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
一种基于长周期非均匀采样目标跟踪处理方法及装置 Download PDFInfo
- Publication number
- CN106546976B CN106546976B CN201610929624.0A CN201610929624A CN106546976B CN 106546976 B CN106546976 B CN 106546976B CN 201610929624 A CN201610929624 A CN 201610929624A CN 106546976 B CN106546976 B CN 106546976B
- Authority
- CN
- China
- Prior art keywords
- target
- model
- data
- motion
- constraint condition
- 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.)
- Active
Links
- 238000012545 processing Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 title claims abstract description 17
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 63
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000012546 transfer Methods 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 241001269238 Data Species 0.000 abstract 2
- 238000011160 research Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 8
- 238000013213 extrapolation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
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
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xk,yk,zk;
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xk,yk,zk;
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
Φk=diag(F0,F0,F0),其中
Γk=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
Φk=diag(F0,F0,F0),其中
Γk=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Mj的似然值由残差vj和协方差更新量Bj计算,即
模型概率wj(k)由贝叶斯定理给出
其中,ρ(z(k)|zk-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Mj的似然值由残差vj和协方差更新量Bj计算,即
模型概率wj(k)由贝叶斯定理给出
其中,ρ(z(k)|zk-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xk,yk,zk;
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xk,yk,zk;
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:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610929624.0A CN106546976B (zh) | 2016-10-31 | 2016-10-31 | 一种基于长周期非均匀采样目标跟踪处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610929624.0A CN106546976B (zh) | 2016-10-31 | 2016-10-31 | 一种基于长周期非均匀采样目标跟踪处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106546976A CN106546976A (zh) | 2017-03-29 |
CN106546976B true CN106546976B (zh) | 2019-03-19 |
Family
ID=58392643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610929624.0A Active CN106546976B (zh) | 2016-10-31 | 2016-10-31 | 一种基于长周期非均匀采样目标跟踪处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106546976B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872975B (zh) * | 2017-05-15 | 2022-08-16 | 蔚来(安徽)控股有限公司 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
CN110244274A (zh) * | 2019-07-03 | 2019-09-17 | 北京遥感设备研究所 | 一种基于全向搜索的位置滤波方法 |
CN111208506B (zh) * | 2020-01-08 | 2022-08-19 | 中国船舶重工集团公司第七二四研究所 | 一种简化的交互式多模型跟踪方法 |
WO2022087998A1 (zh) * | 2020-10-30 | 2022-05-05 | 网络通信与安全紫金山实验室 | 通信终端的定位跟踪方法、系统、设备和可读存储介质 |
CN114445456B (zh) * | 2021-12-23 | 2023-04-07 | 西北工业大学 | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101661104A (zh) * | 2009-09-24 | 2010-03-03 | 北京航空航天大学 | 基于雷达/红外量测数据坐标转换的目标跟踪方法 |
CN103853908A (zh) * | 2012-12-04 | 2014-06-11 | 中国科学院沈阳自动化研究所 | 一种自适应交互式多模型的机动目标跟踪方法 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
-
2016
- 2016-10-31 CN CN201610929624.0A patent/CN106546976B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079991B2 (en) * | 2001-04-20 | 2006-07-18 | Singapore Technologies Aerospace Ltd. | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
CN101661104A (zh) * | 2009-09-24 | 2010-03-03 | 北京航空航天大学 | 基于雷达/红外量测数据坐标转换的目标跟踪方法 |
CN103853908A (zh) * | 2012-12-04 | 2014-06-11 | 中国科学院沈阳自动化研究所 | 一种自适应交互式多模型的机动目标跟踪方法 |
CN105785359A (zh) * | 2016-05-19 | 2016-07-20 | 哈尔滨工业大学 | 一种多约束机动目标跟踪方法 |
Non-Patent Citations (3)
Title |
---|
S-IMM: Switched IMM Algorithm for Maneuvering Target Tracking;Can Sun等;《Journal of Convergence Information Technology》;20120430;第7卷(第14期);第461-468页 |
基于IMM的改进去偏转换测量目标跟踪算法;张新宇等;《电光与控制》;20141231;第21卷(第12期);第40-44页 |
转换测量卡尔曼滤波在机动目标跟踪中的应用;王小军等;《哈尔滨商业大学学报(自然科学版)》;20020430;第18卷(第2期);第160-165页 |
Also Published As
Publication number | Publication date |
---|---|
CN106546976A (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106546976B (zh) | 一种基于长周期非均匀采样目标跟踪处理方法及装置 | |
CN105785359B (zh) | 一种多约束机动目标跟踪方法 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN105182311B (zh) | 全向雷达数据处理方法及系统 | |
CN104849702B (zh) | 利用ads‑b数据的gm‑ephd滤波雷达系统误差联合估计方法 | |
Liu et al. | A Kalman estimation based rao-blackwellized particle filtering for radar tracking | |
CN105372653B (zh) | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 | |
CN107643083B (zh) | 基于轨迹预报的空间目标中断航迹关联方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
CN111624549A (zh) | 非共视条件下无源滤波跟踪方法 | |
CN109917373A (zh) | 运动补偿搜索的动平台雷达的动态规划检测前跟踪方法 | |
CN116736219B (zh) | 基于改进粒子群算法的无源tdoa-fdoa联合定位优化布站方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN106885567B (zh) | 一种惯导协作定位方法及定位设备 | |
CN104020468A (zh) | 一种基于二次雷达的近距离目标更新周期的计算方法 | |
Chen | The SLAM algorithm for multiple robots based on parameter estimation | |
Han et al. | A multi-platform cooperative localization method based on dead reckoning and particle filtering | |
Huang et al. | Estimator design for re-entry targets | |
Wang et al. | Cooperative guidance for multiple interceptors based on dynamic target coverage theory | |
CN112491393B (zh) | 一种基于观测噪声协方差矩阵未知的线性滤波方法 | |
Fong et al. | Radar sensor fusion via federated unscented Kalman filter | |
Mar et al. | Ship‐Borne Phased Array Radar Using GA Based Adaptive α‐β‐γ Filter for Beamforming Compensation and Air Target Tracking | |
CN111175738B (zh) | 一种基于多模型隶属控制的相控阵雷达目标快速建航方法 | |
He et al. | Dual-station direction finding location based on disturbance detection | |
Kaplan et al. | Comparison of proposed target tracking algorithm, GRNNa, to Kalman Filter in 3D environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |