CN111007495A - 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 - Google Patents
一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 Download PDFInfo
- Publication number
- CN111007495A CN111007495A CN201911259544.9A CN201911259544A CN111007495A CN 111007495 A CN111007495 A CN 111007495A CN 201911259544 A CN201911259544 A CN 201911259544A CN 111007495 A CN111007495 A CN 111007495A
- Authority
- CN
- China
- Prior art keywords
- target
- moment
- time
- measurement
- vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 103
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 20
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 67
- 230000004927 fusion Effects 0.000 claims description 11
- 241000218645 Cedrus Species 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000000342 Monte Carlo simulation Methods 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 238000002592 echocardiography Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 102000050111 human SERPINA9 Human genes 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明属于雷达技术领域,具体涉及一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法,包括:(1)该算法以最大熵模糊聚类方法为基础,采用卡尔曼滤波器进行状态预测和更新,扫描跟踪时按照椭圆波门规则对k+1时刻得到的目标点迹集合进行初步筛选;(2)将以波门中心为聚类中心的量测隶属度和以有效量测数据为聚类中心的波门隶属度对应位置相乘,得出各有效量测和所有波门中心之间双向的隶属度;(3)通过分析杂波分布并结合双向隶属度从而得出最终关联概率,再按照标准的JPDA算法滤波程序得出目标的状态估计和估计误差协方差,最后迭代出目标的跟踪航迹信息。具有跟踪精度高,避免了复杂的关联矩阵拆分问题。
Description
技术领域
本发明属于雷达技术领域,具体涉及一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法。
背景技术
现阶段,随着各种新体制雷达的不断涌现,多目标跟踪领域可以利用的特性也越来越多元化。其中,数据关联技术依旧是多目标跟踪领域的关键,它是在目标和其量测之间按照特定的数据关联算法建立起一种映射关系,相当于用它来判断目标具体与某个量测进行关联。因此,数据关联的好坏极大程度的影响着目标跟踪的性能。复杂背景环境下的数据关联研究依然是多目标跟踪领域需要不断延伸拓展的方向之一。
典型的数据关联目标跟踪算法有最近邻域(nearest neighborhood,NN)、概率数据关联(probability data association,PDA)、联合概率数据关联(joint probabilitydata association,JPDA),以及多假设跟踪(multiple hypothesis tracking,MHT)。
在多目标跟踪系统中,联合概率数据关联算法由于考虑了所有回波对目标航迹更新产生的影响,当目标跟踪波门内有效回波数量较小时,跟踪效果优异,但当出现跟踪目标数量增多、关联波门内回波数量较多或航迹交叉导致的波门叠加的情况时,全局考虑回波对各航迹更新的影响会导致JPDA算法生成的关联矩阵过于庞大,随后对关联矩阵的拆分将会引起关联算法计算量指数级的增长,JPDA作为最优目标关联算法全面考虑计算跟踪过程中的有效回波,在确保精度最优的条件下,不考虑关联矩阵维度增加导致的计算量爆炸,从而导致该最优情况无法应用于现阶段目标跟踪过程中,因此,在不严重影响目标跟踪精度的情况下,如何更快的完成关联概率计算是长久以来研究的重难点问题。
针对上述问题,出现了各种各样不同类型的改进方法。主要是研究解决多目标跟踪系统中目标波门重叠的问题,其中,重叠波门内量测数据对各自目标航迹更新都产生严重影响,特别是多目标之间存在小角度交叉会在近距离平行运动时,相邻目标之间的公共回波会导致更新的航迹向公共回波方向偏移,从而容易导致目标航迹合并或交叉。已有的JPDA算法和快速JPDA算法对各目标独立波门内量测数据赋予较大权值,公共波门内的量测数据赋予较小权值,抑制目标航迹向公共波门方向靠拢,从而得到较好的跟踪效果。本方法通过利用最大熵模糊理论衍生的聚类算法,在传统的JPDA模糊聚类改进的基础上,针对以预测波门中心聚类后,公共波门内量测数据的权值确定问题,跳出已有文献对该权值的各种各样优化改进机制,从全局鸟瞰整个JPDA数据关联问题,沿用以避免关联矩阵拆分来解决计算量爆炸的思路,利用最大熵模糊聚类理论产生以量测数据模糊关联矩阵,将各自关联波门内的量测数据进行划分确定权值,随后,将公共波门内量测数据的关联权值确定问题再次转化为聚类问题,将公共波门内的量测数据作为聚类中心,把预测波门中心按照聚类理论划分并确定权值,从而解决公共波门内量测数据关联权值问题。通过双重融合模糊聚类不仅避免了复杂的关联矩阵拆分问题,而且巧妙的解决了公共波门内来量测数据与目标之间复杂的隶属关系,从而在极大的提升多目标跟踪数据关联速度的基础上,跟踪精度也取得了较为理想的结果。
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双重融合最大熵模糊聚类JPDA的目标航迹优化方法。本发明要解决的技术问题通过以下技术方案实现:
基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法,包括:
步骤1、设定雷达跟踪系统的状态方程和雷达跟踪系统的量测方程为:
其中,为k+1时刻目标t(t∈1,2,3…,N)雷达跟踪系统的状态向量,Fk为雷达跟踪系统的状态转移矩阵,为k时刻目标t雷达跟踪系统的状态向量,Gk为目标t系统噪声转移矩阵,为k时刻目标t的系统噪声序列,其协方差矩阵为Qk;
并将初始时刻雷达接收的各目标真实点迹设为航迹初始点,目标初始状态可以表示为:
为初始时刻目标t二维直角坐标系下X方向的位置,为初始时刻目标t二维直角坐标系下目标Y方向的位置,为初始时刻目标t二维直角坐标系下的X方向的速度,为初始时刻目标t二维直角坐标系下t的Y方向速度,[·]T为矩阵的转置;
步骤3、根据所述卡尔曼滤波器的初始状态估计向量和所述初始估计误差协方差矩阵采用迭代算法计算出k+1(k=0,1,2…n,n∈N)时刻目标t的状态估计向量k+1时刻目标t的估计误差协方差矩阵k+1时刻目标t的预测向量k+1时刻目标t的新息协方差矩和k+1时刻目标t的卡尔曼增益
步骤4、获取所述k+1时刻目标t被雷达扫描得到的量测点集合将所述k+1时刻目标t的预测向量的位置作为跟踪波门中心,选取跟踪波门门限值,对所述k+1时刻目标t的量测点集合进行初步筛选得到所述k+1时刻目标t的候选量测点;
当所述k+1时刻目标t的候选测量点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新。
在本发明的一个实施例中,所述雷达跟踪系统的状态转移矩阵Fk表达式为:
其中,T为间隔采样。
在本发明的一个实施例中,所述雷达跟踪系统的量测系统Hk的表达式为:
其中,为0时刻目标t雷达跟踪系统的状态向量,为0时刻目标t雷达跟踪系统的量测向量,F0为雷达跟踪系统的初始状态转移矩阵,为0时刻目标t的x位置系统噪声方差,为0时刻目标t的x速度系统噪声方差,为0时刻目标t的y位置系统噪声方差,为0时刻目标t的y速度系统噪声方差,Q0为初始时刻的系统噪声序列的协方差。
在本发明的一个实施例中,所述迭代算法计算所述k+1时刻目标t的状态估计向量所述k+1时刻目标t的估计误差协方差矩阵所述k+1时刻目标t的预测向量所述k+1时刻目标t的新息协方差矩和所述k+1时刻目标t的卡尔曼增益的表达式为:
其中,为k+1时刻目标t的状态估计向量,为k+1时刻目标t的估计误差协方差矩阵,为k+1时刻目标t的量测预测值,为k+1时刻目标t的新息协方差矩阵,为k+1时刻目标t的卡尔曼增益,Rk为k时刻目标t量测噪声协方差矩阵,·T为矩阵的转置,·-1为矩阵的逆。
步骤4.2、根据所述跟踪波门面积判断候选量测点是否满足跟踪波门门限值条件:
将满足条件的量测点作为k+1时刻的候选量测点。
在本发明的一个实施例中,当所述k+1时刻目标t的候选量测点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新,包括:
步骤5.1、根据所述候选量测点分别计算k+1时刻目标t的候选量测点zj,k+1和聚类中心波门中心之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以波门中心为聚类中心的隶属度ujt,k+1:
步骤5.2、计算所述聚类中心波门中心和所述k+1时刻目标t的候选量测点zj,k+1之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以有效量测数据为聚类中心的隶属度
步骤5.3、将所述以波门中心为聚类中心的隶属度ujt,k+1和所述以候选量测点为聚类中心的隶属度utj,k+1相乘得到各有效量测和所述波门中心之间双向隶属度jtutj,k+1;
步骤5.4、根据所述各有效量测和所述波门中心之间双向隶属度jtutj,k+1计算杂波均匀分布情况下有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
其中,PD为检测概率,PG为门概率;
杂波均匀分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
并计算杂波柏松分布情况下,有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
杂波柏松分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
将所述杂波均匀分布情况下和所述杂波柏松分布情况下得到的有所述k+1时刻目标t的候选量测点zj,k+1和无所述k+1时刻目标t的候选量测点zj,k+1与所述目标t关联的最终概率得到最终关联概率β(0&j)t,k+1;
步骤5.5、利用所述最终关联概率β(0&j)t,k+1按照标准的JPDA算法滤波程序即可完成对目标的状态估计和航迹更新:
所述候选量测点和所述目标的关联新息为:
本发明的有益效果:
本发明从全局鸟瞰整个JPDA数据关联问题,沿用避免关联矩阵拆分来解决计算量爆炸的思路,沿用以避免关联矩阵拆分来解决计算量爆炸的思路,在传统解决思路使用一种新的分析思维解决归属问题;通过利用最大熵模糊聚类理论产生以量测数据模糊关联矩阵,将各自关联波门内的量测数据进行划分确定权值,随后,将公共波门内量测数据的关联权值确定问题再次转化为聚类问题,将公共波门内的量测数据作为聚类中心,把预测波门中心按照聚类理论划分并确定权值,从而解决公共波门内量测数据关联权值问题;通过双重融合模糊聚类不仅避免了复杂的关联矩阵拆分问题,而且巧妙的解决了公共波门内来量测数据与目标之间复杂的隶属关系,从而在极大的提升多目标跟踪数据关联速度的基础上,跟踪精度也取得了较为理想的结果。
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双重融合最大熵模糊聚类JPDA的目标航迹优化方法的流程示意图;
图2是本发明实施例仿真实验中提供的JPDA算法的目标真实航迹跟踪图;
图3是本发明实施例仿真实验中提供的JPDA算法的目标航迹整体跟踪情况图;
图4是本发明实施例仿真实验中提供的JPDA算法的目标航迹交叉区域跟踪情况图;
图5是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标真实跟踪航迹图;
图6是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标航迹整体跟踪情况图;
图7是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标航迹交叉区域跟踪情况图;
图8是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后各目标的x、y方向距离估计值与真实值的均方误差跟踪分析结果图;
图9是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标a的x、y方向距离估计值与真实值的均方误差跟踪分析结果图;
图10是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标b的x、y方向距离估计值与真实值的均方误差跟踪分析结果图;
图11是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标a的x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比示意图;
图12是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标b的x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比示意图。
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。
基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法,包括:
步骤1、设定雷达跟踪系统的状态方程和雷达跟踪系统的量测方程为:
其中,为k+1时刻目标t(t∈1,2,3…,N)雷达跟踪系统的状态向量,Fk为雷达跟踪系统的状态转移矩阵,为k时刻目标t雷达跟踪系统的状态向量,Gk为目标t系统噪声转移矩阵,为k时刻目标t的系统噪声序列,其协方差矩阵为Qk;
并将初始时刻雷达接收的各目标真实点迹设为航迹初始点,目标初始状态可以表示为:
为初始时刻目标t二维直角坐标系下X方向的位置,为初始时刻目标t二维直角坐标系下目标Y方向的位置,为初始时刻目标t二维直角坐标系下的X方向的速度,为初始时刻目标t二维直角坐标系下t的Y方向速度,[·]T为矩阵的转置;
步骤3、根据所述卡尔曼滤波器的初始状态估计向量和所述初始估计误差协方差矩阵采用迭代算法计算出k+1(k=0,1,2…n,n∈N)时刻目标t的状态估计向量k+1时刻目标t的估计误差协方差矩阵k+1时刻目标t的预测向量k+1时刻目标t的新息协方差矩和k+1时刻目标t的卡尔曼增益
步骤4、获取所述k+1时刻目标t被雷达扫描得到的量测点集合将所述k+1时刻目标t的预测向量的位置作为跟踪波门中心,选取跟踪波门门限值,对所述k+1时刻目标t的量测点集合进行初步筛选得到所述k+1时刻目标t的候选量测点;
当所述k+1时刻目标t的候选测量点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新。
在本发明的一个实施例中,所述雷达跟踪系统的状态转移矩阵Fk表达式为:
其中,T为间隔采样。
在本发明的一个实施例中,所述雷达跟踪系统的量测系统Hk的表达式为:
在本发明的一个实施例中,所述k时刻目标t雷达跟踪系统的量测向量Zkt的表达式为:
其中,为0时刻目标t雷达跟踪系统的状态向量,为0时刻目标t雷达跟踪系统的量测向量,F0为雷达跟踪系统的初始状态转移矩阵,为0时刻目标t的x位置系统噪声方差,为0时刻目标t的x速度系统噪声方差,为0时刻目标t的y位置系统噪声方差,为0时刻目标t的y速度系统噪声方差,Q0为初始时刻的系统噪声序列的协方差。
在本发明的一个实施例中,所述迭代算法计算所述k+1时刻目标t的状态估计向量所述k+1时刻目标t的估计误差协方差矩阵所述k+1时刻目标t的预测向量所述k+1时刻目标t的新息协方差矩和所述k+1时刻目标t的卡尔曼增益的表达式为:
其中,为k+1时刻目标t的状态估计向量,为k+1时刻目标t的估计误差协方差矩阵,为k+1时刻目标t的量测预测值,为k+1时刻目标t的新息协方差矩阵,为k+1时刻目标t的卡尔曼增益,Rk为k时刻目标t量测噪声协方差矩阵,·T为矩阵的转置,·-1为矩阵的逆。
步骤4.2、根据所述跟踪波门面积判断候选量测点是否满足跟踪波门门限值条件:
将满足条件的量测点作为k+1时刻的候选量测点。
在本发明的一个实施例中,当所述k+1时刻目标t的候选量测点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新,包括:
步骤5.1、根据所述候选量测点分别计算k+1时刻目标t的候选量测点zj,k+1和聚类中心波门中心之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以波门中心为聚类中心的隶属度ujt,k+1:
步骤5.2、计算所述聚类中心波门中心和所述k+1时刻目标t的候选量测点zj,k+1之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以有效量测数据为聚类中心的隶属度utj,k+1:
步骤5.3、将所述以波门中心为聚类中心的隶属度ujt,k+1和所述以候选量测点为聚类中心的隶属度utj,k+1相乘得到各有效量测和所述波门中心之间双向隶属度jtutj,k+1;
步骤5.4、根据所述各有效量测和所述波门中心之间双向隶属度jtutj,k+1计算杂波均匀分布情况下有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
其中,PD为检测概率,PG为门概率;
杂波均匀分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
并计算杂波柏松分布情况下,有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
杂波柏松分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
将所述杂波均匀分布情况下和所述杂波柏松分布情况下得到的有所述k+1时刻目标t的候选量测点zj,k+1和无所述k+1时刻目标t的候选量测点zj,k+1与所述目标t关联的最终概率得到最终关联概率β(0&j)t,k+1;
步骤5.5、利用所述最终关联概率β(0&j)t,k+1按照标准的JPDA算法滤波程序即可完成对目标的状态估计和航迹更新:
所述候选量测点和所述目标的关联新息为:
本发明的效果可通过以下仿真实验作进一步说明:
仿真实验:
设定仿真过程中共采用两种目标跟踪算法,联合概率数据关联(JPDA)和本发明算法(DFMEFC-JPDA)都是对杂波环境下的多目标进行目标跟踪。假定一种杂波环境下的目标跟踪场景,仿真在二维平面坐标系下,若量测值为两维,检测概率PD=1,门概率PG=0.99则采用椭圆跟踪门规则,其中,跟踪波门设置为γ=9.21,采样间隔为T=1s,单位面积(km^2)内虚假量测为λ=10的泊松分布,在目标椭圆波门内服从均匀分布。目标作匀速直线(CV)运动,系统状态方程为如步骤1所示,目标初始值过程噪声的协方差矩阵为系统过程噪声矩阵为G0,且G11=G32=T2/2,G21=G42=T,,系统量测方程如步骤1所示,量测噪声W(k)是方差为1×104m2的零均值高斯白噪声,协方差矩阵为R0,且R11=R22=1×104m2,R12=R21=0m2,目标运动200s,分别表示上述环境下两种算法对目标的跟踪情况;
雷达连续进行200次扫描,绘制JPDA算法和本发明方法关联跟踪得到的目标跟踪航迹图,并对比采用两种算法跟踪后的目标x、y方向距离跟踪情况分析,请参见图2~7,图2是本发明实施例仿真实验中提供的JPDA算法的目标真实航迹跟踪图,图3是本发明实施例仿真实验中提供的JPDA算法的目标航迹整体跟踪情况图,图4是本发明实施例仿真实验中提供的JPDA算法的目标航迹交叉区域跟踪情况图,图5是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标真实跟踪航迹图,图6是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标航迹整体跟踪情况图,图7是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法的目标航迹交叉区域跟踪情况图,对比采用两种算法跟踪100次MonteCarlo实验后各目标的x、y方向距离估计值与真实值的均方误差跟踪分析,如图,8所示,图8是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后各目标的x、y方向距离估计值与真实值的均方误差跟踪分析结果图;对比采用两种算法跟踪100次MonteCarlo实验后的a、b目标x、y方向速度估计值与真实值的均方误差跟踪分析,如图9-10所示,图9是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标a的x、y方向距离估计值与真实值的均方误差跟踪分析结果图,图10是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标b的x、y方向距离估计值与真实值的均方误差跟踪分析结果图;对比采用两种算法跟踪100次MonteCarlo实验后的目标x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比,如图11-12所示,图11是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标a的x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比示意图,图12是本发明实施例提供的一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法和JPDA算法在MonteCarlo实验后目标b的x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比示意图。
