CN113325452A - 一种三星无源融合定位体制机动目标跟踪方法 - Google Patents

一种三星无源融合定位体制机动目标跟踪方法 Download PDF

Info

Publication number
CN113325452A
CN113325452A CN202110569013.0A CN202110569013A CN113325452A CN 113325452 A CN113325452 A CN 113325452A CN 202110569013 A CN202110569013 A CN 202110569013A CN 113325452 A CN113325452 A CN 113325452A
Authority
CN
China
Prior art keywords
model
moment
tracking
radiation source
target
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
Application number
CN202110569013.0A
Other languages
English (en)
Inventor
曲志昱
王超然
司伟建
侯长波
邓志安
张春杰
汲清波
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110569013.0A priority Critical patent/CN113325452A/zh
Publication of CN113325452A publication Critical patent/CN113325452A/zh
Pending legal-status Critical Current

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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于三卫星编队对机动目标的无源跟踪技术领域，具体涉及一种三星无源融合定位体制机动目标跟踪方法。本发明是针对三星融合定位系统提出的改进，引入了迭代并利用L‑M方法改进扩展卡尔曼滤波，可以用更少的迭代次数降低扩展卡尔曼滤波对强非线性系统进行线性化处理时产生的截断误差本发明在粒子滤波中用改进的IEKF来产生重要性密度函数，融入最新观测信息，使得产生的重要性密度函数更加贴近实际后验概率，进而提高跟踪滤波精度。本发明可以在没有高程先验信息的情况下对运动的辐射源目标进行高精度跟踪。

Description

一种三星无源融合定位体制机动目标跟踪方法
技术领域
本发明属于三卫星编队对机动目标的无源跟踪技术领域，具体涉及一种三星无源融合定位体制机动目标跟踪方法。
背景技术
星载定位跟踪因其具有探测距离远，监控范围广，不受地域影响，隐蔽性能好等优势，在多种领域发挥着越来越重要的作用。随着科技发展，卫星定位的目标已经从传统的地面静止目标转变为涵盖陆海空域的机动辐射源目标定位，传统时差频差定位方法对于高速机动目标的定位常会引入由目标速度未知带来的定位误差，进而导致其精度下降，另一方面，高速机动目标常位于高空而非地表，在该前提下，基于高程估计的传统单一定位体制算法的定位精度将大大下降，很难适应现代环境。
一些学者针对未知高程的机动辐射源目标跟踪问题提出了众多算法，取得良好的效果。 2017年朱建峰提出在利用三星时差(TDOA)信息的基础上结合到达方向(DOA)测向信息，实现了对空域目标的三维定位，但该算法在DOA精度不足时，算法的定位效果将严重下降。同年向张俊提出利用扩展卡尔曼滤波(EKF)算法来进行运动目标跟踪，但由于三星融合体制跟踪系统的高度非线性，利用EKF对该系统进行线性化时会引入一定截断误差，从而影响滤波精度，相对于EKF，粒子滤波(PF)对系统的非线性程度没有要求，但使用标准粒子滤波算法实现目标跟踪时，由于该算法使用的是系统状态的转移概率作为重要性密度函数，未对最新观测信息进行有效利用，从而导致粒子采样样本与真实后验概率存在一定偏差，进而导致滤波精度下降。
发明内容
本发明的目的在于提供对无高程先验信息的情况下的陆海空域机动目标有良好的跟踪性能的一种三星无源融合定位体制机动目标跟踪方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：根据k时刻三星定位系统对辐射源目标的时差、频差、一维到达角测量信息，获取k时刻系统的观测矢量Zk；
步骤2：结合交互式多模型算法，根据辐射源目标可能的运动状态获取跟踪算法的M个交互式模型；根据辐射源目标上一时刻的状态估计
Figure BDA0003081920240000011
和协方差估计
Figure BDA0003081920240000012
进行输入交互运算，获取当前k时刻初始化状态估计
Figure BDA0003081920240000013
和协方差估计
Figure BDA0003081920240000014
Figure BDA0003081920240000021
Figure 1
其中，m表示第m个模型，m＝1,2,...,M，M为模型的数量；
Figure BDA0003081920240000023
表示k-1时刻第m个模型对辐射源目标的状态估计；
Figure BDA0003081920240000024
表示k-1时刻第m个模型对辐射源目标的协方差估计；
Figure BDA0003081920240000025
为模型混合概率，
Figure BDA0003081920240000026
是归一化因子，
Figure BDA00030819202400000221
为由第m1个模型转移到第m2个模型的转移概率；
步骤3：利用以L-M方法改进的迭代扩展卡尔曼滤波器构造重要性密度函数
Figure BDA0003081920240000027
以此为依据对M个模型中各粒子进行预测样本的更新，并计算每个粒子对应的权值
Figure BDA0003081920240000028
第m个模型中第j个粒子在k时刻的滤波值
Figure BDA0003081920240000029
和滤波协方差
Figure BDA00030819202400000210
为：
Figure BDA00030819202400000220
Figure BDA00030819202400000211
其中，j＝1,2,...,Nm，Nm为第m个模型中粒子的数量；
第m个模型中第j个粒子在k时刻的权值
Figure BDA00030819202400000212
为：
Figure BDA00030819202400000213
步骤4：利用重采样算法，依据各粒子权值
Figure BDA00030819202400000214
大小对其进行复制或淘汰，对新得到的粒子重新设置权重
Figure BDA00030819202400000215
进而得到各模型当前时刻k的状态估计
Figure BDA00030819202400000216
和协方差估计
Figure BDA00030819202400000217
Figure BDA00030819202400000219
Figure BDA00030819202400000218
步骤5：计算出各模型k时刻的似然函数
Figure BDA0003081920240000031
由似然函数
Figure BDA0003081920240000032
计算当前k时刻各个模型出现的后验概率
Figure BDA0003081920240000033
进而获取当前k时刻辐射源目标的跟踪结果Xk|k、Pk|k；
Figure BDA0003081920240000034
Figure BDA0003081920240000035
其中，
Figure BDA0003081920240000036
当前k时刻各个模型出现的后验概率
Figure BDA0003081920240000037
为：
Figure BDA0003081920240000038
其中，
Figure BDA0003081920240000039
当前k时刻辐射源目标的跟踪结果Xk|k、Pk|k为：
Figure BDA00030819202400000310
Figure BDA00030819202400000311
步骤6：重复步骤1至步骤5直至跟踪结束。
本发明的有益效果在于：
本发明是针对三星融合定位系统提出的改进，引入了迭代并利用L-M方法改进扩展卡尔曼滤波，可以用更少的迭代次数降低扩展卡尔曼滤波对强非线性系统进行线性化处理时产生的截断误差本发明在粒子滤波中用改进的IEKF来产生重要性密度函数，融入最新观测信息，使得产生的重要性密度函数更加贴近实际后验概率，进而提高跟踪滤波精度。本发明可以在没有高程先验信息的情况下对运动的辐射源目标进行高精度跟踪。
附图说明
图1是三星融合体制定位系统示意图。
图2是改进IEKF算法的算法流程图。
图3是本发明提出的三星融合体制的IMM-IEKPF算法流程图。
图4是本发明对未知高程机动目标位置跟踪效果与传统算法对比图(位置估计误差)。
图5是本发明对未知高程机动目标速度跟踪效果与传统算法对比图(速度估计误差)。
图6是本发明的实施例中卫星参数表。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供了一种三卫星编队对机动目标的无源跟踪算法，具体涉及一种结合交互式多模型和迭代扩展卡尔曼粒子滤波的滤波跟踪算法。
本发明包括以下步骤：
(1)获取三卫星对辐射源目标的时差测量信息、频差测量信息和一维到达角测量信息，以这些信息作为运动辐射源目标跟踪的观测信息。
(2)由步骤(1)得到的观测信息首先计算跟踪滤波初值，并在此基础上结合交互式多模型算法，根据目标可能的运动状态给出跟踪算法的多个交互式模型，再根据系统上一时刻的状态估计和协方差估计进行输入交互运算，推测当前时刻状态值，得到初始化模型状态。
(3)利用以L-M(Levenberg-Marquardt)方法改进的迭代扩展卡尔曼滤波器构造重要性密度函数，以此为依据对粒子滤波的所有粒子进行预测样本的更新，并计算每个粒子对应的权值。
(4)利用重采样算法，依据步骤(3)得到的各粒子权值大小对其进行复制或淘汰，进而得到各个模型当前时刻的状态估计。进而可以计算出各模型该时刻的似然函数，由模型似然函数判断当前时刻各个模型出现的后验概率，以此为依据组合输出各模型状态值，得到当前时刻跟踪系统输出的目标跟踪结果。在采样时间内递推滤波过程直到跟踪结束，即可得到目标辐射源跟踪结果。
步骤(3)具体为：
(3.1)由步骤(2)得到的滤波初值开始对目标辐射源进行跟踪，首先对非线性系统进行线性化处理，使其可以利用卡尔曼滤波实现跟踪。
(3.2)利用L-M方法修正预测协方差矩阵，使算法拥有更小的截断误差和更少的迭代次数。
(3.3)利用修正后的协方差阵计算卡尔曼滤波的观测矩阵、增益矩阵和状态矩阵。并更新协方差矩阵。
(3.4)重复(3.2)～(3.3)的迭代更新步骤，直到滤波跟踪精度达到预设的门限值时结束迭代，并以此为依据构造各粒子的重要性密度函数。
步骤(4)具体为：
(4.1)由步骤(3)提出的改进的IEKF算法构造重要性密度函数，以该函数为依据计算各粒子的更新预测样本和权重，并将权重归一化。
(4.2)依据归一化权值大小对各个粒子进行重采样，复制权值高的粒子，淘汰权值低的粒子，最终得到各个模型当前时刻的状态估计，由该状态估计计算各模型的当前滤波时刻新息的协方差，进而计算出模型该时刻的似然函数，由模型似然函数判断当前时刻该模型出现的后验概率。
(4.3)根据各模型子滤波器的估计结果及其后验概率，组合输出得到最终状态估计及其误差协方差，得到当前时刻跟踪系统输出的目标运动状态估计结果。
(4.4)在采样时间内递推重复(4.1)～(4.4)的过程，直到跟踪结束，即可得到算法最终输出的目标辐射源跟踪结果。
与现有技术相比，本发明具有如下优点：
本发明是针对三星融合定位系统提出的改进，引入了迭代并利用L-M方法改进扩展卡尔曼滤波，可以用更少的迭代次数降低扩展卡尔曼滤波对强非线性系统进行线性化处理时产生的截断误差本发明在粒子滤波中用改进的IEKF来产生重要性密度函数，融入最新观测信息，使得产生的重要性密度函数更加贴近实际后验概率，进而提高跟踪滤波精度。本发明可以在没有高程先验信息的情况下对运动的辐射源目标进行高精度跟踪。
实施例1：
如图1是本发明的三星TDOA-FDOA-DOA融合体制定位模型示意图，该系统可分为主星、副星1、副星2三个部分，其中主星安装的干涉仪载荷可以测量辐射源目标的1维到达方向信息，并可由所搭载的传感器获得其与副星1、副星2间的到达时间差、到达频率差信息。
如图2是本发明提出的改进的IEKF算法的流程图，如图3是本发明结合改进IEKF算法提出的IMM-IEKPF算法的流程图，下面结合图2、图3对算法的步骤和原理进行详细说明。
步骤1：将三星TDOA-FDOA-DOA融合体制无源定位系统测得目标辐射源的时差、频差和到达方向信息作为观测量进行目标定位。在该步骤中，系统的状态方程和观测方程可分别表示为：
Xk＝F(Xk-1)+ωk-1 (1)
Zk＝h(Xk)+νk (2)
上式中，Xk和Zk分别为k时刻系统的状态矢量和观测矢量，ωk-1和νk分别表示过程噪声和观测噪声，这里设二者均为服从高斯分布的零均值噪声，方差分别为Qk和Rk。设主星位置和速度坐标分别为：s0,k＝[x0,k,y0,k,z0,k]，
Figure BDA0003081920240000061
副星位置与速度为：si,k＝[xi,k,yi,k,zi,k]，
Figure BDA0003081920240000062
i＝1,2。待测辐射源的位置与速度为：uk＝[xk,yk,zk]，
Figure BDA0003081920240000063
则k时刻辐射源运动状态矢量可表示为：Xk＝[xk,yk,zk,vxk,vyk,vzk]T，定位方程组为：
Figure BDA0003081920240000064
上式中，ti,k和fi,k分别表示副星i在k时刻与主星的时差、频差观测量；θk为主星的一维干涉仪测得的k时刻到达角观测量，单位矢量ex＝[1,0,0]T，ey＝[0,1,0]T。dtk，dfk，dθk为相互独立的高斯白噪声，分别代表k时刻时差、频差和角度的观测误差。
步骤2：定位跟踪开始时目标速度是未知的，选择与目标速度无关的时差和角度观测方程进行初值计算，滤波初值的计算在主星的本体坐标系下进行，首先设主星本体坐标系下辐射源初始位置为ub,t＝[xb,t,yb,t,zb,t]，三颗卫星初始位置为sb,i＝[xb,i,yb,i,zb,i]，其中i＝0时表示主星初始位置，其在本体坐标系中的坐标为(0,0,0)，i＝1、2时分别表示两颗副星的初始位置。设主星与目标辐射源的距离为r0，副星1、2与目标辐射源的距离分别为r1和r2，则有：
Figure BDA0003081920240000065
由方程组(3)中的第一式可得：
Figure BDA0003081920240000066
联立定位方程组(3)第二式与式(5)可得：
Figure BDA0003081920240000067
其中i＝1或2，进而有：
Figure BDA0003081920240000071
将式(7)和方程组(3)第三式带入式(4)可得到关于r0的一元二次方程：
a×r0 2+b×r0+d＝0 (8)
由上式解得r0的两个根，去除模糊解后，解出目标在主星本体系下的初始定位坐标。进一步的，根据前一时刻系统状态估计和协方差估计来推测当前时刻测量值，进而对模型重新进行初始化计算，其中新的初始值通过不同状态间的马尔科夫运算矩阵获得，设模型k-1时刻的状态最优估计值和估计的协方差矩阵为
Figure BDA0003081920240000072
和
Figure BDA0003081920240000073
其中m＝1,2,...,M，M为算法的模型数量。进行如式(9)、(10)的交互运算：
Figure BDA0003081920240000074
Figure BDA0003081920240000075
其中，
Figure BDA0003081920240000076
为模型混合概率，
Figure BDA0003081920240000077
是归一化因子，pmn为由模型m转移到n的转移概率。
步骤3：利用L-M方法调整预测协方差阵，以保证算法具有全局收敛性，算法核心是在每次迭代过程中使用阻尼因子κn(κn＞0)对协方差预测矩阵进行修正，以修正后的协方差矩阵
Figure BDA0003081920240000078
进行观测的迭代更新。改进后的IEKF的具体过程如下：
目标状态预测：
Figure BDA0003081920240000079
预测协方差矩阵：
Figure BDA00030819202400000710
迭代开始，迭代次数n＝1...Nt：
L-M方法修正协方差矩阵：
Figure BDA0003081920240000081
卡尔曼增益矩阵计算：
Figure BDA0003081920240000082
更新目标状态：
Figure BDA0003081920240000083
更新协方差矩阵：
Figure BDA0003081920240000084
迭代结束，令
Figure BDA0003081920240000085
其中n为迭代次数。
定义代价函数：
Figure BDA0003081920240000086
设第n+1次迭代状态矢量
Figure BDA0003081920240000087
和当前状态矢量
Figure BDA0003081920240000088
的修正差值为
Figure BDA0003081920240000089
将
Figure BDA00030819202400000810
在
Figure BDA00030819202400000811
处进行一阶泰勒展开：
Figure BDA00030819202400000812
其中
Figure BDA00030819202400000813
为雅克比阵，
Figure BDA00030819202400000814
定义残差：
Figure BDA00030819202400000815
由式(15)有：
Figure BDA00030819202400000816
且有递推关系：
Figure BDA00030819202400000817
当κ→0时，此时该方法类似于高斯牛顿法。而当κ→∞时，算法等价于最速下降法。κ的取值会随优化进行的状态随时进行调整，因此在每次迭代时，需要对其取值进行更新，其更新策略如下：
首先引入参数η和ν，其中：ν＞1，
Figure BDA00030819202400000818
η代表着每次前进代价函数q的变化量。显然，若η大于0，即
Figure BDA00030819202400000819
则代表迭代的前进方向是错误的，会使代价函数增加，应舍去本次状态方程的迭代结果，并令κ＝κ×ν；反之，则代表迭代前进方向正确的，记录迭代结果，并令
Figure BDA00030819202400000820
κ的初值一般取一个较大的值(通常取
Figure BDA0003081920240000091
范数的10倍以上)。
当代价函数随迭代次数增加而小于一定限度时，即认为收敛已至极值点附近，迭代终止条件可写为：
Figure BDA0003081920240000092
其中ε是预先设置的门限值。
步骤4：
(4.1)在先验分布
Figure BDA0003081920240000093
中随机抽取初始化状态
Figure BDA0003081920240000094
其中i＝1,…Ni，Ni为粒子个数。各个模型所有粒子在k时刻的滤波值
Figure 100002_2
和滤波协方差
Figure BDA0003081920240000096
如式(22)、式(23)
Figure BDA0003081920240000097
Figure BDA0003081920240000098
进而由上一节提出的改进IEKF算法构造重要性密度函数
Figure BDA0003081920240000099
以此为依据得到各粒子的更新预测样本
Figure BDA00030819202400000910
为每个粒子重新计算权重，并归一化。
Figure BDA00030819202400000911
利用重采样算法，根据归一化权值
Figure BDA00030819202400000912
的大小，对粒子集合
Figure BDA00030819202400000913
进行复制和淘汰，对新得到的粒子重新设置权重
Figure BDA00030819202400000914
于是求得m模型，k时刻的状态估计：
Figure BDA00030819202400000915
Figure BDA00030819202400000916
(4.2)模型概率的更新
计算模型m新息的协方差：
Figure BDA00030819202400000917
其中，
Figure BDA00030819202400000918
计算模型的似然函数：
Figure BDA0003081920240000101
各模型概率更新为：
Figure BDA0003081920240000102
其中
Figure BDA0003081920240000103
(4.3)组合输出：
根据各子滤波器的估计结果及其后验概率，计算最终状态估计Xk|k及其误差协方差Pk|k。
Figure BDA0003081920240000104
Figure BDA0003081920240000105
(4.4)在采样时间内递推重复(4.1)～(4.4)的过程，即可得到算法最终输出的目标辐射源跟踪结果。
具体地，本实施例中通过仿真进行验证
将本发明提出的IMM-IEKPF算法进行仿真验证并将结果与IMM-PF和IMM-EKF算法进行对比。设置卫星以三星同轨方式编队，卫星参数如图6所示：
目标初始状态X0设置为ECEF系下的(5696.72km，2794.44km，645.20km，0.1574km/s， -0.2466km/s，-0.3197km/s)，采样间隔为1s，目标在第1-40个采样点采用匀速直线运动方式，速度为400m/s，第41-70个采样点转为左转匀速转弯运动，第71-100个采样点转为右转匀速转弯运动，匀速转弯模型角速度大小设置为0.08rad/s。观测时差测量误差为20ns，多普勒频率测量误差为3Hz，测向误差为0.25°。各模型初始概率为：μ0,1＝0.6，μ0，2＝0.2，μ0，3＝0.2，模型转移概率矩阵
Figure BDA0003081920240000106
IMM-PF算法粒子数设置为1000，本文改进算法粒子数设置为200，所有粒子滤波算法的重采样方式均采用残差采样方法。
进一步的，图4与图5可以看到本发明提出的改进IMM-IEKPF算法在对机动目标跟踪过程中的位置、速度跟踪误差均小于IMM-PF和IMM-EKF算法，且在目标于采样点41、采样点71处运动状态发生突变时，算法变轨相较传统算法更为迅速。这表明该算法是有效的，且在对于未知高程的机动目标跟踪问题上，性能优于传统算法。
本发明实施例的三卫星融合定位体制机动目标跟踪算法的其他步骤细节及作用对于本领域的技术人员而言都是已知的，为了减少冗余，在此不做赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种三星无源融合定位体制机动目标跟踪方法，其特征在于，包括以下步骤：
步骤1：根据k时刻三星定位系统对辐射源目标的时差、频差、一维到达角测量信息，获取k时刻系统的观测矢量Zk；
步骤2：结合交互式多模型算法，根据辐射源目标可能的运动状态获取跟踪算法的M个交互式模型；根据辐射源目标上一时刻的状态估计
Figure FDA0003081920230000011
和协方差估计
Figure FDA0003081920230000012
进行输入交互运算，获取当前k时刻初始化状态估计
Figure FDA0003081920230000013
和协方差估计
Figure FDA0003081920230000014
Figure FDA0003081920230000015
Figure 2
其中，m表示第m个模型，m＝1,2,...,M，M为模型的数量；
Figure FDA0003081920230000017
表示k-1时刻第m个模型对辐射源目标的状态估计；
Figure FDA0003081920230000018
表示k-1时刻第m个模型对辐射源目标的协方差估计；
Figure FDA0003081920230000019
为模型混合概率，
Figure FDA00030819202300000110
是归一化因子，
Figure FDA00030819202300000111
为由第m1个模型转移到第m2个模型的转移概率；
步骤3：利用以L-M方法改进的迭代扩展卡尔曼滤波器构造重要性密度函数
Figure FDA00030819202300000112
以此为依据对M个模型中各粒子进行预测样本的更新，并计算每个粒子对应的权值
Figure FDA00030819202300000113
第m个模型中第j个粒子在k时刻的滤波值
Figure FDA00030819202300000114
和滤波协方差
Figure FDA00030819202300000115
为：
Figure FDA00030819202300000116
Figure FDA00030819202300000117
其中，j＝1,2,...,Nm，Nm为第m个模型中粒子的数量；
第m个模型中第j个粒子在k时刻的权值
Figure FDA00030819202300000118
为：
Figure FDA00030819202300000119
步骤4：利用重采样算法，依据各粒子权值
Figure FDA00030819202300000120
大小对其进行复制或淘汰，对新得到的粒子重新设置权重
Figure FDA0003081920230000021
进而得到各模型当前时刻k的状态估计
Figure FDA0003081920230000022
和协方差估计
Figure FDA0003081920230000023
Figure FDA0003081920230000024
Figure FDA0003081920230000025
步骤5：计算出各模型k时刻的似然函数
Figure FDA0003081920230000026
由似然函数
Figure FDA0003081920230000027
计算当前k时刻各个模型出现的后验概率
Figure FDA0003081920230000028
进而获取当前k时刻辐射源目标的跟踪结果Xk|k、Pk|k；
Figure FDA0003081920230000029
Figure FDA00030819202300000210
其中，
Figure FDA00030819202300000211
当前k时刻各个模型出现的后验概率
Figure FDA00030819202300000212
为：
Figure FDA00030819202300000213
其中，
Figure FDA00030819202300000214
当前k时刻辐射源目标的跟踪结果Xk|k、Pk|k为：
Figure FDA00030819202300000215
Figure FDA00030819202300000216
步骤6：重复步骤1至步骤5直至跟踪结束。
CN202110569013.0A 2021-05-25 2021-05-25 一种三星无源融合定位体制机动目标跟踪方法 Pending CN113325452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110569013.0A CN113325452A (zh) 2021-05-25 2021-05-25 一种三星无源融合定位体制机动目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569013.0A CN113325452A (zh) 2021-05-25 2021-05-25 一种三星无源融合定位体制机动目标跟踪方法

Publications (1)

Publication Number Publication Date
CN113325452A true CN113325452A (zh) 2021-08-31

Family

ID=77416834

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569013.0A Pending CN113325452A (zh) 2021-05-25 2021-05-25 一种三星无源融合定位体制机动目标跟踪方法

Country Status (1)

Country Link
CN (1) CN113325452A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676381A (zh) * 2022-03-28 2022-06-28 中国科学院声学研究所 基于无偏伪线性卡尔曼滤波的三维到达角跟踪方法及装置
CN115775473A (zh) * 2022-11-09 2023-03-10 航大防务(海南)科技有限公司 一种ads-b航空监视系统中的航空器定位系统
CN116736286A (zh) * 2023-05-24 2023-09-12 兰州理工大学 基于随机超曲面的渐进贝叶斯扩展目标跟踪方法及系统
CN116772903A (zh) * 2023-08-16 2023-09-19 河海大学 基于迭代ekf的sins/usbl安装角估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447574A (zh) * 2015-11-10 2016-03-30 深圳大学 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置
CN109000782A (zh) * 2018-09-27 2018-12-14 哈尔滨工程大学 一种基于卡尔曼滤波的椭圆拟合非线性误差校正方法
CN111650577A (zh) * 2020-06-12 2020-09-11 电子科技大学 极坐标系下含多普勒量测的机动目标跟踪方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105447574A (zh) * 2015-11-10 2016-03-30 深圳大学 一种辅助截断粒子滤波方法、装置及目标跟踪方法及装置
CN109000782A (zh) * 2018-09-27 2018-12-14 哈尔滨工程大学 一种基于卡尔曼滤波的椭圆拟合非线性误差校正方法
CN111650577A (zh) * 2020-06-12 2020-09-11 电子科技大学 极坐标系下含多普勒量测的机动目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张俊根: "粒子滤波及其在目标跟踪中的应用研究", 《中国博士学位论文全文数据库 信息科技辑》 *
曲志昱: "基于改进迭代扩展卡尔曼滤波的3星时频差测向融合动目标跟踪方法", 《电子与信息学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114676381A (zh) * 2022-03-28 2022-06-28 中国科学院声学研究所 基于无偏伪线性卡尔曼滤波的三维到达角跟踪方法及装置
CN115775473A (zh) * 2022-11-09 2023-03-10 航大防务(海南)科技有限公司 一种ads-b航空监视系统中的航空器定位系统
CN115775473B (zh) * 2022-11-09 2024-01-19 航大防务(海南)科技有限公司 一种ads-b航空监视系统中的航空器定位系统
CN116736286A (zh) * 2023-05-24 2023-09-12 兰州理工大学 基于随机超曲面的渐进贝叶斯扩展目标跟踪方法及系统
CN116736286B (zh) * 2023-05-24 2024-02-06 兰州理工大学 基于随机超曲面的渐进贝叶斯扩展目标跟踪方法及系统
CN116772903A (zh) * 2023-08-16 2023-09-19 河海大学 基于迭代ekf的sins/usbl安装角估计方法
CN116772903B (zh) * 2023-08-16 2023-10-20 河海大学 基于迭代ekf的sins/usbl安装角估计方法

Similar Documents

Publication Publication Date Title
Gao et al. Maximum likelihood principle and moving horizon estimation based adaptive unscented Kalman filter
CN109459040B (zh) 基于rbf神经网络辅助容积卡尔曼滤波的多auv协同定位方法
CN113325452A (zh) 一种三星无源融合定位体制机动目标跟踪方法
Li et al. A robust graph optimization realization of tightly coupled GNSS/INS integrated navigation system for urban vehicles
CN108759833B (zh) 一种基于先验地图的智能车辆定位方法
CN111221018B (zh) 一种用于抑制海上多路径的gnss多源信息融合导航方法
CN106772524B (zh) 一种基于秩滤波的农业机器人组合导航信息融合方法
CN108645413A (zh) 一种移动机器人的同时定位与地图创建的动态纠正方法
CN110794409A (zh) 一种可估计未知有效声速的水下单信标定位方法
CN107633256A (zh) 一种多源测距下联合目标定位与传感器配准方法
CN110749891A (zh) 一种可估计未知有效声速的自适应水下单信标定位方法
CN115616643B (zh) 一种城市区域建模辅助的定位方法
CN111189454A (zh) 基于秩卡尔曼滤波的无人车slam导航方法
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
CN113252038A (zh) 基于粒子群算法的航迹规划地形辅助导航方法
CN107607977A (zh) 一种基于最小偏度单形采样的自适应ukf组合导航方法
Zha et al. An improved nonlinear filter based on adaptive fading factor applied in alignment of SINS
Liu et al. A SINS aided correct method for USBL range based on maximum correntropy criterion adaptive filter
Hu et al. A reliable cooperative fusion positioning methodology for intelligent vehicle in non-line-of-sight environments
CN114608568A (zh) 一种基于多传感器信息即时融合定位方法
CN117419723A (zh) 一种基于因子图的交互模型自适应组合导航方法
CN113029173A (zh) 车辆导航方法及装置
Park et al. A new measurement model of interferometric radar altimeter for terrain referenced navigation using particle filter
Wang et al. An improved real-time transfer alignment algorithm based on adaptive noise estimation for distributed POS
Ryan Information-theoretic tracking control based on particle filter estimate

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210831