CN108398678A - 一种集中式mimo雷达快速自适应目标跟踪方法 - Google Patents
一种集中式mimo雷达快速自适应目标跟踪方法 Download PDFInfo
- Publication number
- CN108398678A CN108398678A CN201810126861.2A CN201810126861A CN108398678A CN 108398678 A CN108398678 A CN 108398678A CN 201810126861 A CN201810126861 A CN 201810126861A CN 108398678 A CN108398678 A CN 108398678A
- Authority
- CN
- China
- Prior art keywords
- target
- parameter
- waveform
- radar
- prediction
- 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.)
- Pending
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
- 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
- G01S13/726—Multiple target tracking
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
本发明公开了一种集中式MIMO雷达快速自适应目标跟踪方法,属于属于雷达目标跟踪领域。本发明的目标是在保证目标跟踪精度的情况下中尽可能的减少雷达资源消耗量,主要考虑采用时间资源和能量资源来描述雷达资源。对于时间资源量,我们使用采样间隔来描述;而能量资源则采用发射能量来描述。由于发射能量和采样间隔是代价函数中两个完全不同的因素,量纲也不相同,因此不能对其直接进行加权求和,为此需要分别对波形功率和采样间隔的最大值进行归一化处理,从而可获代价函数表达式,其前一项表示工作在第l种波形的能量资源消耗量,后一项表示工作在集中式MIMO雷达划分为个数为Kj,采用第l种波形时的时间资源消耗量。
Description
技术领域
本发明属于雷达目标跟踪领域,具体涉及基于集中式MIMO雷达的快速自适应目标跟踪算法。
背景技术
MIMO(Multiple-Input Multiple-Output)雷达作为一种新型雷达体制在21世纪初正式被提出后,引起了国内外众多学者和研究机构的广泛关注和研究(见文献:P.Stoicaand J.Li,“MIMO radar with colocated antennas,”IEEE Signal Process.Mag.,vol.24,no.5,pp.106–114,Sep.2007;A.M.Haimovich,R.S.Blum,and L.J.Cimini,“MIMOradar withwidely separated antennas,”IEEE Signal Process.Mag.,vol.25,no.1,pp.116–129,Jan.2008;J.Li and P.Stoica,MIMO Radar Signal Processing.Hoboken,NJ,USA:Wiley,2009)。MIMO雷达一般分为分布式MIMO雷达和集中式MIMO雷达。由于集中式MIMO雷达是在传统相控阵雷达基础上发展起来的,因此,集中式MIMO雷达系统结构是更为实际的系统结构(见文献:Yan J,Liu H,Bo J,et al.Simultaneous Multibeam ResourceAllocation Scheme for Multiple Target Tracking[J].IEEE Transactions on SignalProcessing,2015,63(12):3110-3122)。集中式MIMO雷达的各个子阵发射相互正交的波形,形成不同于传统相控阵的窄波束,且可以根据子阵划分个数的调整,自适应控制其波束宽度,因此,系统资源管理的自由度更大。在目标跟踪时,为了提高系统目标容量,需要尽可能减少每个跟踪任务所消耗的系统资源量,例如根据目标机动特性调整采样周期、根据跟踪精度要求调整发射能量等。在传统相控阵雷达中,对于跟踪目标的时间-能量资源联合管理,传统方法是通过使预测误差协方差小于门限实现对采样周期的控制或者利用角度量测误差方差自适应选择采样周期(见文献:Watson G A,Blair W D.Tracking performanceof a phased array radar with revisit time controlled using the IMM algorithm[C]//Radar Conference,1994.Record of the 1994IEEE National.IEEE,1994:160-165;T.Kirubarajan,Y.Bar-Shalom,W.D.Blair,et al.IMMPDF for radar management andtracking benchmark with ECM[J].IEEE Transactions on Aerospace and ElectronicSystems,1998,34(4):1115-1134),并且通过使预测信噪比大于门限自适应选择具有不同发射能量的波形(见文献:T.Kirubarajan,Y.Bar-Shalom,W.D.Blair,et al.IMMPDF forradar management and tracking benchmark with ECM[J].IEEE Transactions onAerospace and Electronic Systems,1998,34(4):1115-1134)。