CN105510882B - 基于目标机动参数估计的快速自适应采样周期跟踪方法 - Google Patents
基于目标机动参数估计的快速自适应采样周期跟踪方法 Download PDFInfo
- Publication number
- CN105510882B CN105510882B CN201510848159.3A CN201510848159A CN105510882B CN 105510882 B CN105510882 B CN 105510882B CN 201510848159 A CN201510848159 A CN 201510848159A CN 105510882 B CN105510882 B CN 105510882B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- msup
- 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.)
- Expired - Fee Related
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
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
一种基于目标机动参数估计的快速自适应采样周期跟踪方法，属于相控阵雷达技术领域。本发明首先建立目标机动参数离线库，通过将模型概率空间离散化，估计出所有可行模型概率组合下的目标机动参数，并将其保存至离线库；在对目标进行实时跟踪时，只需在机动参数离线库中查找与当前时刻模型概率匹配的机动参数，再按照公式法自适应地确定采样周期。本发明可同时对目标的机动频率与加速度方差进行估计，且具有计算速度快、系统计算资源消耗量小的优点，在算法复杂度和跟踪精度上得到了较好的平衡。
Description
技术领域
本发明属于相控阵雷达技术领域，具体涉及一种基于目标机动参数估计的快速自适应采样周期跟踪方法。
背景技术
相控阵雷达由于其独特的波束指向捷变能力，可以快速灵活地对搜索空域内的多个目标进行交替跟踪。为了充分发挥雷达效能，其有限的时间资源应在多种任务之间进行合理地分配，而自适应采样周期可有效地实现系统在相应跟踪任务上时间资源的分配。当采样周期较小时，跟踪精度提高，但系统消耗在该跟踪任务上的时间资源将大大增加；若增大采样周期，又会导致目标跟踪精度的下降。而有效的自适应采样周期策略能在保证跟踪精度的前提下提供最大的采样周期，从而最大限度地利用雷达时间资源。
在自适应采样周期策略方面，Van Keuk首先得到了Singer模型下采样周期的解析表达式(Adapative controlled target tracking with a phased array radar[J].Vankeuk,G.IEEE International Radar Conference.April 21-23,1975,429-432)，称之为公式法，公式中采样周期与Singer模型的机动参数有关，机动参数包括目标机动频率与加速度方差。
随着目标机动性能的提升，出现了基于多模型的交互多模型(InteractingMultiple Model,IMM)算法(Blom H A P,Bar-Shalom Y.The interacting multiplemodel algorithm for systems with markovian switching coefficients[J].IEEETransactions on Automatic Control,1988,33(8):780-783)。随即，基于IMM算法的自适应采样周期方法被提出：H.Benoudnin等提出了一种基于IMM的快速自适应采样周期方法(Fast Adaptive update rate control in the IMM Algorithm,FAIMM)(Fast adaptiveupdate rate for phased array radar using IMM target trackingalgorithm.H.Benoudnine,M.Keche,A.Ouamri,M.S.Woolfson.IEEE InternationalSymposium on Signal Processing and Information Technology,2006)，该方法通过对各模型的预设采样周期按模型预测概率进行加权，可快速地得到采样周期；该方法中目标的跟踪精度依赖于各模型预设的采样周期，然而该方法并没有提供对预设采样周期的取值依据，因此无法保证目标的跟踪精度。
Shin H J等提出了一种公式法与IMM结合的算法(Adaptive update rate targettracking for phased array radar[J].Shin H J,Hong S M,Hong D H.IEEEProc.Radar,Sonar Navigation.1995,142(3):137-142)，该方法中由各模型加速度方差按模型概率加权得到对目标加速度方差的估计；该方法在计算采样周期时，仅对目标加速度方差进行估计，而假设目标的机动频率已知，然而在实际中，目标的机动频率通常是未知的，且IMM中各模型的机动频率不相等，所以也需要对目标机动频率进行估计。
发明内容
本发明针对背景技术存在的缺陷，提出了一种基于目标机动参数估计的快速自适应采样周期跟踪方法。本发明首先建立目标机动参数离线库，通过将模型概率空间离散化，估计出所有可行模型概率组合下的目标机动参数，并将其保存至离线库；在对目标进行实时跟踪时，只需在机动参数离线库中查找与当前时刻模型概率匹配的机动参数，再按照公式法自适应地确定采样周期。本发明可同时对目标的机动频率与加速度方差进行估计，且具有计算速度快、系统计算资源消耗量小的优点。
首先，对本发明中涉及的概念进行解释：
Singer模型：
Singer模型将目标加速度a(t)作为具有指数自相关的零均值随机过程建模；R(ε)表示目标加速度的自相关函数：
R(ε)＝E[a(t)a(t+ε)]＝σ2e-α|ε| (1)
其中，{α,σ2}为[t,t+ε]区间内决定目标机动特性的待定参数；α是机动频率，σ2是加速度方差。
模型概率匹配度：
模型概率匹配度用以衡量两组模型概率的匹配程度。假设两组模型概率分别为：
U1＝{μ11,μ21…,μi1,…,μN1}
U2＝{μ12,μ22…,μi2,…,μN2} (2)
其中，μi1，μi2分别表示两组模型概率U1与U2中的第i个元素，i＝1,2,…,N，N表示模型个数，则模型概率匹配度函数为：
函数值f(U1,U2)越小，则U1与U2的匹配度越高。
公式法：
公式法建立了Singer模型下采样周期与目标机动参数之间的函数关系。
Van Keuk推导出，采样周期T与稳定状态的预测误差精度满足下面的近似表达式：
上式中，表示目标的位置量测误差方差，τ表示模型的时间常数且τ＝1/α，σ表示目标加速度标准差，表示期望的预测误差精度。
将式(4)改写为采样周期T与Singer模型机动参数{α,σ2}之间的函数关系式，可得：
当上式所需参数已知时，即可根据式(5)求得下一时刻的采样周期T。
本发明的技术方案如下：
一种基于目标机动参数估计的快速自适应采样周期跟踪方法，包括以下步骤：
步骤1、目标机动参数离线库的建立：
步骤1-1假设IMM中有N个Singer模型进行交互，每个模型的机动参数为：
其中，αi为第i个模型的机动频率，为第i个模型的加速度方差；
对模型概率取值空间[0,1]进行等间隔的离散化，确定所有可行的概率组合集合U：
U＝{U1,U2,…,Uj,…UM} (7)
其中，M为可行概率组合的个数；集合U中的第j个元素Uj表示为：
Uj＝{μ1j,μ2j…,μij,…,μNj},j＝1,2,3,…,M (8)
对于Uj＝{μ1j,μ2j…,μij,…,μNj}，μij表示集合Uj中的第i个模型的概率，且μij需要满足：
步骤1-2在每个概率组合集合Uj下，j＝1,2,…,M，估计目标加速度的自相关函数
取为函数的自变量取值区间的边界点，且满足：
其中，λ为一常数因子，且0＜λ＜1；
然后，对区间进行等间隔离散化，离散后的取值集合表示为：
其中，离散个数r＞＞2；
步骤1-3在概率组合集合Uj下，计算向量
其中：
步骤1-4计算概率组合集合Uj下，目标机动参数的估计值：
其中，表示向量的第一个元素，表示向量的第二个元素；然后将概率组合集合Uj与其对应的机动参数存入机动参数离线库；
步骤1-5建立目标机动参数离线库：
所述目标机动参数离线库中包括可行概率组合集合U，以及对应的目标机动参数集合C；
U＝{U1,U2,…,Uj,…UM}
C＝{C1,C2,…,Cj,…,CM} (17)
其中，Cj为与概率组合集合Uj对应的机动参数；
步骤2、目标的跟踪：采用与步骤1得到的机动参数离线库相同的Singer模型进行实时跟踪；
步骤2-1假设tk为第k次采样的采样时刻，采用IMM算法，对采样时刻tk时的状态估计值与误差自相关矩阵进行交互，得到每个滤波器输入的状态估计值与误差自相关矩阵，以及采样时刻tk时的模型预测概率组合U(k+1|k)；
其中：
U(k+1|k)＝{μ1(k+1|k),μ2(k+1|k),…,μN(k+1|k)} (18)
步骤2-2根据步骤2-1得到的模型预测概率组合U(k+1|k)，在步骤1得到的目标机动参数离线库中查找与其匹配度最高的模型概率组合即求：
进而查找与对应的目标机动参数
步骤2-3采用公式法自适应计算采样周期T，确定第k+1次采样的采样时刻tk+1
tk+1＝tk+T (22)
步骤2-4在采样时刻tk+1下，对IMM中各模型进行滤波，更新模型概率，获得状态估计值与估计误差自相关矩阵。
本发明的工作原理如下：
假设IMM中有N个Singer模型进行交互，每个模型的机动参数为：其中，αi为第i个模型的机动频率，为第i个模型的加速度方差；
对于Singer模型，模型i的目标加速度ai(t)的自相关函数为：
当前时刻，当上述N个模型进行交互时，目标的加速度自相关函数在最小均方误差意义下的最优估计为：
其中，μi为当前时刻模型i的概率，为当前时刻目标的加速度方差的估计，为当前时刻目标机动频率的估计。
对上式第二个等号两边关于自然数e取对数，得到：
其中，将与作为未知数，则|ε|取不同的值时，可建立不同的线性方程。
对于|ε|的值的选取，由于可见为偶函数，且为N个下降的指数函数的加权组合，则的值随|ε|的增大而减小。取：
其中，λ为一常数因子，且0＜λ＜1。
