CN108572362B - 一种tws雷达空时联合关联跟踪方法及装置 - Google Patents
一种tws雷达空时联合关联跟踪方法及装置 Download PDFInfo
- Publication number
- CN108572362B CN108572362B CN201810089954.2A CN201810089954A CN108572362B CN 108572362 B CN108572362 B CN 108572362B CN 201810089954 A CN201810089954 A CN 201810089954A CN 108572362 B CN108572362 B CN 108572362B
- Authority
- CN
- China
- Prior art keywords
- matrix
- time interval
- moment
- calculating
- revisit
- 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
Images
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
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
本发明公开一种TWS雷达空时联合关联跟踪方法及装置,所述方法包括:步骤1,利用k时刻目标状态矩阵计算重访时间间隔;步骤2,重写k时刻的状态转移矩阵和过程噪声分布矩阵;步骤3,计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;步骤4,计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;步骤5,利用波门进行预选,剔除未落入波门内的观测数据;步骤6,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;步骤7,令k=k+1,并返回步骤2,形成闭环循环操作,进行迭代;所述装置与所述方法对应。这样,基于目标状态精确地计算重访时间间隔,实现TWS雷达目标空时状态的精确估计。
Description
技术领域
本发明涉及雷达跟踪技术领域,具体涉及一种TWS雷达空时联合关联跟踪方法及装置。
背景技术
传统的边跟踪边扫描(TWS)雷达在处理目标跟踪问题中,通常假设所有目标的重访间隔相同,且事先预可知(多令目标的重访间隔等于天线扫描周期)。由于目标与雷达之间存在相对运动,所以TWS雷达两次扫描到目标的时间间隔并不固定,若目标运动方向与天线扫描方向一致,那么时间间隔大于天线扫描周期,若目标运动方向与天线扫描方向相反,那么时间间隔小于天线扫描周期。不同目标用同一个TWS雷达检测得到的时间间隔不同,同一个目标在不同的扫描周期扫描到的时间间隔也不同。假设模型上失配的限制,使得传统的TWS雷达处理目标跟踪问题时有以下问题:
人们对于目标结果的评价,只讨论其位置信息,而关于时间分量,要么是不考虑,要么是将按照天线扫描周期来考虑。时间不准确,很难给出状态更新的准确估计。
鉴于上述缺陷,本发明创作者经过长时间的研究和实践终于获得了本发明。
发明内容
为解决上述技术缺陷,本发明采用的技术方案在于,首先提供一种TWS雷达空时联合关联跟踪方法,其包括:
步骤1,利用k时刻目标状态矩阵计算重访时间间隔;
步骤2,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
步骤3,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
步骤4,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
步骤5,利用波门进行预选,剔除未落入波门内的观测数据;
步骤6,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
步骤7,令k=k+1,并返回步骤2,形成闭环循环操作,进行迭代。
较佳的,所述步骤1包括:
步骤1.1,对初始重访时间间隔进行估计;
步骤1.2,根据估计出的所述初始重访时间间隔,计算初始角度误差;
步骤1.3,根据初始角度误差和初始重访时间间隔,计算重访时间间隔;
步骤1.4,根据所述重访时间间隔,计算角度误差;
步骤1.5,将所述角度误差和精度进行比对,在所述角度误差的绝对值大于所述精度时,重复执行步骤1.3和步骤1.4,对所述角度误差进行迭代,直至所述角度误差的绝对值小于所述精度为止;
步骤1.6,输出所述重访时间间隔。
较佳的,所述步骤1.1中,所述初始重访时间间隔的计算公式为:
较佳的,所述步骤1.2中,所述初始角度误差的计算公式为:
较佳的,所述步骤1.3中,所述重访时间间隔的计算公式为:
T2=T1-ΔT1
式中,T2为重访时间间隔,ΔT1为调整的时间间隔。
较佳的,所述步骤2中,所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下:
较佳的,所述步骤2中,所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下:
较佳的,所述步骤2中,所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下:
其中,w为目标的匀转动角速度。
较佳的,所述步骤4中,所述预测观测向量矩阵的计算公式为:
其次提供一种与上述所述的TWS雷达空时联合关联跟踪方法对应的TWS雷达空时联合关联跟踪装置,其包括:
第一计算单元,利用k时刻目标状态矩阵计算重访时间间隔;
第二计算单元,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
第三计算单元,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
第四计算单元,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
数据筛选单元,利用波门进行预选,剔除未落入波门内的观测数据;
第五计算单元,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
迭代控制单元,令k=k+1,并返回第二计算单元,形成闭环循环操作,进行迭代。
与现有技术比较本发明的有益效果在于:这样,基于目标状态精确地计算重访时间间隔,实现TWS雷达目标空时状态的精确估计;基于目标当前的状态,结合天线扫描的角速度,设定合适的精度,利用迭代法,对重访时间间隔进行精确预测,并且状态转移矩阵和过程噪声分布矩阵分别在重访时间间隔的基础上做出相应的调整,最终完成跟踪过程。
附图说明
为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明TWS雷达空时联合关联跟踪方法的流程图;
图2是本发明TWS雷达空时联合关联跟踪方法步骤1的流程图;
图3是本发明TWS雷达空时联合关联跟踪装置的结构图;
图4为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图;
图5为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图;
图6为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图;
图7为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图;
图8为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图;
图9为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图;
图10为100次蒙特卡洛下空时联合算法和传统的跟踪算法的真实目标的确认数目对比图;
图11为100次蒙特卡洛下空时联合算法和传统的跟踪算法的虚假航迹的确认数目对比图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例1
如图1所示,其中,所述TWS雷达空时联合关联跟踪方法包括:
步骤1,利用k时刻目标状态矩阵计算重访时间间隔;
其中,k时刻目标状态矩阵X(k)具体为:
步骤2,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
根据常用运动模型的不同,其具有不同的状态转移矩阵和过程噪声分布矩阵,常用的运动模型有匀速直线(CV)模型,匀加速直线(CA)模型,匀转弯(CT)模型:
步骤3,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
步骤4,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
步骤5,利用波门进行预选,剔除未落入波门内的观测数据;
步骤6,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
步骤7,令k=k+1,并返回步骤2,形成闭环循环操作,进行迭代。
这样,基于目标状态精确地计算重访时间间隔,实现TWS雷达目标空时状态的精确估计。
实施例2
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,如图2所示,所述步骤1中,具体实现步骤如下:
步骤1.1,对初始重访时间间隔进行估计;
其中,初始重访时间间隔为重访时间的初始间隔。
当TWS雷达扫描径向距离大于临界距离的目标时,有雷达转动角度±目标转动角度=2π其中,2π为360°,即一个周期。
步骤1.2,根据估计出的所述初始重访时间间隔,计算初始角度误差;
其中,状态向量X1的计算公式为:
式中,X0为初始状态向量。
步骤1.3,根据初始角度误差和初始重访时间间隔,计算重访时间间隔;
具体操作为:
判断误差ε1的正负,如果ε1<0,则初始重访时间间隔T1需要增大;如果ε1>0,则T1需要减小,得到新的重访时间T2。
对应公式为:
T2=T1-ΔT1
式中,T2为重访时间间隔,ΔT1为需要调整的时间间隔。
步骤1.4,根据所述重访时间间隔,计算角度误差;
具体步骤为:
利用步骤1.3中调整后的重访时间间隔T2,对目标进行预测,得到状态向量X2(其中,状态向量X2的计算方式同X1),算出其目标运动角度Δαtarget2和角速度(其计算方式同上),代入下式,得到新的角度误差ε2。
步骤1.5,将所述角度误差和精度进行比对,在所述角度误差的绝对值大于所述精度时,重复执行步骤1.3和步骤1.4,对所述角度误差进行迭代,直至所述角度误差的绝对值小于所述精度为止;
判断角度误差ε2与精度pre(精度pre是指角度误差的精度要求,其根据实际需要确定)的大小,如果|ε2|<pre,则直接跳到第六步输出T2为重访时间;如果|ε2|>pre,则重复步骤1.3至步骤1.4,直到角度误差|ε2|<pre为止。
步骤1.6,输出所述重访时间间隔。
输出T2为重访时间间隔。
Δatarget=arctan(yk+1/xk+1)-arctan(yk/xk)
式中,变量yk+1、xk+1、xk、yk分别表示k+1时刻和k时刻的x,y方向的位置。
这样,通过上述方式对重访时间间隔进行估计,能提高跟踪精度。
实施例3
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,所述步骤2中,所述运动模型为匀速直线(CV)模型,其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下:
实施例4
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,所述步骤2中,所述运动模型为匀加速直线(CA)模型,其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下:
实施例5
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,所述步骤2中,所述运动模型为匀转弯(CT)模型,其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下:
其中,w为目标的匀转动角速度。
实施例6
具体计算公式为:
P(k+1|k)=F(k)P(k|k)F(k)′+Γ(k)q(k)Γ(k)′
其中,q(k)为过程噪声的标准差,F(k)、分别表示状态转移矩阵和k时刻的状态向量,P(k|k)、F(k)′、Γ(k)′分别表示状态协方差矩阵(是k时刻的输入),状态转移矩阵的转置和过程噪声分布矩阵的转置。
实施例7
S(k+1)=H(k+1)P(k+1|k)H(k+1)′+R(k+1)
其中,H(k+1)为观测矩阵,H(k+1)′为观测矩阵的转置,R(k+1)为观测噪声的协方差阵。
其中,观测矩阵为:
实施例8
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,所述步骤5中,具体步骤为:
求解统计距离d,与门限相比,若统计距离小于门限,则观测落入波门内,用该观测来更新状态;否则观测视为杂波,不进行数据关联。
其中,统计距离的计算公式为:
实施例9
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例与其不同之处在于,所述步骤6中,目标状态矩阵的计算公式为:
式中,K(k+1)为增益,βi(k+1)为互联概率,vi(k+1)为观测的残差。
其中,增益的计算公式为:
K(k+1)=P(k+1|k)H(k+1)′·S(k+1)-1
互联概率βi(k+1)的表达式为:
其中,
式中,PD、PG分别为目标的检测概率和门概率,λ为杂波密度,b、ei为中间变量,vi(k+1)′表示观测的残差的转置。
观测的残差的计算公式为:
协方差矩阵的计算公式为:
其计算公式为:
Pc(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k),
式中,K(k+1)为增益,vi(k+1)为观测残差,K(k+1)′、v(k+1)、v(k+1)′分别表示增益的转置,组合新息和组合新息的转置。
时间更新公式为:
其中为预测的重访时间间隔,mk为落入波门内的观测个数,ti(k+1)为k+1时刻落入波门内的观测的时间,xk+1、yk+1分别为k+1时刻x、y方向的位置,βi(k+1)为互联概率,t(k+1)、t(k)、T分别表示k+1时刻的时间,k时刻的时间和天线扫描周期。
本申请中,基于目标当前的状态,结合天线扫描的角速度,设定合适的精度,利用迭代法,对重访时间间隔进行精确预测,并且状态转移矩阵和过程噪声分布矩阵分别在重访时间间隔的基础上做出相应的调整,最终完成跟踪过程。
相比传统的TWS雷达关于重访时间等于天线扫描周期的假设,本发明不仅正视了TWS雷达中重访时间不确定的问题,而且还提出了能基于当前状态完成空时联合预测重访时间间隔的算法,准确地建立跟踪模型,并且结合关于重访时间的分析来综合评价跟踪的性能,实现了TWS雷达的精确跟踪。
实施例10
如上述所述的TWS雷达空时联合关联跟踪方法,本实施例为与其对应的TWS雷达空时联合关联跟踪装置,如图3所示,所述TWS雷达空时联合关联跟踪装置包括:
第一计算单元1,利用k时刻目标状态矩阵计算重访时间间隔;
第二计算单元2,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
根据常用运动模型的不同,其具有不同的状态转移矩阵和过程噪声分布矩阵,常用的运动模型有匀速直线(CV)模型,匀加速直线(CA)模型,匀转弯(CT)模型:
第三计算单元3,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
第四计算单元4,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
数据筛选单元5,利用波门进行预选,剔除未落入波门内的观测数据;
第五计算单元6,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
迭代控制单元7,令k=k+1,并返回第二计算单元,形成闭环循环操作,进行迭代。
这样,基于目标状态精确地计算重访时间间隔,实现TWS雷达目标空时状态的精确估计。
本申请中,基于目标当前的状态,结合天线扫描的角速度,设定合适的精度,利用迭代法,对重访时间间隔进行精确预测,并且状态转移矩阵和过程噪声分布矩阵分别在重访时间间隔的基础上做出相应的调整,最终完成跟踪过程。
实施例11
如上述所述的TWS雷达空时联合关联跟踪方法及TWS雷达空时联合关联跟踪装置,本实施例为对其进行仿真实验的实验结果。
在进行仿真实验时,假设目标为匀速直线运动,其状态转移方程为:
X(k+1)=F(k)X(k)+G(k)×n(k)
其中状态转移矩阵F(k)可以表示为
过程噪声为零均值的高斯白噪声,其分布矩阵Γ(k)可表示为
具体的仿真场景如下:目标的初始位置为X1=[4000 -20 4000 20],目标观测的检测概率为0.9,过程噪声标准差为10-3(m/s2),雷达的观测噪声的距离标准差为20m,角度标准差为0.001rad。天线扫描周期T=20s,共60次扫描,进行100次的蒙特卡洛仿真。
具体实施步骤:
第一步:初始化
其中,r和θ分别为极坐标系下雷达的目标径向距离和方位角测量数据。那么系统的初始状态可利用前两个时刻的测量值z(0)和z(1)来确定,即
k时刻量测噪声在直角坐标系下的协方差为:
由量测噪声协方差的各元素可得四维状态向量情况下的初始协方差阵为:
并且滤波器从第三个点开始滤波。
第二步:利用当前时刻的状态估计重访时间间隔
利用当前时刻状态的位置与速度,求解其角速度,然后进行迭代求解,直至满足精度为止,输出预测的重访时间间隔T2。
第三步:重写状态转移矩阵和过程噪声分布矩阵
其中,q(k)为过程噪声的标准差。
其中,R(k+1)为观测噪声的协方差阵。
第六步:波门预选:
第七步:利用落入波门内的观测进行状态更新:
状态协方差更新:
其中,Pc(k+1|k+1)=[I-K(k+1)H(k+1)]P(k+1|k),
基于该仿真实验,得出图4-图11的仿真结果,具体为:
图4为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图,从图中可以看出空时联合算法在10到40步的跟踪精度明显优于传统的跟踪算法,而后趋于平稳。
图5为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图,从图中可以看出空时联合算法的跟踪精度一直优于传统的跟踪算法。
图6为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图,从图中可以看出空时联合算法的时间估计精度与传统的跟踪算法的相比,有着显著提升。
图7为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图,二者在该场景下关于位置的跟踪精度区别不是很明显,但是空时联合算法的精度仍略优于传统的跟踪算法。
图8为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图,空时联合算法的速度估计精度优于传统的跟踪算法。
图9为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图,从图中可以看出空时联合算法的时间精度相较于传统的跟踪算法的精度有大幅提升。
图10为100次蒙特卡洛下空时联合算法和传统的跟踪算法的真实目标的确认数目对比图,可以看出二者在确认真实航迹的收敛速度相当,而且均能正确跟踪真实航迹。
图11为100次蒙特卡洛下空时联合算法和传统的跟踪算法的虚假航迹的确认数目对比图,二者在8步到25步的虚假航迹产生数相当,而在49步到54步时,空时联合算法的虚假航迹数明显少于传统的跟踪算法的虚假航迹数。
由此可见,相比传统的TWS雷达关于重访时间等于天线扫描周期的假设,本发明不仅正视了TWS雷达中重访时间不确定的问题,而且还提出了能基于当前状态完成空时联合预测重访时间间隔的算法,准确地建立跟踪模型,并且结合关于重访时间的分析来综合评价跟踪的性能,实现了TWS雷达的精确跟踪。
以上所述仅为本发明的较佳实施例,对本发明而言仅仅是说明性的,而非限制性的。本专业技术人员理解,在本发明权利要求所限定的精神和范围内可对其进行许多改变,修改,甚至等效,但都将落入本发明的保护范围内。
Claims (9)
1.一种TWS雷达空时联合关联跟踪方法,其特征在于,包括:
步骤1,利用k时刻目标状态矩阵计算重访时间间隔;
步骤2,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
步骤3,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
步骤4,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
步骤5,利用波门进行预选,剔除未落入波门内的观测数据;
步骤6,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
步骤7,令k=k+1,并返回步骤2,形成闭环循环操作,进行迭代;
所述步骤1包括:
步骤1.1,对初始重访时间间隔进行估计;
步骤1.2,根据估计出的所述初始重访时间间隔,计算初始角度误差;
步骤1.3,根据初始角度误差和初始重访时间间隔,计算重访时间间隔;
步骤1.4,根据所述重访时间间隔,计算角度误差;
步骤1.5,将所述角度误差和精度进行比对,在所述角度误差的绝对值大于所述精度时,重复执行步骤1.3和步骤1.4,对所述角度误差进行迭代,直至所述角度误差的绝对值小于所述精度为止;
步骤1.6,输出所述重访时间间隔。
9.一种与权利要求1-8中任一所述的TWS雷达空时联合关联跟踪方法对应的TWS雷达空时联合关联跟踪装置,其特征在于,包括:
第一计算单元,利用k时刻目标状态矩阵计算重访时间间隔;
第二计算单元,根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵;
第三计算单元,根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵;
第四计算单元,根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵;
数据筛选单元,利用波门进行预选,剔除未落入波门内的观测数据;
第五计算单元,利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔;
迭代控制单元,令k=k+1,并返回第二计算单元,形成闭环循环操作,进行迭代;
所述利用k时刻目标状态矩阵计算重访时间间隔包括:
第一步,对初始重访时间间隔进行估计;
第二步,根据估计出的所述初始重访时间间隔,计算初始角度误差;
第三步,根据初始角度误差和初始重访时间间隔,计算重访时间间隔;
第四步,根据所述重访时间间隔,计算角度误差;
第五步,将所述角度误差和精度进行比对,在所述角度误差的绝对值大于所述精度时,重复执行第三步和第四步,对所述角度误差进行迭代,直至所述角度误差的绝对值小于所述精度为止;
第六步,输出所述重访时间间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089954.2A CN108572362B (zh) | 2018-01-30 | 2018-01-30 | 一种tws雷达空时联合关联跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810089954.2A CN108572362B (zh) | 2018-01-30 | 2018-01-30 | 一种tws雷达空时联合关联跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108572362A CN108572362A (zh) | 2018-09-25 |
CN108572362B true CN108572362B (zh) | 2020-07-31 |
Family
ID=63576607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810089954.2A Active CN108572362B (zh) | 2018-01-30 | 2018-01-30 | 一种tws雷达空时联合关联跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108572362B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3875719B2 (ja) * | 2000-12-06 | 2007-01-31 | 三菱電機株式会社 | レーダ装置 |
CN101344590A (zh) * | 2008-08-25 | 2009-01-14 | 北京航空航天大学 | 一种扇扫sar的广域观测方法 |
CN101915920A (zh) * | 2010-07-02 | 2010-12-15 | 北京航空航天大学 | 一种地球同步轨道合成孔径雷达卫星的高分辨率成像方法 |
CN102621994A (zh) * | 2012-04-05 | 2012-08-01 | 北京理工大学 | 一种地球同步轨道合成孔径雷达覆盖中国全境的控制方法 |
CN104007419A (zh) * | 2014-06-03 | 2014-08-27 | 西安电子科技大学 | 关于驻留时间与重访间隔的雷达时间资源联合分配方法 |
US8890757B1 (en) * | 2009-07-31 | 2014-11-18 | Trivec-Avant Corporation | Antenna system for satellite communication |
CN105137406A (zh) * | 2015-07-24 | 2015-12-09 | 上海卫星工程研究所 | 天基雷达效能优化方法 |
CN105717508A (zh) * | 2016-01-29 | 2016-06-29 | 西安电子科技大学 | 一种基于发射波形方位向调制的机载雷达前视成像方法 |
CN106054170A (zh) * | 2016-05-19 | 2016-10-26 | 哈尔滨工业大学 | 一种约束条件下的机动目标跟踪方法 |
-
2018
- 2018-01-30 CN CN201810089954.2A patent/CN108572362B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3875719B2 (ja) * | 2000-12-06 | 2007-01-31 | 三菱電機株式会社 | レーダ装置 |
CN101344590A (zh) * | 2008-08-25 | 2009-01-14 | 北京航空航天大学 | 一种扇扫sar的广域观测方法 |
US8890757B1 (en) * | 2009-07-31 | 2014-11-18 | Trivec-Avant Corporation | Antenna system for satellite communication |
CN101915920A (zh) * | 2010-07-02 | 2010-12-15 | 北京航空航天大学 | 一种地球同步轨道合成孔径雷达卫星的高分辨率成像方法 |
CN102621994A (zh) * | 2012-04-05 | 2012-08-01 | 北京理工大学 | 一种地球同步轨道合成孔径雷达覆盖中国全境的控制方法 |
CN104007419A (zh) * | 2014-06-03 | 2014-08-27 | 西安电子科技大学 | 关于驻留时间与重访间隔的雷达时间资源联合分配方法 |
CN105137406A (zh) * | 2015-07-24 | 2015-12-09 | 上海卫星工程研究所 | 天基雷达效能优化方法 |
CN105717508A (zh) * | 2016-01-29 | 2016-06-29 | 西安电子科技大学 | 一种基于发射波形方位向调制的机载雷达前视成像方法 |
CN106054170A (zh) * | 2016-05-19 | 2016-10-26 | 哈尔滨工业大学 | 一种约束条件下的机动目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
扇形扫描的TWS雷达目标方位角对距离估计误差的影响;闫敬业,陶然,单涛,王越;《北京理工大学学报》;20011231;第21卷(第6期);761-764 * |
约束条件运动建模及状态估计方法;李可毅;《中国优秀硕士学位论文全文数据库信息科技辑》;20170228;第2、3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN108572362A (zh) | 2018-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107045125B (zh) | 一种基于预测值量测转换的交互多模型雷达目标跟踪方法 | |
CN109633590B (zh) | 基于gp-vsmm-jpda的扩展目标跟踪方法 | |
US7180443B1 (en) | Reduced state estimator for systems with physically bounded parameters | |
CN112114308B (zh) | 一种扇扫雷达空时联合目标跟踪方法 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN111142100B (zh) | 一种雷达目标跟踪方法 | |
Zhang et al. | Extended object tracking using random matrix with skewness | |
CN111965618B (zh) | 一种融合多普勒量测的转换量测跟踪方法及系统 | |
Attari et al. | Target tracking formulation of the SVSF with data association techniques | |
CN111077518B (zh) | 一种基于距离-多普勒量测的跟踪滤波方法及装置 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN110889862A (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
CN116047498A (zh) | 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法 | |
Memon et al. | Modified smoothing data association for target tracking in clutter | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
CN111693984A (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
Cormack et al. | Message passing and hierarchical models for simultaneous tracking and registration | |
CN113191427B (zh) | 一种多目标车辆跟踪方法及相关装置 | |
Thormann et al. | Learning an object tracker with a random forest and simulated measurements | |
CN112034445B (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和系统 | |
CN108572362B (zh) | 一种tws雷达空时联合关联跟踪方法及装置 | |
CN111274529A (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN113406617B (zh) | 一种扇扫雷达多目标连续跟踪方法 | |
CN112285697A (zh) | 一种多传感器多目标空时偏差校准与融合方法 | |
Clark et al. | Single-cluster PHD filtering and smoothing for SLAM applications |
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 |