在使用传统方法过程中,需要对每一个可能的采样周期依次遍历待选波形以形成相应的参数组合,并对这些参数组合进行相应的运算;假设采样周期的可能取值个数为M,待选波形个数为W,则该方法需要对M×W个可能的参数组合,确定满足约束条件的可行参数集合,并从中选择最节省雷达资源的组合。当采用集中式MIMO雷达进行自适应目标跟踪时,除了采样周期和发射能量可调整外,还需要有效控制子阵划分个数。假设可能的子阵划分个数为K,若继续采用传统的方法,则需要对M×W×K个参数组合分别进行是否满足约束条件的判断,当各个可能取值的个数都较大时,计算量特别大,不具备雷达跟踪所要求的实时性。
发明内容
本发明针对集中式MIMO雷达采用传统自适应目标跟踪方法计算量大、不具有实时性的问题,提出了相应的快速自适应目标跟踪算法,在保证目标跟踪精度的前提下,大大地节约了雷达资源。
本发明技术方案为:一种集中式MIMO雷达快速自适应目标跟踪方法,该方法包括两部分:离线的目标模型机动参数库的建立和在线快速自适应目标跟踪:
一、建立离线的机动参数库:
步骤1:确定出可行的概率组合集合U;
设IMM滤波器中有N个Singer模型进行交互,每个模型的机动参数为其中,分别表示第i个模型中的机动频率和加速度方差,对模型概率取值空间[0,1]进行离散化,设离散化后可行的概率组合共Q个,则概率组合集合U为:
U={U1,U2,…,UQ} (1)
其中,集合U中的任一元素Uh为:
Uh={μ1h,μ2h,…,μNh},1≤h≤Q (2)
对于Uh={μ1h,μ2h,…,μNh},μih表示概率组合Uh中的第i个模型的概率,μih需要满足:
步骤2:在每个可行的概率组合Uh,h=1,2,…,Q下,估计目标的加速度自相关函数
其中ε表示相关时间;
计算的一个临界点设为使:
其中,λ为常数因子且0≤λ≤1,对区间进行离散化,离散化后的取值集合表示为:其中,取值的个数r>>2;
步骤3:在概率组合Uh,h=1,2,…,Q下,计算向量的值,表示在概率组合Uh下IMM滤波器交互后目标模型的机动参数估计值组成的向量:
其中:
步骤4:计算概率组合Uh下的目标机动参数的估计值:
其中,表示向量的第一个元素,表示向量的第二个元素;将概率组合对应的机动参数存入机动参数离线库,分别表示在概率组合Uh下IMM滤波器交互后目标模型的机动频率估计值和加速度方差估计值;
步骤5:按上述方法建立目标机动参数离线库,其中包含可行概率组合集合U,以及对应的目标机动参数集合C;概率组合集合U见式(1),目标参数集合C表示如下:
C={C1,C2,…,CQ,} (10)
其中,
二、在线的快速自适应目标跟踪:
步骤1:设集中式MIMO雷达总的阵元数为M,则其可能划分的子阵个数为Kj=2j-1,j=1,2,…,(log2M+1),波形库中的待选波形表示为wl,l=1,2,...,W,其中W为波形库中的波形个数;若当前时刻为tk,对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(Kj,wl),计算其对应的预测信噪比预测的目标径向距离标准差预测的目标的方位角的量测标准差和量测位置误差方差其中表示tk时刻预测的量;
步骤2:计算参数组合(j,l)对应的跟踪精度
其中期望的目标预测位置误差方差,由子阵划分个数确定;
步骤3:利用IMM滤波器预测时刻的模型概率组合集合在目标机动参数离线库中查找与匹配度最高的概率组合集合表示为即求:
对应查找与对应的目标机动参数其中,函数f的计算为:
分别表示采样时刻为时IMM滤波器交互得到的目标模型的机动频率估计值和加速度方差估计值,分别表示概率组合Uh中的第i个模型的概率和采样时刻为时第i个模型的概率;
步骤4:对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)计算对应的采样周期:
步骤5:对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)对应的雷达资源消耗代价函数:
其中,El,l=1,2,…,W为MIMO雷达工作在wl波形上所消耗的能量,c1和c2为能量资源和时间资源的加权系数,0≤c1≤1,0≤c1≤1且c1+c2=1;则对应的最优的可能子阵划分个数和最优波形的参数组合(jopt,lopt)可表示为:
相应的采样周期为:
步骤6:确定下一个采样时刻为:
tk=tk-1+T(tk) (18)
则tk时刻采样波形并将MIMO雷达划分为jopt个子阵对目标进行跟踪;
步骤7:重复以上步骤1-6,直到达到跟踪时间为止。
进一步的,所述在线的快速自适应目标跟踪中步骤1的具体方法为:
步骤1.1:计算预测信噪比
其中,B为收发的双程波束宽度,为方位角预测误差方差,为波束指向方向的预测误差信噪比:
λ表示发射波形的波长,τl为波形wl的发射信号脉宽,Npl为波形wl的脉冲重复个数,Pt为单个阵元发射功率,Ltot为雷达系统的总损耗,N0为噪声功率谱密度,N0=kT0F0,k为波尔兹曼常数,T0为雷达接收机温度,F0为雷达接收机噪声系数,为tk-1时刻目标平均RCS的估计值;
上述计算中需要利用时刻的预测距离以及方位角预测误差方差则把上一个时刻的采样周期作为当前时刻的采样周期的估计值,即当前的采样时刻为从而计算出预测距离和方位角预测误差方差
步骤1.2:计算预测的目标径向距离标准差预测的目标的方位角的量测标准差
其中,是距离分辨力,常数c的典型取值为1.57;
步骤1.3:将量测误差转换至直角坐标系下,则对每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)对应的量测协方差矩阵为:
其中,J为雅克比坐标转换矩阵;可得参数组合(j,l)对应的目标的量测位置误差方差为:
分别表示在参数组合(j,l)下的距离误差方差和方位角误差方差。
本发明的目标是在保证目标跟踪精度的情况下中尽可能的减少雷达资源消耗量,主要考虑采用时间资源和能量资源来描述雷达资源。对于时间资源量,我们使用采样间隔来描述;而能量资源则采用发射能量来描述。由于发射能量和采样间隔是代价函数中两个完全不同的因素,量纲也不相同,因此不能对其直接进行加权求和,为此需要分别对波形功率和采样间隔的最大值进行归一化处理,从而可获式(15)所示的代价函数表达式,其前一项表示工作在第l种波形的能量资源消耗量,后一项表示工作在集中式MIMO雷达划分为个数为Kj,采用第l种波形时的时间资源消耗量。
附图说明
图1为目标的运动场景示意图;
图2为目标的RMSE量测图;
图3为采用本发明方法整个跟踪过程中采用的波形平均波形变化曲线;
图4为采用本发明方法整个跟踪过程中采用的波形MIMO雷达划分的子阵个数变化曲线;
图5为采用本发明方法整个跟踪过程中目标的采样间隔曲线;
图6为MIMO雷达下的两种方法的资源消耗曲线。
具体实施方式
本发明的技术原理为:
本发明中的快速自适应目标跟踪算法的快速主要体现在采样周期的计算上,其中运用的采样周期公式(14)是在基本的公式法上实现的。基本的公式法由Van Keuk基于Singer模型推导出来(见文献:Vankeuk G.Software structure and sampling strategyfor automatic target tracking with a phased array radar[C]//Agard,Strategiesfor Autom.Track Initiation 13P.In AGARD,Strategies for Autom.Track Initiation13p(SEE N79-3045421-32),1979),如下所示:
其中(α,σ2)为Singer模型中的机动频率和加速度方差,可见,公式法是基于单个模型提出的。
然而在IMM滤波器中,存在多个模型,当应用公式法时,需为IMM滤波器确定一组唯一的目标机动参数。考虑具有N个Singer模型的IMM滤波器,模型i的目标的加速度αi(t)的自相关函数为:
其中αi,i=1,2,…,N为各模型的机动频率;为各模型的加速度方差。由N个模型的交互可得目标的加速度自相关函数在最小均方误差意义下的最优估计为:
其中,μi为当前时刻模型i的概率,为当前时刻目标的加速度方差的估计,为当前时刻目标机动频率的估计;对(26)的第二个等号两边关于自然数e取对数可得:
其中,将与作为未知数,则当|ε|取不同值时,可建立不同的线性方程。对于|ε|的值的选取,由
可见是偶函数,且为N个下降的指数函数的加权组合,则的值随|ε|的增大而减小;取:
其中,0<λ<1。将[0,|εm|]作为取值的主要区间进行离散化,得到r个|ε|的值:{|ε1|,|ε2|,…,|εr|}。则可建立线性方程组:
Ax=b (30)
其中,未知数x的表达式如下所示:
A,b的表达式见式(7)和式(8)所示;
为了尽可能准确地估计目标的机动频率和加速度方差,在建立该线性方程组时,|ε|的取值个数r应远大于未知数的数目2,即r>>2,即方程数远大于未知量的数目;此时,线性方程组无解,但可以找到一个使得误差向量e在最小二乘意义下取得极小值,即使估计误差的模的平方和:
J=eHe=(Ax-b)H(Ax-b) (32)
取得极小值,所得到的解为最小二乘解,如式(6)所示;在得到方程组的最小二乘解之后,可得当前时刻目标的机动频率和加速度方差的估计,如式(9)所示。
由于在求解线性方程组的最小二乘解时,需要对矩阵求逆,如果在每个采样时刻都对目标机动参数进行在线估计的话,系统计算资源消耗量大。所以本发明考虑设计目标机动参数离线库,详细的步骤请见前面离线的目标机动参数库的建立。在实时跟踪时,只需按照当前时刻的模型预测概率在机动参数离线库中查找与之匹配的机动参数,以提高运算速度,减小系统计算资源消耗量。以具有两个模型的IMM为例,如果将模型概率区间[0,1]离散化为:{0,0.1,0.2,…,1},则对应的所有可行概率组合U为:
表1两个模型的概率组合集合U
U1 | U2 | U3 | U4 | U5 | U6 | U7 | U8 | U9 | U10 | U11 |
0,1 | 0.1,0.9 | 0.2,0.8 | 0.3,0.7 | 0.4,0.6 | 0.5,0.5 | 0.6,0.4 | 0.7,0.3 | 0.8,0.2 | 0.9,0.1 | 1,0 |
在对目标进行实时跟踪时,一般情况下,两个模型的概率的取值不会正好是集合U中的元素;例如,实时跟踪中,当前时刻两个模型的概率为{0.11,0.78},此时,利用模型概率匹配度函数,在集合U中查找与当前时刻模型概率组合匹配度最高的模型概率组合,如式(13)所示;则对应的模型概率组合,可在模型机动离线库中获得目标机动参数的估计
在集中式MIMO雷达中,由于其各个子阵发射相互正交的波形,且可以根据子阵划分个数的调整,自适应控制其波束宽。因此,对于每一种可能的子阵划分个数和每一个待选波形所构成的参数组合,它们对应的预测信噪比是不相同的,如式(19)所示,进而导致量测误差方差也不相同,如式(23)所示。另外,期望的精度与期望预测误差方差和量测误差方差有关,而期望的预测误差方差与子阵划分个数有关,故每一种可能的子阵划分个数和每一个待选波形所构成的参数组合所对应的期望精度也是不同的。由式(24)可知,采样间隔与量测误差和期望精度有关,故采样间隔会随着子阵和波形所构成的参数组合的不同而自适应的变化。因此,可能的子阵划分个数和不同的波形所构成的不同的参数组合将在公式法中体现出不同的量测位置误差方差和跟踪精度,所以基于公式法自适应地选取子阵个数和波形是可行的,故可得式(14)的表达式。
基于本发明的详细技术方案,通过仿真的方式对所提方法进行验证和实施。
在本具体实施例中,考虑对一在平面内做机动运动的单目标进行跟踪,已知目标的起始位置为(60km,50km),在运动开始的80s内,作匀速直线运动,速度为(350m/s,0m/s);80s~95s之间,作匀加速运动,加速度为(-23m/s2,-25m/s2);95s~135s之间,作匀直线运动;135s~150s之间,再次作匀加速运动,加速度为(-24m/s2,25m/s2);150s~200s之间,作匀速直线运动;200s~220s作匀加速运动,加速度为(10m/s2,-15m/s2);220s~300s之间,作匀速直线运动。假设目标RCS(雷达截面积)服从SwerlingΙ型分布,其平均值为1m2。
仿真中雷达参数如表2所示,雷达波形库中的波形如表3所示。
表2雷达参数
表3波形参数
仿真中采用的三个Singer模型的机动参数分别为:(1/20,5400),(1/60,1500),(1,0.002)。为了建立机动参数离线库,将模型概率取值区间离散化为:[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1],系数λ的取值为0.1,线性方程组方程的个数r取值为50。根据前面算法中给出的算法步骤,建立机动参数离线库。能量资源与时间资源归一化后的加权值分别为:c1=0.005,c2=0.995。设置IMM滤波器中三个模型的初始模型概率均为1/3,模型概率转移矩阵如下:
采用本发明提出的快速自适应目标跟踪算法,对该目标进行跟踪,以下为100次Monte-Carlo的统计结果(仿真结果图附在“说明书附图”部分):
图1,表示目标的真实运动轨迹和跟踪轨迹。图2,表示目标的RMSE(均方误差根)的变化曲线图;由图1和图2可知,该算法能够跟上目标,且具有明显的滤波效果。图3和图4分别表示平均波形变化曲线和划分的子阵个数的标号曲线。由图3可得,在0s-150s时间段内,选取的波形能量变小的原因是:在该区间段内,采样间隔会随着波形能量的增大而增大;但是,采样周期的增大对代价函数的最小化的贡献没有直接选取波形能量较小的波形给代价函数的最小化所带来的贡献大;因此,在该时间段内选取波形能量比较小的波形。在150s-250s选取的波形的能量增大的原因是:在该区间段内,采样间隔随着波形能量的增大而增大,并且在该时间段内采样间隔的增大对代价函数最小化的贡献比直接选取波形能量较小的波形所带来的贡献要大。所以,所以选择的波形的能量逐渐增大。在250s-300s时间段内的变化情况与0s-150s时间段内的变化情况相似。
对于子阵划分情况,由图4可得:在0s-150s子阵划分的个数逐渐减少,在150s-250s子阵划分的个数逐渐增多,250s-300s子阵划分个数又呈减小的趋势。具体原因是:信噪比随着子阵划分的个数的增多而减小,使得量测误差方差随着子阵划分的个数的增多而增大;而量测误差的增大使得期望的精度逐渐减小。由于子阵划分个数和波形能量的变化,采样间隔同时受到期望精度和量测误差的共同作用,使得采样间隔随着子阵划分个数的增多呈现先增后减的趋势。因为在其他因素不变的情况下,采样周期随着量测误差的减小而增大,随着期望精度的增大而减小。而在0s-150s以及250s-300s量测误差方差对采样周期的影响较大,并且由于代价函数的主导作用,因此,子阵划分的个数逐渐减小。而在150s-250s,期望精度对采样周期的影响更大,故子阵划分个数增多。图5表示采样间隔变化曲线,由图5可知目标的机动运动与采样间隔变化曲线完全吻合。0s-80s(前一小段时间,由于误差较大,可忽略不计)在目标做匀速运动时候,采样间隔选择相对较大的,且变化趋势不是很明显,80s-95s,由于目标做匀加速运动,为了能够跟踪上目标,自适应选取的采样间隔较小一点,因为机动的时间不是很长,所以会出现明显的一个转折点。其余时刻采样间隔的变化趋势类似。
为了进一步说明本发明的有效性,将本发明中的算法与传统的预测误差协方差门限法作比较,其中除了采样的算法不一样之外,其它参数均保持一致,并采用以下三个指标对算法进行评价:目标跟踪精度,雷达系统资源消耗量,算法的运算量,分别用平均位置误差AMSE,平均资源消耗程序平均运行时间表征,公式如下所示。
平均位置误差:
平均资源消耗:
程序平均运行时间:
其中,NMC为Monte-Carlo的次数;Mn为第n次Monte-Carlo的采样点数,xk为目标在第k个采样时刻在x方向上的真实值,为第n次Monte-Carlo时在第k个采样时刻目标在x方向上的估计值,yk为目标在第k个采样时刻在y方向上的真实值,为第n次Monte-Carlo时在第k个采样时刻目标在y方向上的估计值,为第n次Monte-Carlo时的第k个采样时刻的雷达资源消耗量,为第n次Monte-Carlo时程序的运行时间。
图6表示这两种方法所消耗的雷达资源量的变化曲线,由图6可得,本发明提出的快速自适应目标跟踪算法要比传统的方法消耗的资源量少。这两种算法跟踪指标的对比情况如下表4所示,
表4MIMO雷达下运用快速自适应与预测协方差门限法的性能比较
由该表可知,本发明提出的快速自适应目标跟踪算法的目标跟踪精度要比传统预测误差协方差门限法要高得多;但消耗的资源量比传统预测误差协方差门限法所消耗的雷达系统资源量少得多。我们提出的快速自适应目标跟踪算法的运算量比传统预测误差协方差门限法的运算量快36倍之多。因此,本发明提出的快速自适应目标跟踪算法相比传统的预测误差协方差门限法有很好的跟踪性能及实时性。
综上所述,本发明提供了基于集中式MIMO雷达的快速自适应目标跟踪算法。该方法在系统可能的子阵划分个数和发射波形的组合下,利用公式法快速计算出相应的采样周期,并通过目标代价函数选取出最优的参数组合作为跟踪策略。其中,为了确定出IMM滤波器中的目标机动参数,建立了目标机动参数离线库,在此基础上对目标的机动参数进行实时估计。该方法能有效的实现集中式MIMO雷达快速自适应目标跟踪,相对于传统的预测误差门限法,有效避免了计算所有参数组合对应的预测误差协方差矩阵,从而大大降低了计算量,显著提高了计算速度,有效节省雷达计算资。
Claims (2)
1.一种集中式MIMO雷达快速自适应目标跟踪方法,该方法包括两部分:离线的目标模型机动参数库的建立和在线快速自适应目标跟踪:
一、建立离线的机动参数库:
步骤1:确定出可行的概率组合集合U;
设IMM滤波器中有N个Singer模型进行交互,每个模型的机动参数为其中,分别表示第i个模型中的机动频率和加速度方差,对模型概率取值空间[0,1]进行离散化,设离散化后可行的概率组合共Q个,则概率组合集合U为:
U={U1,U2,…,UQ} (1)
其中,集合U中的任一元素Uh为:
Uh={μ1h,μ2h,…,μNh},1≤h≤Q (2)
对于Uh={μ1h,μ2h,…,μNh},μih表示概率组合Uh中的第i个模型的概率,μih需要满足:
步骤2:在每个可行的概率组合Uh,h=1,2,…,Q下,估计目标的加速度自相关函数
其中ε表示相关时间;
计算的一个临界点设为使:
其中,λ为常数因子且0≤λ≤1,对区间进行离散化,离散化后的取值集合表示为:其中,取值的个数r>>2;
步骤3:在概率组合Uh,h=1,2,…,Q下,计算向量的值,表示在概率组合Uh下IMM滤波器交互后目标模型的机动参数估计值组成的向量:
其中:
步骤4:计算概率组合Uh下的目标机动参数的估计值:
其中,表示向量的第一个元素,表示向量的第二个元素;将概率组合对应的机动参数存入机动参数离线库,分别表示在概率组合Uh下IMM滤波器交互后目标模型的机动频率估计值和加速度方差估计值;
步骤5:按上述方法建立目标机动参数离线库,其中包含可行概率组合集合U,以及对应的目标机动参数集合C;概率组合集合U见式(1),目标参数集合C表示如下:
C={C1,C2,…,CQ,} (10)
其中,
二、在线的快速自适应目标跟踪:
步骤1:设集中式MIMO雷达总的阵元数为M,则其可能划分的子阵个数为Kj=2j-1,j=1,2,…,(log2M+1),波形库中的待选波形表示为wl,l=1,2,...,W,其中W为波形库中的波形个数;若当前时刻为tk,对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(Kj,wl),计算其对应的预测信噪比预测的目标径向距离标准差预测的目标的方位角的量测标准差和量测位置误差方差其中表示tk时刻预测的量;
步骤2:计算参数组合(j,l)对应的跟踪精度
其中期望的目标预测位置误差方差,由子阵划分个数确定;
步骤3:利用IMM滤波器预测时刻的模型概率组合集合在目标机动参数离线库中查找与匹配度最高的概率组合集合表示为即求:
对应查找与对应的目标机动参数其中,函数f的计算为:
分别表示采样时刻为时IMM滤波器交互得到的目标模型的机动频率估计值和加速度方差估计值,μih、分别表示概率组合Uh中的第i个模型的概率和采样时刻为时第i个模型的概率;
步骤4:对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)计算对应的采样周期:
步骤5:对于每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)对应的雷达资源消耗代价函数:
其中,El,l=1,2,...,W为MIMO雷达工作在wl波形上所消耗的能量,c1和c2为能量资源和时间资源的加权系数,0≤c1≤1,0≤c1≤1且c1+c2=1;则对应的最优的可能子阵划分个数和最优波形的参数组合(jopt,lopt)可表示为:
相应的采样周期为:
步骤6:确定下一个采样时刻为:
tk=tk-1+T(tk) (18)
则tk时刻采样波形并将MIMO雷达划分为jopt个子阵对目标进行跟踪;
步骤7:重复以上步骤1-6,直到达到跟踪时间为止。
2.如权利要求1所述的一种集中式MIMO雷达快速自适应目标跟踪方法,其特征在于所述在线的快速自适应目标跟踪中步骤1的具体方法为:
步骤1.1:计算预测信噪比
其中,B为收发的双程波束宽度,为方位角预测误差方差,为波束指向方向的预测误差信噪比:
λ表示发射波形的波长,τl为波形wl的发射信号脉宽,为波形wl的脉冲重复个数,Pt为单个阵元发射功率,Ltot为雷达系统的总损耗,N0为噪声功率谱密度,N0=kT0F0,k为波尔兹曼常数,T0为雷达接收机温度,F0为雷达接收机噪声系数,为tk-1时刻目标平均RCS的估计值;
上述计算中需要利用时刻的预测距离以及方位角预测误差方差则把上一个时刻的采样周期作为当前时刻的采样周期的估计值,即当前的采样时刻为从而计算出预测距离和方位角预测误差方差
步骤1.2:计算预测的目标径向距离标准差预测的目标的方位角的量测标准差
其中,是距离分辨力,常数c的典型取值为1.57;
步骤1.3:将量测误差转换至直角坐标系下,则对每一个可能的子阵划分个数和每一个可能的波形所构成的参数组合(j,l)对应的量测协方差矩阵为:
其中,J为雅克比坐标转换矩阵;可得参数组合(j,l)对应的目标的量测位置误差方差为:
分别表示在参数组合(j,l)下的距离误差方差和方位角误差方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126861.2A CN108398678A (zh) | 2018-02-08 | 2018-02-08 | 一种集中式mimo雷达快速自适应目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810126861.2A CN108398678A (zh) | 2018-02-08 | 2018-02-08 | 一种集中式mimo雷达快速自适应目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108398678A true CN108398678A (zh) | 2018-08-14 |
Family
ID=63096404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810126861.2A Pending CN108398678A (zh) | 2018-02-08 | 2018-02-08 | 一种集中式mimo雷达快速自适应目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108398678A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919229A (zh) * | 2018-10-09 | 2018-11-30 | 中国科学院沈阳自动化研究所 | 一种基于卷积逆投影的矩阵重构成像方法 |
CN109283522A (zh) * | 2018-10-29 | 2019-01-29 | 电子科技大学 | 一种联合时空资源管理的共址mimo雷达目标跟踪方法 |
CN109581355A (zh) * | 2018-12-10 | 2019-04-05 | 电子科技大学 | 目标跟踪的集中式mimo雷达自适应资源管理方法 |
CN109581354A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 同时多波束共址mimo雷达多目标跟踪资源管理方法 |
CN110161492A (zh) * | 2019-01-24 | 2019-08-23 | 北京机电工程研究所 | 舰船航向航速提取方法 |
CN110673131A (zh) * | 2019-11-25 | 2020-01-10 | 电子科技大学 | 多波束集中式mimo雷达时空资源-波形选择管理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540182A (zh) * | 2011-11-25 | 2012-07-04 | 中国船舶重工集团公司第七二四研究所 | 一种二维旋转多功能相控阵雷达变数据率目标跟踪方法 |
US20150338515A1 (en) * | 2014-05-20 | 2015-11-26 | Bae Systems Information And Electronic Systems Integration Inc. | Automated Track Projection Bias Removal Using Frechet Distance and Road Networks |
