CN109633628B - 基于分布式组网雷达数据融合的抗rgpo干扰的方法 - Google Patents

Abstract

本发明公开了一种基于分布式组网雷达数据融合的抗RGPO干扰的方法，主要解决现有技术不能克服RGPO干扰产生的虚假航迹问题。其实现方案是：仿真平面内的单个目标作匀速直线运动，得到目标的真实航迹；由目标的真实航迹得到组网雷达中两部雷达的量测值；对每部雷达的量测值进行滤波，得到各雷达的局部航迹；在每部雷达的滤波过程中计算各时刻的新息归一化距离d_k,i；根据d_k,i计算滤波过程中的干扰判别因子λ_k,i；推导λ_k,i的分布并确定其判别门限η，进而计算可信度因子c_k,i，由c_k,i计算融合权重ω'_k,i；根据融合权重ω'_k,i，在融合中心将两条局部航迹进行航迹融合，得到与目标真实航迹近似的系统航迹。本发明能有效识别并剔除虚假航迹，可用于分布式组网雷达有效对抗航迹欺骗干扰。

Description

基于分布式组网雷达数据融合的抗RGPO干扰的方法

技术领域

本发明涉及雷达技术领域，特别涉及一种抗RGPO干扰的方法，可用于分布式组网雷达系统数据融合中心有效地鉴别并剔除RGPO干扰产生的虚假航迹。

背景技术

近几十年来，电子干扰ECM在军事行动中扮演着越来越重要的角色，其相关的研究也取得了空前的发展。雷达电子干扰措施包括有源干扰和无源干扰，有源干扰又可分为压制式干扰和欺骗式干扰。欺骗式干扰是干扰机复制转发雷达发射信号，产生很多假目标干扰，以欺骗迷惑敌方雷达，使得敌方雷达很难分辨真假。欺骗式干扰，相比于压制式干扰，欺骗性更强，且由于其可利用雷达信号处理中的脉压增益，可有效降低干扰机的发射功率。尤其是数字射频存储器，即DRFM的快速发展，使得转发式干扰机可以快速存储转发雷达发射信号，精确地复制截获的敌方雷达发射波形，在真目标附近产生大量距离分布不同的高逼真度的欺骗式假目标。

距离波门拖引干扰是有效的电子干扰方式之一，是常见的有源欺骗式干扰，分为前拖RGPI和后拖RGPO两种形式。实施RGPI干扰比较困难，实际中常采用RGPO干扰，其通过欺骗雷达跟踪到假目标上，同时将距离波门向远离雷达的方向拖动，最终造成目标丢失。距离波门拖引干扰是对目前广泛使用的单脉冲体制跟踪雷达进行干扰的最有效手段之一。其基本原理是：干扰机收到雷达发射脉冲后，立刻转发回一个与目标回波具有相同多普勒频率、脉宽、带宽和载频的脉冲，并且干扰功率大于干扰机处散射的回波功率。其作用是以距离欺骗的方式诱使雷达错误地跟踪干扰信号，并最终使雷达丢失目标，从而达到干扰雷达正常工作的目的。

组网雷达通过把不同位置的雷达对目标的多视角的观测信息综合起来，进行融合处理，以得到目标立体信息，同时利用观测信息的冗余度，可以得到目标更高精度的时域、频域、空域的信息。由于多视角，数据冗余的特点，组网雷达在对抗欺骗式干扰方面有较大优势。

组网雷达有三种典型的融合结构模型：集中式、分布式和混合式。集中式融合结构是将各雷达观测得到的点迹信息进行融合处理，再进行跟踪滤波形成系统航迹。对于分布式融合结构，各雷达独立对观测到的点迹信息进行跟踪滤波，形成局部航迹，融合中心对各雷达的局部航迹进行融合处理，形成系统航迹。混合式融合结构同时对雷达观测到的点迹信息和航迹信息进行融合处理，在通信和计算上要付出较大代价。相比于集中式结构，分布式融合结构可以以较低的费用获得较高的性能，同时，它还同时具有局部雷达独立跟踪的能力和组网雷达全局检测估计的能力，可靠性更高。