将作为主要的取值区间，对该区间进行离散化，得到r个离散的|ε|的取值，分别为：{|ε1|,|ε2|,…,|εr|}。
然后建立包含r个方程的线性方程组：
Ax＝b
其中，未知数x的表达式如下式所示：
A，b的具体表达式如式(14)，式(15)所示。
为了尽可能准确地估计目标的机动频率与加速度方差，在建立该线性方程组时，|ε|的取值的离散个数r应远大于未知数x的数目2，r＞＞2，即方程数远大于未知量的数目。此时，线性方程组无解，但可找到一个使得误差向量e在最小二乘意义下取得极小值，即使估计误差的模的平方和J＝eHe＝(Ax-b)H(Ax-b)取得极小值，所得到的解为最小二乘解，见式(13)。在得到方程组的最小二乘解之后，可得当前时刻目标的机动频率与加速度方差的估计，见式(16)。
由于在求解线性方程组的最小二乘解时，需要对矩阵求逆，若在每个采样时刻都对目标机动参数进行在线估计，系统计算资源消耗量很大。所以本发明考虑首先建立目标机动参数离线库，在实时跟踪时，只需按照当前时刻的模型预测概率在机动参数离线库中查找与之匹配的机动参数，以提高运算速度，减小系统计算资源消耗量。
以具有两个模型的IMM为例，如果将模型概率取值区间[0,1]按步长0.1进行离散化，则对应的所有可行的概率组合集合如表1：
表1所有可行的概率组合集合
| U1 | U2 | U3 | U4 | U5 | U6 | U7 | U8 | U9 | U10 | U11 |
| 0,1 | 0.1,0.9 | 0.2,0.8 | 0.3,0.7 | 0.4,0.6 | 0.5,0.5 | 0.6,0.4 | 0.7,0.3 | 0.8,0.2 | 0.9,0.1 | 1,0 |
在对目标进行实时跟踪时，一般情况下，两个模型的概率的取值不会正好是集合U中的元素。例如，实时跟踪时，当前时刻两个模型的概率为{0.13,0.87}，此时，利用模型概率匹配度函数，在集合U中查找与当前时刻模型概率组合匹配度最高的模型概率组合(计算方法见式(20))，对该模型概率组合，可在目标机动参数离线库中获得目标机动参数的估计然后按式(21)计算得到采样周期。
本发明的有益效果为：本发明首先建立目标机动参数离线库，通过将模型概率空间离散化，估计出所有可行模型概率组合下的目标机动参数，并将其保存至离线库；在对目标进行实时跟踪时，只需在机动参数离线库中查找与当前时刻模型概率匹配的机动参数，再按照公式法自适应地确定采样周期。本发明可同时对目标的机动频率与加速度方差进行估计，且计算速度快、系统计算资源消耗量小，在算法复杂度和跟踪精度上得到了较好的平衡。在目标机动频率未知或对算法计算速度要求较高的场景下，本发明提出的基于目标机动参数离线估计的快速自适应采样周期跟踪方法具有很好的效果。
附图说明
图1为背景技术提到的FAIMM方法的采样间隔变化曲线。
图2为预测误差协方差门限法的采样间隔变化曲线。
图3为本发明提出的方法的采样间隔变化曲线。
图4为三种方法的RMSE曲线。
具体实施方式
采用本发明方法处理目标机动频率未知场景下的自适应采样周期问题，并分别与FAIMM方法、预测误差协方差门限法对比，以体现本发明方法的效果。
对于Singer模型，通常机动频率α的经验取值范围是：目标机动形式是飞机慢速转弯时，α的取值为1/60，对于逃避机动是1/20，对于大气扰动是1，其确切值要通过实时测量才能确定。因此采用三个典型的Singer模型，其参数分别为：(1,0.002)，(1/60,1500)，(1/20,5400)，分别代表非机动、弱机动以及强机动模型。
在仿真中，将模型概率取值区间[0,1]离散化为：[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1]，系数λ的取值为0.1，线性方程组方程的个数r为50。根据本发明给出的技术方案，确定所有可行的模型概率组合及其对应的机动参数，并建立机动参数离线库。
目标初始位置为[60,50]km，在前40s内，目标以[350,0]m/s的速度作匀速直线运动；在40s-55s内，目标以[-23.3,-25]m/s2的加速度作匀加速运动；在55s-80s内，目标作匀速直线运动；在80s-95s内，目标以[-24,25]m/s2的加速度作匀加速运动；在95s-130s内，目标再次作匀速直线运动；在130s-150s内，目标以[10,-15]m/s2的加速度作匀加速运动；在150s-170s内，目标作匀速直线运动。
IMM算法中三个模型的初始模型概率均取为1/3，Markov模型转移概率矩阵为：
X方向与Y方向观测噪声的标准差均为20m。
在FAIMM方法、预测误差协方差门限法、本发明方法这三种方法中，目标的预测误差精度的取值为0.6。Monte-Carlo仿真次数为100。在FAIMM算法中，三个模型的预设周期分别为：4s，1s，0.25s。
绘制三种自适应采样周期方法的采样间隔变化曲线。由于每次Monte-Carlo的采样时间与采样数据都是不同的，所以将目标运动时间进行等分，从0开始，每5s为一个区间，统计该区间的采样次数以及每次的采样间隔，计算平均采样间隔，绘制曲线。图1，2，3分别为FAIMM方法，预测误差协方差门限法，以及本发明提出方法的采样间隔变化曲线。由图1、2、3可知，三种方法的采样间隔大小均随着目标运动的机动性强弱改变，但相比之下，FAIMM算法的采样间隔远大于另外两种方法。