US9207314B1 (en) * | 2012-06-20 | 2015-12-08 | Lockheed Martin Corporation | Rapid determination of model transitions for interacting models with bounded parameters |
CN106021697A (zh) * | 2016-05-17 | 2016-10-12 | 电子科技大学 | 一种快速相控阵雷达时间-能量资源联合管理方法 |
CN106405536A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 一种mimo雷达多目标跟踪资源管理方法 |
CN106872970A (zh) * | 2017-03-07 | 2017-06-20 | 中国电子科技集团公司第三十八研究所 | 一种基于差分进化的多目标变数据率跟踪装置及其方法 |
CN107329136A (zh) * | 2017-06-13 | 2017-11-07 | 电子科技大学 | 基于可变分析时刻的mimo雷达多目标自适应跟踪方法 |
-
2018
- 2018-02-08 CN CN201810126861.2A patent/CN108398678A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540182A (zh) * | 2011-11-25 | 2012-07-04 | 中国船舶重工集团公司第七二四研究所 | 一种二维旋转多功能相控阵雷达变数据率目标跟踪方法 |
US9207314B1 (en) * | 2012-06-20 | 2015-12-08 | Lockheed Martin Corporation | Rapid determination of model transitions for interacting models with bounded parameters |
US20150338515A1 (en) * | 2014-05-20 | 2015-11-26 | Bae Systems Information And Electronic Systems Integration Inc. | Automated Track Projection Bias Removal Using Frechet Distance and Road Networks |
CN106021697A (zh) * | 2016-05-17 | 2016-10-12 | 电子科技大学 | 一种快速相控阵雷达时间-能量资源联合管理方法 |
CN106405536A (zh) * | 2016-08-30 | 2017-02-15 | 电子科技大学 | 一种mimo雷达多目标跟踪资源管理方法 |
CN106872970A (zh) * | 2017-03-07 | 2017-06-20 | 中国电子科技集团公司第三十八研究所 | 一种基于差分进化的多目标变数据率跟踪装置及其方法 |
CN107329136A (zh) * | 2017-06-13 | 2017-11-07 | 电子科技大学 | 基于可变分析时刻的mimo雷达多目标自适应跟踪方法 |
Non-Patent Citations (3)
Title |
---|
XUEJIAO WEI等: "Adaptive Resource Management in Multi-target Tracking for Collocated MIMO Radar with Simultaneous Multibeam", 《22ND INTERNATIONAL CONFERENCE ON INFORMATION FUSION》 * |
杨少委等: "MIMO雷达搜索模式下的射频隐身算法", 《电子与信息学报》 * |
魏雪娇: "MIMO雷达自适应目标跟踪技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919229A (zh) * | 2018-10-09 | 2018-11-30 | 中国科学院沈阳自动化研究所 | 一种基于卷积逆投影的矩阵重构成像方法 |
CN108919229B (zh) * | 2018-10-09 | 2020-08-07 | 中国科学院沈阳自动化研究所 | 一种基于卷积逆投影的矩阵重构成像方法 |
CN109283522A (zh) * | 2018-10-29 | 2019-01-29 | 电子科技大学 | 一种联合时空资源管理的共址mimo雷达目标跟踪方法 |
CN109283522B (zh) * | 2018-10-29 | 2023-03-14 | 电子科技大学 | 一种联合时空资源管理的共址mimo雷达目标跟踪方法 |
CN109581354A (zh) * | 2018-12-05 | 2019-04-05 | 电子科技大学 | 同时多波束共址mimo雷达多目标跟踪资源管理方法 |
CN109581354B (zh) * | 2018-12-05 | 2022-11-08 | 电子科技大学 | 同时多波束共址mimo雷达多目标跟踪资源管理方法 |
CN109581355A (zh) * | 2018-12-10 | 2019-04-05 | 电子科技大学 | 目标跟踪的集中式mimo雷达自适应资源管理方法 |
CN109581355B (zh) * | 2018-12-10 | 2022-12-06 | 电子科技大学 | 目标跟踪的集中式mimo雷达自适应资源管理方法 |
CN110161492A (zh) * | 2019-01-24 | 2019-08-23 | 北京机电工程研究所 | 舰船航向航速提取方法 |
CN110161492B (zh) * | 2019-01-24 | 2020-12-08 | 北京机电工程研究所 | 舰船航向航速提取方法 |
CN110673131A (zh) * | 2019-11-25 | 2020-01-10 | 电子科技大学 | 多波束集中式mimo雷达时空资源-波形选择管理方法 |
CN110673131B (zh) * | 2019-11-25 | 2022-04-26 | 电子科技大学 | 多波束集中式mimo雷达时空资源-波形选择管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
CN106405536B (zh) | 一种mimo雷达多目标跟踪资源管理方法 | |
CN109283522B (zh) | 一种联合时空资源管理的共址mimo雷达目标跟踪方法 | |
CN106021697B (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
CN109581355B (zh) | 目标跟踪的集中式mimo雷达自适应资源管理方法 | |
CN109581354B (zh) | 同时多波束共址mimo雷达多目标跟踪资源管理方法 | |
CN108802720B (zh) | 一种多雷达系统中目标跟踪的协同检测和功率分配方法 | |
CN109752710B (zh) | 一种基于稀疏贝叶斯学习的快速目标角度估计方法 | |
CN107329136B (zh) | 基于可变分析时刻的mimo雷达多目标自适应跟踪方法 | |
CN104166136A (zh) | 一种基于干扰子空间跟踪的高效自适应单脉冲测角方法 | |
CN110673131B (zh) | 多波束集中式mimo雷达时空资源-波形选择管理方法 | |
CN111460597A (zh) | 一种基于改进的多目标粒子群优化算法的雷达布站方法 | |
CN105510882A (zh) | 基于目标机动参数估计的快速自适应采样周期跟踪方法 | |
CN111190176A (zh) | 共址mimo雷达组网系统的自适应资源管理方法 | |
CN109239704A (zh) | 一种基于序贯滤波交互式多模型的自适应采样方法 | |
CN114662271A (zh) | 集中式mimo雷达多目标跟踪中的波束-功率-带宽联合分配方法 | |
CN112068124B (zh) | 面向低截获的组网雷达驻留时间与辐射功率联合优化方法 | |
CN111198366B (zh) | 分布式mimo雷达多任务下的有限阵元快速选取方法 | |
Junkun et al. | Joint power and bandwidth allocation for centeralized target tracking in multiple radar system | |
CN116306199A (zh) | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 | |
Zhao et al. | Multi‐mode target tracking in combined sky‐wave and surface‐wave monostatic high frequency radar | |
Yang et al. | Probability hypothesis density filter based on strong tracking MIE for multiple maneuvering target tracking | |
Morelande et al. | Multiple target detection and tracking with a sensor network | |
Zhang et al. | Radar power control method based on IMM-IF in LPI radar network | |
Ding et al. | Low probability of intercept-based collaborative transmit resource and bandwidth allocation strategy for target tracking in distributed radar network system |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180814 |