目前，应用于分布式组网雷达的协方差交叉CI融合算法，可将各雷达的局部航迹进行融合处理，形成系统航迹，得到比单部雷达更准确的航迹信息。而当组网雷达中的某部雷达受到RGPO干扰时，该雷达所形成的局部航迹比目标的真实航迹会产生严重的偏差，而CI融合算法会将该雷达受到干扰后得到的航迹与其他航迹融合，使融合后的系统航迹的质量变差，组网雷达不能准确得到目标的运动状态，影响跟踪效果。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于分布式组网雷达数据融合的抗RGPO干扰的方法，以识别并剔除距离波门向后拖引形成的航迹欺骗干扰，在融合中心得到更精确的系统航迹，提高组网雷达对目标的跟踪效果。

本发明的技术方案是这样实现的：

一.技术原理

在分布式组网雷达中，真目标的位置信息与各雷达布站位置无关。而当某一部雷达受到RGPO干扰后所观测到的假目标量测的位置信息是由真目标位置和雷达位置共同决定的，分布在真目标与该雷达站的视线上。根据RGPO干扰产生的假目标量测在方位上与真目标量测相近，在径向距离上比真目标量测远的特点构造出一种基于χ²检验的RGPO干扰鉴别算法。本发明利用干扰判别因子来表征雷达是否受到了RGPO干扰，并在组网雷达的融合中心进行航迹融合时，对CI融合算法进行改进，改进原理是丢弃了雷达在受到RGPO干扰后所形成的局部航迹，仅利用跟踪效果好的航迹进行航迹融合，并利用干扰判别因子和改进的CI算法实现对航迹欺骗的鉴别和剔除，提高组网雷达对欺骗式干扰的有效对抗。

二.技术方案

根据上述原理，本发明的实现方案包括如下：

(1)在二维平面内，仿真单个目标作匀速直线运动，得到目标的真实航迹；

(2)由目标的真实航迹得到组网雷达中两部雷达的量测值，其中，第一部雷达1正常跟踪，第二部雷达2在跟踪过程的k₁时刻开始受到RGPO干扰；

(3)根据每部雷达观测到的量测值进行滤波，得到各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i，其中，i＝1,2表示雷达序号，k＝2,…,100表示采样时刻；

(4)在每部雷达的滤波过程中计算各时刻的新息归一化距离d_k,i：

其中，v_k,i表示新息，S_k,i表示新息协方差矩阵，[·]^T表示求矩阵转置，[·]^-1表示矩阵求逆，d_k,i服从m个自由度的卡方分布，表示为d_k,i～χ²(m)，m为量测向量的维数；

(5)根据各时刻的新息归一化距离，计算干扰判别因子λ_k,i：

当k≥10时，借鉴滑窗法的思想，取时间窗T_win＝10，则

其中，j∈[k-T_win+1,k]；

当k＜10时，对k时刻之前的新息归一化距离求算数平均，即

其中，j∈[1,k]；

(6)通过d_k,i的分布推导出有关干扰判别因子λ_k,i的分布：

当k≥10时，T_winλ_k,i服从T_winm个自由度的χ²分布，即T_winλ_k,i～χ²(T_winm)，即在卡方分布的基础上除以T_win，得到λ_k,i近似服从卡方分布的表示式为

当k＜10时，kλ_k,i服从km个自由度的χ²分布，即kλ_k,i～χ²(km)，即在卡方分布的基础上除以k，得到λ_k,i近似服从卡方分布的表示式为

(7)构造假设检验：设雷达在跟踪过程中未受到RGPO干扰这一事件为H₀，雷达在某一时刻受到了RGPO干扰这一事件为H₁；

(8)根据(6)和(7)的结果确定判别门限η：

Pr{λ_k,i＞η|H₀}＝α，

其中，α为误判概率，取值为0.05或0.01或0.1，Pr{·}表示求某一分布的概率；

(9)根据(5)中的干扰判别因子λ_k,i和(8)中的判别门限η，计算可信度因子c_k,i：

(10)将可信度因子c_k,i引入到协方差交叉CI融合算法中，对CI融合算法进行改进，计算改进后的CI算法融合权重ω'_k,i；

(11)根据融合权重ω'_k,i，在融合中心将两条局部航迹进行航迹融合，得到融合后的系统航迹：

其中，

P_k分别为系统航迹的滤波状态矢量及其误差协方差矩阵。

本发明与现有技术相比具有的优点

1、相对于单站雷达对抗RGPO干扰的方法，本发明由于能够融合组网雷达中各节点雷达获取的量测信息，因而提高了对欺骗式干扰的识别概率；

2、相对于信号级的信噪比检测、N/M逻辑检验这些方法，本发明由于在数据级进行处理，计算速度快，实时性强，利用干扰判别因子能判断航迹的实时变化，鉴别出某些时刻出现的虚假航迹；