从图2-4和图5-7中可以看出,相比较于JPDA算法,本发明方法跟踪后x、y方向距离的估计值与原算法相差不大,都具备良好的多目标跟踪性能。
从图8中可以看出,相比较于JPDA算法,本发明方法跟踪后x、y方向距离的估计值与真实值的均方误差与原算法相差不大,都具备良好的多目标跟踪性能。
从图9-10中可以看出,相比较于JPDA算法,本发明方法各时刻x、y方向速度均方根误差均与原算法相差不大,都具备良好的多目标跟踪性能。
从图11-12中可以看出,相比较于JPDA算法,本发明方法各时刻x、y方向距离量测值与真实值的均方误差与估计值与真实值的均方误差之比与原算法相差不大,都具备良好的多目标跟踪性能。
从结果对比表中可以看出,相比较于JPDA算法,本发明方法各时刻100次MonteCarlo实验整体跟踪速度与原算法相比提升明显,在都具备良好的多目标跟踪性能的情况下,本发明方法更适用于实际应用。
结果对比表
名称 | 100次MonteCarlo耗时 |
联合概率数据关联(JPDA) | 59.173 |
改进算法(DFMEFC-JPDA) | 8.874 |
速度提升率 | 85% |
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 (8)
1.一种基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法,其特征在于,包括:
步骤1、设定雷达跟踪系统的状态方程和雷达跟踪系统的量测方程为:
其中,为k+1时刻目标t(t∈1,2,3…,N)雷达跟踪系统的状态向量,Fk为雷达跟踪系统的状态转移矩阵,为k时刻目标t雷达跟踪系统的状态向量,Gk为目标t系统噪声转移矩阵,为k时刻目标t的系统噪声序列,其协方差矩阵为Qk;
并将初始时刻雷达接收的各目标真实点迹设为航迹初始点,目标初始状态可以表示为:
为初始时刻目标t二维直角坐标系下X方向的位置,为初始时刻目标t二维直角坐标系下目标Y方向的位置,为初始时刻目标t二维直角坐标系下的X方向的速度,为初始时刻目标t二维直角坐标系下t的Y方向速度,[·]T为矩阵的转置;
步骤3、根据所述卡尔曼滤波器的初始状态估计向量和所述初始估计误差协方差矩阵采用迭代算法计算出k+1(k=0,1,2…n,n∈N)时刻目标t的状态估计向量k+1时刻目标t的估计误差协方差矩阵k+1时刻目标t的预测向量k+1时刻目标t的新息协方差矩和k+1时刻目标t的卡尔曼增益
步骤4、获取所述k+1时刻目标t被雷达扫描得到的量测点集合将所述k+1时刻目标t的预测向量的位置作为跟踪波门中心,选取跟踪波门门限值,对所述k+1时刻目标t的量测点集合进行初步筛选得到所述k+1时刻目标t的候选量测点;
当所述k+1时刻目标t的候选测量点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新。
8.根据权利要求7所述的基于双重融合最大熵模糊聚类JPDA的目标航迹优化方法,其特征在于,当所述k+1时刻目标t的候选量测点的个数大于0时,采用双重融合最大熵模糊聚类方法对k+1时刻目标t的目标航迹进行优化更新,包括:
步骤5.1、根据所述候选量测点分别计算k+1时刻目标t的候选量测点zj,k+1和聚类中心波门中心之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以波门中心为聚类中心的隶属度ujt,k+1:
步骤5.2、计算所述聚类中心波门中心和所述k+1时刻目标t的候选量测点zj,k+1之间的距离并根据所述k+1时刻目标t的候选量测点zj,k+1、所述k+1时刻目标t的候选量测点zj,k+1与所述聚类中心波门之间的距离利用最大熵模糊聚类理论计算以有效量测数据为聚类中心的隶属度utj,k+1:
步骤5.3、将所述以波门中心为聚类中心的隶属度ujt,k+1和所述以候选量测点为聚类中心的隶属度utj,k+1相乘得到各有效量测和所述波门中心之间双向隶属度jtutj,k+1;
步骤5.4、根据所述各有效量测和所述波门中心之间双向隶属度jtutj,k+1所述计算杂波均匀分布情况下有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
其中,PD为检测概率,PG为门概率;
杂波均匀分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
并计算杂波柏松分布情况下,有所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
杂波柏松分布情况下无所述k+1时刻目标t的候选量测点zj,k+1和所述目标t关联的最终概率为:
将所述杂波均匀分布情况下和所述杂波柏松分布情况下得到的有所述k+1时刻目标t的候选量测点zj,k+1和无所述k+1时刻目标t的候选量测点zj,k+1与所述目标t关联的最终概率得到最终关联概率β(0&j)t,k+1;
步骤5.5、利用所述最终关联概率β(0&j)t,k+1按照标准的JPDA算法滤波程序即可完成对目标的状态估计和航迹更新:
所述候选量测点和所述目标的关联新息为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259544.9A CN111007495B (zh) | 2019-12-10 | 2019-12-10 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911259544.9A CN111007495B (zh) | 2019-12-10 | 2019-12-10 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111007495A true CN111007495A (zh) | 2020-04-14 |
CN111007495B CN111007495B (zh) | 2023-06-13 |
Family
ID=70114044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911259544.9A Active CN111007495B (zh) | 2019-12-10 | 2019-12-10 | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111007495B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830501A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
CN112327290A (zh) * | 2020-10-22 | 2021-02-05 | 北京理工大学 | 基于多维特征融合jpda的低空飞行小目标跟踪方法 |
CN113064155A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中雷达多目标跟踪下航迹关联的优化方法 |
CN113191427A (zh) * | 2021-04-29 | 2021-07-30 | 无锡物联网创新中心有限公司 | 一种多目标车辆跟踪方法及相关装置 |
CN113408586A (zh) * | 2021-05-24 | 2021-09-17 | 杭州电子科技大学 | 一种基于双向解相关的乱序数据融合方法 |
CN113534127A (zh) * | 2021-07-13 | 2021-10-22 | 深圳大学 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
WO2021217491A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 数据关联方法与装置 |
CN113701758A (zh) * | 2021-08-23 | 2021-11-26 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
CN113866754A (zh) * | 2021-09-14 | 2021-12-31 | 西安电子科技大学 | 基于高斯分布波门的运动目标航迹关联方法 |
CN114063059A (zh) * | 2021-11-16 | 2022-02-18 | 南京慧尔视智能科技有限公司 | 一种航迹修正方法、设备及存储介质 |
CN114859339A (zh) * | 2022-04-29 | 2022-08-05 | 电子科技大学 | 一种基于毫米波雷达的多目标跟踪方法 |
CN115308704A (zh) * | 2022-07-17 | 2022-11-08 | 西北工业大学 | 基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法 |
CN115808682A (zh) * | 2023-01-17 | 2023-03-17 | 湖北工业大学 | 基于车载毫米波雷达的稳定多目标跟踪方法及系统 |
CN115828125A (zh) * | 2022-11-17 | 2023-03-21 | 盐城工学院 | 一种基于信息熵特征加权模糊聚类方法及系统 |
CN113701758B (zh) * | 2021-08-23 | 2024-06-07 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219147A1 (en) * | 2002-05-23 | 2003-11-27 | Kabushiki Kaisha Toshiba | Object tracking apparatus and method |
CN105373805A (zh) * | 2015-10-09 | 2016-03-02 | 中国电子科技集团公司第二十八研究所 | 一种基于最大熵准则的多传感器机动目标跟踪方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109002835A (zh) * | 2018-06-19 | 2018-12-14 | 西安电子科技大学 | 一种基于最大熵模糊聚类的粒子滤波数据关联方法 |
CN109829405A (zh) * | 2019-01-22 | 2019-05-31 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN109901153A (zh) * | 2019-03-29 | 2019-06-18 | 西安电子科技大学 | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 |
-
2019
- 2019-12-10 CN CN201911259544.9A patent/CN111007495B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219147A1 (en) * | 2002-05-23 | 2003-11-27 | Kabushiki Kaisha Toshiba | Object tracking apparatus and method |
CN105373805A (zh) * | 2015-10-09 | 2016-03-02 | 中国电子科技集团公司第二十八研究所 | 一种基于最大熵准则的多传感器机动目标跟踪方法 |
CN108734725A (zh) * | 2018-04-11 | 2018-11-02 | 杭州电子科技大学 | 基于高斯过程的概率数据关联滤波扩展目标跟踪方法 |
CN109002835A (zh) * | 2018-06-19 | 2018-12-14 | 西安电子科技大学 | 一种基于最大熵模糊聚类的粒子滤波数据关联方法 |
CN109829405A (zh) * | 2019-01-22 | 2019-05-31 | 深圳大学 | 视频目标的数据关联方法、装置及存储介质 |
CN109901153A (zh) * | 2019-03-29 | 2019-06-18 | 西安电子科技大学 | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 |
Non-Patent Citations (10)
Title |
---|
XINGKE LIAN: "A Maximal Fuzzy Entropy Based Gaussian Clustering Algorithm for Tracking Dim Moving Point Targets in Image Sequences" * |
吴佳芯: "多目标跟踪的数据关联算法研究" * |
吴佳芯等: "一种基于最大熵模糊聚类的数据关联算法", 《火控雷达技术》 * |
吴佳芯等: "一种基于最大熵模糊聚类的数据关联算法", 《火控雷达技术》, no. 03, 25 September 2013 (2013-09-25) * |
李良群等: "基于最大熵模糊聚类的快速数据关联算法", 《西安电子科技大学学报》 * |
李良群等: "基于最大熵模糊聚类的快速数据关联算法", 《西安电子科技大学学报》, no. 02, 25 April 2006 (2006-04-25) * |
贾正望等: "一种基于多目标跟踪的改进概率数据关联算法", 《指挥信息系统与技术》 * |
贾正望等: "一种基于多目标跟踪的改进概率数据关联算法", 《指挥信息系统与技术》, no. 03, 28 June 2010 (2010-06-28) * |
陈晓等: "基于最大熵模糊聚类的快速多目标跟踪算法研究", 《西北工业大学学报》 * |
陈晓等: "基于最大熵模糊聚类的快速多目标跟踪算法研究", 《西北工业大学学报》, no. 04, 15 August 2017 (2017-08-15), pages 1 - 3 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217491A1 (zh) * | 2020-04-29 | 2021-11-04 | 华为技术有限公司 | 数据关联方法与装置 |
CN111830501B (zh) * | 2020-06-28 | 2023-04-28 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
CN111830501A (zh) * | 2020-06-28 | 2020-10-27 | 中国人民解放军战略支援部队信息工程大学 | Hrrp历史特征辅助的信号模糊数据关联方法及系统 |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
CN112327290B (zh) * | 2020-10-22 | 2024-02-27 | 北京理工大学 | 基于多维特征融合jpda的低空飞行小目标跟踪方法 |
CN112327290A (zh) * | 2020-10-22 | 2021-02-05 | 北京理工大学 | 基于多维特征融合jpda的低空飞行小目标跟踪方法 |
CN113064155A (zh) * | 2021-03-18 | 2021-07-02 | 沈阳理工大学 | 一种空中雷达多目标跟踪下航迹关联的优化方法 |
CN113064155B (zh) * | 2021-03-18 | 2023-09-15 | 沈阳理工大学 | 一种空中雷达多目标跟踪下航迹关联的优化方法 |
CN113191427A (zh) * | 2021-04-29 | 2021-07-30 | 无锡物联网创新中心有限公司 | 一种多目标车辆跟踪方法及相关装置 |
CN113408586A (zh) * | 2021-05-24 | 2021-09-17 | 杭州电子科技大学 | 一种基于双向解相关的乱序数据融合方法 |
CN113534127B (zh) * | 2021-07-13 | 2023-10-27 | 深圳大学 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
CN113534127A (zh) * | 2021-07-13 | 2021-10-22 | 深圳大学 | 一种多目标数据关联方法、装置及计算机可读存储介质 |
CN113701758B (zh) * | 2021-08-23 | 2024-06-07 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
CN113701758A (zh) * | 2021-08-23 | 2021-11-26 | 中国北方工业有限公司 | 一种基于生物搜索算法的多目标数据关联方法及系统 |
CN113866754A (zh) * | 2021-09-14 | 2021-12-31 | 西安电子科技大学 | 基于高斯分布波门的运动目标航迹关联方法 |
CN113866754B (zh) * | 2021-09-14 | 2024-05-14 | 西安电子科技大学 | 基于高斯分布波门的运动目标航迹关联方法 |
CN114063059B (zh) * | 2021-11-16 | 2023-10-03 | 南京慧尔视智能科技有限公司 | 一种航迹修正方法、设备及存储介质 |
CN114063059A (zh) * | 2021-11-16 | 2022-02-18 | 南京慧尔视智能科技有限公司 | 一种航迹修正方法、设备及存储介质 |
CN114859339B (zh) * | 2022-04-29 | 2023-06-02 | 电子科技大学 | 一种基于毫米波雷达的多目标跟踪方法 |
CN114859339A (zh) * | 2022-04-29 | 2022-08-05 | 电子科技大学 | 一种基于毫米波雷达的多目标跟踪方法 |
CN115308704A (zh) * | 2022-07-17 | 2022-11-08 | 西北工业大学 | 基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法 |
CN115308704B (zh) * | 2022-07-17 | 2024-04-26 | 西北工业大学 | 基于交互式多模型和最大熵模糊聚类的多机动目标跟踪方法 |
CN115828125A (zh) * | 2022-11-17 | 2023-03-21 | 盐城工学院 | 一种基于信息熵特征加权模糊聚类方法及系统 |
CN115808682A (zh) * | 2023-01-17 | 2023-03-17 | 湖北工业大学 | 基于车载毫米波雷达的稳定多目标跟踪方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111007495B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111007495A (zh) | 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法 | |
CN109901153B (zh) | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 | |
CN109002835A (zh) | 一种基于最大熵模糊聚类的粒子滤波数据关联方法 | |
CN112991391A (zh) | 一种基于雷达信号和视觉融合的车辆检测与跟踪方法 | |
CN114859339A (zh) | 一种基于毫米波雷达的多目标跟踪方法 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN105137418A (zh) | 基于全邻模糊聚类的多目标跟踪与数据互联方法 | |
CN102338874A (zh) | 用于被动式多传感器目标跟踪的全局概率数据关联方法 | |
CN102608568A (zh) | 一种具有固定滑窗-ospa距离航迹关联方法 | |
CN105510896A (zh) | 一种集中式多雷达数据处理的加权最近邻域数据关联方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN110133612B (zh) | 一种基于跟踪反馈的扩展目标检测方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN111562570A (zh) | 基于毫米波雷达的面向自动驾驶的车辆感知方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN113671481A (zh) | 一种基于毫米波雷达的3d多目标跟踪处理方法 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN110045363B (zh) | 基于相对熵的多雷达航迹关联方法 | |
CN115792890A (zh) | 基于凝聚量测自适应互联的雷达多目标跟踪方法及系统 | |
CN115356718A (zh) | 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法 | |
Chong et al. | Metrics for feature-aided track association | |
Guo et al. | Vehicle Analysis System Based on DeepSORT and YOLOv5 | |
CN113866754A (zh) | 基于高斯分布波门的运动目标航迹关联方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |