CN113514810B - Mimo雷达观测噪声优化方法及装置 - Google Patents
Mimo雷达观测噪声优化方法及装置 Download PDFInfo
- Publication number
- CN113514810B CN113514810B CN202110768965.5A CN202110768965A CN113514810B CN 113514810 B CN113514810 B CN 113514810B CN 202110768965 A CN202110768965 A CN 202110768965A CN 113514810 B CN113514810 B CN 113514810B
- Authority
- CN
- China
- Prior art keywords
- noise
- observation
- equation
- determining
- distribution
- 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
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
- 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
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种MIMO雷达观测噪声优化方法及装置,方法包括:获得雷达观测目标信息和先验知识信息;根据先验知识信息确定系统方程;根据雷达观测目标信息和观测方程确定贝叶斯新息;根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,估计误差协方差矩阵根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新,后验观测噪声协方差矩阵根据提议分布进行更新;根据过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。本发明可以减小MIMO雷达观测噪声的干扰,在保证准确性的同时提高噪声优化实时性。
Description
技术领域
本发明涉及雷达噪声分析技术领域,尤其涉及MIMO雷达观测噪声优化方法及装置。
背景技术
近年来,鲁棒滤波器的设计一直是现代雷达系统的研究热点之一。出现这种情况的主要原因有两个。首先,目标雷达信号可能会受到噪声、杂波等的干扰,从而导致接收信号统计模型的不确定性。其次,在雷达系统的实际应用中,发射机和接收机的设置会影响测量系统的模型。不幸的是,通过获得或理解真实世界中的精确模型来设计最优滤波器是代价高昂而不可行的,这使得一些与假设模型有很小偏差的名义上的最优滤波器的性能显著下降。因此,在一定的不确定性模型条件下,鲁棒滤波器可以看作是一种最优滤波器。
经典的Kalman滤波器是动态高斯线性系统下的最优滤波器。它在通信、导航、雷达、控制等领域都得到了较好的应用。然而,它也存在着突出的缺点,例如,完全掌握噪声的统计模型和信号的状态是获得良好性能的前提条件。因此,如何在噪声分布知识缺失或不精确的情况下设计一个鲁棒的Kalman滤波器,并能用于解决实际工程问题,对研究人员和开发人员都是一个很大的挑战。
现有技术中提出了许多同时估计信号状态和噪声的方法,即采用自适应Kalman滤波器进行MIMO雷达观测噪声优化,但这类方法往往需要利用大量的数据才能在整个估计周期内获得一定的准确性,无法满足某些特定场景下的实时性要求。
因此,亟需一种可以克服上述问题的MIMO雷达观测噪声优化方案。
发明内容
本发明实施例提供一种MIMO雷达观测噪声优化方法,用以进行MIMO雷达观测噪声优化,在保证准确性的同时提高噪声优化实时性,该方法包括:
获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。
本发明实施例提供一种MIMO雷达观测噪声优化装置,用以进行MIMO雷达观测噪声优化,在保证准确性的同时提高噪声优化实时性,该装置包括:
信息获得模块,用于获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
方程确定模块,用于根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
新息确定模块,用于根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
增益确定模块,用于根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
状态估计模块,用于根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述MIMO雷达观测噪声优化方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述MIMO雷达观测噪声优化方法的计算机程序。
本发明实施例通过获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。本发明实施例根据噪声先验分布利用模拟退火算法确定提议分布,并根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵确定Kalman递归方程增益,进而根据过程方程,贝叶斯新息和Kalman递归方程增益实现MIMO雷达观测噪声优化,充分考虑了雷达观测目标信息中所包含的丰富噪声统计信息,有效减轻了运算负担,在保证准确性的同时提高噪声优化实时性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1为本发明实施例中MIMO雷达观测噪声优化方法示意图;
图2~图3为本发明具体实施例中MIMO雷达观测噪声优化示意图;
图4为本发明实施例中MIMO雷达观测噪声优化装置结构图;
图5是本发明实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
如前所述,先前的研究者们提出了许多同时估计信号状态和噪声的方法,即所谓的自适应Kalman滤波器,但这类方法往往需要利用大量的数据才能在整个估计周期内获得一定的准确性,这一缺陷使得它们无法满足某些特定场景下的实时性要求。因此,误差小且实时性高的鲁棒Kalman滤波器成为了目前的优化方向。由于Bode、Shannon等的开拓性工作,贝叶斯理论在Kalman滤波算法中得到了广泛应用。目前,基于贝叶斯的鲁棒Kalman滤波方法是利用模型的先验分布信息来提供更精确的统计模型知识,从成本函数和不确定噪声分布的角度,提出了一些最优滤波的方法。实际上,这类方法无法实现最优滤波的目标。它们仅利用了不确定模型的先验分布,而忽略了观测数据中所包含的丰富的噪声统计信息。
为了进行MIMO雷达观测噪声优化,在保证准确性的同时提高噪声优化实时性,本发明实施例提供一种MIMO雷达观测噪声优化方法,如图1所示,该方法可以包括:
步骤101、获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
步骤102、根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
步骤103、根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
步骤104、根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
步骤105、根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。
由图1所示可以得知,本发明实施例通过获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。本发明实施例根据噪声先验分布利用模拟退火算法确定提议分布,并根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵确定Kalman递归方程增益,进而根据过程方程,贝叶斯新息和Kalman递归方程增益实现MIMO雷达观测噪声优化,充分考虑了雷达观测目标信息中所包含的丰富噪声统计信息,有效减轻了运算负担,在保证准确性的同时提高噪声优化实时性。
实施例中,获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布。
实施例中,根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程。
本实施例中,按如下公式确定过程方程:
xk+1=Φxk+Γuk
其中,Φ为状态转移矩阵(n×n矩阵),Γ为过程噪声转移矩阵(n×p矩阵),xk为目标的真实状态(n×1向量),uk为过程噪声变量(p×1零均值随机向量)。
本实施例中,按如下公式确定观测方程:
其中,H为观测转移矩阵(m×n矩阵),xk为目标的真实状态(n×1向量),vk为观测噪声变量(m×1零均值随机向量)。
实施例中,根据所述雷达观测目标信息和观测方程,确定贝叶斯新息。
本实施例中,按如下公式计算贝叶斯新息:
其中,为雷达观测目标信息,H为观测转移矩阵,/>为状态估计量。
实施例中,根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的。
本实施例中,后验观测噪声协方差矩阵按如下方式进行更新:根据观测方程,确定每一时刻观测的似然函数;根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望;根据所述后验观测噪声期望,确定更新后的后验观测噪声协方差矩阵。
本实施例中,估计误差协方差矩阵的更新是根据上一时刻的卡尔曼增益和估计误差协方差矩阵,以及过程噪声协方差矩阵进行的,而上一时刻的卡尔曼增益又是通过上一时刻的后验观测噪声协方差矩阵进行更新的。
本实施例中,根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望,包括:
获得不确定噪声参数的初值;
根据所述提议分布和不确定噪声参数的初值,确定不确定噪声参数的候选值;
根据所述不确定噪声参数的候选值,确定接受率;
根据所述接受率,得到不确定噪声参数样本点;
根据所述不确定噪声参数样本点,确定后验观测噪声期望。
具体实施时,利用观测方程和高斯分布的性质来得到每一时刻观测关于不确定参数θ的似然函数根据/>的分布特性和系统的观测方程/>可获得k时刻的观测/>将/>的概率密度函数近似为关于不确定噪声参数θ的似然函数,即/>
具体实施时,利用Metropolis-Hastings算法来获得后验观测噪声的期望,具体的,选取初值θ0;按提议分布抽取一个候选值θcand;计算接受率α=min{1,f(yk|θcand)π(θcand)/f(yk|θj-1)π(θj-1)};从均匀分布的区间(0,1)内随机选取一个数γ,若γ<α,则θj←θcand,若γ>α,则θj←θj-1,重复上述步骤后获得样本点{θ0,θ1,…,θm};计算样本均值,将其近似为后验观测噪声的期望E[π(θ|yk)]。对所有时刻的后验噪声期望求平均,获得更新后的后验噪声协方差更新状态协方差/>其中Q为过程噪声协方差矩阵。为Kalman递归方程的参数赋初值,包括初始化状态变量,初始化噪声协方差矩阵和初始化误差协方差矩阵;根据更新后的状态协方差、后验观测噪声协方差计算Kalman递归方程增益/>
本实施例中,按如下方式确定提议分布:
获得初始距离,对应的迭代次数和候选分布;
根据候选分布和噪声先验分布,确定该候选分布对应的链接序列,所述链接序列包含多组匹配点;
根据所述链接序列,确定每组匹配点对应的距离得到距离序列,取所述距离序列中的最大值;
多次移动匹配点得到每次移动对应的新的链接序列,根据所述新的链接序列确定移动后的每组匹配点对应的距离得到新的距离序列,取所述新的距离序列中的最大值,得到一组最大值序列;
取所述最大值序列中的最小值作为离散Fréchet距离;
根据所述离散Fréchet距离,利用模拟退火算法确定提议分布。
具体实施时,首先是根据候选分布和噪声先验分布确定链接序列,链接序列包含多组匹配点;然后计算确定匹配点所对应距离的最大值,然后多次移动匹配点,再确定多个匹配点对应距离的最大值,再由这组最大值确定其中的最小值为离散Fréchet距离,最后根据模拟退火算法寻找离散Fréchet距离最小的候选分布为提议分布。具体的,输入候选分布,分别将候选分布和噪声先验分布的波峰部分看作由多点构成的多边形曲线F:{c1,...,cp}和G:{h1,...,hq},L为两曲线逐点匹配所构成的链接序列,可表示为其中f1=1,g1=1,fm=p,gm=q,且对于i=1,...,q,必须有fi+1=fi或fi+1=fi+1,gi同理,以此保证曲线中各端点的顺序关系;计算每一匹配点间的距离并取最大值,即/>在保证顺序关系的基础上移动采样点,并重复计算每一匹配点间的距离并取最大值;计算两条曲线的离散Fréchet距离ddF(F,G)=min{||L||};代入离散Fréchet距离作为新解,并计算增量/>若Δd<0,则接受新的离散Fréchet距离为新解,并将此候选分布作为提议分布;若Δd>0,则以Metropolis概率exp(-Δd/D)>random(0,1)接受候选分布为提议分布,否则保持提议分布不变重复上述步骤直到满足迭代次数;若新解满足预设条件,则算法结束,若不满足条件,改变初始距离,重复上述步骤。预设条件为离散弗雷歇距离小于设定值。
实施例中,根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。
本实施例中,根据所述过程方程,贝叶斯新息和Kalman递归方程增益,按如下公式更新状态变量(雷达观测目标运动状态估计):
本发明实施例适用于动态高斯线性系统,并假设已知系统方程和观测噪声的先验分布。本发明首先结合离散Fréchet距离和模拟退火算法来寻找合适的提议分布;接下来,假设状态变量xk服从以估计量为均值,以协方差/>为方差的多元高斯分布,然后利用观测模型和高斯分布的性质来得到每一时刻观测值的概率密度函数,并将此函数近似为关于参数θ的似然函数;再利用Metropolis-Hastings算法来获得每一时刻后验观测噪声分布的期望;最后以所有时刻的期望均值为基石来更精确地估计状态变量。
下面给出一个具体实施例,说明本发明实施例中MIMO雷达观测噪声优化方法的具体应用。在本具体实施例中,如图2所示,一个人以近似匀速的运动方式,在观测区域内按预定的轨迹走动。在实验区域的底部中央放置处放置MIMO雷达,以MIMO雷达的测量数据作为观测数据(雷达观测目标信息)。为简便起见,假设状态转移矩阵Φ、观测转移矩阵H、过程噪声转移矩阵Γ恒定,且目标的运动模型为匀速直线运动。xk为n×1向量,过程噪声uk为p×1零均值随机向量,观测噪声vk为m×1零均值随机向量。此时,系统方程可被参数化为过程方程xk+1=Φxk+Γuk和观测方程为得到最优的状态估计,该具体实施例的一种MIMO雷达观测噪声优化包括:
步骤1,输入先验知识,确定系统方程;
步骤2,根据先验噪声分布,利用模拟退火算法寻找最优提议分布,模拟退火算法寻找全局最优解的原理如图3所示。
步骤21,为模拟退火算法设置初始参数;
步骤22,输入候选分布,分别将候选分布和噪声先验分布的波峰部分看作由多点构成的多边形曲线F:{c1,...,cp}和G:{h1,...,hq},L为两曲线逐点匹配所构成的链接序列,可表示为其中f1=1,g1=1,fm=p,gm=q,且对于i=1,...,q,必须有fi+1=fi或fi+1=fi+1,gi同理,以此保证曲线中各端点的顺序关系;
步骤23,计算每一匹配点间的距离,并取最大值,即
步骤24,在保证顺序关系的基础上移动采样点,重复步骤23;
步骤25,计算两条曲线的离散Fréchet距离ddF(F,G)=min{||L||};
步骤26,代入离散Fréchet距离作为新解,并计算增量
步骤27,若Δd<0,则接受新的离散Fréchet距离,并将此提议分布作为候选分布;若Δd>0,则以Metropolis概率exp(-Δd/D)>random(0,1)接受新提议分布为候选分布,否则保持候选分布不变重复步骤22到27直到满足迭代次数;
步骤28,判断若新解满足条件,则算法结束,若不满足条件,降低初始距离,重复步骤22到28。
步骤3,为Kalman递归方程的参数赋初值;
步骤4,输入新的观测数据,并根据观测方程y计算新息
步骤5,根据更新后的状态协方差、后验观测噪声协方差计算Kalman增益
步骤6,利用观测模型和高斯分布的性质来得到每一时刻观测关于不确定参数θ的似然函数
步骤61,根据的分布特性和系统的观测方程/>可获得k时刻的观测/>
步骤62,将的概率密度函数近似为关于不确定噪声参数θ的似然函数,即
步骤7,利用Metropolis-Hastings算法来获得后验观测噪声的期望;
步骤71,选取初值θ0;
步骤72,按提议分布抽取一个候选值θcand;
步骤73,计算接受率α=min{1,f(yk|θcand)π(θcand)/f(yk|θj-1)π(θj-1)};
步骤74,从均匀分布的区间(0,1)内随机选取一个数γ,若γ<α,则θj←θcand,若γ>α,则θj←θj-1,重复步骤72到74;
步骤75,获得样本点{θ0,θ1,…,θm};
步骤76,计算样本均值,将其近似为后验观测噪声的期望E[π(θ|yk)]。
步骤8,对所有时刻的后验噪声期望求平均,获得更新后的后验噪声协方差
步骤9,更新状态协方差
步骤10,更新状态变量重复步骤4到10。
基于同一发明构思,本发明实施例还提供了一种MIMO雷达观测噪声优化装置,如下面的实施例所述。由于这些解决问题的原理与MIMO雷达观测噪声优化方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
图4为本发明实施例中MIMO雷达观测噪声优化装置的结构图,如图4所示,该装置包括:
信息获得模块401,用于获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
方程确定模块402,用于根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
新息确定模块403,用于根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
增益确定模块404,用于根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
状态估计模块405,用于根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。
一个实施例中,所述后验观测噪声协方差矩阵按如下方式进行更新:
根据观测方程,确定每一时刻观测的似然函数;
根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望;
根据所述后验观测噪声期望,确定更新后的后验观测噪声协方差矩阵。
一个实施例中,根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望,包括:
获得不确定噪声参数的初值;
根据所述提议分布和不确定噪声参数的初值,确定不确定噪声参数的候选值;
根据所述不确定噪声参数的候选值,确定接受率;
根据所述接受率,得到不确定噪声参数样本点;
根据所述不确定噪声参数样本点,确定后验观测噪声期望。
一个实施例中,按如下方式确定提议分布:
获得初始距离,对应的迭代次数和候选分布;
根据候选分布和噪声先验分布,确定该候选分布对应的链接序列,所述链接序列包含多组匹配点;
根据所述链接序列,确定每组匹配点对应的距离得到距离序列,取所述距离序列中的最大值;
多次移动匹配点得到每次移动对应的新的链接序列,根据所述新的链接序列确定移动后的每组匹配点对应的距离得到新的距离序列,取所述新的距离序列中的最大值,得到一组最大值序列;
取所述最大值序列中的最小值作为离散Fréchet距离;
根据所述离散Fréchet距离,利用模拟退火算法确定提议分布。
综上所述,本发明实施例通过获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计。本发明实施例根据噪声先验分布利用模拟退火算法确定提议分布,并根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵确定Kalman递归方程增益,进而根据过程方程,贝叶斯新息和Kalman递归方程增益实现MIMO雷达观测噪声优化,充分考虑了雷达观测目标信息中所包含的丰富噪声统计信息,有效减轻了运算负担,在保证准确性的同时提高噪声优化实时性。
基于前述发明构思,如图5所示,本发明还提出了一种计算机设备500,包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序530,所述处理器520执行所述计算机程序530时实现前述MIMO雷达观测噪声优化方法。
基于前述发明构思,本发明提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前述MIMO雷达观测噪声优化方法。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种MIMO雷达观测噪声优化方法,其特征在于,包括:
获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计;
所述过程方程为:
xk+1=Φxk+Γuk
其中,Φ为状态转移矩阵,Γ为过程噪声转移矩阵,xk为目标的真实状态,uk为过程噪声变量;
所述贝叶斯新息为:
其中,为雷达观测目标信息,H为观测转移矩阵,/>为状态估计量;
所述Kalman递归方程增益为:
根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计,包括:
按照如下公式更新雷达观测目标运动状态估计:
2.如权利要求1所述的MIMO雷达观测噪声优化方法,其特征在于,所述后验观测噪声协方差矩阵按如下方式进行更新:
根据观测方程,确定每一时刻观测的似然函数;
根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望;
根据所述后验观测噪声期望,确定更新后的后验观测噪声协方差矩阵。
3.如权利要求2所述的MIMO雷达观测噪声优化方法,其特征在于,根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望,包括:
获得不确定噪声参数的初值;
根据所述提议分布和不确定噪声参数的初值,确定不确定噪声参数的候选值;
根据所述不确定噪声参数的候选值,确定接受率;
根据所述接受率,得到不确定噪声参数样本点;
根据所述不确定噪声参数样本点,确定后验观测噪声期望。
4.如权利要求1所述的MIMO雷达观测噪声优化方法,其特征在于,按如下方式确定提议分布:
获得初始距离,对应的迭代次数和候选分布;
根据候选分布和噪声先验分布,确定该候选分布对应的链接序列,所述链接序列包含多组匹配点;
根据所述链接序列,确定每组匹配点对应的距离得到距离序列,取所述距离序列中的最大值;
多次移动匹配点得到每次移动对应的新的链接序列,根据所述新的链接序列确定移动后的每组匹配点对应的距离得到新的距离序列,取所述新的距离序列中的最大值,得到一组最大值序列;
取所述最大值序列中的最小值作为离散Fréchet距离;
根据所述离散Fréchet距离,利用模拟退火算法确定提议分布。
5.一种MIMO雷达观测噪声优化装置,其特征在于,包括:
信息获得模块,用于获得雷达观测目标信息和先验知识信息,所述先验知识信息包括:状态转移矩阵,观测转移矩阵,过程噪声转移矩阵和噪声先验分布;
方程确定模块,用于根据所述状态转移矩阵,观测转移矩阵和过程噪声转移矩阵,确定系统方程,所述系统方程包括:过程方程和观测方程;
新息确定模块,用于根据所述雷达观测目标信息和观测方程,确定贝叶斯新息;
增益确定模块,用于根据更新后的估计误差协方差矩阵和后验观测噪声协方差矩阵,确定Kalman递归方程增益,所述估计误差协方差矩阵是根据历史估计误差协方差矩阵、Kalman递归方程历史增益和过程噪声协方差矩阵进行更新的,后验观测噪声协方差矩阵是根据提议分布进行更新的,所述提议分布是根据所述噪声先验分布利用模拟退火算法确定的;
状态估计模块,用于根据所述过程方程,贝叶斯新息和Kalman递归方程增益,进行雷达观测目标运动状态估计;
所述过程方程为:
xk+1=Φxk+Γuk
其中,Φ为状态转移矩阵,Γ为过程噪声转移矩阵,xk为目标的真实状态,uk为过程噪声变量;
所述贝叶斯新息为:
其中,为雷达观测目标信息,H为观测转移矩阵,/>为状态估计量;
所述Kalman递归方程增益为:
状态估计模块,具体用于:
按照如下公式更新雷达观测目标运动状态估计:
6.如权利要求5所述的MIMO雷达观测噪声优化装置,其特征在于,所述后验观测噪声协方差矩阵按如下方式进行更新:
根据观测方程,确定每一时刻观测的似然函数;
根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望;
根据所述后验观测噪声期望,确定更新后的后验观测噪声协方差矩阵。
7.如权利要求6所述的MIMO雷达观测噪声优化装置,其特征在于,根据所述提议分布,利用Metropolis-Hastings算法确定后验观测噪声期望,包括:
获得不确定噪声参数的初值;
根据所述提议分布和不确定噪声参数的初值,确定不确定噪声参数的候选值;
根据所述不确定噪声参数的候选值,确定接受率;
根据所述接受率,得到不确定噪声参数样本点;
根据所述不确定噪声参数样本点,确定后验观测噪声期望。
8.如权利要求5所述的MIMO雷达观测噪声优化装置,其特征在于,按如下方式确定提议分布:
获得初始距离,对应的迭代次数和候选分布;
根据候选分布和噪声先验分布,确定该候选分布对应的链接序列,所述链接序列包含多组匹配点;
根据所述链接序列,确定每组匹配点对应的距离得到距离序列,取所述距离序列中的最大值;
多次移动匹配点得到每次移动对应的新的链接序列,根据所述新的链接序列确定移动后的每组匹配点对应的距离得到新的距离序列,取所述新的距离序列中的最大值,得到一组最大值序列;
取所述最大值序列中的最小值作为离散Fréchet距离;
根据所述离散Fréchet距离,利用模拟退火算法确定提议分布。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768965.5A CN113514810B (zh) | 2021-07-07 | 2021-07-07 | Mimo雷达观测噪声优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768965.5A CN113514810B (zh) | 2021-07-07 | 2021-07-07 | Mimo雷达观测噪声优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113514810A CN113514810A (zh) | 2021-10-19 |
CN113514810B true CN113514810B (zh) | 2023-07-18 |
Family
ID=78066925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768965.5A Active CN113514810B (zh) | 2021-07-07 | 2021-07-07 | Mimo雷达观测噪声优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514810B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101395443A (zh) * | 2006-03-01 | 2009-03-25 | 尤洛考普特公司 | 混合定位方法和设备 |
CN103983998A (zh) * | 2014-05-29 | 2014-08-13 | 北京信息科技大学 | 一种基于卡尔曼滤波及反馈控制的组合导航智能对准方法 |
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN105354403A (zh) * | 2014-08-18 | 2016-02-24 | 鲍珂 | 一种基于部件和系统试验的汽车自动变速箱可靠性评估方法 |
CN106599368A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 |
CN107576932A (zh) * | 2017-08-20 | 2018-01-12 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 合作目标与非合作目标共存的交替卡尔曼空间配准方法 |
CN108304612A (zh) * | 2017-12-26 | 2018-07-20 | 南京邮电大学 | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 |
CN108646237A (zh) * | 2018-05-09 | 2018-10-12 | 西安电子科技大学 | 基于当前统计模型的雷达机动目标跟踪优化方法 |
CN109284677A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种贝叶斯滤波目标跟踪算法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
CN111178385A (zh) * | 2019-12-02 | 2020-05-19 | 江苏大学 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
CN112882056A (zh) * | 2021-01-15 | 2021-06-01 | 西安理工大学 | 基于激光雷达的移动机器人同步定位与地图构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999599B2 (en) * | 2002-06-07 | 2006-02-14 | Microsoft Corporation | System and method for mode-based multi-hypothesis tracking using parametric contours |
US6882959B2 (en) * | 2003-05-02 | 2005-04-19 | Microsoft Corporation | System and process for tracking an object state using a particle filter sensor fusion technique |
US7289906B2 (en) * | 2004-04-05 | 2007-10-30 | Oregon Health & Science University | Navigation system applications of sigma-point Kalman filters for nonlinear estimation and sensor fusion |
-
2021
- 2021-07-07 CN CN202110768965.5A patent/CN113514810B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101395443A (zh) * | 2006-03-01 | 2009-03-25 | 尤洛考普特公司 | 混合定位方法和设备 |
CN103983998A (zh) * | 2014-05-29 | 2014-08-13 | 北京信息科技大学 | 一种基于卡尔曼滤波及反馈控制的组合导航智能对准方法 |
CN104112079A (zh) * | 2014-07-29 | 2014-10-22 | 洛阳理工学院 | 一种模糊自适应变分贝叶斯无迹卡尔曼滤波方法 |
CN105354403A (zh) * | 2014-08-18 | 2016-02-24 | 鲍珂 | 一种基于部件和系统试验的汽车自动变速箱可靠性评估方法 |
CN106599368A (zh) * | 2016-11-14 | 2017-04-26 | 浙江大学 | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 |
CN107576932A (zh) * | 2017-08-20 | 2018-01-12 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 合作目标与非合作目标共存的交替卡尔曼空间配准方法 |
CN108304612A (zh) * | 2017-12-26 | 2018-07-20 | 南京邮电大学 | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 |
CN108646237A (zh) * | 2018-05-09 | 2018-10-12 | 西安电子科技大学 | 基于当前统计模型的雷达机动目标跟踪优化方法 |
CN109284677A (zh) * | 2018-08-16 | 2019-01-29 | 昆明理工大学 | 一种贝叶斯滤波目标跟踪算法 |
CN109581353A (zh) * | 2018-11-27 | 2019-04-05 | 北京信息科技大学 | 一种基于汽车雷达的多目标跟踪方法及系统 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
CN111178385A (zh) * | 2019-12-02 | 2020-05-19 | 江苏大学 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
CN112882056A (zh) * | 2021-01-15 | 2021-06-01 | 西安理工大学 | 基于激光雷达的移动机器人同步定位与地图构建方法 |
Non-Patent Citations (6)
Title |
---|
Roozbeh Dehghannasiri等.Intrinsically Bayesian Robust Kalman Filter: An Innovation Process Approach.《IEEE Transactions on Signal Processing》.2017,2531-2546. * |
Saikat Saha等.Particle Filtering With Dependent Noise Processes.《IEEE Transactions on Signal Processing》.2012,4497 - 4508. * |
徐巍军.基于贝叶斯滤波器的移动机器人同时定位与地图创建算法研究.《中国优秀博士学位论文全文数据库 信息科技辑》.2017,(第8期),I140-56. * |
王艳辉.复杂非线性动态系统的滤波与平滑方法研究.《中国优秀博士学位论文全文数据库 信息科技辑》.2020,(第1期),I135-74. * |
秦月梅.广义未知扰动下不确定系统自适应滤波研究.《中国优秀博士学位论文全文数据库 信息科技辑》.2020,(第2期),I135-46. * |
郑虹福.基于贝叶斯框架的雷达目标跟踪方法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2021,(第5期),I136-1259. * |
Also Published As
Publication number | Publication date |
---|---|
CN113514810A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tamar et al. | Scaling up robust MDPs using function approximation | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN114124033A (zh) | 卡尔曼滤波器的实现方法、装置、存储介质和设备 | |
Van Hasselt et al. | Off-policy TD (λ) with a true online equivalence | |
WO2010026417A1 (en) | Estimating a state of at least one target | |
CN104376581A (zh) | 一种采用自适应重采样的高斯混合无迹粒子滤波算法 | |
Yperman et al. | Bayesian optimization of hyper-parameters in reservoir computing | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
CN110826021B (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN104462015B (zh) | 处理非高斯Lévy噪声的分数阶线性离散系统状态更新方法 | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
CN111507530B (zh) | 基于分数阶动量梯度下降的rbf神经网络船舶交通流预测方法 | |
CN113514810B (zh) | Mimo雷达观测噪声优化方法及装置 | |
Pazis et al. | Binary action search for learning continuous-action control policies | |
CN110689108A (zh) | 一种非线性系统状态估计方法 | |
Saglam et al. | Estimation error correction in deep reinforcement learning for deterministic actor-critic methods | |
CN111325776A (zh) | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 | |
Wang et al. | An on-line planner for pomdps with large discrete action space: A quantile-based approach | |
Tang et al. | An improved H-infinity unscented FastSLAM with adaptive genetic resampling | |
CN116437290A (zh) | 一种基于csi指纹定位的模型融合方法 | |
Wu et al. | Solving large-scale and sparse-reward dec-pomdps with correlation-mdps | |
CN115169136A (zh) | 三维空间下快速uk-gmphd多目标跟踪方法 | |
CN114611068A (zh) | 一种高机动目标跟踪方法 | |
CN113376672A (zh) | 基于模糊卡尔曼滤波的北斗伪距定位算法 |
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 |