CN110988790B - 一种无源目标的定位方法及装置 - Google Patents

一种无源目标的定位方法及装置 Download PDF

Info

Publication number
CN110988790B
CN110988790B CN201911295315.2A CN201911295315A CN110988790B CN 110988790 B CN110988790 B CN 110988790B CN 201911295315 A CN201911295315 A CN 201911295315A CN 110988790 B CN110988790 B CN 110988790B
Authority
CN
China
Prior art keywords
passive target
state estimation
target
estimation
posterior
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
Application number
CN201911295315.2A
Other languages
English (en)
Other versions
CN110988790A (zh
Inventor
李良群
孙迎春
刘宗香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201911295315.2A priority Critical patent/CN110988790B/zh
Publication of CN110988790A publication Critical patent/CN110988790A/zh
Application granted granted Critical
Publication of CN110988790B publication Critical patent/CN110988790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种无源目标的定位方法及装置，该方法包括：获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角；根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息；根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计；当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。通过得到的后验状态估计得到无源目标的位置信息，提高了获取的无源目标的位置信息的准确性。

Description

一种无源目标的定位方法及装置
技术领域
本发明涉及目标跟踪领域，具体涉及一种无源目标的定位方法及装置。
背景技术
目标跟踪是利用观测到的数据对运动目标的状态进行预测，从而预测下一时刻目标的运动位置，以完成目标运动轨迹的跟踪，在军事和民用领域有着广泛的应用。在无源目标跟踪中，由于无源目标不可能主动发出位置信息，所以需要通过观测器来获得无源目标的位置信息。但观测器的观测精度有限，存在观测误差，使得通过观测器不能准确得到无源目标的位置信息。
发明内容
因此，本发明要解决的技术问题在于克服相关技术中不能准确得到无源目标的位置信息的问题，从而提供一种无源目标的定位方法及装置。
根据第一方面，本发明实施例提供了一种无源目标的定位方法，包括如下步骤：获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；获取多个观测点对所述无源目标观测的角度信息，所述角度信息包括所述无源目标的方位角和俯仰角；根据所述多个观测点对所述无源目标观测的角度信息，得到无源目标的估计位置信息；根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计；当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息。
根据第一方面，在第一方面第一实施方式中，所述当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息，包括：获取所述后验状态估计与所述先验状态估计的差对应的第一范数；获取所述先验状态估计对应的第二范数；当所述第一范数与所述第二范数的比值小于或等于预设值时，将所述后验状态估计作为所述无源目标的位置信息。
根据第一方面，在第一方面第二实施方式中，所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计之后，所述方法还包括：当所述后验状态估计不满足所述目标条件时，基于目标计算方法，对所述后验状态估计进行更新，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件；将所述更新后的后验状态估计作为所述无源目标的位置信息。
根据第一方面第二实施方式，在第一方面第三实施方式中，所述当所述后验状态估计不满足所述目标条件时，基于目标计算方法，根据当前所述后验状态估计，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件，包括：获取所述更新后的后验状态估计与前一个所述后验状态估计的差对应的第三范数；获取前一个所述后验状态估计对应的第四范数；当所述第三范数与所述第四范数的比值小于或等于预设值时，将所述更新后的后验状态估计作为所述无源目标的位置信息。
根据第一方面第二实施方式，在第一方面第四实施方式中，所述当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息之后，还包括：根据所述先验协方差估计，确定后验协方差估计；利用所述后验协方差估计确定先验协方差估计以及利用所述后验状态估计确定所述先验状态估计；重复所述获取所述无源目标的先验状态估计和先验协方差估计到所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计的步骤；当所述后验状态估计满足所述目标条件时，将所述后验状态估计作为所述无源目标的位置信息；当所述后验状态估计不满足所述目标条件时，重复所述基于目标计算方法，对所述后验状态估计进行更新，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件的步骤，将所述更新后的后验状态估计作为所述无源目标的位置信息。
根据第一方面，在第一方面第五实施方式中，所述获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定，包括：根据卡尔曼滤波一步预测方程，计算所述无源目标的先验状态估计和先验协方差估计。
根据第一方面，在第一方面第六实施方式中，所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计，包括：基于最大模糊交叉熵方法，根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计。
根据第二方面，本发明实施例还提供一种无源目标的定位装置，包括：第一获取模块，用于获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；第二获取模块，用于获取多个观测点对所述无源目标观测的角度信息，所述角度信息包括所述无源目标的方位角和俯仰角；估计位置信息确定模块，用于根据所述多个观测点对所述无源目标观测的角度信息，得到无源目标的估计位置信息；后验状态估计确定模块，用于根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计；位置信息确定模块，用于当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息。
根据第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一实施方式所述无源目标的定位方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面或第一方面任一实施方式所述无源目标的定位方法。
本发明技术方案，具有如下优点：
本发明实施例提供的无源目标的定位方法，通过获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定，获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角，根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息，根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计，当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。通过将无源目标的定位跟踪问题转化为对无源目标的状态估计问题，将得到的后验状态估计得到无源目标的位置信息，提高了获取的无源目标的位置信息的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中无源目标的定位方法的一个具体示例的流程图；
图2为本发明实施例中无源目标的定位装置的一个具体示例的框图；
图3为本发明实施例中电子设备的一个具体示例图；
图4为本发明实施例中基于角度信息的无源目标定位的一个具体示例图；
图5为本发明实施例中存在测量误差时无源目标估计位置的一个具体示例图；
图6为本发明实施例中过程噪声服从N(0,0.0012)分布，观测噪声服从 N(0,0.0012)分布对应的效果对比图；
图7为本发明实施例中过程噪声服从N(0,0.012)分布，观测噪声服从 N(0,0.0012)分布对应的效果对比图；
图8为本发明实施例中过程噪声服从N(0,0.012)分布，观测噪声服从 N(0,0.0052)分布对应的效果对比图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供了一种无源目标的定位方法，可应用于无源目标的纯方位定位与跟踪上，如图1所示，包括：
步骤S11：获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；
示例性地，该初始化的初始状态估计和初始协方差估计可以根据下式确定：
Figure RE-GDA0002393901590000071
P(0|0)＝0.01×diag(1,1,1)                (2)
其中，
Figure RE-GDA0002393901590000072
表示初始状态估计；P(0|0)表示初始协方差估计；N(0,0.01) 表示预设的初始噪声，将该初始噪声设置为服从均值为0，方差为0.01的高斯分布；diag()表示对向量构造一个对角矩阵。本申请实施例对初始状态估计和初始协方差估计不作限定，本领域技术人员可以根据使用场景和需求确定。为了便于描述本申请实施例记载的技术方案，本申请实施例中选择上式(1)和(2)作为初始化的初始状态估计和初始协方差估计。
根据上述初始状态估计
Figure RE-GDA0002393901590000073
和初始协方差估计P(0|0)可根据卡尔曼一步预测方程，计算得到先验状态估计
Figure RE-GDA0002393901590000074
和先验协方差估计 P(k|k-1)，具体可按照下式确定：
Figure RE-GDA0002393901590000075
P(k|k-1)＝F(k-1)P(k-1|k-1)FT(k-1)+Q(k-1)                (4)
式中，
Figure RE-GDA0002393901590000076
表示无源目标的先验状态估计，P(k|k-1)表示无源目标的先验协方差估计,F为状态转移矩阵，该状态转移矩阵根据无源目标的动态系统状态方程确定；FT为状态转移矩阵的转置；Q为无源目标对应的过程噪声的协方差矩阵，该过程噪声表征无源目标自身运动产生的误差。该无源目标对应的过程噪声的协方差矩阵Q可由下式得到：
E[q(k-1)qT(k-1)]＝Q(k-1)
式中，q(k-1)表示过程噪声。
当k取值为1时，则先验状态估计
Figure RE-GDA0002393901590000081
为
Figure RE-GDA0002393901590000082
和先验协方差估计 P(k|k-1)为P(1|0)，则
Figure RE-GDA0002393901590000083
和P(1|0)可按照下式计算：
Figure RE-GDA0002393901590000084
P(1|0)＝F(0)P(0|0)FT(0)+Q(0)            (6)
式中：
Figure RE-GDA0002393901590000085
可根据上式(1)得到；P(0|0)可根据上式(2)得到。
步骤S12：获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角。
示例性地，图4为在空间直角坐标系下基于角度信息的无源目标定位示意图，S1、S2为观测点，A为无源目标，无源目标A的位置信息为 A(xT,yT,zT)，对于观测点S1(x1,y1,z1)来说，观测点S1观测到的方位角为θ1和俯仰角为
Figure RE-GDA0002393901590000086
对于观测点S2(x2,y2,z2)来说，观测点S2观测到的方位角为θ2和俯仰角为
Figure RE-GDA0002393901590000087
观测点对应的方位角和俯仰角可以使用任意观测设备得到，本申请不作限定。观测点的数量可以为2个、3个等，本发明实施例对观测点的数量不作限定，本申请实施例观测点的数量为2个。
步骤S13：根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息。
示例性地，每个观测点对应的角度信息
Figure RE-GDA0002393901590000091
可以确定一条空间的定位线Li，n个观测点就有n条定位线。在测量误差为零的情况下，n条定位线交于一点，可以将该点作为无源目标的位置。然而，观测设备在实际测量过程中由于设备精确度有限，存在测量误差，导致n条定位线并不会交于一点，继而不能准确得到无源目标的位置信息，因此，可以先根据得到的角度信息得到无源目标的估计位置。
本申请实施例中，将与n条定位线距离平方和最短的点作为无源目标的估计位置，与n条定位线距离平方和最短的点可以利用最小二乘交叉定位方法得到：
设Li为由观测点Si得到的定位线，A(xT,yT,zT)为无源目标的位置信息，如图5所示，A1(x10,y10,z10)表示无源目标到定位线Li的垂足，Ai(xi0,yi0,zi0)表示无源目标到定位线Li的垂足，则定位线Li的计算公式为：
Figure RE-GDA0002393901590000092
其中，(xi,yi,zi)任一观测点坐标；(li,mi,ni)表示定位线Li的方向余弦，且
Figure RE-GDA0002393901590000093
(9)
(10)
无源目标相对于n条定位线Li的距离平方和为：
Figure RE-GDA0002393901590000101
式中，
Figure RE-GDA0002393901590000102
令
Figure RE-GDA0002393901590000103
可得：
Figure RE-GDA0002393901590000104
则上式中无源目标位置(xT,yT,zT)对应的无源目标的估计位置
Figure RE-GDA0002393901590000105
如下：
Figure RE-GDA0002393901590000106
式中，D＝LMN+2TRS-S2M-R2L-T2N，
Figure RE-GDA0002393901590000111
Figure RE-GDA0002393901590000112
Figure RE-GDA0002393901590000113
Figure RE-GDA0002393901590000114
估计误差的方差为：
Figure RE-GDA0002393901590000115
Figure RE-GDA0002393901590000116
Figure RE-GDA0002393901590000117
Figure RE-GDA0002393901590000118
式中，σdj表示第j条定位线的距离标准差，可由已知的第j条定位线的角度测量误差σj导出，即σdj＝rjσj，
Figure RE-GDA0002393901590000119
步骤S14：根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计。
示例性地，根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计，具体如下：
Figure RE-GDA0002393901590000121
Figure RE-GDA0002393901590000122
Figure RE-GDA0002393901590000123
Figure RE-GDA0002393901590000124
Figure RE-GDA0002393901590000125
Figure RE-GDA0002393901590000126
Figure RE-GDA0002393901590000127
Figure RE-GDA0002393901590000128
式中，
Figure RE-GDA0002393901590000129
表示无源目标的后验状态估计，t表示迭代次数，y(k)表示k时刻得到的无源目标的估计位置信息，H(k)表示估计位置对应的状态转移矩阵，HT(k)表示估计位置对应的状态转移矩阵的转置，Bp(k|k-1)、Br(k) 如下式(35)所示，
Figure RE-GDA00023939015900001210
表示第i维的核宽，
Figure RE-GDA00023939015900001211
为第i维的误差，σ为预设的核宽，该预设核宽可以设置为3，本发明实施例对预设核宽不做限定，本领域技术人员可以根据实际情况设定。
步骤S15：当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。
示例性地，本发明实施例中的目标条件可以是后验状态估计范数在目标范围内，本申请实施例对该目标范围不作限定，本领域技术人员可以根据实际需求确定；该目标条件也可以根据下式确定：
Figure RE-GDA00023939015900001212
  (23)
其中，
Figure RE-GDA0002393901590000131
表示后验状态估计与前一个后验状态估计的差对应的第一范数，
Figure RE-GDA0002393901590000132
表示前一个后验状态估计对应的第二范数。
本发明实施例提供的无源目标的定位方法，通过获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定，获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角，根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息，根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计，当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。通过将无源目标的定位跟踪问题转化为对无源目标的状态估计问题，将得到的后验状态估计得到无源目标的位置信息，提高了获取的无源目标的位置信息的准确性。
作为本申请一个可选实施方式，步骤S15包括：
首先，获取后验状态估计与先验状态估计的差对应的第一范数。具体参见上式(23)得到。
其次，获取先验状态估计对应的第二范数。具体参见上式(23)得到。
示例性地，本发明实施例中将该先验状态估计的值作为式(23)中的前一个后验状态的估计进行计算比较。
再次，当第一范数与第二范数的比值小于或等于预设值时，将后验状态估计作为无源目标的位置信息。
示例性地，本发明实施例中预设值ε可以为0.00001，本发明实施例对ε的值不做具体限定，本领域技术人员可以根据实际情况设定。
作为本申请一个可选实施方式，步骤S15之后，该方法还包括：
首先，当后验状态估计不满足目标条件时，基于目标计算方法，对后验状态估计进行更新，得到更新后的后验状态估计，直至更新后的后验状态估计满足目标条件。
其次，将更新后的后验状态估计作为无源目标的位置信息。
示例性地，在本发明实施例中，利用本次后验状态估计更新前一次后验状态估计，返回步骤S14重新计算后验状态估计，得到更新后的后验状态估计，直到更新后的后验状态估计满足目标条件，将更新后的后验状态估计作为无源目标的位置信息，得到的无源目标位置信息更准确。
作为本申请一个可选实施方式，当后验状态估计不满足目标条件时，基于目标计算方法，对后验状态估计进行更新，得到更新后的后验状态估计，直至更新后的后验状态估计满足目标条件包括：
获取更新后的后验状态估计与前一个后验状态估计的差对应的第三范数。具体参见上式(23)得到。
获取前一个后验状态估计对应的第四范数。具体参见上式(23)得到。
当第三范数与第四范数的比值小于或等于预设值时，将更新后的后验状态估计作为无源目标的位置信息。具体参见上述当第一范数与第二范数的比值小于或等于预设值时，将后验状态估计作为无源目标的位置信息的描述，在此不再赘述。
作为本申请一个可选实施方式，步骤S15之后还包括：
首先，根据先验协方差估计，确定后验协方差估计。
示例性地，根据先验协方差估计，确定后验协方差估计的方式可通过下式所示：
Figure RE-GDA0002393901590000151
式中，
Figure RE-GDA0002393901590000152
为后验协方差估计，I表示一个n×n的单位矩阵，
Figure RE-GDA0002393901590000153
的计算见上述式(16)，H表示估计位置对应的状态转移矩阵,P(k|k-1)表示无源目标的先验协方差估计,
Figure RE-GDA0002393901590000154
表示
Figure RE-GDA0002393901590000155
的转置，
Figure RE-GDA0002393901590000156
表示测量噪声r(k)的协方差矩阵。
其次，利用后验协方差估计确定先验协方差估计以及利用后验状态估计确定先验状态估计。
再次，重复获取无源目标的先验状态估计和先验协方差估计到根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计的步骤。
然后，当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息；
最后，当后验状态估计不满足目标条件时，重复基于目标计算方法，对后验状态估计进行更新，得到更新后的后验状态估计，直至更新后的后验状态估计满足目标条件的步骤，将更新后的后验状态估计作为无源目标的位置信息。
示例性地，利用后验协方差估计确定先验协方差估计，后验状态估计确定先验状态估计，返回步骤S14重新计算后验状态估计和后验协方差估计，执行后面的步骤，不断确定无源目标的位置，完成对无源目标的跟踪。
作为本申请一个可选实施方式，步骤S14包括：
基于最大模糊交叉熵方法，根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计。
示例性地，在本发明实施例中，根据模糊信息理论，构建模糊交叉熵，利用最大模糊交叉熵准则进行优化得到上述式(15)和(24)，具体推导过程如下：
交叉熵是两个随机变量之间的广义相似性度量，定义如下：
V(X,Y)＝E[κ(X,Y)]＝∫κ(x,y)dFXY(x,y)             (25)
其中，X,Y∈R是实数域R的两个随机变量，FXY(x,y)是这两个变量的联合分布函数，E是数学期望，κ(a,b)是一个具有平移不变性的Mercer核函数。
本发明实施例所用的核函数可以为高斯核函数，如下式所示：
Figure RE-GDA0002393901590000171
其中，e＝x-y，σ>0是核宽度。
在实际情况中，通常只能得到一组有限的数据而不知道他们的联合分布FXY。为此，采用样本均值来估计交叉熵：
Figure RE-GDA0002393901590000172
其中，
Figure RE-GDA0002393901590000173
为估计交叉熵；e(i)＝x(i)-y(i)，
Figure RE-GDA0002393901590000174
是从FXY中抽取的N个样本。
从交叉熵的定义可以看出，其对于所有样本都具有相同的权值1/N。而在实际情况中，不同样本对于状态估计的作用应该是不尽相同的，也就是说，不同的样本应该具有不同的权值。对此，基于模糊信息处理理论，得到如下模糊交叉熵：
Figure RE-GDA0002393901590000175
其中，a为加权指数，μi表示变量x(i)和y(i)之间的模糊隶属度，且满足如下条件：
Figure RE-GDA0002393901590000176
从式(28)可以看出，当a等于0时，模糊交叉熵即为普通交叉熵。
考虑一个线性系统，状态方程和测量方程如下：
x(k)＝F(k-1)x(k-1)+q(k-1)               (30)
y(k)＝H(k)x(k)+r(k)                   (31)
其中，x(k)是k时刻的n维状态向量，y(k)是k时刻的m维测量向量，F 和H分别代表状态转移矩阵和测量矩阵，过程噪声q(k-1)和测量噪声r(k)的均值为零，协方差矩阵分别为：
E[q(k-1)qT(k-1)]＝Q(k-1),E[r(k)rT(k)]＝R(k)        (32)
根据上述线性系统可得：
Figure RE-GDA0002393901590000181
其中，I是一个n×n的单位矩阵，
Figure RE-GDA0002393901590000182
其协方差为
Figure RE-GDA0002393901590000183
B(k)可通过Cholesky分解获得。
将式(33)两端同时乘以B-1(k)得
D(k)＝W(k)x(k)+e(k)                   (36)
其中，
Figure RE-GDA0002393901590000191
e(k)＝B-1(k)v(k)。
基于最大模糊交叉熵准则构造如下目标函数：
Figure RE-GDA0002393901590000192
其中，a∈[1,∞]为加权指数，一般设为a＝2，μik∈[0,1]为k时刻第i维的模糊隶属度，ei(k)＝di(k)-wi(k)x(k)，ei(k)是e(k)的第i个元素，di(k)是D(k)的第i个元素，wi(k)是W(k)的第i行元素。
则最优解为
Figure RE-GDA0002393901590000193
上述极值的约束条件为
Figure RE-GDA0002393901590000194
可以用拉格朗日乘数法来求解：
Figure RE-GDA0002393901590000195
最优化的一阶必要条件为：
Figure RE-GDA0002393901590000196
Figure RE-GDA0002393901590000197
由式(41)得：
Figure RE-GDA0002393901590000198
将式(42)代入式(40)得：
Figure RE-GDA0002393901590000201
Figure RE-GDA0002393901590000202
将式(44)代入式(42)得：
Figure RE-GDA0002393901590000203
用类似的方法可以得到x(k)的值。
令
Figure RE-GDA0002393901590000204
得
Figure RE-GDA0002393901590000205
由于ei(k)＝di(k)-wi(k)x(k)，故最优解x(k)是一个定点方程，可以写为 x(k)＝f(x(k))
(48)
其中，
Figure RE-GDA0002393901590000211
因此可以应用定点迭代算法进行求解：
Figure RE-GDA0002393901590000212
其中，
Figure RE-GDA0002393901590000213
代表t次定点迭代时的解。
此时，定点方程(49)可以转化为矩阵形式
x(k)＝(WT(k)U(k)W(k))-1WT(k)U(k)D(k)           (51)
其中，
Figure RE-GDA0002393901590000214
Figure RE-GDA0002393901590000215
式(51)可以转化为：
Figure RE-GDA0002393901590000216
其中
Figure RE-GDA0002393901590000217
从而可以得到后验协方差更新公式：
Figure RE-GDA0002393901590000218
为了检验本发明方法的效果，在相同的仿真条件下，对交互多模型扩展卡尔曼滤波(IMMEKF)、交互多模型无迹卡尔曼滤波(IMMUKF)、最大交叉熵卡尔曼滤波(MCKF)和最大模糊交叉熵卡尔曼滤波(MFC-KF)算法进行多次蒙特卡洛实验进行对比分析，结果如图6、图7和图8所示，纵坐标表示利用不同位置信息确定方法得到的无源目标的位置信息的误差值RMSE，根据图6-图7可以看出本申请的最大模糊交叉熵卡尔曼滤波(MFC-KF) 算法的估计性能在测量噪声一定时，低过程噪声情况下要明显好于上述其他算法；根据图8可以看出本申请的最大模糊交叉熵卡尔曼滤波(MFC-KF) 算法的估计性能在过程噪声一定时，低测量噪声情况下要明显好于上述其他算法。
实施例2
本发明实施例还提供了一种无源目标的定位装置，如图2所示，包括：
第一获取模块21，用于获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；具体实现方式见实施例1中步骤S11，在此不再赘述。
第二获取模块22，用于获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角；具体实现方式见实施例1中步骤S12，在此不再赘述。
估计位置信息确定模块23，用于根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息；具体实现方式见实施例1中步骤S13，在此不再赘述。
后验状态估计确定模块24，用于根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计；具体实现方式见实施例1中步骤S14，在此不再赘述。
位置信息确定模块25，用于当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。具体实现方式见实施例1中步骤S15，在此不再赘述。
本发明提供的一种无源目标的定位装置，通过获取无源目标的先验状态估计和先验协方差估计，无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定，获取多个观测点对无源目标观测的角度信息，角度信息包括无源目标的方位角和俯仰角，根据多个观测点对无源目标观测的角度信息，得到无源目标的估计位置信息，根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计，当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息。通过将无源目标的定位跟踪问题转化为对无源目标的状态估计问题，将得到的后验状态估计得到无源目标的位置信息，提高了获取的无源目标的位置信息的准确性。
作为本申请一个可选实施方式，位置信息确定模块23包括：
第三获取模块，用于获取后验状态估计与先验状态估计的差对应的第一范数；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第四获取模块，用于获取先验状态估计对应的第二范数；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第一位置信息确定子模块，用于当第一范数与第二范数的比值小于或等于预设值时，将后验状态估计作为无源目标的位置信息。具体实现方式见实施例1中对应的步骤，在此不再赘述。
作为本申请一个可选实施方式，估计位置信息确定模块包括：
更新计算模块，用于当后验状态估计不满足目标条件时，基于目标计算方法，对后验状态估计进行更新，得到更新后的后验状态估计，直至更新后的后验状态估计满足目标条件；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第二位置信息确定子模块，用于将更新后的后验状态估计作为无源目标的位置信息。具体实现方式见实施例1中对应的步骤，在此不再赘述。
作为本申请一个可选实施方式，更新计算模块包括：
第五获取模块，用于获取更新后的后验状态估计与前一个后验状态估计的差对应的第三范数；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第六获取模块，用于获取前一个后验状态估计对应的第四范数；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第三位置信息确定子模块，用于当第三范数与第四范数的比值小于或等于预设值时，将更新后的后验状态估计作为无源目标的位置信息。具体实现方式见实施例1中对应的步骤，在此不再赘述。
作为本申请一个可选实施方式，定位模块26还包括：
后验协方差估计确定模块，用于根据先验协方差估计，确定后验协方差估计；具体实现方式见实施例1中对应的步骤，在此不再赘述。
确定模块，用于利用后验协方差估计确定先验协方差估计以及利用后验状态估计确定先验状态估计；具体实现方式见实施例1中对应的步骤，在此不再赘述。
重复模块，用于重复获取无源目标的先验状态估计和先验协方差估计到根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计的步骤；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第四位置信息确定子模块，用于当后验状态估计满足目标条件时，将后验状态估计作为无源目标的位置信息；具体实现方式见实施例1中对应的步骤，在此不再赘述。
第五位置信息确定子模块，用于当后验状态估计不满足目标条件时，重复基于目标计算方法，对后验状态估计进行更新，得到更新后的后验状态估计，直至更新后的后验状态估计满足目标条件的步骤，将更新后的后验状态估计作为无源目标的位置信息。具体实现方式见实施例1中对应的步骤，在此不再赘述。
作为本申请一个可选实施方式，第一获取模块21包括：
计算模块，用于根据卡尔曼滤波一步预测方程，计算无源目标的先验状态估计和先验协方差估计。具体实现方式见实施例1中对应的步骤，在此不再赘述。
作为本申请一个可选实施方式，后验状态估计确定模块24包括：
后验状态估计确定子模块，用于基于最大模糊交叉熵方法，根据无源目标的先验状态估计、先验协方差估计以及无源目标的估计位置信息，得到后验状态估计。具体实现方式见实施例1中对应的步骤，在此不再赘述。
实施例3
本发明实施例还提供了一种电子设备，如图3所示，该电子设备可以包括处理器31和存储器32，其中处理器31和存储器32可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array， FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的无源目标的定位方法对应的程序指令/模块(例如，图2所示的第一获取模块21、第二获取模块22、估计位置信息确定模块23、后验状态估计确定模块24 和位置信息确定模块25)。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的无源目标的定位方法。
存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器 31所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31 远程设置的存储器，这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器32中，当被所述处理器31 执行时，执行如图2所示实施例中的无源目标的定位方法。
上述电子设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
实施例4
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的无源目标的定位的方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种无源目标的定位方法，其特征在于，包括如下步骤：
获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；
获取多个观测点对所述无源目标观测的角度信息，所述角度信息包括所述无源目标的方位角和俯仰角；
根据所述多个观测点对所述无源目标观测的角度信息，得到无源目标的估计位置信息；
根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计；
当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息；所述当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息，包括：
获取所述后验状态估计与所述先验状态估计的差对应的第一范数；
获取所述先验状态估计对应的第二范数；
当所述第一范数与所述第二范数的比值小于或等于预设值时，将所述后验状态估计作为所述无源目标的位置信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计之后，所述方法还包括：
当所述后验状态估计不满足所述目标条件时，基于目标计算方法，对所述后验状态估计进行更新，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件；
将所述更新后的后验状态估计作为所述无源目标的位置信息。
3.根据权利要求2所述的方法，其特征在于，所述当所述后验状态估计不满足所述目标条件时，基于目标计算方法，根据当前所述后验状态估计，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件，包括：
获取所述更新后的后验状态估计与前一个所述后验状态估计的差对应的第三范数；
获取前一个所述后验状态估计对应的第四范数；
当所述第三范数与所述第四范数的比值小于或等于预设值时，将所述更新后的后验状态估计作为所述无源目标的位置信息。
4.根据权利要求2所述的方法，其特征在于，所述当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息之后，还包括：
根据所述先验协方差估计，确定后验协方差估计；
利用所述后验协方差估计确定先验协方差估计以及利用所述后验状态估计确定所述先验状态估计；
重复所述获取所述无源目标的先验状态估计和先验协方差估计到所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计的步骤；
当所述后验状态估计满足所述目标条件时，将所述后验状态估计作为所述无源目标的位置信息；
当所述后验状态估计不满足所述目标条件时，重复所述基于目标计算方法，对所述后验状态估计进行更新，得到更新后的后验状态估计，直至所述更新后的后验状态估计满足所述目标条件的步骤，将所述更新后的后验状态估计作为所述无源目标的位置信息。
5.根据权利要求1所述的方法，其特征在于，所述获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定，包括：
根据卡尔曼滤波一步预测方程，计算所述无源目标的先验状态估计和先验协方差估计。
6.根据权利要求1所述的方法，其特征在于，所述根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计，包括：
基于最大模糊交叉熵方法，根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计。
7.一种无源目标的定位装置，其特征在于，包括：
第一获取模块，用于获取所述无源目标的先验状态估计和先验协方差估计，所述无源目标的先验状态估计和先验协方差估计根据预设的初始化的初始状态估计和初始协方差估计确定；
第二获取模块，用于获取多个观测点对所述无源目标观测的角度信息，所述角度信息包括所述无源目标的方位角和俯仰角；
估计位置信息确定模块，用于根据所述多个观测点对所述无源目标观测的角度信息，得到无源目标的估计位置信息；
后验状态估计确定模块，用于根据所述无源目标的先验状态估计、所述先验协方差估计以及所述无源目标的估计位置信息，得到后验状态估计；
位置信息确定模块，用于当所述后验状态估计满足目标条件时，将所述后验状态估计作为所述无源目标的位置信息；
位置信息确定模块包括：
第三获取模块，用于获取后验状态估计与先验状态估计的差对应的第一范数；
第四获取模块，用于获取先验状态估计对应的第二范数；
第一位置信息确定子模块，用于当第一范数与第二范数的比值小于或等于预设值时，将后验状态估计作为无源目标的位置信息。
8.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1至6任一项所述无源目标的定位方法。
9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1至6任一项所述无源目标的定位方法。
CN201911295315.2A 2019-12-16 2019-12-16 一种无源目标的定位方法及装置 Active CN110988790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911295315.2A CN110988790B (zh) 2019-12-16 2019-12-16 一种无源目标的定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911295315.2A CN110988790B (zh) 2019-12-16 2019-12-16 一种无源目标的定位方法及装置

Publications (2)

Publication Number Publication Date
CN110988790A CN110988790A (zh) 2020-04-10
CN110988790B true CN110988790B (zh) 2023-04-11

Family

ID=70094216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911295315.2A Active CN110988790B (zh) 2019-12-16 2019-12-16 一种无源目标的定位方法及装置

Country Status (1)

Country Link
CN (1) CN110988790B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2645712C1 (ru) * 2016-11-08 2018-02-28 Акционерное общество "Всероссийский научно-исследовательский институт "Градиент" Способ пассивной радиолокации движущегося источника радиоизлучения
CN108763167A (zh) * 2018-05-07 2018-11-06 西北工业大学 一种变分贝叶斯的自适应滤波方法
CN108761399A (zh) * 2018-06-01 2018-11-06 中国人民解放军战略支援部队信息工程大学 一种无源雷达目标定位方法与装置
CN109117965A (zh) * 2017-06-22 2019-01-01 长城汽车股份有限公司 基于卡尔曼滤波器的系统状态预测装置和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2645712C1 (ru) * 2016-11-08 2018-02-28 Акционерное общество "Всероссийский научно-исследовательский институт "Градиент" Способ пассивной радиолокации движущегося источника радиоизлучения
CN109117965A (zh) * 2017-06-22 2019-01-01 长城汽车股份有限公司 基于卡尔曼滤波器的系统状态预测装置和方法
CN108763167A (zh) * 2018-05-07 2018-11-06 西北工业大学 一种变分贝叶斯的自适应滤波方法
CN108761399A (zh) * 2018-06-01 2018-11-06 中国人民解放军战略支援部队信息工程大学 一种无源雷达目标定位方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
无源定位与跟踪相关技术研究;杨军玲;《中国优秀硕士学位论文全文数据库信息科技辑》;20170315(第3期);27-35 *
杨军玲.无源定位与跟踪相关技术研究.《中国优秀硕士学位论文全文数据库信息科技辑》.2017,(第3期),27-35. *

Also Published As

Publication number Publication date
CN110988790A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
Kulikov et al. Accurate continuous–discrete unscented Kalman filtering for estimation of nonlinear continuous-time stochastic models in radar tracking
Gultekin et al. Nonlinear Kalman filtering with divergence minimization
CN111178385A (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
US20170350956A1 (en) System and method for multi-sensor multi-target 3d fusion using an unbiased measurement space
CN112115419A (zh) 系统状态估计方法、系统状态估计装置
Yang et al. Linear-time joint probabilistic data association for multiple extended object tracking
Mahboub Variance component estimation in errors-in-variables models and a rigorous total least-squares approach
CN111982124B (zh) 基于深度学习的玻璃场景下三维激光雷达导航方法及设备
Jia et al. A novel robust Student’s t-based Gaussian approximate filter with one-step randomly delayed measurements
CN113406623A (zh) 基于雷达高分辨距离像的目标识别方法、装置及介质
Zhao et al. L1-norm constraint kernel adaptive filtering framework for precise and robust indoor localization under the internet of things
Raitoharju et al. Partitioned update Kalman filter
CN113189541B (zh) 一种定位方法、装置及设备
CN110988790B (zh) 一种无源目标的定位方法及装置
US9733341B1 (en) System and method for covariance fidelity assessment
Wang et al. Synthetic aperture radar image segmentation using fuzzy label field‐based triplet Markov fields model
CN113640791B (zh) 一种基于距离和瞬时速度的空间目标三维姿态重构方法
CN107886058B (zh) 噪声相关的两阶段容积Kalman滤波估计方法及系统
Malinowski et al. Study of the effectiveness of different Kalman filtering methods and smoothers in object tracking based on simulation tests
Yun et al. Variational Bayesian based adaptive PDA filter in scenarios with unknown detection probability and heavy-tailed process noise
CN113357138A (zh) 液压泵剩余使用寿命预测方法、装置及终端设备
Dutordoir et al. Deep Gaussian process metamodeling of sequentially sampled non-stationary response surfaces
CN112990256A (zh) 多传感器噪声计算方法及信息融合方法、存储介质及设备
Mori et al. Comparison of bias removal algorithms in track-to-track association
WO2018198298A1 (ja) パラメータ推定装置、パラメータ推定方法、及びコンピュータ読み取り可能な記録媒体

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