CN110441748A - 一种基于幅度信息的α-β滤波方法 - Google Patents
一种基于幅度信息的α-β滤波方法 Download PDFInfo
- Publication number
- CN110441748A CN110441748A CN201910546703.7A CN201910546703A CN110441748A CN 110441748 A CN110441748 A CN 110441748A CN 201910546703 A CN201910546703 A CN 201910546703A CN 110441748 A CN110441748 A CN 110441748A
- Authority
- CN
- China
- Prior art keywords
- scan period
- information
- alpha
- kth
- observation noise
- 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
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
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
本发明公开了一种基于幅度信息的α‑β滤波方法,其实现方案是:1)在不同扫描周期,获取雷达信号处理得到的量测信息、幅度信息、状态噪声方差;2)由雷达系统参数获得初始观测噪声方差;3)将1)和2)获得的参数设置为滤波器的初始值;4)利用获得的幅度信息计算观测噪声的协方差比例系数,并计算滤波器增益系数α、β;5)根据获得的滤波器增益系数α、β进行状态估计;6)将状态估计得到的信息输入到下一扫描周期。主要解决了跟踪目标RCS起伏时,现有α‑β对目标状态估计精度不足的问题,减少了观测噪声与观测噪声统计信息失配的情况,提高了α‑β滤波器目标状态估计的准确率。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于幅度信息的α-β滤波方法。
背景技术
α-β滤波算法是一种简单且易于工程实现的常增益滤波方法,一般用于匀速直线运动的跟踪,计算量相对于卡尔曼滤波来说较小,实现方法简单。
目前采用的α-β滤波算法主要为通过观测噪声信息与过程噪声信息计算目标机动指数进而得到滤波器增益系数。此外,工程上常采用将增益系数设置为固定常数以及利用采样时刻计算增益系数这两种方法。
但是,这些方法难以对系统观测噪声的统计信息进行实时估计,在发生目标RCS的起伏的情况下,观测噪声的统计特性并不固定,若使用传统的α-β滤波算法,会影响状态估计性能,容易出现滤波发散、跟踪精度下降以至目标跟踪丢失的问题。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种基于幅度信息的α-β滤波方法,包括以下步骤:
步骤1:获取雷达信号处理得到的参数信息,所述参数信息包括目标量测信息Z(k)、目标幅度信息A(k)以及过程噪声标准差σv(k),k表示扫描周期;其中,所述量测信息Z(k)包含位置分量b(k)和速度分量s(k);
步骤2:获取初始观测噪声方差
步骤3:在第1个扫描周期内,设置滤波器的初始值;
步骤4:在第k+1个扫描周期内,根据第k个扫描周期的目标幅度信息A(k)计算观测噪声协方差比例系数L(k+1);
步骤5:根据所述比例系数L(k+1)计算第k+1个扫描周期内观测噪声方差
步骤6:根据所述观测噪声方差计算第k+1个扫描周期内目标机动指数λ(k+1);
步骤7:根据所述目标机动指数λ(k+1),计算第k+1个扫描周期内常滤波增益系数α(k+1)、β(k+1);
步骤8:根据所述常滤波增益系数α(k+1)、β(k+1);计算第k+1个扫描周期的状态估计信息
步骤9:将第k+1个扫描周期滤波器的信息输入到下一个扫描周期,进行下一个周期的状态估计。
在本发明的一个实施例中,步骤2中设置滤波器初始值包括:
(3a)根据第1个扫描周期获取的所述目标量测信息Z(1)得到状态估计信息
将第1个扫描周期的量测信息Z(1)表示为:
其中,b(1)是Z(1)的位置分量,s(1)是Z(1)的速度分量;
根据b(1)和s(1)得到第1个扫描周期的状态估计信息为:
其中,和分别表示状态估计信息的位置分量和速度分量;
(3b)根据步骤1获取的所述参数信息和步骤2获取的所述初始观测噪声方差设置第1个扫描周期的观测噪声方差初始状态过程噪声标准差σv(1)、幅度信息A(1)及所述状态估计信息
在本发明的一个实施例中,步骤4中所述观测噪声协方差比例系数L(k+1)的计算公式为:
其中,A(k)为第k个扫描周期的目标幅度信息,A(k+1)为第k+1个扫描周期的目标幅度信息。
在本发明的一个实施例中,步骤5包括:
(5a)在第k个扫描周期内,计算目标的检测信噪比SNRk为:
其中,A(k)为第k个扫描周期的目标点迹的幅度值,n2为接收机噪声功率;
(5b)在极坐标下,第k个扫描周期内的观测噪声方差的角度维和距离维分别用测角误差σθ(k)和测距误差σρ(k)表示,所述测角误差σθ(k)计算公式为:
其中,U1为常数,QBW为波束宽度,SNRk为第k个扫描周期目标点迹的检测信噪比;
所述测距误差σρ(k)表示为:
其中,U2为常数,D为雷达的距离分辨率;
(5c)根据(5a)和(5b)的公式计算第k个扫描周期内角度维观测噪声方差和距离维观测噪声方差分别为:
(5d)根据(5c)的结果计算第k+1个扫描周期的观测噪声方差
在本发明的一个实施例中,,步骤6中目标机动指数λ(k+1)的计算公式为:
其中,T为采样间隔,为第k+1个扫描周期内的过程噪声标准差。
在本发明的一个实施例中,步骤7中常滤波增益系数α(k+1)、β(k+1)的计算公式为:
在本发明的一个实施例中,步骤8包括:
(8a)利用第k个扫描周期的状态估计信息进行状态的一步预测:
其中,为第k+1个扫描周期的状态预测值,F(k)为状态转移矩阵;
(8b)由所述状态预测值得到量测预测值
其中,H(k+1)为量测矩阵;
(8c)由所述量测信息Z(k+1)和所述量测预测值计算新息v(k+1)为:
其中,Z(k+1)为第k+1次扫描获取的量测信息;
(8d)根据常滤波增益系数α(k+1)、β(k+1)得到α-β滤波的增益矩阵为:
(8e)根据所述新息v(k+1)和所述增益矩阵K(k+1),得到状态估计信息
X(k+1|k+1)=X(k+1|k)+K(k+1)v(k+1)。
本发明的有益效果:
本发明利用了雷达信号处理得到的幅度信息,通过计算协方差比例系数,得到观测噪声方差,实现了对不同扫描周期观测噪声方差的正确估计,得到了变化的目标机动指数λ,得到了随观测噪声实时变化的增益系数α和β,解决了随扫描周期变化观测噪声统计信息难以实时计算的难题,使得目标的状态估计更加准确,改善目标跟踪的效率和质量。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的一种基于幅度信息的α-β滤波方法流程图;
图2是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法、常系数α-β滤波以及观测轨迹、真实轨迹效果对比;
图3是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法以及常系数α-β滤波在每个扫描周期x方向上的测量误差图;
图4是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法以及常系数α-β滤波在每个扫描周期y方向上的测量误差图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
实施例一
请参见图1,图1是本发明实施例提供的一种基于幅度信息的α-β滤波方法流程图。
本发明提供的基于幅度信息的α-β滤波方法,适用于目标运动状态在离散时间系统中由线性方程表示的场景,该场景下的目标运动状态方程为:
X(k+1)=F(k)X(k)+V(k),k=1,2,…,
其中,k为扫描周期,F(k)为状态转移矩阵,X(k)为离散动态系统在第k个扫描周期的状态;V(k)为过程噪声,其方差为σv(k)。
在该场景下,根据目标运动状态方程X(k+1),将滤波器接收到的量测信息Z(k+1)表示为:
Z(k+1)=H(k+1)·X(k+1)+W(k+1);
其中,H(k+1)为量测矩阵,W(k+1)为具有方差为的观测噪声序列,观测噪声W(k)和过程噪声V(k)分别为均值为零,互不相关的白噪声。
本发明提供的基于幅度信息的α-β滤波方法,包括以下步骤:
步骤1:获取雷达信号处理得到的参数信息;
在本实施例中,滤波器会随扫描周期的更新在每次扫描时,不断从雷达信号处理的结果中获得目标的各种信息,包括目标量测信息Z(k)、目标幅度信息A(k)以及过程噪声标准差σv(k),k表示扫描周期;其中,所述量测信息Z(k)包含位置分量b(k)和速度分量s(k)。
步骤2:获取初始观测噪声方差
在极坐标下,初始观测噪声协方差在距离维度上为在角度维度上为和直接从雷达系统参数中获取。
步骤3:在第1个扫描周期内,设置滤波器的初始值;
(3a)根据第1个扫描周期获取的所述目标量测信息Z(1)得到状态估计信息
将第1个扫描周期的量测信息Z(1)表示为:
其中,b(1)是Z(1)的位置分量,s(1)是Z(1)的速度分量;
根据b(1)和s(1)得到第1个扫描周期的状态估计信息为:
其中,和分别表示状态估计信息的位置分量和速度分量;
(3b)在第1个扫描周期,用步骤1和步骤2中获得的信息,设置滤波器的初始值,即第1个扫描周期的初始观测噪声方差初始状态过程噪声标准差σv(1)、幅度信息A(1)及由量测信息Z(1)得到的状态估计信息
步骤4:在第k+1个扫描周期内,根据第k个扫描周期的目标幅度信息A(k)计算观测噪声协方差比例系数L(k+1);
在第k+1个扫描周期滤波器获取雷达信号处理端报送的各种信息后,根据本周期的幅度信息A(k+1),上一个扫描周期的幅度信息A(k),计算得到观测噪声的协方差比例系数L(k+1):
步骤5:根据所述比例系数L(k+1)计算第k+1个扫描周期内观测噪声方差
(5a)在第k个扫描周期内,计算目标的检测信噪比SNRk为:
其中,A(k)为第k个扫描周期的目标点迹的幅度值,n2为接收机噪声功率。
在一个雷达系统中,由于接收机噪声功率n2为定值,所以检测信噪比SNRk只与目标幅度信息A有关。
(5b)在极坐标下,第k个扫描周期内的观测噪声方差的角度维和距离维分别用测角误差σθ(k)和测距误差σρ(k)表示,所述测角误差σθ(k)计算公式为:
其中,U1为常数,QBW为波束宽度,SNRk为第k个扫描周期目标点迹的检测信噪比;
所述测距误差σρ(k)表示为:
其中,U2为常数,D为雷达的距离分辨率;
(5c)根据(5a)和(5b)的公式计算第k个扫描周期内角度维观测噪声方差和距离维观测噪声方差分别为:
(5d)根据(5c)的结果计算第k+1个扫描周期的观测噪声方差
在角度维上表示为:
在距离维上表示为:
步骤6:根据所述观测噪声方差计算第k+1个扫描周期内目标机动指数λ(k+1);计算公式为:
其中,T为采样间隔,为第k+1个扫描周期内的过程噪声标准差。
步骤7:根据所述目标机动指数λ(k+1),计算第k+1个扫描周期内常滤波增益系数α(k+1)、β(k+1),分别为:
步骤8:根据所述常滤波增益系数α(k+1)、β(k+1);计算第k+1个扫描周期的状态估计信息
使用α-β算法进行目标状态估计是一个不断迭代的过程,需要利用上一个周期的状态估计信息进行本周期的状态估计。在完成第k个扫描周期的目标状态估计后,第k个扫描周期的目标状态信息成为已知量,并成为第k+1个扫描周期滤波器的输入,用于第k+1个扫描周期目标的状态估计。
在本实施例中,步骤8包括:
(8a)利用第k个扫描周期的状态估计信息进行状态的一步预测:
其中,为第k+1个扫描周期的状态预测值,F(k)为状态转移矩阵;
(8b)由状态预测值得到量测预测值
其中,H(k+1)为量测矩阵;
(8c)由量测信息Z(k+1)和量测预测值计算新息v(k+1)为:
其中,Z(k+1)为第k+1次扫描获取的量测信息;
(8d)根据常滤波增益系数α(k+1)、β(k+1)得到α-β滤波的增益矩阵为:
(8e)根据新息v(k+1)和增益矩阵K(k+1),得到状态估计信息
X(k+1|k+1)=X(k+1|k)+K(k+1)v(k+1)。
步骤9:将第k+1个扫描周期滤波器的信息输入到下一个扫描周期,进行下一个周期的状态估计。
将第k+1个扫描周期的状态估计信息观测噪声的方差目标幅度信息A(k+1)作为下一个周期滤波器的输入,进入下个一个周期目标的状态估计。
实施例二
下面通过计算机仿真实验对本发明提供的基于幅度信息的α-β滤波方法进行说明。
一、仿真条件
设定雷达进行单目标跟踪,扫描周期总个数为100,扫描周期时间间隔为1s,目标起始坐标分别为x=1000m,y=2000m,x坐标和y坐标上的速度分别为200m/s、5m/s,前70个扫描周期为匀速直线运动,后30个扫描周期为x和y方位上加速度为10m/s2和-7m/s2的匀加速直线运动过程噪声方差为0.1m2,观测噪声是均值为0m,观测噪声径向距离的方差在[152,1502]区间内的随机变化,观测噪声角度的方差在[0.012,0.12]区间内随机变化,幅度在[1,10]区间随机变化,各扫描周期内观测噪声相互独立,状态转移矩阵和观测矩阵分别为:F=[1,T,0,0;0,1,0,0;0,0,1,T;0,0,0,1]、H1=[1,0,0,0;0,0,1,0]。
二、仿真内容
仿真1:在上述仿真条件下,用本发明估计的目标运动轨迹,并与传统α-β滤波方法、常系数α-β滤波算法、观测样本轨迹和真实轨迹对比。请参见图2,图2是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法、常系数α-β滤波以及观测轨迹、真实轨迹效果对比;从图2中可以看出本发明估计的轨迹接近真实轨迹,减少了观测噪声的影响。
仿真2:在进行200次蒙特卡洛试验后,对比本发明实现的滤波算法与传统α-β滤波算法、常系数α-β滤波算法在直角坐标系下X方向和Y方向上的均方根误差。请参见图3和图4,图3是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法以及常系数α-β滤波在每个扫描周期x方向上的测量误差图;图4是本发明实施例提供的雷达扫描周期总个数为100时,用本发明方法与传统α-β滤波方法以及常系数α-β滤波在每个扫描周期y方向上的测量误差图。从图3和图4中可以看出,在目标进行前70个扫描周期匀速运动和后30个扫描周期匀加速运动状态下,本发明方法进行目标状态估计得到的均方根误差均要小于传统α-β滤波方法、常系数α-β滤波方法,这说明本发明方法有更好的状态估计精度。
本实施例提供的基于幅度信息的α-β滤波方法,其实现方案是:1)在不同扫描周期,获取雷达信号处理得到的量测信息、幅度信息、状态噪声方差;2)由雷达系统参数获得观测噪声方差;3)将1)和2)获得的参数设置为滤波器的初始值;4)利用获得的幅度信息计算观测噪声的协方差比例系数,并计算滤波器增益系数α、β;5)根据获得的滤波器增益系数α、β进行状态估计;6)将状态估计得到的信息输入到下一扫描周期。主要解决了跟踪目标RCS起伏时,现有α-β对目标状态估计精度不足的问题,减少了观测噪声与观测噪声统计信息失配的情况,提高了α-β滤波器目标状态估计的准确率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种基于幅度信息的α-β滤波方法,其特征在于,包括以下步骤:
步骤1:获取雷达信号处理得到的参数信息,所述参数信息包括目标量测信息Z(k)、目标幅度信息A(k)以及过程噪声标准差σv(k),k表示扫描周期;其中,所述量测信息Z(k)包含位置分量b(k)和速度分量s(k);
步骤2:获取初始观测噪声方差
步骤3:在第1个扫描周期内,设置滤波器的初始值;
步骤4:在第k+1个扫描周期内,根据第k个扫描周期的目标幅度信息A(k)计算观测噪声协方差比例系数L(k+1);
步骤5:根据所述比例系数L(k+1)计算第k+1个扫描周期内观测噪声方差
步骤6:根据所述观测噪声方差计算第k+1个扫描周期内目标机动指数λ(k+1);
步骤7:根据所述目标机动指数λ(k+1),计算第k+1个扫描周期内常滤波增益系数α(k+1)、β(k+1);
步骤8:根据所述常滤波增益系数α(k+1)、β(k+1);计算第k+1个扫描周期的状态估计信息
步骤9:将第k+1个扫描周期滤波器的信息输入到下一个扫描周期,进行下一个周期的状态估计。
2.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤2中设置滤波器初始值包括:
(3a)根据第1个扫描周期获取的所述目标量测信息Z(1)得到状态估计信息
将第1个扫描周期的量测信息Z(1)表示为:
其中,b(1)是Z(1)的位置分量,s(1)是Z(1)的速度分量;
根据b(1)和s(1)得到第1个扫描周期的状态估计信息为:
其中,和分别表示状态估计信息的位置分量和速度分量;
(3b)根据步骤1获取的所述参数信息和步骤2获取的所述初始观测噪声方差设置第1个扫描周期的初始观测噪声方差初始状态过程噪声标准差σv(1)、幅度信息A(1)及所述状态估计信息
3.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤4中所述观测噪声协方差比例系数L(k+1)的计算公式为:
其中,A(k)为第k个扫描周期的目标幅度信息,A(k+1)为第k+1个扫描周期的目标幅度信息。
4.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤5包括:
(5a)在第k个扫描周期内,计算目标的检测信噪比SNRk为:
其中,A(k)为第k个扫描周期的目标点迹的幅度值,n2为接收机噪声功率;
(5b)在极坐标下,第k个扫描周期内的观测噪声方差的角度维和距离维分别用测角误差σθ(k)和测距误差σρ(k)表示,所述测角误差σθ(k)计算公式为:
其中,U1为常数,QBW为波束宽度,SNRk为第k个扫描周期目标点迹的检测信噪比;
所述测距误差σρ(k)表示为:
其中,U2为常数,D为雷达的距离分辨率;
(5c)根据(5a)和(5b)的公式计算第k个扫描周期内角度维观测噪声方差和距离维观测噪声方差分别为:
(5d)根据(5c)的结果计算第k+1个扫描周期的观测噪声方差
5.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤6中目标机动指数λ(k+1)的计算公式为:
