CN106546976B - 一种基于长周期非均匀采样目标跟踪处理方法及装置 - Google Patents

Abstract

本发明涉及目标跟踪处理，提供一种基于长周期非均匀采样目标跟踪处理方法及装置。充分研究跟踪目标的运动规律，结合引导数据的特点，引入被保护目标和干扰设备位置先验信息，构造双约束条件，实现对目标的干扰跟踪。本发明将测量得到的极坐标目标数据，转换到大地坐标系进行数据处理。XY两轴数据，基于两个约束条件分别采用CV、CA模型进行二维预测/滤波，将4个模型处理结果数据进行融合；Z轴数据，采用CV、CA模型进行单维预测/滤波，将2个模型处理结果数据进行融合。然后将融合后得到的X、Y、Z轴数据，坐标变换到极坐标输出。设置交互式多模型算法中模型转移概率，对交互式多模型算法步骤输出坐标滤波预测值进行优化。

Description

一种基于长周期非均匀采样目标跟踪处理方法及装置

技术领域

本发明涉及目标跟踪处理，尤其是涉及一种基于长周期非均匀采样目标跟踪处理方法及装置。

背景技术

在电子对抗干扰设备中，为了有效压制来袭的攻击目标，系统需要将干扰波束实时对准目标。当前通常采用的干扰目标跟踪数据处理滤波、外推算法的一般流程是：电子对抗干扰设备测量到的三个目标参数：方位角、俯仰角、距离值，均基于极坐标系。极坐标系参数表征目标运动时，具有非线性特性，不能直接用于滤波、外推处理。大地地理坐标系中参数，可以直接表征目标的真实运动状态，可以利用目标的运动特性，进行准确的滤波、外推处理。

首先将原始目标数据从极坐标系转换到大地地理坐标系,即将方位角、俯仰角以及距离值转换为大地地理坐标系中x、y、z坐标值进行计算，然后采用α-β-γ准则或卡尔曼准则对数据进行滤波、外推。

但是，装备在实际的作战使用条件下，存在干扰目标引导数据率低、时间滞后、精度差、时间上非均匀性的问题，加之干扰跟踪的目标种类多、运动轨迹多样、速度快、跟踪距离近，使当前采用的普通滤波、外推算法局限性突显，算法模型容易失真，造成干扰跟踪精度低。

存在的问题具体如下：

1、目标测向信息(方位、俯仰、距离)基于极坐标，噪声大。直接在X-Y-Z地理坐标系进行转换、滤波、外推处理，三个数据相互耦合严重，滤波、外推精度差。

1)测向数据飞点多，在非均匀性、低数据率(引导数据周期2～8.5秒周期变化)情况下，固定的滤波、外推算法模型容易失真，跟踪恶化。

2)跟踪目标种类多，运动模型不确定，被电磁干扰后，目标机动特性变换剧烈，干扰伺服跟踪参数难于确定。

发明内容

本发明所要解决的技术问题是：根据复杂电磁环境下装备的使用特点，针对实际的干扰目标引导数据存在数据率低、非均匀、精度差的问题，提供一种基于长周期非均匀采样目标跟踪处理方法及装置。充分研究跟踪目标的运动规律，结合引导数据的特点，引入被保护目标和干扰设备位置先验信息，构造双约束条件，采用变结构双约束IMM(交互式多模型)算法，满足对来袭目标进行有效压制干扰的跟踪要求，实现对高机动动态目标的干扰跟踪。采用本发明新设计的算法有效地解决当前算法跟踪精度低、算法模型容易失真的问题，以满足电子对抗干扰设备在低数据率目标引导条件下针对大动态、目标实现实时跟踪干扰的需要。

本发明采用的技术方案如下：

一种基于长周期非均匀采样条件下高机动目标跟踪处理方法包括：

去偏量测转换步骤：将原始目标数据从极坐标系转换到大地地理坐标系,并得到大地地理坐标系中XY平面测量噪声协方差矩阵R1以及Z方向测量噪声协方差矩阵R2；即将方位角、俯仰角以及距离值转换为大地地理坐标系中x、y、z坐标数据；

交互式多模型算法步骤：将x、y坐标轴数据与转换量测误差协方差矩阵R1，通过在第一约束条件C1，采用近匀速运动目标模型CV进行滤波处理；在第一约束条件C1，采用近匀加速运动目标模型CA进行滤波处理；在第二约束条件C2，采用近匀速运动目标模型CV进行滤波处理；在第二约束条件C2，采用近匀加速运动目标模型CA进行滤波处理；将这滤波处理后的4个数据通过更新模型概率后，通过联合估计算法进行联合估计处理；通过联合估计处理后的4个数据分别对应在第一约束条件C1采用近匀速运动目标模型CV进行预测处理、在第一约束条件C1采用近匀加速运动目标模型CA进预测处理、在第二约束条件C2采用近匀速运动目标模型CV进行预测处理、在第二约束条件C2采用近匀加速运动目标模型CA进行预测处理，得到4个预测数据；将4个预测数据分别根据分配的模型转移概率计算，并进行联合预测得到最终的4个目标值预测数据；4个目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比得到融合后的X轴数据与Y轴数据；根据目标类型确定第一约束条件参数C1；根据干扰样式类型确定第二约束条件参数C2；

将z轴数据与协方差矩阵R2，根据近匀速运动目标模型CV、近匀加速运动目标模型CA进行卡尔曼滤波处理，得到2个目标滤波数据，根据分配的模型转移概率进行联合估计，计算出2个z轴目标值；然后2个z轴目标值分别对应在近匀速运动目标模型CV、近匀加速运动目标模型CA中通过联合估计算法进行联合预测，得到2个z轴目标值预测数据；2个z轴目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比计算得到融合后的Z轴数据；

然后将融合后的X轴数据、融合后的Y轴数据、融合后的Z轴数据坐标变换到极坐标并输出；

变结构算法步骤：将主动干扰源的启闭时刻节点进行利用，设置交互式多模型算法中模型转移概率，对交互式多模型算法步骤输出坐标滤波预测值进行优化。

进一步的，一种基于长周期非均匀采样条件下高机动目标跟踪处理方法还包括投影约束方法以及野值剔除算法对坐标滤波预测值进行优化。

进一步的，所述去偏量测转换步骤具体步骤包括：

步骤11：若时刻距离量测为r，k时刻方位角量测为a，k时刻俯仰角量测为e，测量噪声距离误差标准差为dr，测量噪声方位角误差标准差为da，测量噪声俯仰角误差标准差为de；单位为rad，dr与r单位为m，a、e、da以及de单位为rad；根据公式(1)得到转换量测统计均值

求出平均真实偏差，再将平均真实偏差代入公式(2)得到x、y、z坐标的数据的x_k，y_k，z_k；

步骤12：

其中，

进一步的，所述变结构算法步骤中当干扰源关机时，受保护雷达是当前唯一可能的目标，目标的运动轨迹指向受保护雷达，交互式多模型算法中只有一个目标运动约束条件生效，此时交互式多模型算法中的模型转移概率pij，设置为：

当干扰源开机时，目标的运动轨迹受到干扰，目标运动可能会指向受保护雷达或干扰源；根据干扰理论，形成新的目标运动约束条件，即认为受保护雷达和干扰源都可能成为当前目标；交互式多模型算法中的模型转移概率pij为：

一种基于长周期非均匀采样条件下高机动目标跟踪处理装置包括：

去偏量测转换模块：将原始目标数据从极坐标系转换到大地地理坐标系,并得到大地地理坐标系中XY平面测量噪声协方差矩阵R1以及Z方向测量噪声协方差矩阵R2；即将方位角、俯仰角以及距离值转换为大地地理坐标系中x、y、z坐标数据；

交互式多模型算法模块：将x、y坐标轴数据与转换量测误差协方差矩阵R1，通过在第一约束条件C1，采用近匀速运动目标模型CV进行滤波处理；在第一约束条件C1，采用近匀加速运动目标模型CA进行滤波处理；在第二约束条件C2，采用近匀速运动目标模型CV进行滤波处理；在第二约束条件C2，采用近匀加速运动目标模型CA进行滤波处理；将这滤波处理后的4个数据通过更新模型概率后，通过联合估计算法进行联合估计处理；通过联合估计处理后的4个数据分别对应在第一约束条件C1采用近匀速运动目标模型CV进行预测处理、在第一约束条件C1采用近匀加速运动目标模型CA进预测处理、在第二约束条件C2采用近匀速运动目标模型CV进行预测处理、在第二约束条件C2采用近匀加速运动目标模型CA进行预测处理，得到4个预测数据；将4个预测数据分别根据分配的模型转移概率计算，并进行联合预测得到最终的4个目标值预测数据；4个目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比得到融合后的X轴数据与Y轴数据；根据目标类型确定第一约束条件参数C1；根据干扰样式类型确定第二约束条件参数C2；

将z轴数据与协方差矩阵R2，根据近匀速运动目标模型CV、近匀加速运动目标模型CA进行卡尔曼滤波处理，得到2个目标滤波数据，根据分配的模型转移概率进行联合估计，计算出2个z轴目标值；然后2个z轴目标值分别对应在近匀速运动目标模型CV、近匀加速运动目标模型CA中通过联合估计算法进行联合预测，得到2个z轴目标值预测数据；2个z轴目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比计算得到融合后的Z轴数据；

然后将融合后的X轴数据、融合后的Y轴数据、融合后的Z轴数据坐标变换到极坐标并输出；

变结构算法模块：将主动干扰源的启闭时刻节点进行利用，设置交互式多模型算法中模型转移概率，对交互式多模型算法步骤输出坐标滤波预测值进行优化。

一种基于长周期非均匀采样条件下高机动目标跟踪处理装置还包括投影约束模块通过投影约束方法以及野值剔除算法模块通过野值剔除算法对坐标滤波预测值进行优化。

进一步的，所述去偏量测转换模块具体包括：

若时刻距离量测为r，k时刻方位角量测为a，k时刻俯仰角量测为e，测量噪声距离误差标准差为dr，测量噪声方位角误差标准差为da，测量噪声俯仰角误差标准差为de；单位为rad，dr与r单位为m，a、e、da以及de单位为rad；根据公式(1)得到转换量测统计均值

求出平均真实偏差，再将平均真实偏差代入公式(2)得到x、y、z坐标的数据的x_k，y_k，z_k；

其中，

进一步的，所述变结构算法模块中当干扰源关机时，受保护雷达是当前唯一可能的目标，目标的运动轨迹指向受保护雷达，交互式多模型算法中只有一个目标运动约束条件生效，此时交互式多模型算法中的模型转移概率pij，设置为：

当干扰源开机时，目标的运动轨迹受到干扰，目标运动可能会指向受保护雷达或干扰源；根据干扰理论，形成新的目标运动约束条件，即认为受保护雷达和干扰源都可能成为当前目标；交互式多模型算法中的模型转移概率pij为：

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明采用变结构双约束IMM算法，在长周期、非均匀数据条件下，明显改善了对高机动目标的滤波和预测精度，可有效消除异常点对滤波预测精度的影响。在各种典型的作战条件，针对不同作战对象的实弹对抗试验中证明：采用本发明的技术，干扰跟踪均方误差<3°，在测向出现飞点数据后，能迅速收敛误差。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1变结构算法(变结构双约束IMM算法)处理流程示意图。

图2是转换量测流程图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

实施例一：

1)去偏量测转换

将量测的方位角和俯仰角进行去偏量测转换，通过无偏量测及其测量协方差矩阵，避免非线性滤波算法近似过程中引入误差导致的滤波发散现象。

2)交互式多模型

考虑多个不同运动模型的交互作用，以此得出目标的状态估计，是一种处理机动目标跟踪问题的有效方法。由于目标的机动特性，运动模型不确定，因此采用交互式多模型滤波方法应对目标飞行过程可能随时出现的变速和变向机动。XY两轴数据，基于两个约束条件分别采用CV、CA模型进行二维预测/滤波，将4个模型处理结果数据进行融合；Z轴数据，采用CV、CA模型进行单维预测/滤波，将2个模型处理结果数据进行融合。然后将融合后得到的X、Y、Z轴数据，坐标变换到极坐标，输出。

3)变结构算法

在实施方案中采用了变结构方式对交互式多模型方法进行改进。所谓的变结构方法就是在满足一定条件时改变算法的某些参数以达到更加贴合实际情况的目的。对于反辐射诱偏系统来说，变结构设计将主动干扰源的启闭时刻这一时间节点进行利用，当干扰源关机时，认为受保护雷达是当前唯一可能的目标，目标的运动轨迹指向受保护雷达，算法中只有一个目标运动约束条件生效，此时算法中的模型转移概率，根据经验设置为：

