CN106501800A - 基于代价参考粒子滤波的mimo雷达目标检测前跟踪方法 - Google Patents

Abstract

本发明涉及一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，首先初始化，产生初始粒子序列，形成初始的粒子‑代价集合；计算k时刻的所有粒子的风险和重采样权值；利用重采样权值，选取重采样粒子，形成新的粒子‑代价集合；从新的粒子‑代价集合中产生第k＝k+1时刻的粒子；跳转至计算k时刻的所有粒子的风险和重采样权值的步骤执行，循环至k＝K，得到每一时刻的代价状态。本发明通过利用目标状态估计值与真实值之间的误差计算得到粒子代价，进而得到粒子权重，实施粒子滤波，无需动态系统的统计特性，在动态特性未知的情况下仍能进行目标的检测和估计，经仿真试验验证，其检测跟踪性能明显优于传统的粒子滤波算法。

Description

基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法

技术领域

本发明属于雷达技术领域，特别涉及一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，在动态系统的噪声统计特性未知的情况下仍能进行目标检测和估计，适用性强。

背景技术

雷达在对机动弱目标的探测过程中，由于回波信号的信噪比低，且目标存在机动性，导致雷达对目标的检测与跟踪十分困难。为提高回波信号的信噪比，可以利用增加观测时间以达到积累增益，但是目标的机动性导致无法用简单匹配滤波模型进行相干积累。因此，我们需要用一个复杂的分段模型来描述目标的机动性。对于一个分辨单元，雷达接收的信号含有目标反射的雷达信号、杂波、相干信号以及噪声，在检测之前，虽然进行干扰抑制和杂波消除，但是仍然存在部分干扰、杂波以及噪声，另外，动态系统还会产生动态噪声，这就使得对动目标的检测与跟踪更加困难。

发明内容

为克服现有技术中的不足，本发明提供一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，能够在动态系统的噪声统计特性未知的情况下仍能进行目标的检测和估计，同样适用于噪声统计特性未知的动态系统。

按照本发明所提供的设计方案，一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，包含如下步骤：

步骤1、初始化，产生初始粒子序列N表示粒子数，每个粒子的初始代价形成初始的粒子-代价集合

步骤2、计算k时刻的所有粒子的风险和重采样权值；

步骤3、利用重采样权值，选取重采样粒子形成新的粒子-代价集合

步骤4、从粒子-代价集合Θ_k中产生第k＝k+1时刻的粒子，对于每个粒子

步骤5、跳转至步骤2执行，循环至k＝K，K表示迭代次数，得到每一时刻的代价状态。

上述的，步骤2具体包含如下内容：k时刻粒子的风险由其代价和k+1时刻的观测值决定，表示为：其中，λ表示遗忘因子，0≤λ≤1，表示增量代价；根据k时刻所有粒子的风险，计算重采样权值：

上述的，步骤4中的第k＝k+1时刻的粒子产生如下：

其中，表示多维高斯分布，其均值为m，协方差矩阵为

上述的，步骤5中每一时刻的代价状态：为每一时刻的平均代价状态估计，其具体表示为：或为每一时刻的最小代价状态估计，具体表示为：

本发明的有益效果：

本发明通过利用目标状态估计值与真实值之间的误差计算得到粒子代价，进而得到粒子权重，实施粒子滤波，无需动态系统的统计特性，在动态特性未知的情况下仍能进行目标的检测和估计，经仿真试验验证，其检测跟踪性能明显优于传统的粒子滤波算法。

附图说明：

图1为本发明的流程示意图；

图2为仿真实验(1)的检测性能图；

图3为仿真实验(1)的跟踪对比图；

图4为仿真实验(1)的跟踪误差图；

图5为仿真实验(2)的检测性能图；

图6为仿真实验(2)的跟踪对比图；

图7为仿真实验(2)的跟踪误差图；

图8为仿真实验(3)的不同p值下的检测性能图；

图9为仿真实验(3)的不同v值下的检测性能图。

具体实施方式：

下面结合附图和技术方案对本发明作进一步详细的说明，并通过优选的实施例详细说明本发明的实施方式，但本发明的实施方式并不限于此。

实施例一，参见图1所示，一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，包含如下步骤：

步骤1、初始化，产生初始粒子序列N表示粒子数，每个粒子的初始代价形成初始的粒子-代价集合

步骤2、计算k时刻的所有粒子的风险和重采样权值；

步骤3、利用重采样权值，选取重采样粒子形成新的粒子-代价集合

步骤4、从粒子-代价集合Θ_k中产生第k＝k+1时刻的粒子，对于每个粒子

步骤5、跳转至步骤2执行，循环至k＝K，K表示迭代次数，得到每一时刻的代价状态。

本发明利用目标状态估计值与真实值之间的误差计算得到粒子代价，进而得到粒子权重，实施粒子滤波，无需动态系统的统计特性，在动态特性未知的情况下仍能进行目标的检测和估计。

实施例二，参见图1～9所示，一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，包含如下内容：

步骤1、初始化，产生初始粒子序列该序列按照概率分布从Ω₀中随机产生或有规则地采样产生，每个粒子的初始代价形成初始的粒子-代价集合

步骤2、计算k时刻的所有粒子的风险和重采样权值，k时刻粒子的风险由其代价和k+1时刻的观测值决定，表示为：其中，λ表示遗忘因子，0≤λ≤1，表示增量代价，假设是第k时刻的真实状态，当λ＝0时，风险仅由增量代价决定，是无记忆的，当λ＝1时，前一时刻的代价将全部累积到下一时刻，风险是全记忆的，当0<λ<1时，先前时刻的风险将逐渐被遗忘；在状态估计过程中，粒子的风险越小越重要。根据k时刻所有粒子的风险，计算重采样权值：

步骤3、利用重采样权值，选取重采样粒子重采样前每个粒子的代价被添加到重采样的粒子中，形成新的粒子-代价集合：

步骤4、从粒子-代价集合Θ_k中产生第k＝k+1时刻的粒子，对于每个粒子第k＝k+1时刻的粒子产生如下：

其中，表示多维高斯分布，其均值为m，协方差矩阵为

步骤5、跳转至步骤2执行，循环至k＝K，得到每一时刻的代价状态，该代价状态为每一时刻的平均代价状态估计，其具体表示为：或为每一时刻的最小代价状态估计，具体表示为：

为了验证所提发明的有效性，下面通过仿真实验对本发明做进一步说明：

仿真条件：假设目标在1000×1000的二维平面内作机动运动，目标的初始位置为[100 200]^T，速度为[11 10]^T，K取值20，分布式MIMO雷达包含2个发射天线和3个接收天线。在给定的场景下，仿真产生MIMO雷达2×3个接收通道的信号。目标的运动模型已给出，其中v_k是零均值高斯白噪声，其协方差矩阵为：

其中，σ＝1.5表示目标机动性的大小。

具体分为两种情形进行论证：

一)，动态统计特性已知的情形，设观测噪声为已知的零均值复高斯白噪声，对比CRPF检测器与PF检测器。设观测噪声的方差为则接收信号的信噪比定义为：

把存在概率的平均值作为检验统计量。三个检测器的虚警概率设为0.001，虚警概率的门限由100000次仅有观测噪声的Monte-Carlo实验决定，每个SNR值，进行1000次实验计算检测概率。图2是粒子数N＝2000时三种检测器的检测概率随信噪比的变化情况，图3是SNR＝5dB时，两种PF算法和本发明跟踪效果图，图4是三种算法跟踪误差随信噪比的变化情况。由图2-4可以看出，粒子滤波器[6]性能最好，p＝1的CRPF检测器虽然没有利用噪声的统计特性，但其性能仍然接近于粒子滤波器[6]性能，PF检测器[2]性能最差，该算法优势在于计算复杂度小，粒子的选取依靠接收信号傅里叶频谱的峰值决定，这就造成其存在概率的平均值不一定是二元判决的最佳检验统计量。

二)，动态统计特性未知的情形，观测噪声为形状参数v＝0.5的零均值广义复高斯随机数，假设噪声的统计特性未知。由于两个PF检测器需要噪声统计特性，假设噪声为零均值复高斯白噪声，方差由绝对中位差估计器对时间序列傅里叶变换进行估计得到。CRPF检测器中检验统计量的参数p取值1,在实验一的条件下，三个检测器的检测跟踪性能如图5-7。可以看出，由于CRPF检测器无需噪声统计特性，其性能最好，而两个PF检测器由于假设噪声的统计特性与真实噪声的统计特性不匹配，所以其检测性能明显下降，证明了CRPF检测器能够有效处理噪声统计特性未知的情况。

从前边的分析可以看出，当p＝v＝0.5时，对于形状参数为0.5的广义高斯白噪声，CRPF检测器的性能最佳，因为此时CRPF检测器等同于GLRT检测器。对于统计特性未知的噪声，我们希望CRPF检测器对参数p不敏感。实验三验证了不同参数下CRPF检测器的检测性能。对于形状参数v＝0.5的广义高斯噪声，当p＝0.25,0.5,0.75,1，粒子数N＝2000，虚警概率为0.001时检测性能如图8；当p＝0.5，v＝0.25,0.5,0.75,1时，检测性能结果如图9。

由此可以看出，当p＝v时，CRPF检测器才能实现最好的检测性能，当两者不匹配时，检测性能会下降，但这个损失在可承受范围内。这就说明拥有可调参数(如p＝0.5或1)的CRPF检测器在形状参数v不可调的情况下仍能表现出很好的检测性能。

本发明不局限于上述具体实施方式，本领域技术人员还可据此做出多种变化，但任何与本发明等同或者类似的变化都应涵盖在本发明权利要求的范围内。

Claims (4)

1.一种基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，其特征在于：包含如下步骤：

步骤1、初始化，产生初始粒子序列每个粒子的初始代价形成初始的粒子-代价集合其中，N表示粒子数；

步骤2、计算k时刻的所有粒子的风险和重采样权值；

步骤3、利用重采样权值，选取重采样粒子形成新的粒子-代价集合

步骤4、从粒子-代价集合Θ_k中产生第k＝k+1时刻的粒子，对于每个粒子

步骤5、跳转至步骤2执行，循环至k＝K，得到每一时刻的代价状态，其中，K表示迭代次数。

2.根据权利要求1所述的基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，其特征在于：所述步骤2具体包含如下内容：k时刻粒子的风险由其代价和k+1时刻的观测值决定，表示为：其中，λ表示遗忘因子，0≤λ≤1，表示增量代价；根据k时刻所有粒子的风险，计算重采样权值：

3.根据权利要求1所述的基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，其特征在于：所述步骤4中的第k＝k+1时刻的粒子产生如下：

其中，表示多维高斯分布，其均值为m，协方差矩阵为

4.根据权利要求1所述的基于代价参考粒子滤波的MIMO雷达目标检测前跟踪方法，其特征在于：步骤5中每一时刻的代价状态：为每一时刻的平均代价状态估计，其具体表示为：或为每一时刻的最小代价状态估计，具体表示为：