其中,T为采样间隔,为第k+1个扫描周期内的过程噪声标准差。
6.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤7中常滤波增益系数α(k+1)、β(k+1)的计算公式分别为:
7.根据权利要求1所述的基于幅度信息的α-β滤波方法,其特征在于,步骤8包括:
(8a)利用第k个扫描周期的状态估计信息进行状态的一步预测:
其中,为第k+1个扫描周期的状态预测值,F(k)为状态转移矩阵;
(8b)由所述状态预测值得到量测预测值
其中,H(k+1)为量测矩阵;
(8c)由所述量测信息Z(k+1)和所述量测预测值计算新息v(k+1)为:
其中,Z(k+1)为第k+1次扫描获取的量测信息;
(8d)根据所述常滤波增益系数α(k+1)、β(k+1)得到α-β滤波的增益矩阵为:
(8e)根据所述新息v(k+1)和所述增益矩阵K(k+1),得到状态估计信息
X(k+1|k+1)=X(k+1|k)+K(k+1)v(k+1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546703.7A CN110441748A (zh) | 2019-06-24 | 2019-06-24 | 一种基于幅度信息的α-β滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910546703.7A CN110441748A (zh) | 2019-06-24 | 2019-06-24 | 一种基于幅度信息的α-β滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110441748A true CN110441748A (zh) | 2019-11-12 |
Family
ID=68428958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910546703.7A Pending CN110441748A (zh) | 2019-06-24 | 2019-06-24 | 一种基于幅度信息的α-β滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110441748A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805156A (zh) * | 2021-11-17 | 2021-12-17 | 成都远望探测技术有限公司 | 一种低信噪比的信号还原方法及系统 |
CN114964245A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机视觉侦察定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014085274A (ja) * | 2012-10-25 | 2014-05-12 | Furuno Electric Co Ltd | ゲイン設定方法、ゲイン設定プログラム、ゲイン設定装置、追尾処理装置、追尾処理方法、追尾処理プログラム、及びレーダ装置 |
CN104777478A (zh) * | 2015-04-16 | 2015-07-15 | 电子科技大学 | 一种相控阵雷达搜索捕获目标的方法 |
CN104849697A (zh) * | 2015-05-15 | 2015-08-19 | 重庆大学 | 一种基于去偏坐标转换的α-β滤波方法 |
CN108267731A (zh) * | 2018-02-01 | 2018-07-10 | 郑州轻工业学院 | 无人机目标跟踪系统的构建方法及应用 |
CN109802656A (zh) * | 2019-01-25 | 2019-05-24 | 西安电子科技大学 | 基于幅度信息的卡尔曼滤波方法 |
-
2019
- 2019-06-24 CN CN201910546703.7A patent/CN110441748A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014085274A (ja) * | 2012-10-25 | 2014-05-12 | Furuno Electric Co Ltd | ゲイン設定方法、ゲイン設定プログラム、ゲイン設定装置、追尾処理装置、追尾処理方法、追尾処理プログラム、及びレーダ装置 |
CN104777478A (zh) * | 2015-04-16 | 2015-07-15 | 电子科技大学 | 一种相控阵雷达搜索捕获目标的方法 |
CN104849697A (zh) * | 2015-05-15 | 2015-08-19 | 重庆大学 | 一种基于去偏坐标转换的α-β滤波方法 |
CN108267731A (zh) * | 2018-02-01 | 2018-07-10 | 郑州轻工业学院 | 无人机目标跟踪系统的构建方法及应用 |
CN109802656A (zh) * | 2019-01-25 | 2019-05-24 | 西安电子科技大学 | 基于幅度信息的卡尔曼滤波方法 |
Non-Patent Citations (1)
Title |
---|
李小毛 等: "α-β滤波在无人测量艇航向导航中的研究", 《仪器仪表学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113805156A (zh) * | 2021-11-17 | 2021-12-17 | 成都远望探测技术有限公司 | 一种低信噪比的信号还原方法及系统 |
CN113805156B (zh) * | 2021-11-17 | 2022-01-25 | 成都远望探测技术有限公司 | 一种低信噪比的信号还原方法及系统 |
CN114964245A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机视觉侦察定位方法 |
CN114964245B (zh) * | 2022-02-25 | 2023-08-11 | 珠海紫燕无人飞行器有限公司 | 一种无人机视觉侦察定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802656A (zh) | 基于幅度信息的卡尔曼滤波方法 | |
CN107167781B (zh) | 海杂波幅度对数正态分布参数的分位点估计方法 | |
CN104730537B (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
CN106526559B (zh) | 一种基于bcd-vsmm机动目标无源协同定位方法 | |
CN105487060B (zh) | 一种双通道四斜率调制的多目标提取方法 | |
CN107728138A (zh) | 一种基于当前统计模型的机动目标跟踪方法 | |
CN107907878A (zh) | 高精度获取fmcw雷达距离测量值的方法 | |
CN104166135A (zh) | 一种宽带雷达目标的原始点迹凝聚处理方法 | |
CN106569193B (zh) | 基于前-后向收益参考粒子滤波的海面小目标检测方法 | |
CN107255814A (zh) | 一种基于lfmsk波形的雷达目标检测方法 | |
CN109946694A (zh) | 基于随机有限集的圆周sar多目标跟踪方法 | |
CN105447574B (zh) | 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置 | |
CN110007299B (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN109143224A (zh) | 一种多目标关联方法和装置 | |
CN109632963A (zh) | 一种基于时不变特征信号构建的结构损伤四维成像方法 | |
CN108344982A (zh) | 基于长时间相参积累的小型无人机目标雷达检测方法 | |
CN110441748A (zh) | 一种基于幅度信息的α-β滤波方法 | |
CN106526549A (zh) | 联合两坐标雷达和三坐标雷达统计量的假目标鉴别方法 | |
CN109633599A (zh) | 一种机载预警雷达多目标跟踪方法 | |
CN112162244A (zh) | 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法 | |
CN111289964A (zh) | 一种基于径向速度的无偏量测转换的多普勒雷达目标运动状态估计方法 | |
CN105717491B (zh) | 天气雷达回波图像的预测方法及预测装置 | |
CN110231620A (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN107064893B (zh) | 基于对数矩的广义帕累托分布参数估计方法 | |
CN109856623B (zh) | 一种针对多雷达直线航迹线的目标状态估计方法 |
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 |