CN107315172A - 基于智能子带滤波的三维空间强机动目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于智能子带滤波的三维空间强机动目标跟踪方法，属于雷达目标跟踪领域。本发明的方法利用智能调节的子带滤波思想，有效实现了对三维空间内未知目标机动的快速精确跟踪。本发明的方法步骤：（一）强机动目标信号的子带分解；（二）强机动目标信号的子带去相关；（三）强机动目标信号的智能子带滤波；（四）强机动目标信号的子带融合；（五）循环迭代进行步骤一至步骤四，直至所有量测点迹处理完毕。本发明的方法在不需要目标机动特性先验信息的基础上，对于临近空间目标突变机动具有较高的跟踪精度和反应速度，能够实现快速精确跟踪，并且易于工程实现。

Description

基于智能子带滤波的三维空间强机动目标跟踪方法

技术领域

本发明属于雷达目标跟踪领域，用于解决三维空间中强机动高超声速飞行器的精确跟踪问题。

背景技术

临近空间通常指距海平面20～100km的空域，临近空间飞行器是指可在临近空间作长期高速飞行的大气飞行器。与普通飞行器相比，临近空间高超声速飞行器具有飞行速度快(8～20Ma)、机动性能好(10～20g)、隐身性能强等特点，可用于战区侦察、预警、通信以及全球快速打击等，可在两小时内对全球任一目标进行快速精确打击。随着X-43、X-51等临近空间高超声速飞行器的相继出现，对临近空间高超声速机动目标的探测与跟踪成为一个亟待解决的问题。

临近空间飞行器具有高超声速、强机动的特性，使得对临近空间目标的跟踪变得更加复杂，随之产生的一个重要问题便是临近空间目标在三维空间强机动所带来的目标跟踪困难。临近空间高超声速飞行器在三维空间的强机动性意味着临近空间飞行器的飞行状态变化非常复杂，选择什么样的机动目标模型对跟踪临近空间强机动飞行器具有至关重要的影响。目前，常用的目标模型主要有Singer模型和“当前”统计模型。其中，Singer模型采用相关噪声模型，将目标加速度作为具有指数自相关的零均值随机过程，但因该模型提出较早且较为简单，无法有效处理目标强机动带来的色噪声影响问题，对强机动目标跟踪效果较差；“当前”统计模型不需要进行机动检测，能够实时地给出目标状态的正确估计，但是需要提前已知关于目标运动的最大加速度以及目标加速度统计分布特性的先验信息，而该信息是无法提前知道的，对于最大加速度的错误估计会造成跟踪精度的降低，甚至算法失效。因此，现有的上述两种模型均不能满足临近空间高超声速飞行器在三维空间强机动跟踪的需要。

目前，尚未见到在目标最大加速度以及目标加速度统计分布特性均未知的前提下对于临近空间三维强机动目标跟踪的方法研究。本发明提出一种基于智能子带滤波的三维空间强机动目标跟踪方法，在不需要上述目标机动特性先验信息的基础上，可以对三维空间内未知的目标强机动进行快速精确的跟踪，适用于工程实际。

发明内容

本发明的目的是提出一种基于智能子带滤波的三维空间强机动目标跟踪方法，用以解决在目标最大加速度以及目标加速度统计分布特性均未知的前提下对于临近空间三维强机动目标有效跟踪的问题。

本发明提出的基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，包括以下技术措施：

步骤一、强机动目标信号的子带分解：

针对临近空间强机动目标跟踪中所面临的由于强机动带来的色噪声影响问题，采用一种基于有色噪声特性分析的子带分解技术：通过分数阶傅里叶域滤波器组的多分辨率分析，原色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号；接下来，通过下式所示的卡尔曼滤波算法可以有效实现对各子带信号的跟踪处理：

其中，Z、X分别为量测向量、状态向量，H、W分别为两侧矩阵以及零均值、白色高斯量测噪声序列。

步骤二、强机动目标信号的子带去相关：

在对强机动目标信号子带分解的基础上，根据各子带信号的频谱特性，设计合理的去相关系统H(w)，来实现子带色噪声到白噪声的转换；假定输入v(t)为具有相关函数R(τ)的色噪声信号(功率谱为G(w))，输出v₀(t)为白噪声信号，则H(w)应满足：

G(w)H(w)H^*(w)＝G(w)G^-1(w)＝1

考虑到子带分解后各子带信号的R_i(τ)(i＝1,2,…,n)很难建模，哪怕在R_i(τ)已知的条件下H(w)往往也不易求得；为此，根据采样周期T，分别选用一、二阶AR、MA以及ARMA系统来近似实现子带色噪声到白噪声信号的转换，并且通过仿真比较分析选择最优的去相关方法。

步骤三、强机动目标信号的智能子带滤波：

在对强机动目标信号子带滤波的过程中，为进一步加强当前机动信息的影响，以提高各子带信号的跟踪精度，采用如下方法步骤：利用修正输入估计(MIE)不需要目标机动特性先验假设的优点，处理未知的目标机动；再引入基于智能调节(加速度调节、协方差调节以及综合调节)的修正强跟踪滤波器对过去累积信息可进行智能衰减的优点，从而提高方法对目标突变机动的跟踪精度和反应速度，进而弥补一般输入估计法可能产生的机动检测延迟的缺陷。

步骤四、强机动目标信号的子带融合：

在对子带信号智能滤波的基础上，依据各滤波信号的时频特性来构建合理的分数阶傅里叶滤波器组G_i(z)，i＝1,2,...,N，通过滤波器组对各子带信号的时频转换，各子带信号可有效的融合为一个理想的目标输出信号：

与此同时，为使重建后的子带融合信号成为当前目标状态的理想近似，方法应保证子代输入信号x(t)和重建后的信号的抽样频率一致。

步骤五、随着时间的推移，重复进行步骤一至四，直至所有量测点迹处理完毕，以实现对临近空间三维强机动目标的快速精确跟踪。

与背景技术相比，本发明提出的基于智能子带滤波的三维空间强机动目标跟踪方法具有如下有益效果：

(1)本发明采用的基于智能子带滤波的三维空间强机动目标跟踪方法在不需要目标最大加速度以及目标加速度统计分布特性等目标机动特性先验信息的基础上，可以通过引入基于智能调节的修正强跟踪滤波处理未知的目标机动，并对过去累积信息可进行智能衰减，从而提高了对目标突变机动的跟踪精度和反应速度，弥补了一般输入估计法可能产生的机动检测延迟；

(2)通过分数阶傅里叶域滤波器组的多分辨率分析，原色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号，从而大大弱化临近空间强机动目标跟踪中所面临的由于强机动带来的色噪声影响问题，可以在现有滤波算法的基础上便可有效实现对各子带信号的跟踪处理。

附图说明

附图1是本发明提出的基于智能子带滤波的三维空间强机动目标跟踪方法整体流程图；

附图2是本发明实施例中色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号的强机动目标信号的子带分解原理图；

附图3是本发明实施例中基于记忆智能衰减的子带滤波原理图；

附图4是本发明实施例中基于分数阶傅里叶变换的子带融合原理图。

具体实施方式

实施例条件：假定临近空间高超声速强机动目标的初始位置为[300km,300km,20km]，飞行速度为5000m/s，径向加速度为10g，切向加速度为5g，飞行方向为北偏西30°。相应地，观测雷达位于坐标原点，雷达波长为λ＝0.15m，线性调频脉冲信号宽度为τ＝600μs，线性调频带宽为B＝1.5MHz，雷达的距离、方位和俯仰测量误差分别为200m、0.1°和0.1°，观测周期为1s。结合说明书附图1，本发明的具体实施步骤如下：

步骤一、强机动目标信号的子带分解：通过分数阶傅里叶域滤波器组的多分辨率分析，原色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号，如附图2所示。

步骤二、强机动目标信号的子带去相关：分别选用一、二阶AR、MA和ARMA系统来近似实现子带色噪声到白噪声信号的转换，并通过仿真比较分析选择最优的去相关方法。

步骤三、强机动目标信号的智能子带滤波：基于智能调节的修正强跟踪滤波器(加速度调节、协方差调节以及综合调节)可以对过去累积信息可进行智能衰减，从而提高了对目标突变机动的跟踪精度和反应速度，基于记忆智能衰减的子带滤波原理图如附图3所示。