即认为目标的运动模型较大概率保持不变，较小概率会转变成其他的运动模型。

而当干扰源开机时，目标的运动轨迹受到干扰，目标运动可能会指向受保护雷达或干扰源。根据干扰理论，形成新的目标运动约束条件，即认为受保护雷达和干扰源都可能成为当前目标。根据经验设置此时算法中的模型转移概率变为：

即认为目标转变运动模型的可能性增大，较大概率会转变成其他的运动模型。由于在交互式多模型算法中为每个约束条件单独分配运动模型，所以说目标当前服从的约束条件较大概率会发生转变。这种设计是合理且更加符合实际的。

4)投影约束估计方法

目标在x-y平面上的运动满足一定的约束条件(近似为一条直线)，因此本发明采用了投影约束估计方法，将非约束状态估计投影到约束平面上来得到近似的约束状态估计约束估计的误差协方差比非约束估计要小。在这种类型的约束Kalman滤波器中，这种方法的误差协方差最小。因此选用此方法能有效减小滤波误差，从而提高预测精度。

实际方案中由于导弹导引策略的缘故，其X-Y平面上运动方向一直是指向攻击目标的，因此根据量测信息和先验的目的地信息可以计算出目标在X-Y平面上航向的约束条件，这个约束条件是随着时间变化的。由于存在主动干扰源，可能的目标不止一个，因此约束条件也不只一个，对于多约束的处理将利用交互式多模型方法实现。

5)野值剔除算法

实测数据中可能包含某些数据点严重偏离目标真值，递推卡尔曼滤波对这部分异常值极为敏感，会对滤波和预测精度造成较大的影响。本发明根据椭圆波门理论设置了野值剔除功能。

实施例二：基于实施例一基础上，

经典滤波模型包含近匀速运动(CV)、近匀加速运动(CA)、

CV模型的状态转移矩阵和噪声输入矩阵分别为

Φ_k＝diag(F₀,F₀,F₀),其中

Γ_k＝diag(Γ₀,Γ₀,Γ₀),其中

CA模型的状态转移矩阵和噪声输入矩阵分别为

Φ_k＝diag(F₀,F₀,F₀),其中

Γ_k＝diag(Γ₀,Γ₀,Γ₀),其中

C1下CV模型滤波：指在第一个约束条件，采用近匀速运动目标模型进行滤波处理。

C1下CA模型滤波：指在第一个约束条件，采用近匀加速运动目标模型进行滤波处理。

C2下CV模型滤波：指在第二个约束条件，采用近匀速运动目标模型进行滤波处理。

C2下CA模型滤波：指在第二个约束条件，采用近匀加速运动目标模型进行滤波处理。

联合估计：四种算法得到4个目标滤波数据，根据分配的模型转移概率，计算出最终的目标值。

C1下CV模型预测：指在第一个约束条件，采用近匀速运动目标模型进行预测处理。

C1下CA模型预测：指在第一个约束条件，采用近匀加速运动目标模型进预测处理。

C2下CV模型预测：指在第二个约束条件，采用近匀速运动目标模型进行预测处理。

C2下CA模型滤波：指在第二个约束条件，采用近匀加速运动目标模型进行预测处理。

联合预测：四种算法得到4个目标预测数据，根据分配的模型转移概率，计算出最终的目标值预测数据。

其中，X/Y观测处理过程：更新模型概率：四种子模型算法得到的似然值(由残差和协方差更新)，采用贝叶斯定理计算模型概率。

子模型M_j的似然值由残差v_j和协方差更新量B_j计算，即

模型概率w_j(k)由贝叶斯定理给出

其中，ρ(z(k)|z^k-1)是归一化常数，它确保所有子模型概率之和等于1。

z观测处理过程中更新概率模型具体过程：

更新模型概率：四种子模型算法得到的似然值(由残差和协方差更新)，采用贝叶斯定理计算模型概率。

子模型M_j的似然值由残差v_j和协方差更新量B_j计算，即

模型概率w_j(k)由贝叶斯定理给出

其中，ρ(z(k)|z^k-1)是归一化常数，它确保所有子模型概率之和等于1。

实施例三：基于实施例一基础，球坐标量测转换到大地地理坐标系坐标输入：距离方位俯仰量测r，a，e及其测量误差标准差da，de

输出：转换量测x，y，z，

为转换量测统计均值

处理过程：按公式

求出平均真实偏差，再将平均真实偏差代入

即可求得去偏量测转换后笛卡尔坐标下的量测数据；

至此程序中转换量测部分结束，总结起来流程如图2；

输入：k时刻距离量测r(1x1,单位：m)；

k时刻方位角量测a(1x1,单位：rad)；

k时刻俯仰角量测e(1x1,单位：rad)；

测量噪声距离误差标准差dr(1x1,单位：m)；

测量噪声方位角误差标准差da(1x1,单位：rad)；

测量噪声俯仰角误差标准差de(1x1,单位：rad)。

输出：XY平面测量噪声协方差矩阵R1(2x2)；

Z方向测量噪声协方差矩阵R2(1x1)。

处理过程：

其中和两组参数分别为：

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种基于长周期非均匀采样目标跟踪处理方法，其特征在于包括：

去偏量测转换步骤：将原始目标数据从极坐标系转换到大地地理坐标系,并得到大地地理坐标系中XY平面测量噪声协方差矩阵R1以及Z方向测量噪声协方差矩阵R2；即将方位角、俯仰角以及距离值转换为大地地理坐标系中x、y、z坐标数据；

交互式多模型算法步骤：将x、y坐标轴数据与转换量测误差协方差矩阵R1，通过在第一约束条件C1，采用近匀速运动目标模型CV进行滤波处理；在第一约束条件C1，采用近匀加速运动目标模型CA进行滤波处理；在第二约束条件C2，采用近匀速运动目标模型CV进行滤波处理；在第二约束条件C2，采用近匀加速运动目标模型CA进行滤波处理；将这滤波处理后的4个数据通过更新模型概率后，通过联合估计算法进行联合估计处理；通过联合估计处理后的4个数据分别对应在第一约束条件C1采用近匀速运动目标模型CV进行预测处理、在第一约束条件C1采用近匀加速运动目标模型CA进预测处理、在第二约束条件C2采用近匀速运动目标模型CV进行预测处理、在第二约束条件C2采用近匀加速运动目标模型CA进行预测处理，得到4个预测数据；将4个预测数据分别根据分配的模型转移概率计算，并进行联合预测得到最终的4个目标值预测数据；4个目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比得到融合后的X轴数据与Y轴数据；根据目标类型确定第一约束条件参数C1；根据干扰样式类型确定第二约束条件参数C2；

将z轴数据与协方差矩阵R2，根据近匀速运动目标模型CV、近匀加速运动目标模型CA进行卡尔曼滤波处理，得到2个目标滤波数据，根据分配的模型转移概率进行联合估计，计算出2个z轴目标值；然后2个z轴目标值分别对应在近匀速运动目标模型CV、近匀加速运动目标模型CA中通过联合估计算法进行联合预测，得到2个z轴目标值预测数据；2个z轴目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比计算得到融合后的Z轴数据；

然后将融合后的X轴数据、融合后的Y轴数据、融合后的Z轴数据坐标变换到极坐标并输出；

变结构算法步骤：将主动干扰源的启闭时刻节点进行利用，设置交互式多模型算法中模型转移概率，对交互式多模型算法步骤输出坐标滤波预测值进行优化。

2.根据权利要求1所述的一种基于长周期非均匀采样目标跟踪处理方法，其特征在于还包括投影约束方法以及野值剔除算法对坐标滤波预测值进行优化。

3.根据权利要求1所述的一种基于长周期非均匀采样目标跟踪处理方法，其特征在于所述去偏量测转换步骤具体步骤包括：

步骤11：若时刻距离量测为r，k时刻方位角量测为a，k时刻俯仰角量测为e，测量噪声距离误差标准差为dr，测量噪声方位角误差标准差为da，测量噪声俯仰角误差标准差为de；单位为rad，dr与r单位为m，a、e、da以及de单位为rad；根据公式(1)得到转换量测统计均值

求出平均真实偏差，再将平均真实偏差代入公式(2)得到x、y、z坐标的数据的x_k，y_k，z_k；

步骤12：

其中，

4.根据权利要求1所述的一种基于长周期非均匀采样目标跟踪处理方法，其特征在于所述变结构算法步骤中当干扰源关机时，受保护雷达是当前唯一可能的目标，目标的运动轨迹指向受保护雷达，交互式多模型算法中只有一个目标运动约束条件生效，此时交互式多模型算法中的模型转移概率pij，设置为：

当干扰源开机时，目标的运动轨迹受到干扰，目标运动可能会指向受保护雷达或干扰源；根据干扰理论，形成新的目标运动约束条件，即认为受保护雷达和干扰源都可能成为当前目标；交互式多模型算法中的模型转移概率pij为：

5.一种基于长周期非均匀采样目标跟踪处理装置，其特征在于包括：

去偏量测转换模块：将原始目标数据从极坐标系转换到大地地理坐标系,并得到大地地理坐标系中XY平面测量噪声协方差矩阵R1以及Z方向测量噪声协方差矩阵R2；即将方位角、俯仰角以及距离值转换为大地地理坐标系中x、y、z坐标数据；

交互式多模型算法模块：将x、y坐标轴数据与转换量测误差协方差矩阵R1，通过在第一约束条件C1，采用近匀速运动目标模型CV进行滤波处理；在第一约束条件C1，采用近匀加速运动目标模型CA进行滤波处理；在第二约束条件C2，采用近匀速运动目标模型CV进行滤波处理；在第二约束条件C2，采用近匀加速运动目标模型CA进行滤波处理；将这滤波处理后的4个数据通过更新模型概率后，通过联合估计算法进行联合估计处理；通过联合估计处理后的4个数据分别对应在第一约束条件C1采用近匀速运动目标模型CV进行预测处理、在第一约束条件C1采用近匀加速运动目标模型CA进预测处理、在第二约束条件C2采用近匀速运动目标模型CV进行预测处理、在第二约束条件C2采用近匀加速运动目标模型CA进行预测处理，得到4个预测数据；将4个预测数据分别根据分配的模型转移概率计算，并进行联合预测得到最终的4个目标值预测数据；4个目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比得到融合后的X轴数据与Y轴数据；根据目标类型确定第一约束条件参数C1；根据干扰样式类型确定第二约束条件参数C2；

将z轴数据与协方差矩阵R2，根据近匀速运动目标模型CV、近匀加速运动目标模型CA进行卡尔曼滤波处理，得到2个目标滤波数据，根据分配的模型转移概率进行联合估计，计算出2个z轴目标值；然后2个z轴目标值分别对应在近匀速运动目标模型CV、近匀加速运动目标模型CA中通过联合估计算法进行联合预测，得到2个z轴目标值预测数据；2个z轴目标值预测数据根据近匀速运动目标模型CV、近匀加速运动目标模型CA不同权重比计算得到融合后的Z轴数据；

然后将融合后的X轴数据、融合后的Y轴数据、融合后的Z轴数据坐标变换到极坐标并输出；

变结构算法模块：将主动干扰源的启闭时刻节点进行利用，设置交互式多模型算法中模型转移概率，对交互式多模型算法步骤输出坐标滤波预测值进行优化。

6.根据权利要求5所述的一种基于长周期非均匀采样目标跟踪处理装置，其特征在于还包括投影约束模块通过投影约束方法以及野值剔除算法模块通过野值剔除算法对坐标滤波预测值进行优化。

7.根据权利要求5所述的一种基于长周期非均匀采样目标跟踪处理装置，其特征在于所述去偏量测转换模块具体包括：

若时刻距离量测为r，k时刻方位角量测为a，k时刻俯仰角量测为e，测量噪声距离误差标准差为dr，测量噪声方位角误差标准差为da，测量噪声俯仰角误差标准差为de；单位为rad，dr与r单位为m，a、e、da以及de单位为rad；根据公式(1)得到转换量测统计均值

求出平均真实偏差，再将平均真实偏差代入公式(2)得到x、y、z坐标的数据的x_k，y_k，z_k；

其中，

8.根据权利要求5所述的一种基于长周期非均匀采样目标跟踪处理装置，其特征在于所述变结构算法模块中当干扰源关机时，受保护雷达是当前唯一可能的目标，目标的运动轨迹指向受保护雷达，交互式多模型算法中只有一个目标运动约束条件生效，此时交互式多模型算法中的模型转移概率pij，设置为：

当干扰源开机时，目标的运动轨迹受到干扰，目标运动可能会指向受保护雷达或干扰源；根据干扰理论，形成新的目标运动约束条件，即认为受保护雷达和干扰源都可能成为当前目标；交互式多模型算法中的模型转移概率pij为：