CN113534128B - 一种机载预警雷达海面机动舰船目标自适应跟踪方法 - Google Patents

一种机载预警雷达海面机动舰船目标自适应跟踪方法 Download PDF

Info

Publication number
CN113534128B
CN113534128B CN202011128438.XA CN202011128438A CN113534128B CN 113534128 B CN113534128 B CN 113534128B CN 202011128438 A CN202011128438 A CN 202011128438A CN 113534128 B CN113534128 B CN 113534128B
Authority
CN
China
Prior art keywords
model
frame
smooth
distribution
early warning
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
CN202011128438.XA
Other languages
English (en)
Other versions
CN113534128A (zh
Inventor
谢文冲
王永良
许红
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202011128438.XA priority Critical patent/CN113534128B/zh
Publication of CN113534128A publication Critical patent/CN113534128A/zh
Application granted granted Critical
Publication of CN113534128B publication Critical patent/CN113534128B/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
    • 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
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/937—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of marine craft

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种机载预警雷达海面机动舰船目标自适应跟踪方法，包括，步骤1：将所述机载预警雷达检测到的量测点迹数据转换至跟踪坐标系；步骤2：将上一平滑区间的处理结果输至当前平滑区间；步骤3：根据上一平滑区间的处理结果，利用变分贝叶斯学习求解量测噪声协方差矩阵的后验分布；步骤4：采用消隐模型求解步骤3中的量测噪声协方差矩阵在当前平滑区间的预测分布；步骤5：利用所述步骤1输出的量测点迹数据和所述步骤4的处理结果，采用交互式多模型算法进行正向滤波处理；步骤6：利用所述步骤4和所述步骤5的处理结果，采用RTS‑IMM算法进行逆向平滑处理；步骤7：根据所述步骤6的处理结果通过矩匹配处理求解融合估计值，并输出航迹。