3、相对于CI融合算法，本发明由于改进了其融合权重的求解方法，可丢弃雷达在受到RGPO干扰后所形成的局部航迹，进一步降低了组网雷达的被欺骗概率。

附图说明

图1是本发明的实现流程图；

图2是仿真两部雷达的跟踪滤波结果图；

图3是利用干扰判别因子对图2中雷达的跟踪状态进行判定的结果图；

图4是利用现有方法与本发明方法对图2中两个雷达的滤波航迹进行融合处理得到的系统航迹对比图。

具体实施方式

本实例将目标的位置信息[x_k y_k]^T作为量测值，即量测方程为线性，雷达采用的跟踪滤波算法是典型的卡尔曼滤波，即KF算法。

参照图1，实例的实现步骤如下：

步骤1、在二维平面内，仿真单个目标作匀速直线运动，得到目标的真实航迹。

建立一个与系统统一的直角坐标系，设目标的初始状态矢量为

设目标的运动模型为匀速运动模型：

X_k＝F_kX_k-1+V_k，  <1>

其中，[·]^T表示求矩阵转置，F_k为状态转移矩阵，

T为采样时间间隔，V_k为具有协方差Q_k的零均值、白色高斯过程噪声；

由第1个时刻的初始状态矢量

和目标的运动模型，得到目标第2个时刻及以后各时刻的真实航迹即真实状态信息

其中，xk、

分别为目标在第k个采样时刻的真实状态在x方向的位置信息和速度信息，yk、

分别为目标在第k个采样时刻的真实状态在y方向的位置信息和速度信息，X_k-1表示目标在第k-1时刻的真实状态，k＝2,…,100。

步骤2、设第一部雷达1为正常跟踪，第二部雷达2在跟踪过程的k₁时刻开始受到RGPO干扰，由目标的真实航迹X_k得到组网雷达中这两部雷达的量测值。

2a)设第i个雷达在直角坐标系下的位置为(x_r,i y_r,i)，根据步骤1得到目标的真实状态信息

得到目标相对于第i个雷达的极坐标信息为：

其中，ρ_i(k)为目标相对于第i个雷达的径向距离信息，θ_i(k)为目标相对于第i个雷达的角度信息，i＝1,2，[·]^T表示求矩阵转置，arctan[·]表示求反正切函数；

2b)假设在k₁时刻目标自身的干扰机转发RGPO干扰，并实施匀速拖引，设v为匀速拖引时的速度，计算第2个雷达受到RGPO干扰后探测到的与假目标的距离ρ_2f(k)：

2c)将两部雷达关于目标的极坐标量测信息转化到组网雷达统一直角坐标系下，并考虑各自的量测噪声

得到第1个雷达的量测值Z_k,1和第2个雷达的量测值Z_k,2：

Z_k,1＝[x'_k,1 y'_k,1]^T，  <4>

Z_k,2＝[x'_k,2 y'_k,2]^T，  <5>

其中，

x'_k,1和y'_k,1分别表示在第k采样时刻的量测值Z_k,1在x方向和在y方向的位置信息，x'_k,2和y'_k,2分别表示在第k采样时刻的量测值Z_k,2在x方向和在y方向的位置信息，k＝1,…,100。

步骤3、对每部雷达观测到的量测值进行滤波，得到各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i。

目前用于单目标跟踪的滤波算法分为线性滤波算法和非线性滤波算法，其中线性滤波方法有卡尔曼滤波KF算法，非线性滤波算法包括扩展卡尔曼滤波EKF算法、无迹卡尔曼滤波UKF算法和粒子滤波PF算法。

本实例中由于组网雷达对一个目标进行跟踪定位，所以采用单目标跟踪算法，同时由于本实例将目标的位置信息作为量测值，即量测方程为线性，所以采用KF算法。

本步骤的具体实现如下：

3a)计算目标状态的一步预测值

其中，

为第i个雷达在k-1个采样时刻的滤波估计值，F_k为状态转移矩阵；

3b)计算预测误差协方差矩阵P_k|k-1,i：

其中，[·]^T表示求矩阵转置，Q_k为状态噪声的协方差矩阵，P_k-1,i为

的协方差矩阵；

3c)利用如下公式计算新息v_k,i：

其中，Z_k,i为第i个雷达的量测值，H_k为量测矩阵，由于滤波器从第2个时刻开始工作，即新息在第2个时刻及以后时刻才能得到，所以这里k的取值为k＝2,…,100；

3d)利用如下公式计算新息协方差矩阵S_k,i：

其中，R_k,i为第i个雷达的量测噪声协方差矩阵；

3e)计算滤波器增益K_k,i：

3f)根据3a)～3e)的结果，计算各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i：

步骤4、在每部雷达的滤波过程中计算各时刻的新息归一化距离d_k,i：

其中，k＝2,…,100表示采样时刻，v_k,i表示新息，S_k,i表示新息协方差矩阵，[·]^-1表示矩阵求逆，k不取1的原因是新息在第2个时刻及以后时刻才能得到，这里令d_1,i＝d_2,i，d_k,i服从m个自由度的卡方分布，表示为d_k,i～χ²(m)，m为量测向量的维数。

步骤5、根据各时刻的新息归一化距离d_k,i，计算干扰判别因子λ_k,i。

当k≥10时，借鉴滑窗法的思想，取时间窗T_win＝10，则

其中，j∈[k-T_win+1,k]；

当k＜10时，对k时刻之前的新息归一化距离求算数平均，即

其中，j∈[1,k]。

步骤6、通过新息归一化距离d_k,i的分布，推导出有关干扰判别因子λ_k,i的分布。

当k≥10时，由于d_k,i服从m个自由度的卡方分布，根据卡方分布的性质，则

服从T_winm个自由度的卡方分布，而

则T_winλ_k,i服从T_winm个自由度的卡方分布，表示为：T_winλ_k,i～χ²(T_winm)，即在卡方分布的基础上除以T_win，得到λ_k,i近似服从卡方分布的表示式为

当k＜10时，由于d_k,i服从m个自由度的卡方分布，根据卡方分布的性质，则

服从km个自由度的卡方分布，而

则kλ_k,i服从km个自由度的卡方分布，表示为：kλ_k,i～χ²(km)，即在卡方分布的基础上除以k，得到λ_k,i近似服从卡方分布的表示式为

步骤7、确定判别门限η。

7a)构造假设检验，即将雷达在跟踪过程中未受到RGPO干扰这一事件设定为H₀，将雷达在某一时刻受到了RGPO干扰这一事件设定为H₁；

7b)根据步骤6中干扰判别因子λ_k,i的分布和7a)中的假设检验，利用如下公式计算判别门限η：

Pr{λ_k,i＞η|H₀}＝α，  <17>

其中，α为误判概率，取值为0.05或0.01或0.1，本实例取0.01；Pr{·}表示求某一分布的概率。

步骤8、根据步骤5中的干扰判别因子λ_k,i和步骤8中的判别门限η，计算可信度因子c_k,i：

若c_k,i的值为1，则说明雷达i在k时刻正常跟踪目标；否则，可信度因子逐渐减小，说明雷达i在k时刻受到了RGPO干扰。

步骤9、将可信度因子c_k,i引入到协方差交叉CI融合算法中，对CI融合算法进行改进，计算改进后的CI算法融合权重ω'_k,i。

经典CI算法的融合权重ω_k,i为以下约束问题的最优解：

其中，ω_k,i为两条局部航迹在各采样时刻的权重，P_k,i为雷达i在k时刻得到的状态误差协方差矩阵，Tr[·]表示求矩阵的迹；

当组网雷达中的某部雷达受到RGPO干扰时，采用上述CI融合算法的融合权重ω_k,i会将该雷达受到干扰后得到的航迹与其他航迹融合，使融合后的系统航迹的质量变差。

本实例对CI算法进行改进，即通过将可信度因子c_k,i引入到上述<19>式融合权重的求解中，以剔除雷达在受到RGPO干扰后所形成的局部航迹，使得仅利用跟踪效果好的航迹进行航迹融合，就能得到精确的系统航迹。

改进后的CI算法融合权重ω'_k,i，计算如下：

其中，c_k,i为可信度因子，

和ω'_k,i≥0为约束条件，即两条局部航迹在各采样时刻的融合权重之和为1，且融合权重必须不小于0。

步骤10、根据融合权重ω'_k,i，在融合中心将两条局部航迹进行航迹融合，得到融合后的系统航迹：

其中，

P_k分别为系统航迹的滤波状态矢量及其误差协方差矩阵，此时系统航迹与目标的真实航迹近似，克服了RGPO干扰产生的虚假航迹的影响。

本发明对抗RGPO干扰航迹欺骗的能力可通过以下仿真进一步验证。

1.实验场景：

设场景中有一个目标，目标初始位置为(-500,500)m，以(10,0)m/s的速度在二维平面作匀速直线运动，即目标的初始状态矢量为X₁＝[-500 10 500 0]^T，目标的运动模型遵循<1>式，设过程噪声协方差矩阵Q_k为0。

组网雷达是由2部两坐标雷达组成的，编号为雷达1和雷达2，雷达1的位置坐标为(0,0)m，雷达2的位置坐标为(-1000,0)m。雷达1的量测精度：x方向为4m，y方向为6m；雷达2的量测精度：x方向为5m，y方向为3m。

仿真总时间设为100s，假设雷达1进行正常跟踪，雷达2在71～100s受到RGPO干扰，这里设定为匀速拖引干扰场景，拖引速度为3m/s。

2.实验内容与分析：

实验内容1，用两部雷达分别对目标进行跟踪滤波，得到雷达的跟踪滤波结果，如图2所示，其中，用黑点标记的实线是目标的真实位置，虚线是雷达1的量测值，用“+”标记的点划线是雷达1的滤波值，点线是雷达2的量测值，实线是雷达2的滤波值。

实验内容2，用本发明中的干扰判别因子λ_k,i和判别门限η，对图2所示的各雷达的跟踪状态进行判断，判定各雷达是否在某一时刻受到了RGPO干扰，结果如图3所示，图3中，实线是判别门限，点划线是第1个雷达的干扰判别因子λ_k,1的变化曲线，虚线是第2个雷达的干扰判别因子λ_k,2的变化曲线。

从图3可知，λ_k,1在仿真总时间内均小于门限，可知第1个雷达一直对目标进行正常跟踪；在第73个采样时刻，λ_k,2开始大于门限，由此判断出第2个雷达在此时刻受到了RGPO干扰。

实验内容3，在融合中心，对图2中两个雷达的滤波航迹分别利用现有方法和本发明方法进行融合处理，得到系统航迹，结果如图4所示。

从图4中可以看出，利用经典CI融合算法得到的系统航迹会偏离目标的真实航迹，而用本发明方法可以得到与目标真实航迹十分近似的航迹信息。

综上，本发明通过干扰判别因子的变化曲线可以有效地鉴别出雷达是否受到了RGPO干扰，且在融合中心通过本发明方法可以丢弃雷达在受到RGPO干扰后所形成的局部航迹，仅利用跟踪效果好的航迹进行航迹融合，克服了RGPO干扰产生的虚假航迹的影响，提高了系统航迹的质量。

实验结果验证了本发明的有效性和可靠性，其能成功的鉴别并剔除RGPO干扰产生虚假航迹，降低了组网雷达的被欺骗概率，提高了其在干扰环境下的生存能力。

Claims (3)

1.一种基于分布式组网雷达数据融合的抗RGPO干扰的方法，其特征在于，包括如下：

(1)在二维平面内，仿真单个目标作匀速直线运动，得到目标的真实航迹；

(2)由目标的真实航迹得到组网雷达中两部雷达的量测值，其中，第一部雷达1正常跟踪，第二部雷达2在跟踪过程的k₁时刻开始受到RGPO干扰；其实现如下：

2a)设目标的真实状态信息为

第i个雷达在直角坐标系下的位置为(x_r,i y_r,i)，则目标相对于第i个雷达的极坐标信息为：

其中，i＝1,2；x_k、

分别为目标真实状态在x方向的位置信息和速度信息，y_k、

分别为目标真实状态在y方向的位置信息和速度信息，ρ_i(k)为目标相对于第i个雷达的径向距离信息，θ_i(k)为目标相对于第i个雷达的角度信息，[·]^T表示求矩阵转置，arctan[·]表示求反正切函数；

2b)假设在k₁时刻目标自身的干扰机转发RGPO干扰，并实施匀速拖引，设v为匀速拖引时的速度，计算第2个雷达受到RGPO干扰后探测到的与假目标的距离

2c)将两部雷达关于目标的极坐标量测信息转化到组网雷达统一直角坐标系下，并考虑各自的量测噪声

得到第1个雷达的量测值Z_k,1和第2个雷达的量测值Z_k,2：

Z_k,1＝[x'_k,1y'_k,1]^T，

Z_k,2＝[x'_k,2y'_k,2]^T，

其中，

x'_k,1和y'_k,1分别表示量测Z_k,1在x方向和在y方向的位置信息，x'_k,2和y'_k,2分别表示量测Z_k,2在x方向和在y方向的位置信息；

(3)根据每部雷达观测到的量测值进行滤波，得到各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i，其中，i＝1,2表示雷达序号，k＝2,…,100表示采样时刻；

(4)在每部雷达的滤波过程中计算各时刻的新息归一化距离d_k,i：

其中，v_k,i表示新息，S_k,i表示新息协方差矩阵，[·]^T表示求矩阵转置，[·]^-1表示矩阵求逆，d_k,i服从m个自由度的卡方分布，表示为d_k,i～χ²(m)，m为量测向量的维数；

(5)根据各时刻的新息归一化距离，计算干扰判别因子λ_k,i：

当k≥10时，借鉴滑窗法的思想，取时间窗T_win＝10，则

其中，j∈[k-T_win+1,k]；

当k＜10时，对k时刻之前的新息归一化距离求算数平均，即

其中，j∈[1,k]；

(6)通过d_k,i的分布推导出有关干扰判别因子λ_k,i的分布：

当k≥10时，T_winλ_k,i服从T_winm个自由度的χ²分布，即T_winλ_k,i～χ²(T_winm)，即在卡方分布的基础上除以T_win，得到λ_k,i近似服从卡方分布的表示式为

当k＜10时，kλ_k,i服从km个自由度的χ²分布，即kλ_k,i～χ²(km)，即在卡方分布的基础上除以k，得到λ_k,i近似服从卡方分布的表示式为

(7)构造假设检验：设雷达在跟踪过程中未受到RGPO干扰这一事件为H₀，雷达在某一时刻受到了RGPO干扰这一事件为H₁；

(8)根据(6)和(7)的结果确定判别门限η：

Pr{λ_k,i＞η|H₀}＝α，

其中，α为误判概率，取值为0.05或0.01或0.1，Pr{·}表示求某一分布的概率；

(9)根据(5)中的干扰判别因子λ_k,i和(8)中的判别门限η，计算可信度因子c_k,i：

(10)将可信度因子c_k,i引入到协方差交叉CI融合算法中，对CI融合算法进行改进，计算改进后的CI算法融合权重ω'_k,i；

(11)根据融合权重ω'_k,i，在融合中心将两条局部航迹进行航迹融合，得到融合后的系统航迹：

其中，

P_k分别为系统航迹的滤波状态矢量及其误差协方差矩阵。

2.根据权利要求1所述的方法，其中(3)中计算各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i，其实现如下：

3a)计算目标状态的一步预测

其中，

为第i个雷达在k-1时刻的滤波估计值，F_k为状态转移矩阵；

3b)计算预测误差协方差矩阵P_k|k-1,i：

其中，[·]^T表示求矩阵转置，Q_k为状态噪声的协方差矩阵，P_k-1,i为

的协方差矩阵；

3c)利用如下公式计算新息v_k,i：

其中，Z_k,i为第i个雷达的量测值，H_k为量测矩阵，由于滤波器从第2个时刻开始工作，即新息在第2个时刻及以后时刻才能得到，所以这里k的取值为k＝2,…,100；

3d)利用如下公式计算新息协方差矩阵S_k,i：

其中，R_k,i为第i个雷达的量测噪声协方差矩阵；

3e)计算滤波器增益K_k,i：

3f)根据3a)～3e)的结果计算各雷达的滤波状态矢量

及其误差协方差矩阵P_k,i：

3.根据权利要求1所述的方法，其中(10)中计算改进后的CI算法融合权重ω'_k,i，通过如下公式计算

其中，c_k,i为可信度因子，P_k,i为第i个雷达在k时刻得到的状态误差协方差矩阵，Tr[·]表示求矩阵的迹，

和ω'_k,i≥0为约束条件，即两条局部航迹在各采样时刻的融合权重之和为1，且融合权重必须不小于0。

Images