图4为三种方法的RMSE对比曲线。为了说明三种方法的滤波效果，同时给出观测值的RMSE曲线。由图4可知，本发明提出的方法与预测误差协方差门限法的RMSE均低于观测值的RMSE；表明这两种方法均可保证滤波的有效性。而FAIMM方法不能保证所有跟踪时刻的RMSE均低于观测值的RMSE，即FAIMM方法不能保证所有跟踪时刻滤波的有效性。
为了全面评价本发明方法的效果，对其以下五个方面的性能进行评估：目标跟踪精度、系统资源消耗量、算法的运算量、是否能达到期望的预测误差精度、未达到期望精度的点超出期望精度的平均程度；分别用平均位置误差AMSE，平均采样间隔程序平均运行时间达到期望预测误差精度的点占总采样点数的比例η，未达到期望预测误差精度的点超出期望精度的程度ξ进行表征。
其中，平均位置误差：
平均采样间隔：
程序平均运行时间：
其中，NMC为Monte-Carlo的次数；Ml为第l次Monte-Carlo的采样点数，xk为目标在第k个采样时刻的真实位置，为第l次Monte-Carlo时在第k个采样时刻的目标估计位置，为第l次Monte-Carlo时的第k个采样周期，为第l次Monte-Carlo时程序的运行时间。
当采样点达到期望的跟踪精度时，其位置预测误差方差需要满足下式：
其中，为采样点在第k个采样时刻的位置预测误差方差，表示目标的位置量测误差方差，为期望的预测误差精度。
则NMC次Monte-Carlo中，达到期望预测误差精度的点占总采样点数的比例η为：
其中，nl为第l次Monte-Carlo中达到期望预测误差精度的采样点数。
对于未达到期望预测误差精度的采样点，有：
将作为位置预测误差方差的门限，为了衡量这些采样点超出门限的平均程度，建立指标：
其中，Mb为NMC次蒙特卡罗中超出门限的采样点的总点数，为超出门限的采样点的位置预测误差方差。ξ越小，表明采样点超出期望精度的平均程度越小。
表2为FAIMM算法、预测误差协方差门限法以及本发明提出的方法的性能比较结果。
表2三种方法的性能比较结果
由表2可知，FAIMM方法的平均位置误差、平均采样间隔都明显高于另外两种方法，且达到期望预测误差精度的点所占比例为0，表明该方法无法保证对目标的跟踪精度。而本发明提出的方法与预测误差协方差门限法对比可知，预测误差协方差门限法可使达到期望跟踪精度的点所占比例达到97％，但其平均运行时间几乎是本发明提出方法的7倍，且其未达到期望预测误差精度的点超出期望精度的程度要高于本发明提出的方法。但两种方法在平均位置误差与平均采样间隔上性能基本一致，表明相对于预测误差协方差门限法，本发明提出的方法在保证跟踪精度的基础上，具有计算速度快、系统计算资源消耗量小的优点。
综上所述，本发明提出的方法可以同时对目标的机动频率与加速度方差进行估计，且计算速度快、系统计算资源消耗量小，在算法复杂度和跟踪精度上得到了较好的平衡。在目标机动频率未知或对算法计算速度要求较高的场景下，本发明提出的基于目标机动参数离线估计的快速自适应采样周期跟踪方法具有很好的效果。
Claims (1)
1.一种基于目标机动参数估计的快速自适应采样周期跟踪方法，包括以下步骤：
步骤1、目标机动参数离线库的建立：
步骤1-1假设IMM中有N个Singer模型进行交互，每个模型的机动参数为：
<mrow>
<mo>{</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mo>}</mo>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
其中，αi为第i个模型的机动频率，为第i个模型的加速度方差；
对模型概率取值空间[0,1]进行等间隔的离散化，确定所有可行的概率组合集合U：
U＝{U1,U2,…,Uj,…UM}
其中，M为可行概率组合的个数；集合U中的第j个元素Uj表示为：
Uj＝{μ1j,μ2j…,μij,…,μNj},j＝1,2,3,…,M
其中，μij表示集合Uj中的第i个模型的概率，且μij需要满足：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
步骤1-2在每个概率组合集合Uj下，估计目标加速度的自相关函数
<mrow>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<mi>&epsiv;</mi>
<mo>|</mo>
</mrow>
</msup>
</mrow>
取为函数的自变量取值区间的边界点，且满足：
<mrow>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mo>|</mo>
<msub>
<mover>
<mi>&epsiv;</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mo>|</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&lambda;</mi>
<msub>
<mover>
<mi>R</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，λ为一常数因子，且0＜λ＜1；
然后，对区间进行等间隔离散化，离散后的取值集合表示为：
<mrow>
<mo>{</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>1</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>2</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
<mo>}</mo>
</mrow>
其中，r为离散个数；
步骤1-3在概率组合集合Uj下，计算向量
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mi>H</mi>
</msup>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<msup>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mi>H</mi>
</msup>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
</mrow>
其中：
<mrow>
<msub>
<mi>A</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>1</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>2</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
1
<mrow>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>1</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mn>2</mn>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>l</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msubsup>
<mi>&sigma;</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mi>&epsiv;</mi>
<msub>
<mi>r</mi>
<mi>j</mi>
</msub>
</msub>
<mo>|</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
步骤1-4确定概率组合集合Uj下，目标机动参数的估计值：
<mrow>
<msub>
<mover>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mo>=</mo>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，表示向量的第一个元素，表示向量的第二个元素；然后将概率组合集合Uj与其对应的机动参数存入机动参数离线库；
步骤1-5建立目标机动参数离线库：
所述目标机动参数离线库中包括可行概率组合集合U，以及对应的目标机动参数集合C；
U＝{U1,U2,…,Uj,…UM}
C＝{C1,C2,…,Cj,…,CM}
其中，Cj为与概率组合集合Uj对应的机动参数；
步骤2、目标的跟踪：采用与步骤1得到的机动参数离线库相同的Singer模型进行实时跟踪；
步骤2-1假设tk为第k次采样的采样时刻，采用IMM算法，对采样时刻tk时的状态估计值与误差自相关矩阵进行交互，得到每个滤波器输入的状态估计值与误差自相关矩阵，以及采样时刻tk时的模型预测概率组合U(k+1|k)；
U(k+1|k)＝{μ1(k+1|k),μ2(k+1|k),…,μN(k+1|k)}
其中，μ1(k+1|k)为第一个模型的预测概率；
步骤2-2根据步骤2-1得到的模型预测概率组合U(k+1|k)，在步骤1得到的目标机动参数离线库中查找与其匹配度最高的模型概率组合即求：
<mrow>
<mover>
<mi>U</mi>
<mo>~</mo>
</mover>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mi>min</mi>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<mi>j</mi>
<mo>&le;</mo>
<mi>M</mi>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>U</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>U</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>|</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
进而查找与对应的目标机动参数
步骤2-3采用公式法自适应计算采样周期T，确定第k+1次采样的采样时刻tk+1
<mrow>
<mi>T</mi>
<mo>&cong;</mo>
<mn>0.4</mn>
<msup>
<msub>