Description

一种机载预警雷达海面机动舰船目标自适应跟踪方法
技术领域
本发明涉及信号处理技术领域，尤其涉及一种机载预警雷达海面机动舰船目标自适应跟踪方法。
背景技术
预警机具有全天候、探测范围广和指挥自动化程度高等优势，在海上预警和监视体系中发挥重要作用。
舰船目标通常做匀速直线运动，但也存在目标机动，如转弯和加速运动等，特别是现代舰艇的航速和机动特性不断增强。因此，海面舰船目标跟踪实质上是一个慢速机动目标跟踪问题。目前，常用交互式多模型(IMM)算法来解决机动目标跟踪问题，但现有的IMM算法处理机动舰船目标跟踪问题时存在如下两个问题：一是跟踪模型失配问题，舰船目标跟踪受到目标闪烁、大气折射、地面反射和平台震动等诸多非理想因素的影响，测量误差呈现出“时大时小”的非平稳特性，这导致设置的跟踪模型与实际模型不匹配，进而引起算法估计性能下降甚至失效；二是目标航迹不平滑，相较于飞机和导弹等空中目标，舰船目标运动速度较慢，这导致雷达连续扫描两帧间隔之间，测角误差引起的量测偏差远大于目标真实运动位移，量测点迹呈现的目标运动特性不明显，采用传统的航迹滤波处理，舰船目标的航迹不平滑。
因此，急需发明一种更优的慢速机动目标跟踪方法以提高机载预警雷达对海面舰船目标的跟踪性能。
发明内容
为此，本发明提供一种机载预警雷达海面机动舰船目标自适应跟踪方法，用以克服现有技术中存在的问题。
为实现上述目的，本发明提供一种机载预警雷达海面机动舰船目标自适应跟踪方法，包括如下步骤，
步骤1：首先将所述机载预警雷达检测到的量测点迹数据转换至跟踪坐标系；
步骤2：将上一平滑区间的处理结果输入至当前平滑区间；
步骤3：根据上一平滑区间的处理结果，利用变分贝叶斯学习求解量测噪声协方差矩阵的后验分布；
步骤4：采用消隐模型求解所述步骤3中的量测噪声协方差矩阵在当前平滑区间的预测分布；
步骤5：利用所述步骤1输出的量测点迹数据和所述步骤4的处理结果，采用交互式多模型算法进行正向滤波处理；
步骤6：利用所述步骤4和所述步骤5的处理结果，采用RTS-IMM算法进行逆向平滑处理；
步骤7：根据所述步骤6的处理结果通过矩匹配处理求解融合估计值，并输出航迹；
设定所述机载预警雷达在天线阵面坐标系中获得舰船目标的斜距、方位角和俯仰角信息得出量测点迹坐标为(r，θ，φ)，设定雷达的扫描帧序为k， k＝1,2,…,K，每帧扫描间隔时间为T，所述交互式多模型算法采用的多模型数目为M，所述多模型数目包括匀速模型、匀加速模型和匀速转弯模型。
进一步地，所述步骤1中跟踪坐标系为地面惯性直角坐标系。
进一步地，在所述步骤2中，上一平滑区间结果单元输入上一平滑区间 [k-L-1 k-1]，其中，k表示帧序号，L表示平滑步长，平滑步长的取值范围为L∈[5 10]。
进一步地，所述步骤2中，上一平滑区间处理结果单元的处理结果包括量测点迹数据、状态平滑值及协方差矩阵和噪声参数的预测值。
进一步地，在所述步骤3中，利用变分贝叶斯学习求解上一平滑区间 [k-L-1 k-1]量测噪声协方差矩阵Rk-L-1的后验分布为，
Figure RE-GDA0003248549440000021
其中，IW(v,V)表示自由度为v，规模矩阵为V的逆-威沙特分布，参数
Figure BDA0002734320140000031
和
Figure BDA0002734320140000032
的更新表达式为
Figure BDA0002734320140000033
其中，矩阵At求解为
Figure BDA0002734320140000034
其中，H为量测矩阵，
Figure BDA0002734320140000035
I3表示维数为3×3的单位矩阵，
Figure BDA0002734320140000036
表示Kronecker积，zt表示所述步骤2中输出的第t帧的量测数据，
Figure BDA0002734320140000037
和Ptk-1分别表示步骤2输出的第t帧的状态平滑值及协方差矩阵，
Figure BDA0002734320140000038
和
Figure BDA0002734320140000039
分别表示步骤2输出的上一平滑区间量测噪声协方差矩阵分布中的自由度参数和规模矩阵的预测值。
进一步地，在所述步骤4中，预测当前平滑区间[k-L k]的量测噪声协方 差矩阵Rk-L的分布满足
Figure RE-GDA0003248549440000038
其中，预测分布 的参数
Figure RE-GDA0003248549440000039
和
Figure RE-GDA00032485494400000310
通过
Figure RE-GDA00032485494400000311
消隐模型求解，
Figure BDA00027343201400000314
Figure BDA00027343201400000315
其中，λ表示遗忘因子，取值范围为λ∈[0.95 1]，nz表示量测向量的维数，取值为2和3。
进一步地，在所述步骤5中，正向IMM滤波单元采用M个运动模型，在平滑区间[k-Lk]内，采用IMM算法并利用所述步骤4输出的噪声协方差矩阵分布的参数，得出正向滤波结果
Figure BDA00027343201400000316
和重初始化结果
Figure BDA00027343201400000317
其中
Figure BDA00027343201400000318
和
Figure BDA00027343201400000319
分别表示第t帧第j个模型的状态向量估计值和状态重初始化值，
Figure BDA00027343201400000320
和
Figure BDA00027343201400000321
分别表示第t帧第j个模型的状态估计协方差矩阵和协方差矩阵重初始化值，
Figure BDA00027343201400000322
表示第t帧第j个模型的模型概率值，运动模型为匀速模型、匀加速模型和匀速转弯模型。
进一步地，在所述步骤6中，逆向平滑单元采用M个运动模型，对所述步骤5滤波结果中第k帧的滤波值，得出当前扫描帧的平滑值，利用当前扫描帧的平滑值，并求解第k-1帧的平滑值。
进一步地，在所述步骤6中，求解第k-1帧的平滑值步骤包括：
步骤601：通过滑动RTS-IMM算法求解第j个模型状态向量在第k帧的条件概率分布函数
Figure BDA0002734320140000041
步骤602：通过RTS平滑算法求解第j个模型状态向量在第k-1帧的条件概率分布函数
Figure BDA0002734320140000042
步骤603：通过滑动RTS-IMM算法求解第j个模型在第k-1帧的模型概率
Figure BDA0002734320140000043
在求解条件概率分布函数
Figure BDA0002734320140000044
时，采用了所述步骤4中输出的噪声协方差矩阵分布的参数，对于第k-2,k-3,……,k-L帧的平滑值，重复上述操作得到相应的平滑值，对于各扫描帧M个模型的逆向平滑结果，其分布为高斯混合分布，运动模型包括匀速模型、匀加速模型和匀速转弯模型。
进一步地，在所述步骤7中，融合估计单元通过矩匹配将所述步骤6中逆向平滑输出的高斯混合分布近似为高斯分布，假设第t帧该高斯分布的均值和协方差矩阵分别为
Figure BDA0002734320140000045
和Pt|k，具体求解过程为，
Figure BDA0002734320140000046
Figure BDA0002734320140000047
其中，
Figure BDA0002734320140000048
和
Figure BDA0002734320140000049
分别表示所述步骤6中第t帧条件概率分布函数
Figure BDA00027343201400000410
对应的均值和协方差矩阵，融合估计后的状态均值
Figure BDA00027343201400000411
中包含了第t 帧目标的运动参数信息，即为输出航迹。
与现有技术相比，本发明的有益效果在于，本发明通过提供一种机载预警雷达海面机动舰船目标自适应跟踪方法，首先将平滑区间内的量测数据通过坐标变换转换至跟踪坐标系；其次将上一平滑区间的结果输入至当前平滑区间，并利用变分贝叶斯学习求解量测噪声协方差矩阵的后验分布；再次利用上一平滑区间的量测噪声协方差矩阵的预测值进行正向IMM滤波；接着根据滤波结果进行逆向平滑，求解状态平滑值及其协方差矩阵，并给出模型概率的平滑值；最后矩匹配步骤将高斯混合分布近似为高斯分布得到融合估计结果，同时输出平滑后的航迹，提高了机载预警雷达对海绵舰船目标的跟踪性能。
进一步地，本发明通过将固定步长平滑算法引入到IMM算法框架，从而实现目标航迹的在线平滑。同时，本发明通过引入变分贝叶斯学习机制，可在线学习和调整量测噪声分布参数，克服了跟踪模型失配问题，有效提高了机载预警雷达对海绵舰船目标的跟踪性能。
尤其，本发明方法采用了一种“信息反馈+后处理”的近似处理方案，通过矩匹配步骤将多模型输出转化为一个高斯分布，而后通过高斯条件下变分贝叶斯学习方法更新量测噪声协方差矩阵的分布参数，克服了直接对多模型混合分布进行变分学习没有解析解的难点，而且本发明所述跟踪方法的计算中没有迭代步骤，具有运算量小，工程实现简单，可实现性强等特点，能够有效减少跟踪方法中的运算，提高跟踪方法数据的准确性，提高跟踪性能。
进一步地，本发明针对机载预警雷达实际中面临着的诸多非理想因素导致跟踪模型失配的问题，利用变分贝叶斯学习在线学习量测噪声协方差矩阵，对于量测噪声模型失配具有较强的鲁棒性，适用于量测噪声协方差矩阵先验未知或非平稳等非理想条件。而且本发明针对传统滤波算法对于慢速舰船目标状态估计的不足，采用在线平滑算法，输出的目标航迹更加平滑，提升了舰船目标的运动状态估计精度。
附图说明
图1为本发明所述机载预警雷达海面机动舰船目标自适应跟踪方法的结构框图；
图2为本发明所述机载预警雷达海面机动舰船目标自适应跟踪方法的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1-2所示，本发明通过提供一种机载预警雷达海面机动舰船目标自适应跟踪方法，包括如下步骤：
步骤1：首先设定机载预警雷达在天线阵面坐标系中获得舰船目标的斜距、方位角和俯仰角信息得出量测点迹坐标为(r，θ，φ)，设定雷达的扫描帧序为 k，k＝1,2,…,K，每帧扫描间隔时间为T，坐标转换单元将第k帧的量测点迹数据经去偏、旋转和平移变换转换至跟踪坐标系，得到转换后的量测数据zk，其中，跟踪坐标系为地面惯性直角坐标系。
步骤2：上一平滑区间结果单元输入上一平滑区间[k-L-1 k-1]，其中， k表示帧序号，L表示平滑步长，平滑步长的取值范围为L∈[5 10]，上一平滑区间处理结果单元的处理结果包括量测点迹数据、状态平滑值及协方差矩阵和噪声参数的预测值；
步骤3：变分学习单元根据所述步骤2中输入的上一平滑区间的结果信息， 利用变分贝叶斯学习求解上一平滑区间[k-L-1 k-1]量测噪声协方差矩阵 Rk-L-1的后验分布为
Figure RE-GDA0003248549440000061
其中， IW(v，V)表示自由度为v，规模矩阵为V的逆-威沙特分布，参数
Figure RE-GDA0003248549440000062
和
Figure RE-GDA0003248549440000071
的更新表达式为
Figure BDA0002734320140000073
其中，矩阵At求解为
Figure BDA0002734320140000074
其中，H为量测矩阵，
Figure BDA0002734320140000075
I3表示维数为3×3的单位矩阵，
Figure BDA0002734320140000076
表示Kronecker积，zt表示所述步骤2中输出的第t帧的量测数据，
Figure BDA0002734320140000077
和Pt|k-1分别表示步骤2输出的第t帧的状态平滑值及协方差矩阵，
Figure BDA0002734320140000078
和
Figure BDA0002734320140000079
分别表示步骤2输出的上一平滑区间量测噪声协方差矩阵分布中的自由度参数和规模矩阵的预测值；
步骤4：噪声参数预测单元根据所述步骤3的变分学习结果，预测当前平滑 区间[k-L k]的量测噪声协方差矩阵Rk-L的分布满足
Figure RE-GDA0003248549440000079
预测分布通过消隐模型给出，参数
Figure RE-GDA00032485494400000710
和
Figure RE-GDA00032485494400000711
求解如下
Figure BDA00027343201400000713
Figure BDA00027343201400000714
其中，λ表示遗忘因子，取值范围为λ∈[0.95 1]，nz表示量测向量的维数，取值为2和3；
步骤5：交互式多模型算法的英文缩写为IMM算法，IMM算法采用的多模型数目为M，所述交互式多模型算法包括匀速模型、匀加速模型和匀速转弯模型；
正向IMM滤波单元采用M个运动模型，在平滑区间[k-L k]内，采用IMM 算法并利用所述步骤4输出的噪声协方差矩阵分布的参数，求解得到正向滤波结果
Figure BDA00027343201400000715
和重初始化结果
Figure BDA00027343201400000716
其中
Figure BDA00027343201400000717
和
Figure BDA00027343201400000718
分别表示第t帧第j个模型的状态向量估计值和状态重初始化值，
Figure BDA0002734320140000081
和
Figure BDA0002734320140000082
分别表示第t 帧第j个模型的状态估计协方差矩阵和协方差矩阵重初始化值，
Figure BDA0002734320140000083
表示第t帧第 j个模型的模型概率值，运动模型为匀速模型、匀加速模型和匀速转弯模型；
步骤6：逆向平滑单元采用M个运动模型，对所述步骤5滤波结果中第k 帧的滤波值，得出当前扫描帧的平滑值，利用当前扫描帧的平滑值，求解第k-1 帧的平滑值为，
步骤601：通过滑动RTS-IMM算法求解第j个模型状态向量在第k帧的条件概率分布函数
Figure BDA0002734320140000084
步骤602：通过RTS平滑算法求解第j个模型状态向量在第k-1帧的条件概率分布函数
Figure BDA0002734320140000085
步骤603：通过滑动RTS-IMM算法求解第j个模型在第k-1帧的模型概率
Figure BDA0002734320140000086
在求解条件概率分布函数
Figure BDA0002734320140000087
时，采用了所述步骤4中输出的噪声协方差矩阵分布的参数，对于第k-2,k-3,……,k-L帧的平滑值，重复上述操作得到相应的平滑值，对于各扫描帧M个模型的逆向平滑结果，其分布为高斯混合分布，运动模型包括匀速模型、匀加速模型和匀速转弯模型；
步骤7：融合估计单元通过矩匹配将所述步骤6中逆向平滑输出的高斯混合分布近似为高斯分布，假设第t帧该高斯分布的均值和协方差矩阵分别为
Figure BDA0002734320140000088
和 Pt|k，具体求解过程为，
Figure BDA0002734320140000089
Figure BDA00027343201400000810
其中，
Figure BDA00027343201400000811
和
Figure BDA00027343201400000812
分别表示所述步骤6中第t帧条件概率分布函数
Figure BDA00027343201400000813
对应的均值和协方差矩阵，融合估计后的状态均值
Figure BDA00027343201400000814
中包含了第t 帧目标的运动参数信息，即为输出航迹。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，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 (10)

1.一种机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，包括如下步骤，
步骤1：首先将所述机载预警雷达检测到的量测点迹数据转换至跟踪坐标系；
步骤2：将上一平滑区间的处理结果输入至当前平滑区间；
步骤3：根据上一平滑区间的处理结果，利用变分贝叶斯学习求解量测噪声协方差矩阵的后验分布；
步骤4：采用消隐模型求解所述步骤3中的量测噪声协方差矩阵在当前平滑区间的预测分布；
步骤5：利用所述步骤1输出的量测点迹数据和所述步骤4的处理结果，采用交互式多模型算法进行正向滤波处理；
步骤6：利用所述步骤4和所述步骤5的处理结果，采用RTS-IMM算法进行逆向平滑处理；
步骤7：根据所述步骤6的处理结果通过矩匹配处理求解融合估计值，并输出航迹；
设定所述机载预警雷达在天线阵面坐标系中获得舰船目标的斜距、方位角和俯仰角信息得出量测点迹坐标为(r，θ，φ)，设定雷达的扫描帧序为k，k＝1,2,…,K，每帧扫描间隔时间为T，所述交互式多模型算法采用的多模型数目为M，所述多模型数目包括匀速模型、匀加速模型和匀速转弯模型。
2.根据权利要求1所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，所述步骤1中跟踪坐标系为地面惯性直角坐标系。
3.根据权利要求2所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤2中，上一平滑区间结果单元输入上一平滑区间[k-L-1 k-1]，其中，k表示帧序号，L表示平滑步长，平滑步长的取值范围为L∈[5 10]。
4.根据权利要求3所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，所述步骤2中，上一平滑区间处理结果单元的处理结果包括量测点迹数据、状态平滑值及协方差矩阵和噪声参数的预测值。
5.根据权利要求4所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤3中，利用变分贝叶斯学习求解上一平滑区间[k-L-1 k-1]量测噪声协方差矩阵Rk-L-1的后验分布为，
Figure FDA0003819902280000021
其中，IW(v，V)表示自由度为v，规模矩阵为V的逆-威沙特分布，参数
Figure FDA0003819902280000022
和
Figure FDA0003819902280000023
的更新表达式为，
Figure FDA0003819902280000024
其中，矩阵At求解为
Figure FDA0003819902280000025
其中，H为量测矩阵，
Figure FDA0003819902280000026
I3表示维数为3×3的单位矩阵，
Figure FDA0003819902280000027
表示Kronecker积，zt表示所述步骤2中输出的第t帧的量测数据，
Figure FDA0003819902280000028
和Pt|k-1分别表示步骤2输出的第t帧的状态平滑值及协方差矩阵，
Figure FDA0003819902280000029
和
Figure FDA00038199022800000210
分别表示步骤2输出的上一平滑区间量测噪声协方差矩阵分布中的自由度参数和规模矩阵的预测值。
6.根据权利要求5所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤4中，预测当前平滑区间[k-L k]的量测噪声协方差矩阵Rk-L的分布满足
Figure FDA0003819902280000031
其中，预测分布的参数
Figure FDA0003819902280000032
和
Figure FDA0003819902280000033
通过
Figure FDA0003819902280000034
消隐模型求解，
Figure FDA0003819902280000035
Figure FDA0003819902280000036
其中，λ表示遗忘因子，取值范围为λ∈[0.95 1]，nz表示量测向量的维数，取值为2和3。
7.根据权利要求6所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤5中，正向IMM滤波单元采用M个运动模型，在平滑区间[k-L k]内，采用IMM算法并利用所述步骤4输出的噪声协方差矩阵分布的参数，得出正向滤波结果
Figure FDA0003819902280000037
和重初始化结果
Figure FDA0003819902280000038
其中
Figure FDA0003819902280000039
和
Figure FDA00038199022800000310
分别表示第t帧第j个模型的状态向量估计值和状态重初始化值，
Figure FDA00038199022800000311
和
Figure FDA00038199022800000312
分别表示第t帧第j个模型的状态估计协方差矩阵和协方差矩阵重初始化值，
Figure FDA00038199022800000313
表示第t帧第j个模型的模型概率值，运动模型为匀速模型、匀加速模型和匀速转弯模型。
8.根据权利要求7所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤6中，逆向平滑单元采用M个运动模型，对所述步骤5滤波结果中第k帧的滤波值，得出当前扫描帧的平滑值，利用当前扫描帧的平滑值，并求解第k-1帧的平滑值。
9.根据权利要求8所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤6中，求解第k-1帧的平滑值步骤包括：
步骤601：通过滑动RTS-IMM算法求解第j个模型状态向量在第k帧的条件概率分布函数
Figure FDA00038199022800000314
步骤602：通过RTS平滑算法求解第j个模型状态向量在第k-1帧的条件概率分布函数
Figure FDA0003819902280000041
步骤603：通过滑动RTS-IMM算法求解第j个模型在第k-1帧的模型概率
Figure FDA0003819902280000042
在求解条件概率分布函数
Figure FDA0003819902280000043
时，采用了所述步骤4中输出的噪声协方差矩阵分布的参数，对于第k-2,k-3,……,k-L帧的平滑值，重复上述操作得到相应的平滑值，对于各扫描帧M个模型的逆向平滑结果，其分布为高斯混合分布，运动模型包括匀速模型、匀加速模型和匀速转弯模型。
10.根据权利要求9所述的机载预警雷达海面机动舰船目标自适应跟踪方法，其特征在于，在所述步骤7中，融合估计单元通过矩匹配将所述步骤6中逆向平滑输出的高斯混合分布近似为高斯分布，假设第t帧该高斯分布的均值和协方差矩阵分别为
Figure FDA0003819902280000044
和Pt|k，具体求解过程为，
Figure FDA0003819902280000045
Figure FDA0003819902280000046
其中，
Figure FDA0003819902280000047
和
Figure FDA0003819902280000048
分别表示所述步骤6中第t帧条件概率分布函数
Figure FDA0003819902280000049
对应的均值和协方差矩阵，融合估计后的状态均值
Figure FDA00038199022800000410
中包含了第t帧目标的运动参数信息，即为输出航迹。
CN202011128438.XA 2020-10-21 2020-10-21 一种机载预警雷达海面机动舰船目标自适应跟踪方法 Active CN113534128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011128438.XA CN113534128B (zh) 2020-10-21 2020-10-21 一种机载预警雷达海面机动舰船目标自适应跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011128438.XA CN113534128B (zh) 2020-10-21 2020-10-21 一种机载预警雷达海面机动舰船目标自适应跟踪方法

Publications (2)

Publication Number Publication Date
CN113534128A CN113534128A (zh) 2021-10-22
CN113534128B true CN113534128B (zh) 2022-10-11

Family

ID=78094465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011128438.XA Active CN113534128B (zh) 2020-10-21 2020-10-21 一种机载预警雷达海面机动舰船目标自适应跟踪方法

Country Status (1)

Country Link
CN (1) CN113534128B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0203688D0 (en) * 2002-02-16 2002-11-13 Bae Systems Combat And Radar S Ship motion predictor
US7817079B1 (en) * 2008-04-17 2010-10-19 The United States Of America As Represented By The Secretary Of The Navy System and method for collection of global AIS and radar track information
CN107045125B (zh) * 2017-03-17 2020-01-14 电子科技大学 一种基于预测值量测转换的交互多模型雷达目标跟踪方法
CN108957437B (zh) * 2018-05-18 2020-10-16 中船重工鹏力（南京）大气海洋信息系统有限公司 一种基于环境态势分析的雷达目标跟踪方法
CN109212519B (zh) * 2018-08-27 2023-04-07 西安电子科技大学 基于bf-dlstm的窄带雷达目标跟踪方法
CN109508445B (zh) * 2019-01-14 2023-05-05 哈尔滨工程大学 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法
CN109633599B (zh) * 2019-01-29 2023-01-17 中国人民解放军空军预警学院 一种机载预警雷达多目标跟踪方法
CN110850403B (zh) * 2019-11-18 2022-07-26 中国船舶重工集团公司第七0七研究所 一种多传感器决策级融合的智能船水面目标感知识别方法

Also Published As

Publication number Publication date
CN113534128A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109100714B (zh) 一种基于极坐标系的低慢小目标跟踪方法
Kung et al. A normal distribution transform-based radar odometry designed for scanning and automotive radars
Ruiz et al. Feature extraction and data association for AUV concurrent mapping and localisation
CN104199022B (zh) 一种基于目标模态估计的临近空间高超声速目标跟踪方法
CN109324315B (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
US11092686B2 (en) Method, apparatus and device for doppler compensation in a time switched MIMO radar system
CN111929676B (zh) 一种基于密度聚类的x波段雷达目标检测与跟踪方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
Cormack et al. Joint registration and fusion of an infrared camera and scanning radar in a maritime context
Helgesen et al. Sensor combinations in heterogeneous multi-sensor fusion for maritime target tracking
Fortune et al. Statistical autofocus of synthetic aperture sonar images using image contrast optimisation
CN111060909B (zh) 一种机载雷达斜前视超分辨成像方法
Magnant et al. Joint tracking and classification for extended targets in maritime surveillance
CN115775261A (zh) 基于高斯距离匹配的海面多目标跟踪方法及系统
Cormack et al. Message passing and hierarchical models for simultaneous tracking and registration
CN113534128B (zh) 一种机载预警雷达海面机动舰船目标自适应跟踪方法
Song et al. Error mitigation algorithm based on bidirectional fitting method for collision avoidance of unmanned surface vehicle
US20220057486A1 (en) Object Classification Using Machine Learning
CN113311430A (zh) 蜂群无人机数量估计和航迹生成方法
Magnant et al. Joint tracking and classification based on kinematic and target extent measurements
RU2232402C2 (ru) Способ определения дальности до источников радиоизлучений и скорости сближения с ними в однопозиционных радиолокационных системах
Jimenez et al. Experimental results in bearings-only tracking using the sequential Monte-Carlo probability hypothesis density filter
Schuster et al. Multi Detection Joint Integrated Probabilistic Data Association Using Random Matrices with Applications to Radar-Based Multi Object Tracking.
CN113989327A (zh) 一种基于卷积神经网络粒子滤波算法的单uuv目标状态估计方法
CN116758261B (zh) 基于生成对抗网络的宽带前视成像雷达目标识别方法

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