CN112666516A - 基于航迹信息场的无源跟踪方法 - Google Patents

Abstract

本发明公开了一种基于航迹信息场的无源跟踪方法，提出了目标航迹信息场的概念，建立了目标航迹信息场模型，在此基础上，提出了基于信息融合获取目标航迹信息场，并基于航迹信息场实现目标拟合跟踪的方法。该方法步骤如下：量测数据获取，利用无源侦察设备，获取目标的量测数据；基于量测数据的目标状态估计，利用目标状态参数，对目标状态进行估计；点迹形成；基于信息融合的航迹信息场获取，采用灰关联信息融合的方法进行点迹凝聚，获取目标航迹信息场；基于航迹信息场，利用微分多项式模型进行航迹拟合，进而实现目标跟踪；解决了现有目标跟踪方法需要进行数据关联和跟踪滤波的问题。

Description

基于航迹信息场的无源跟踪方法

技术领域

本发明涉及无线电定位领域，具体为基于航迹信息场的无源跟踪方法。

背景技术

目标定位与跟踪问题是自然界中的一个基本问题，在现代战争中也起着至关重要的作用，对敌方目标进行快速准确的定位跟踪，这对于有效保护自己、精确打击敌人都具有十分重要的意义。

无源定位跟踪是利用目标本身发射的电磁波，对目标进行定位，最典型的例子就是对雷达辐射源的定位跟踪。目前的目标跟踪主要采用数据关联和跟踪滤波技术，数据关联用于确定最合理的量测/航迹配对，跟踪滤波用以估计目标的航迹状态。数据关联方法主要有“最近邻”(NN)方法和“全邻”(AN)方法，AN方法的典型代表为概率数据关联(PDA)方法。在NN方法中，认为离目标预报量测统计距离最近的观测源于目标，PDA方法认为所有有效观测都可能源于目标，只是每个有效观测与目标的关联概率有所不同，它把所有有效观测的概率加权和作为等效观测。目前的跟踪滤波主要是基于卡尔曼滤波(KF)及其扩展算法，如扩展卡尔曼(EKF)、不敏卡尔曼算法(UKF)、容积卡尔曼算法(CKF)等。

基于数据关联和跟踪滤波的目标跟踪方法至少存在以下缺陷：1)NN方法的抗干扰能力差，在目标密度较大、或者观测噪声较大的情况下，最近的观测未必由当前目标产生，容易产生关联错误；2)PDA方法将所有有效观测的概率加权和作为等效观测，这个等效观测实际上是个假目标，从而引起跟踪误差；3)卡尔曼滤波及其扩展算法，由于数学模型与物理过程存在偏差、不适当的线性化或降维处理等原因，导致滤波算法存在发散问题。

为了克服上述缺陷，提高目标跟踪的性能，我们提出了一种基于航迹信息场的无源跟踪技术。首先提出了目标航迹信息场的概念，建立了目标航迹信息场模型，在此基础上，提出了基于信息融合获取目标航迹信息场，并基于航迹信息场实现目标拟合跟踪的方法。该技术无需要进行数据关联和跟踪滤波，提高了目标跟踪的收敛性能。

发明内容

本发明的目的就在于为了解决现有目标跟踪方法需要进行数据关联和跟踪滤波的问题，而提出一种基于航迹信息场的无源跟踪方法；通过建立目标航迹信息场模型，基于信息融合获取目标航迹信息场，并基于航迹信息场实现目标拟合跟踪。

本发明的目的可以通过以下技术方案实现：基于航迹信息场的无源跟踪方法，包括以下步骤：

S1：利用无源侦察设备，获取目标量测数据；

S2：利用目标状态参数，对目标状态进行估计；

S3：基于目标状态估计的结果，形成目标的点迹数据；

S4：通过灰关联信息融合的方法进行点迹凝聚，获取目标航迹信息场；

S5：基于航迹信息场的拟合跟踪，利用微分多项式模型进行航迹拟合，进而实现目标跟踪。

优选的，所述目标量测数据包括目标状态参数和辐射源特征参数；目标状态参数包括信号到达角DOA、信号到达时间TOA和多普勒频率；辐射源特征参数包括工作频率RF、脉宽PW、脉冲重复周期PRI及脉内特征IPC。

优选的，对目标状态进行估计具体为：基于目标状态参数，根据观测方程，进行目标状态估计，得到目标的位置信息。

优选的，通过灰关联信息融合的方法进行点迹凝聚的具体步骤为：

S41：设

表示跟踪门内在k时刻确认的有效量测集合，其中m(k)在表示在k时刻确认的有效量测的个数，

表示直到时刻k的累积有效量测集，θ_i(k)表示z_i(k)是来自跟踪目标的正确量测的事件，θ₀(k)表示跟踪门内所有量测没有一个是正确的事件；

S42：用p_i(k)＝P(θ_i(k)|Z^k)来表示信息场概率密度函数，其含义是指k时刻第i个量测是来自跟踪目标这一事件的概率，即量测z_i(k)是正确量测的概率；

S43：将目标的状态参数和辐射源特征参数标记为目标多特征数据；选取目标多特征数据作为参考数列，记为X₀＝{X₀(j)|j＝1,2,…,5}；

S44：选取跟踪门内m(k)个有效观测的目标多特征数据作为比较数列，第i个比较序列记为X_i＝{X_i(j)|j＝1,2,…,5}，i＝1,2,…,m(k)；

S45：通过多特征数据的相似程度得到各比较数列与参考数列相对于各个指标的关联系数值，然后通过信息融合，将每一比较数列各个指标的关联系数集中体现在一个数值上，这个数值即为灰关联度；

S46：通过信息融合得到比较数列与第i个参考数列的灰关联度γ(X₀,X_i)，简记为γ_i；

S47：基于灰关联度计算信息场概率密度函数：

S48：得到信息场概率密度函数之后，再基于信息场概率密度函数进行点迹信息融合，实现点迹凝聚。

与现有技术相比，本发明的有益效果是：

1、本发明可有效提高目标跟踪的收敛性能，解决了传统的基于滤波算法的跟踪技术，存在收敛时间长、甚至跟踪发散的问题；

2、基于航迹信息场的无源跟踪方法，避免了传统跟踪方法中的数据关联和跟踪滤波，大大提高了目标跟踪的收敛性能。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明的基于航迹信息场的无源跟踪流程图；

图2为本发明的基于滤波算法的无源跟踪误差图；

图3为本发明的基于航迹信息场的无源跟踪仿真结果图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

对于运动目标而言，侦察站对目标观测的所有点迹中都含有一定的辐射源位置和运动轨迹信息，多次观测的目标点迹信息累积就形成了目标航迹信息场(TTIF:TargetTracking Information Field)。

1)目标航迹信息场的基本概念

目标的位置可以看成是在位置观测空间服从某种分布的一个随机变量。在目标航迹跟踪时，在单目标的情况下，当单次目标定位没有误差时，目标的点迹分布在目标的真实运动轨迹上，而在单次定位有误差的情况下，目标点迹的概率分布由目标真实运动轨迹和定位误差的分布确定。

事实上，可以从信息的角度来考虑辐射源的航迹跟踪问题。每个点迹中都含有一定的辐射源位置和运动轨迹信息，所有目标点迹包含的航迹信息累积就形成了目标航迹信息场。在位置观测空间，可以用目标航迹信息场函数来表示目标运动轨迹的分布。在某个观测位置处目标航迹信息场场强越大，说明该位置是辐射源目标航迹的可能性就越大。所有的点迹在真实的目标航迹处均会出现较大的目标航迹信息场场强，经过累加之后，就可以得到目标真实运动轨迹处目标航迹信息场场强最大，因此，可以通过目标航迹信息场场强的大小来估计辐射源目标的航迹。

2)目标航迹信息场模型

假定空间同时存在P个辐射源目标，第i个辐射源目标在第k时刻的空间位置为u_ik＝[x_i,k,y_i,k,z_i,k]^T(i＝1,2,…,P)，则在单次目标定位不存在误差的情况下，目标的点迹分布特征可用一个精确的概率密度函数来进行表示，也就是第i个辐射源目标在第k时刻的航迹信息场函数可表示为：

其中，a_ik为u＝u_ik是第i个辐射源第k时刻真实位置的可靠性因子，是一个相对值，b_u为归一化系数，保证函数p_ik(u)的空间区域积分值为1，δ(·)为狄拉克函数。

从理想情况下的目标航迹信息场函数可以看出，在目标真实位置处目标航迹信息场的场强值最大，为一冲击，而在其他位置，目标航迹信息场的场强值为零，因此，可以从目标航迹信息场场强值的大小上对目标的航迹位置进行确定；

请参阅图1-3所示，基于航迹信息场的无源跟踪方法，包括以下步骤：

S1：量测数据获取，利用无源侦察设备，获取目标的量测数据；

在无源定位系统中，目标量测数据主要包括目标状态参数和辐射源特征参数，目标状态参数是指与目标位置状态相关的量测数据，如信号到达角DOA、信号到达时间TOA、多普勒频率等，辐射源特征参数包括工作频率RF、脉宽PW、脉冲重复周期PRI及脉内特征IPC等；

S2：基于量测数据的目标状态估计，利用目标状态参数，对目标状态进行估计；

基于信号到达角、信号到达时间以及多卜勒频率等参数，根据观测方程，进行目标状态估计，得到目标的位置信息；

S3：点迹形成，基于目标状态估计的结果，形成目标的点迹数据；

S4：通过灰关联信息融合的方法进行点迹凝聚，获取目标航迹信息场；

假设

表示跟踪门内在k时刻确认的有效量测集合，其中m(k)在表示在k时刻确认的有效量测的个数，

表示直到时刻k的累积有效量测集，θ_i(k)表示z_i(k)是来自跟踪目标的正确量测的事件，θ₀(k)表示跟踪门内所有量测没有一个是正确的事件；

信息场概率密度函数用p_i(k)＝P(θ_i(k)|Z^k)来表示，其含义是指k时刻第i个量测是来自跟踪目标这一事件的概率，即量测z_i(k)是正确量测的概率。

信息场概率密度函数的计算是一个关键问题。存在随机噪声干扰的情况下，或者多目标情况下，为了提高目标航迹信息场跟踪的准确率，本发明依据目标的状态参数(ST)和辐射源特征参数(RF、PRI、PW和IPC)，统称为目标多特征数据，通过灰关联信息融合的方法计算信息场概率密度函数。

选取目标多特征数据(包括ST、RF、PRI、PW、IPC)作为参考数列，记为X₀＝{X₀(j)|j＝1,2,…,5}。选取跟踪门内m(k)个有效观测的多特征数据作为比较数列，第i个比较序列记为X_i＝{X_i(j)|j＝1,2,…,5}，i＝1,2,…,m(k)。

根据多特征数据的相似程度，我们可以得到的是各比较数列与参考数列相对于各个指标的关联系数值，然后通过信息融合，将每一比较数列各个指标的关联系数集中体现在一个值上，这个数值就是灰关联度。

通过信息融合，可以得到比较数列与第i个参考数列的灰关联度γ(X₀,X_i)，简记为γ_i。

基于灰关联度计算信息场概率密度函数：

得到信息场概率密度函数之后，再基于信息场概率密度函数进行点迹信息融合，实现点迹凝聚，获取航迹信息场，由于信息场概率密度函数的计算是基于无源观测获得辐射源的特征数据，因此这种航迹信息场获取方法可以有效提高准确率；

S5：基于航迹信息场的拟合跟踪，利用微分多项式模型进行航迹拟合，进而实现目标跟踪；

传统的基于数据关联和跟踪滤波的目标跟踪方法主要采用基于卡尔曼滤波(KF)及其扩展算法，如扩展卡尔曼(EKF)、不敏卡尔曼算法(UKF)等。这些跟踪滤波算法由于数学模型与物理过程存在偏差、不适当的线性化或降维处理等原因，导致滤波算法存在发散问题。

在笛卡尔坐标系中，对于三维空间运动的目标，在时刻t，其相对于参考原点O的坐标为(xt,yt,zt)。在不考虑随机干扰的情况下，目标的n阶微分多项式运动模型为：

其中，(x0,y0,z0)表示目标在t0时刻的坐标，

取目标的状态矢量为：

在考虑随机干扰时，基于微分多项式模型的目标状态方程为：

X(k+1)＝Φ(k)X(k)+W(k)

其中，状态转移矩阵Φ(k)为：

基于航迹信息场的拟合跟踪，就是基于信息融合航迹信息场的结果，利用微分多项式运动模型进行航迹拟合，进而实现目标跟踪；

实施例：

实验条件：观测站位于坐标原点，目标辐射源做匀速直线运动，目标初始位置为(100,200)km，飞行速度为(-100,-100)m/s，观测周期为1s，观测量分别为DOA、TOA和多普勒频率，观测误差分别为0.5°、10ns、1Hz。

实验1，分别采用三种基于滤波算法(EKF、UKF、CKF)进行跟踪，跟踪误差结果如图2所示。从图2可以看出，三种滤波跟踪方法的收敛时间都比较长。

实验2，采用基于航迹信息场的无源跟踪技术进行跟踪，跟踪结果如图3所示。从图3可以看出，基于航迹信息场的无源跟踪技术进行跟踪，提高了目标跟踪的收敛性能；

本发明在使用时，利用无源侦察设备，获取目标量测数据；利用目标状态参数，对目标状态进行估计；基于目标状态估计的结果，形成目标的点迹数据；通过灰关联信息融合的方法进行点迹凝聚，获取目标航迹信息场；基于航迹信息场的拟合跟踪，利用微分多项式模型进行航迹拟合，进而实现目标跟踪；可有效提高目标跟踪的收敛性能，解决了传统的基于滤波算法的跟踪技术，存在收敛时间长、甚至跟踪发散的问题，基于航迹信息场的无源跟踪方法，避免了传统跟踪方法中的数据关联和跟踪滤波，大大提高了目标跟踪的收敛性能。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (4)

1.基于航迹信息场的无源跟踪方法，其特征在于，包括以下步骤：

S1：利用无源侦察设备，获取目标量测数据；

S2：利用目标状态参数，对目标状态进行估计；

S3：基于目标状态估计的结果，形成目标的点迹数据；

S4：通过灰关联信息融合的方法进行点迹凝聚，获取目标航迹信息场；

S5：基于航迹信息场的拟合跟踪，利用微分多项式模型进行航迹拟合，进而实现目标跟踪。

2.根据权利要求1所述的基于航迹信息场的无源跟踪方法，其特征在于，所述目标量测数据包括目标状态参数和辐射源特征参数；目标状态参数包括信号到达角DOA、信号到达时间TOA和多普勒频率；辐射源特征参数包括工作频率RF、脉宽PW、脉冲重复周期PRI及脉内特征IPC。

3.根据权利要求1所述的基于航迹信息场的无源跟踪方法，其特征在于，对目标状态进行估计具体为：基于目标状态参数，根据观测方程，进行目标状态估计，得到目标的位置信息。

4.根据权利要求1所述的基于航迹信息场的无源跟踪方法，其特征在于，通过灰关联信息融合的方法进行点迹凝聚的具体步骤为：

S41：设

表示跟踪门内在k时刻确认的有效量测集合，其中m(k)在表示在k时刻确认的有效量测的个数，

表示直到时刻k的累积有效量测集，θ_i(k)表示z_i(k)是来自跟踪目标的正确量测的事件，θ₀(k)表示跟踪门内所有量测没有一个是正确的事件；

S42：用p_i(k)＝P(θ_i(k)|Z^k)来表示信息场概率密度函数，其含义是指k时刻第i个量测是来自跟踪目标这一事件的概率，即量测z_i(k)是正确量测的概率；

S43：将目标的状态参数和辐射源特征参数标记为目标多特征数据；选取目标多特征数据作为参考数列，记为X₀＝{X₀(j)|j＝1,2,…,5}；

S44：选取跟踪门内m(k)个有效观测的目标多特征数据作为比较数列，第i个比较序列记为X_i＝{X_i(j)|j＝1,2,…,5}，i＝1,2,…,m(k)；

S45：通过多特征数据的相似程度得到各比较数列与参考数列相对于各个指标的关联系数值，然后通过信息融合，将每一比较数列各个指标的关联系数集中体现在一个数值上，这个数值即为灰关联度；

S46：通过信息融合得到比较数列与第i个参考数列的灰关联度γ(X₀,X_i)，简记为γ_i；

S47：基于灰关联度计算信息场概率密度函数：

S48：得到信息场概率密度函数之后，再基于信息场概率密度函数进行点迹信息融合，实现点迹凝聚。

Images