013-12-18 | 北京理工大学 | 基于分层大气模型的行星进入段导航滤波方法 |
CN103744057A (zh) * | 2013-12-24 | 2014-04-23 | 河海大学 | 基于输出相关自适应卡尔曼滤波的弹道轨迹形成方法 |
CN104568652A (zh) * | 2015-01-08 | 2015-04-29 | 浙江大学 | 一种高精度测量临近空间大气密度的方法及测量装置 |
Non-Patent Citations (2)
Title |
---|
胡国旭 等: "基于RK-UKF算法的再入目标质阻比估计", 《空军雷达学院学报》 * |
金文彬 等: "再入目标质阻比估计算法研究", 《国防科技大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099004A (zh) * | 2019-09-05 | 2020-12-18 | 北京无线电测量研究所 | 一种机载干涉合成孔径雷达复杂场景高程反演方法及系统 |
CN112099004B (zh) * | 2019-09-05 | 2022-03-08 | 北京无线电测量研究所 | 一种机载干涉合成孔径雷达复杂场景高程反演方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105277928B (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
Pérez et al. | Neural Network based calibration of atmospheric density models | |
CN104215935B (zh) | 一种基于决策加权融合的雷达炮弹目标识别方法 | |
CN109933847B (zh) | 一种改进的主动段弹道估计算法 | |
Li et al. | A machine learning-based approach for improved orbit predictions of LEO space debris with sparse tracking data from a single station | |
CN106705999B (zh) | 一种无人机陀螺仪故障的诊断方法 | |
CN111582236B (zh) | 一种基于稠密卷积神经网络的lpi雷达信号分类方法 | |
Soldin | SAR target recognition with deep learning | |
CN112597820A (zh) | 一种基于雷达信号分选的目标聚类方法 | |
Xiao et al. | An improved ICCP matching algorithm for use in an interference environment during geomagnetic navigation | |
RU2570111C1 (ru) | Устройство радиолокационного распознавания воздушно-космических объектов | |
Gaiduchenko et al. | Hypersonic vehicle trajectory classification using convolutional neural network | |
Ehrman et al. | Automated target recognition using passive radar and coordinated flight models | |
CN105277928A (zh) | 一种稠密大气内无推力高速飞行目标类别辨识系统及方法 | |
RU2265233C1 (ru) | Устройство определения координат | |
CN105424047A (zh) | 基于路标信息的航天器姿态指向误差辨识方法 | |
CN114296067A (zh) | 基于lstm模型的脉冲多普勒雷达低慢小目标识别方法 | |
CN108549057A (zh) | 一种无需第三方数据的雷达性能测试评估方法 | |
Carpenter et al. | Rapid characterization of munitions using neural networks | |
KR20220121626A (ko) | 파편 낙하 안전 영역 산출 시스템 및 방법 | |
Yang et al. | Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network | |
Shelekhov et al. | Low-altitude atmospheric turbulence sounding on the basis of unmanned aerial vehicle | |
Kim et al. | Ballistic object trajectory and launch point estimation from radar measurements using long-short term memory networks | |
Seo et al. | Wideangle radar target recognition with subclass concept | |
Zhang et al. | EMD-based gray association algorithm for group ballistic target |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |