CN106802414B - 基于高斯滤波的机动目标跟踪方法 - Google Patents
基于高斯滤波的机动目标跟踪方法 Download PDFInfo
- Publication number
- CN106802414B CN106802414B CN201611174619.XA CN201611174619A CN106802414B CN 106802414 B CN106802414 B CN 106802414B CN 201611174619 A CN201611174619 A CN 201611174619A CN 106802414 B CN106802414 B CN 106802414B
- Authority
- CN
- China
- Prior art keywords
- filtering
- matrix
- moment
- vector
- maneuvering target
- 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
- 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
-
- 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
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
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
本发明提供了一种基于高斯滤波的机动目标跟踪方法,其包括以下步骤:根据目标是否发生机动选择最佳滤波模型和滤波内存长度;生成总体观测矩阵,具体包括以下步骤:生成转移矩阵、生成量测矩阵;最后建立总体观测矩阵。本发明提供的基于高斯滤波的机动目标跟踪方法克服了现有跟踪滤波方法对高速高机动目标适用性差的缺点,进而改善了跟踪精度和跟踪稳定性。
Description
技术领域
本发明属于机动目标跟踪技术领域,特别是一种基于高斯滤波的机动目标跟踪方法。
背景技术
自1958年卫星时代开始,近50年来卡尔曼滤波一直是公认的雷达实施跟踪滤波工程的好方法,因为这种方法采用迭代递归算法实现跟踪滤波具有运算量小的显著优势,在雷达工程实际中被广泛采用。然而,在现代飞机、导弹、卫星等作战武器与平台普遍具备高速高机动的情况下,卡尔曼滤波在跟踪精度和稳定性方面尚存缺憾。高斯滤波在跟踪滤波工程方面具有许多良好的特性,而且高斯滤波不容易受到不稳定现象干扰,特别适合应用于跟踪机动目标跟踪,尤其是适合观测与时刻相关的跟踪滤波工程。
发明内容
为解决上述技术问题,本发明提供了一种基于高斯滤波的机动目标跟踪方法,其包括以下步骤:
S1:根据目标是否发生机动选择最佳滤波模型和滤波内存长度;
S2:生成总体观测矩阵,具体包括以下步骤:
S21:生成转移矩阵:
在线性滤波模型下,tn时刻和tn-k时刻的状态向量分别为Xn和Xn-k,得到转移方程
Xn-k=Φ(tn-k-tn)Xn,
Φ(tn-k-tn)与Xn相乘,将tn时刻状态向量Xn变为tn+ξ时刻的状态向量X(tn+ξ),Φ(tn-k-tn)为对应该滤波模型的转移矩阵;
S22:生成量测矩阵:
设Yn为tn时刻的k维量测向量,Xn为tn时刻的m维真实状态向量,Nn为tn时刻的量测误差向量,对于线性系统而言,观测方程可表示为
Yn=MXn+Nn
M为相应的观测矩阵,是一个k×m维的系数矩阵,表示了Yn与Xn之间的关系;
S23:建立总体观测矩阵:
将转移矩阵与量测矩阵组合得到总体观测矩阵T
S3:求解加权最小二乘问题,找到最优状态向量估计,具体过程为:
估计向量的加权残差平方和对待估计向量求导数,令导数等于零,得到最小方差估计向量,该向量使得当前滤波时刻的加权残差平方和取得可能的最小值,其解析形式为
较佳地,步骤S1具体包括以下过程:
根据目标的机动情况,选择与机动目标实际运动模型实际运动模型最佳匹配的滤波模型和滤波内存,滤波模型与目标实际运动模型相匹配使得滤波处于稳定。
本发明具有以下有益效果:
本发明提供的基于高斯滤波的机动目标跟踪方法克服了现有跟踪滤波方法对高速高机动目标适用性差的缺点,进而改善了跟踪精度和跟踪稳定性。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的高斯滤波流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种基于高斯滤波的机动目标跟踪方法,其包括以下步骤:
S1:根据目标是否发生机动选择最佳滤波模型和滤波内存长度;
S2:生成总体观测矩阵,具体包括以下步骤:
S21:生成转移矩阵:
在线性滤波模型下,tn时刻和tn-k时刻的状态向量分别为Xn和Xn-k,得到转移方程
Xn-k=Φ(tn-k-tn)Xn,
Φ(tn-k-tn)与Xn相乘,将tn时刻状态向量Xn变为tn+ξ时刻的状态向量X(tn+ξ),Φ(tn-k-tn)为对应该滤波模型的转移矩阵;
S22:生成量测矩阵:
设Yn为tn时刻的k维量测向量,Xn为tn时刻的m维真实状态向量,Nn为tn时刻的量测误差向量,对于线性系统而言,观测方程可表示为
Yn=MXn+Nn
M为相应的观测矩阵,是一个k×m维的系数矩阵,表示了Yn与Xn之间的关系;
S23:建立总体观测矩阵:
将转移矩阵与量测矩阵组合得到总体观测矩阵T
S3:求解加权最小二乘问题,找到最优状态向量估计,具体过程为:
估计向量的加权残差平方和对待估计向量求导数,令导数等于零,得到最小方差估计向量,该向量使得当前滤波时刻的加权残差平方和取得可能的最小值,其解析形式为
步骤S1具体包括以下过程:
根据目标的机动情况,选择与机动目标实际运动模型实际运动模型最佳匹配的滤波模型和滤波内存,滤波模型与目标实际运动模型相匹配使得滤波处于稳定。
基于高斯滤波的方法是非迭代的,每执行一次为一个周期,滤波过程可以重新配置循环周期,还可以重新配置每个周期的滤波模型和滤波内存,对机动目标跟踪具有很好的适应性、灵活性。适应性主要体现在以下两个方面:
一、滤波内存长度对机动的适应性
在每一个滤波周期时,都需要建立总体观测矩阵,有三种方式建立矩阵:
1)定长内存:每当收到一个新的观测数据时,删除最早观测时刻的数据,使得滤波过程保持固定长度的内存;
2)变长内存:每当收到一个新的观测数据时,删除零个、一个或者多个最早时刻的观测数据,使得滤波内存长度改变;
3)扩展内存:每当收到一个新的观测数据时,保留历史所有时刻观测数据,使得滤波内存长度加一;
采用这种方式,高斯滤波可以像现有的卡尔曼滤波一样,很容易地采取扩展内存方式进行滤波。但现有的卡尔曼滤波滤波却不能以定长内存或变长内存方式工作。
二、滤波模型对机动目标的适应性
灵活性不仅仅体现在滤波内存,还体现在滤波模型。建立总体观测矩阵时,需要估计每个滤波周期的转移矩阵和观测矩阵。基于高斯滤波的跟踪方法可以根据目标的机动场景,实时更改转移矩阵和观测矩阵,与目标实际运动模型相匹配。
本发明提供的基于高斯滤波的机动目标跟踪方法克服了现有跟踪滤波方法对高速高机动目标适用性差的缺点,进而改善了跟踪精度和跟踪稳定性。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (2)
1.基于高斯滤波的机动目标跟踪方法,其特征在于,包括以下步骤:
S1:根据目标是否发生机动选择最佳滤波模型和滤波内存长度;
S2:生成总体观测矩阵,具体包括以下步骤:
S21:生成转移矩阵:
在线性滤波模型下,tn时刻和tn-k时刻的m维真实状态向量分别为Xn和Xn-k,得到转移方程
Xn-k=Φ(tn-k-tn)Xn,
Φ(tn-k-tn)与Xn相乘,将tn时刻状态向量Xn变为tn+ξ时刻的状态向量X(tn+ξ),Φ(tn-k-tn)为对应该滤波模型的转移矩阵;
S22:生成量测矩阵:
设Yn为tn时刻的k维量测向量,Xn为tn时刻的m维真实状态向量,Nn为tn时刻的量测误差向量,对于线性系统而言,观测方程可表示为
Yn=MXn+Nn,
M为相应的量测矩阵,是一个k×m维的系数矩阵,表示了Yn与Xn之间的关系;
S23:建立总体观测矩阵:
将转移矩阵与量测矩阵组合得到总体观测矩阵T
S3:求解加权最小二乘问题,找到最优状态向量估计,具体过程为:
估计向量的加权残差平方和对待估计向量求导数,令导数等于零,得到最小方差估计向量,该向量使得tn时刻的加权残差平方和取得可能的最小值,其解析形式为
其中:表示tn时刻最优状态向量估计,Wn表示tn时刻的滤波矩阵,表示tn时刻状态估计的误差协方差矩阵,表示tn时刻的k维量测向量Yn误差协方差矩阵的逆。
2.如权利要求1所述的基于高斯滤波的机动目标跟踪方法,其特征在于,步骤S1具体包括以下过程:
根据目标的机动情况,选择与机动目标实际运动模型实际运动模型最佳匹配的滤波模型和滤波内存,滤波模型与目标实际运动模型相匹配使得滤波处于稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611174619.XA CN106802414B (zh) | 2016-12-19 | 2016-12-19 | 基于高斯滤波的机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611174619.XA CN106802414B (zh) | 2016-12-19 | 2016-12-19 | 基于高斯滤波的机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106802414A CN106802414A (zh) | 2017-06-06 |
CN106802414B true CN106802414B (zh) | 2019-07-12 |
Family
ID=58984682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611174619.XA Expired - Fee Related CN106802414B (zh) | 2016-12-19 | 2016-12-19 | 基于高斯滤波的机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106802414B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108414995B (zh) * | 2018-03-12 | 2021-03-30 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3627135B2 (ja) * | 1999-02-26 | 2005-03-09 | 三菱電機株式会社 | 追尾装置 |
CN102679980A (zh) * | 2011-11-15 | 2012-09-19 | 哈尔滨工程大学 | 一种基于多尺度维分解的目标跟踪方法 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN105929391A (zh) * | 2016-04-24 | 2016-09-07 | 西安电子科技大学 | 基于后验概率的变结构交互多模型雷达机动目标跟踪方法 |
CN106022340A (zh) * | 2016-05-17 | 2016-10-12 | 南京理工大学 | 一种改进的高斯混合势概率假设密度滤波方法 |
-
2016
- 2016-12-19 CN CN201611174619.XA patent/CN106802414B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3627135B2 (ja) * | 1999-02-26 | 2005-03-09 | 三菱電機株式会社 | 追尾装置 |
CN102679980A (zh) * | 2011-11-15 | 2012-09-19 | 哈尔滨工程大学 | 一种基于多尺度维分解的目标跟踪方法 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN105929391A (zh) * | 2016-04-24 | 2016-09-07 | 西安电子科技大学 | 基于后验概率的变结构交互多模型雷达机动目标跟踪方法 |
CN106022340A (zh) * | 2016-05-17 | 2016-10-12 | 南京理工大学 | 一种改进的高斯混合势概率假设密度滤波方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106802414A (zh) | 2017-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Robust student’st based nonlinear filter and smoother | |
AU2009289008B2 (en) | Estimating a state of at least one target | |
CN110501696A (zh) | 一种基于多普勒量测自适应处理的雷达目标跟踪方法 | |
CN108896986A (zh) | 一种基于预测值的量测转换序贯滤波机动目标跟踪方法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN106802414B (zh) | 基于高斯滤波的机动目标跟踪方法 | |
CN106603036A (zh) | 一种基于低阶内插滤波器的自适应时延估计方法 | |
Mei et al. | Unbiased Kalman filter using converted measurements: revisit | |
Li et al. | Robust state estimation for jump Markov linear systems with missing measurements | |
CN106226750A (zh) | 一种针对多帧联合检测的点迹序列平滑滤波方法 | |
CN104270119B (zh) | 基于非线性未知随机偏差的两阶段容积卡尔曼滤波方法 | |
CN104202019B (zh) | 带有未知过程噪声协方差阵递推估计的卡尔曼滤波方法 | |
CN108445517B (zh) | 一种定位信号滤波方法、装置及设备 | |
CN112688667B (zh) | 一种gm-phd滤波器的设计方法 | |
Wang et al. | Infrared/laser multi-sensor fusion and tracking based on the multi-scale model | |
Zhou et al. | Enhanced sequential nonlinear tracking filter with denoised pseudo measurements | |
Mohammed et al. | Comparison between wavelet and radial basis function neural networks for GPS prediction | |
CN113030945A (zh) | 一种基于线性序贯滤波的相控阵雷达目标跟踪方法 | |
JP2011163922A (ja) | 信号到来方向推定方法 | |
Pourhomayoun et al. | Cramer-Rao lower bounds for estimation of phase in LBI based localization systems | |
CN109581284A (zh) | 基于交互多模型的非视距误差消除方法 | |
Bessaoudi et al. | Recursive least-squares estimation for the joint input-state estimation of linear discrete time systems with unknown input | |
Kwon et al. | A verification for intrinsic robustness property of finite memory structure filter | |
CN102707278A (zh) | 奇异值分解的多目标跟踪方法 | |
Kramer et al. | Tracking of multiple target types with a single neural extended Kalman filter |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200102 Address after: 230000 460 Huangshan Road, Hefei, Anhui Patentee after: National University of Defense Technology Address before: 230000 room 460, School of electronic engineering, Mount Huangshan Road, Hefei, Anhui 505, China Patentee before: Jiang Qiuxi |
|
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190712 Termination date: 20211219 |