步骤四、强机动目标信号的子带融合：通过滤波器组对各子带信号的时频转换，各子带信号可有效的融合为一个理想的目标输出信号，基于分数阶傅里叶变换的子带融合原理图如附图4所示。

步骤五、重复步骤一至步骤四，直至所有量测点迹处理完毕，以实现对临近空间三维强机动目标的快速精确跟踪。

可以验证，本发明的方法在不需要目标机动特性先验信息的基础上，可以对三维空间内未知的目标强机动进行快速精确的跟踪，适用于工程实际。

Claims (5)

1.基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，包括以下步骤：

步骤一、强机动目标信号的子带分解：通过分数阶傅里叶域滤波器组的多分辨率分析将原色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号并利用卡尔曼滤波算法实现对各子带信号的跟踪处理；

步骤二、根据各子带信号的频谱特性，设计合理的去相关系统H(w)，来实现子带色噪声到白噪声的转换，进而完成对强机动目标信号的子带去相关；

步骤三、利用修正输入估计以及基于智能调节的修正强跟踪滤波器，实现对强机动目标信号的智能子带滤波；

步骤四、依据各滤波信号的时频特性来构建合理的分数阶傅里叶滤波器组，并通过构建的滤波器组对各子带信号的时频转换，从而将各子带信号有效地融合为一个理想的目标输出信号；

步骤五、随着时间的推移，重复进行步骤一至四，直至所有量测点迹处理完毕，以实现对临近空间三维强机动目标的快速精确跟踪。

2.根据权利要求1所述的基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，步骤一中子带分解的方法具体为：

通过分数阶傅里叶域滤波器组的多分辨率分析，原色噪声输入信号被分解为多个频域不相叠加的近似白噪声信号；接下来，通过下式所示的卡尔曼滤波算法可以有效实现对各子带信号的跟踪处理：

<mrow> <mover> <mi>Z</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>Z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>Z</mi> <mo>^</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>H</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> <mover> <mi>X</mi> <mo>~</mo> </mover> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>|</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>W</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中，Z、X分别为量测向量、状态向量，H、W分别为两侧矩阵以及零均值、白色高斯量测噪声序列。

3.根据权利要求1所述的基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，步骤二中子带去相关的方法具体为：

在对强机动目标信号子带分解的基础上，根据各子带信号的频谱特性，设计合理的去相关系统H(w)，来实现子带色噪声到白噪声的转换；假定输入v(t)为具有相关函数R(τ)的色噪声信号，功率谱为G(w)，输出v₀(t)为白噪声信号，则H(w)应满足：

G(w)H(w)H^*(w)＝G(w)G^-1(w)＝1

考虑到子带分解后各子带信号的R_i(τ)很难建模，i＝1,2,…,n，哪怕在R_i(τ)已知的条件下H(w)往往也不易求得；为此，根据采样周期T，分别选用一、二阶AR、MA以及ARMA系统来近似实现子带色噪声到白噪声信号的转换，并且通过仿真比较分析选择最优的去相关方法。

4.根据权利要求1所述的基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，步骤三中智能子带滤波的方法具体为：

在对强机动目标信号子带滤波的过程中，利用修正输入估计不需要目标机动特性先验假设的优点，处理未知的目标机动；随后，引入基于加速度调节、协方差调节以及综合调节的智能调节的修正强跟踪滤波器，对过去累积信息可进行智能衰减，从而通过进一步加强当前机动信息的影响提高了方法对目标突变机动的跟踪精度和反应速度，进而弥补一般输入估计法可能产生的机动检测延迟的缺陷。

5.根据权利要求1所述的基于智能子带滤波的三维空间强机动目标跟踪方法，其特征在于，步骤四中子带融合的方法具体为：

在对子带信号智能滤波的基础上，依据各滤波信号的时频特性来构建合理的分数阶傅里叶滤波器组G_i(z)，i＝1,2,...,N，通过滤波器组对各子带信号的时频转换，各子带信号可有效的融合为一个理想的目标输出信号：

<mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>&amp;CenterDot;</mo> <mi>G</mi> <mrow> <mo>(</mo> <mi>z</mi> <mo>)</mo> </mrow> </mrow>

与此同时，为使重建后的子带融合信号成为当前目标状态的理想近似，方法应保证子代输入信号x(t)和重建后的信号的抽样频率一致。