<mi>&sigma;</mi>
<mn>0</mn>
</msub>
<mn>0.4</mn>
</msup>
<msup>
<mover>
<mi>&alpha;</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>-</mo>
<mn>0.2</mn>
</mrow>
</msup>
<msup>
<mrow>
<mo>(</mo>
<mover>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
<mo>^</mo>
</mover>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>0.2</mn>
</mrow>
</msup>
<mfrac>
<msubsup>
<mi>v</mi>
<mn>0</mn>
<mn>2.4</mn>
</msubsup>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mn>0.5</mn>
<msubsup>
<mi>v</mi>
<mn>0</mn>
<mn>2</mn>
</msubsup>
</mrow>
</mfrac>
</mrow>
tk+1＝tk+T
步骤2-4在采样时刻tk+1下，对IMM中各模型进行滤波，更新模型概率，获得状态估计值与估计误差自相关矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510848159.3A CN105510882B (zh) | 2015-11-27 | 2015-11-27 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510848159.3A CN105510882B (zh) | 2015-11-27 | 2015-11-27 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105510882A CN105510882A (zh) | 2016-04-20 |
| CN105510882B true CN105510882B (zh) | 2017-11-17 |
Family
ID=55718993
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510848159.3A Expired - Fee Related CN105510882B (zh) | 2015-11-27 | 2015-11-27 | 基于目标机动参数估计的快速自适应采样周期跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105510882B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105974367A (zh) * | 2016-05-04 | 2016-09-28 | 南京理工大学 | 基于apm模型的机动频率自适应跟踪算法 |
| CN106021697B (zh) * | 2016-05-17 | 2019-06-21 | 电子科技大学 | 一种快速相控阵雷达时间-能量资源联合管理方法 |
| CN107102634B (zh) * | 2017-05-11 | 2019-06-04 | 北京理工大学 | 一种基于转台伺服系统的参数估计与跟踪控制方法 |
| CN107329136B (zh) * | 2017-06-13 | 2020-12-29 | 电子科技大学 | 基于可变分析时刻的mimo雷达多目标自适应跟踪方法 |
| CN108009358B (zh) * | 2017-12-01 | 2021-06-15 | 哈尔滨工业大学 | 基于imm_ukf的三维制导律辨识滤波方法 |
| CN109239704B (zh) * | 2018-08-21 | 2023-03-10 | 电子科技大学 | 一种基于序贯滤波交互式多模型的自适应采样方法 |
| CN111323794B (zh) * | 2020-03-21 | 2023-05-05 | 哈尔滨工程大学 | 一种基于周期重采样的周期调频干扰消除方法 |
| CN112068080A (zh) * | 2020-09-09 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 雷达采样方法、计算机设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
| CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
| CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
| CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6822583B2 (en) * | 2002-08-12 | 2004-11-23 | Bae Systems Information And Electronic Systems Integration Inc. | Method for passive “360-degree coverage” tactical fighter target tracking incorporating adaptive pilot maneuver cue processing |
-
2015
- 2015-11-27 CN CN201510848159.3A patent/CN105510882B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
| CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
| CN103048658A (zh) * | 2012-11-10 | 2013-04-17 | 中国人民解放军海军航空工程学院 | 基于径向加速度的RA-Singer-EKF机动目标跟踪算法 |
| CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于自适应网格IMM的自适应采样周期算法;唐婷 等;《系统工程与电子技术》;20081231;第30卷(第12期);第2481-2484页 * |
| 一种新的机动频率和方差自适应滤波算法;钱广华 等;《重庆理工大学学报（自然科学）》;20130531;第27卷(第5期);第86-89页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105510882A (zh) | 2016-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105510882B (zh) | 基于目标机动参数估计的快速自适应采样周期跟踪方法 | |
| CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
| CN104252178B (zh) | 一种基于强机动的目标跟踪方法 | |
| CN103345577B (zh) | 变分贝叶斯概率假设密度多目标跟踪方法 | |
| CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
| CN108682023A (zh) | 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法 | |
| CN102568004A (zh) | 一种高机动目标跟踪算法 | |
| CN104408744A (zh) | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 | |
| CN107885232A (zh) | 一种用于多策略机动跟踪的滤波方法 | |
| CN108226920A (zh) | 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法 | |
| CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
| CN104156984A (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
| CN104504728B (zh) | 多机动目标跟踪方法、系统及其广义联合概率数据关联器 | |
| CN103529424B (zh) | 一种基于rfid及ukf实现室内目标快速跟踪的方法 | |
| CN106021697B (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
| CN103973263B (zh) | 一种逼近滤波方法 | |
| CN106526559A (zh) | 一种基于bcd‑vsmm机动目标无源协同定位方法 | |
| CN101477623A (zh) | 基于模糊推理的交互式多模型方法 | |
| CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
| CN103487800B (zh) | 基于残差反馈的多模型高速高机动目标跟踪方法 | |
| CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
| Wu et al. | Wifi fingerprinting and tracking using neural networks | |
| CN104795063A (zh) | 一种基于声学空间非线性流形结构的声学模型构建方法 | |
| CN104021285B (zh) | 一种具有最优运动模式切换参数的交互式多模型目标跟踪方法 | |
| CN107452017A (zh) | 一种基于期望最大化算法的机动目标跟踪方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171117 Termination date: 20201127 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |