CN113721237B - 一种多隶属度的目标智能匹配算法 - Google Patents

一种多隶属度的目标智能匹配算法 Download PDF

Info

Publication number
CN113721237B
CN113721237B CN202111287161.XA CN202111287161A CN113721237B CN 113721237 B CN113721237 B CN 113721237B CN 202111287161 A CN202111287161 A CN 202111287161A CN 113721237 B CN113721237 B CN 113721237B
Authority
CN
China
Prior art keywords
target
tracking
model
backup
probability
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
CN202111287161.XA
Other languages
English (en)
Other versions
CN113721237A (zh
Inventor
马志强
柯树林
黄建
储德松
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.)
Nanjing Thunderbolt Information Technology Co ltd
Original Assignee
Nanjing Leading Information Technology Co ltd
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 Nanjing Leading Information Technology Co ltd filed Critical Nanjing Leading Information Technology Co ltd
Priority to CN202111287161.XA priority Critical patent/CN113721237B/zh
Publication of CN113721237A publication Critical patent/CN113721237A/zh
Application granted granted Critical
Publication of CN113721237B publication Critical patent/CN113721237B/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
    • 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
    • G01S7/418—Theoretical aspects

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

本发明公开的一种多隶属度的目标智能匹配算法，包括：雷达跟踪目标过程中，配置以跟踪目标为中心的邻域空间；在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标进行点迹‑航迹关联；利用卡尔曼滤波模型对邻域空间中的备份目标进行点迹‑航迹关联；对邻域空间中的备份目标进行裁决，保留真实目标航迹；计算跟踪目标的检测概率且当小于等于目标检测丢失概率时，在备份目标选择最优的邻域目标作为跟踪目标，并对跟踪目标完成状态估计更新；在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标。本发明通过分析目标跟踪环境实现目标运动态势感知，对目标进行智能匹配，提高目标跟踪连续性，降低目标跟踪错误概率。

Description

一种多隶属度的目标智能匹配算法
技术领域
本发明涉及雷达检测目标跟踪技术领域，具体涉及一种多隶属度的目标智能匹配算法。
背景技术
雷达检测跟踪目标过程中，受地物遮挡、多目标遮挡或者目标高速机动等多种因素影响，易出现目标回波丢失现象，导致目标跟踪连续性和稳定性下降。传统的雷达数据处理技术，一种方法采用调整预测协方差矩阵的方法，扩大目标波门实现目标搜索关联。在多目标或者杂波干扰的条件下，该方法增加了目标跟踪错误或者跟踪丢失的概率；另一种多假设关联算法可提高目标跟踪性能，但是该方法具有延迟特性，不适合实时目标跟踪阶段。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供一种多隶属度的目标智能匹配算法，通过分析目标跟踪环境实现目标运动态势感知，以时间、空间等多隶属度参数关系对目标进行智能匹配，在多目标、遮挡、高机动等场景下提高目标跟踪连续性，降低目标跟踪错误概率，减少人工干预，提升了雷达跟踪系统的智能化水平。
技术方案：本发明所述的多隶属度的目标智能匹配算法，包括如下步骤：
S1：雷达跟踪目标过程中，配置以跟踪目标
Figure 799837DEST_PATH_IMAGE001
为中心的邻域空间，对跟踪目标进行 环境感知；
S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标
Figure 452535DEST_PATH_IMAGE001
进行点迹-航迹 关联，实现目标跟踪和状态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 104228DEST_PATH_IMAGE002
，
Figure 791561DEST_PATH_IMAGE003
，
Figure 119774DEST_PATH_IMAGE004
是 邻域空间备份目标个数，利用卡尔曼滤波模型进行点迹-航迹关联，实现目标检测跟踪和状 态估计；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 259769DEST_PATH_IMAGE002
进行裁决，删除虚假目标 航迹和独立点航迹，保留真实目标航迹；
S5：计算跟踪目标
Figure 735660DEST_PATH_IMAGE001
的检测概率
Figure 11920DEST_PATH_IMAGE005
并与目标检测丢失概率
Figure 511035DEST_PATH_IMAGE006
进行比较，当
Figure 138325DEST_PATH_IMAGE007
时，跟踪目标
Figure 131820DEST_PATH_IMAGE001
丢失，在备份目标
Figure 793745DEST_PATH_IMAGE002
中选择最优的邻域目标
Figure 198182DEST_PATH_IMAGE008
匹配为跟踪目标
Figure 47189DEST_PATH_IMAGE001
，并对匹配后的跟踪目标
Figure 844375DEST_PATH_IMAGE001
完成状态估计更新；
S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标
Figure 360807DEST_PATH_IMAGE002
；
S7：重复步骤S2至 S6，直至删除跟踪目标
Figure 936145DEST_PATH_IMAGE001
。
进一步完善上述技术方案，所述步骤S1中邻域空间配置成以跟踪目标
Figure 272448DEST_PATH_IMAGE001
为圆心的 圆空间或者以跟踪目标
Figure 857013DEST_PATH_IMAGE001
为中心的矩形空间，两种空间能够通过配置参数进行切换。
进一步地，所述步骤S2中交互式多模型算法的模型数
Figure 713105DEST_PATH_IMAGE009
，分别为匀速运动跟踪 模型和机动跟踪模型，匀速运动跟踪模型的状态转移矩阵为
Figure 724923DEST_PATH_IMAGE010
，机动跟踪模型的状态转移 矩阵为
Figure 814102DEST_PATH_IMAGE011
：
Figure 936779DEST_PATH_IMAGE012
，
Figure 441185DEST_PATH_IMAGE013
其中，
Figure 889484DEST_PATH_IMAGE014
为雷达扫描周期，
Figure 200380DEST_PATH_IMAGE015
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure 877480DEST_PATH_IMAGE016
；
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure 223010DEST_PATH_IMAGE017
；
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure 576631DEST_PATH_IMAGE018
；
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure 374823DEST_PATH_IMAGE019
为：
Figure 855614DEST_PATH_IMAGE020
；
其中，
Figure 55651DEST_PATH_IMAGE021
时代表匀速运动跟踪模型，
Figure 580174DEST_PATH_IMAGE022
时代表机动跟踪模型，
Figure 865661DEST_PATH_IMAGE023
为X方向位 置，
Figure 150143DEST_PATH_IMAGE024
为X方向速度，
Figure 204687DEST_PATH_IMAGE025
为X方向加速度，
Figure 900111DEST_PATH_IMAGE026
为Y方向位置，
Figure 672895DEST_PATH_IMAGE027
为Y方向速度，
Figure 492558DEST_PATH_IMAGE028
为Y方向加速 度。
进一步地，所述交互式多模型计算流程如下：
S21：
Figure 401609DEST_PATH_IMAGE029
时刻，对于算法模型集中的任意模型
Figure 533513DEST_PATH_IMAGE030
，由模型
Figure 528014DEST_PATH_IMAGE031
到模型
Figure 154298DEST_PATH_IMAGE032
的混合概率为：
Figure 917855DEST_PATH_IMAGE033
式中：
Figure 220660DEST_PATH_IMAGE034
为模型个数，
Figure 702457DEST_PATH_IMAGE035
为模型
Figure 866853DEST_PATH_IMAGE036
到模型
Figure 750496DEST_PATH_IMAGE032
的转移概率，
Figure 224202DEST_PATH_IMAGE037
为k-1时刻每个 滤波器的模型概率，
Figure 193295DEST_PATH_IMAGE038
；
模型
Figure 161382DEST_PATH_IMAGE032
的混合状态估计：
Figure 899531DEST_PATH_IMAGE039
；
模型
Figure 544139DEST_PATH_IMAGE032
的混合协方差估计：
Figure 734949DEST_PATH_IMAGE040
；
S22：对于模型
Figure 490416DEST_PATH_IMAGE032
，进行卡尔曼滤波
状态预测：
Figure 96453DEST_PATH_IMAGE041
；
预测误差协方差：
Figure 646383DEST_PATH_IMAGE042
；
残差：
Figure 590068DEST_PATH_IMAGE043
；
卡尔曼增益：
Figure 149225DEST_PATH_IMAGE044
；
状态更新：
Figure 612699DEST_PATH_IMAGE045
；
预测误差协方差更新：
Figure 599110DEST_PATH_IMAGE046
；
S23：模型概率更新
采用似然函数更新模型概率
Figure 764512DEST_PATH_IMAGE047
，模型
Figure 861781DEST_PATH_IMAGE032
的似然函数为
Figure 179761DEST_PATH_IMAGE048
；
模型
Figure 337072DEST_PATH_IMAGE049
的概率更新为
Figure 989771DEST_PATH_IMAGE050
，
其中
Figure 156310DEST_PATH_IMAGE051
，
S24、输出融合，
状态估计：
Figure 594376DEST_PATH_IMAGE052
；
协方差估计：
Figure 922589DEST_PATH_IMAGE053
进一步地，所述步骤S3中卡尔曼滤波模型的计算流程如下：
预测阶段：
Figure 62583DEST_PATH_IMAGE054
式中，
Figure 501655DEST_PATH_IMAGE055
为状态估计空间，
Figure 56876DEST_PATH_IMAGE056
为状态转移矩阵，
Figure 555991DEST_PATH_IMAGE057
为状态协方差矩阵，
Figure 183281DEST_PATH_IMAGE058
为过程噪声矩阵，
Figure 176776DEST_PATH_IMAGE059
为目标预测状态，
Figure 573122DEST_PATH_IMAGE060
为目标预 测协方差矩阵；
更新阶段：
Figure 243138DEST_PATH_IMAGE061
；
Figure 623304DEST_PATH_IMAGE062
为测量方程的噪声，
Figure 420490DEST_PATH_IMAGE063
为卡尔曼增益矩阵，
Figure 671343DEST_PATH_IMAGE064
为测量矩阵。
进一步地，所述步骤S4的具体过程如下：
S41：计算备份目标
Figure 512260DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure 848563DEST_PATH_IMAGE065
并与目标检测跟踪的最小滑窗长度
Figure 183861DEST_PATH_IMAGE066
比较，当
Figure 554799DEST_PATH_IMAGE067
时对备份目标进行裁决；
S42：计算备份目标
Figure 566617DEST_PATH_IMAGE002
的检测概率
Figure 655796DEST_PATH_IMAGE068
，
Figure 526276DEST_PATH_IMAGE069
；
S43：计算备份目标
Figure 17300DEST_PATH_IMAGE002
的似然比
Figure 465599DEST_PATH_IMAGE070
，
Figure 776494DEST_PATH_IMAGE071
；
其中，
Figure 719174DEST_PATH_IMAGE072
为备份目标
Figure 64704DEST_PATH_IMAGE002
至
Figure 418325DEST_PATH_IMAGE029
时刻的关联点迹量测集合，
Figure 950938DEST_PATH_IMAGE073
表示假设备份 目标
Figure 431729DEST_PATH_IMAGE002
来源于真实目标事件，
Figure 631766DEST_PATH_IMAGE074
表示假设备份目标
Figure 156288DEST_PATH_IMAGE002
来源于真实目标的归一 化概率，
Figure 441776DEST_PATH_IMAGE075
表示假设备份目标
Figure 460679DEST_PATH_IMAGE002
来源于杂波事件，
Figure 515222DEST_PATH_IMAGE076
表示假设备份目标
Figure 476225DEST_PATH_IMAGE002
来源于杂波的归一化概率；
S44、对备份目标
Figure 983430DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure 537515DEST_PATH_IMAGE077
，
其中，
Figure 712144DEST_PATH_IMAGE078
为真实目标存在的最小检测概率，
Figure 578469DEST_PATH_IMAGE079
为真实目标存在的最小似然比， 若备份目标
Figure 838549DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 182943DEST_PATH_IMAGE002
的检测生存时间
Figure 962811DEST_PATH_IMAGE080
并与备份目标最大检测跟踪时间
Figure 265616DEST_PATH_IMAGE081
比 较，若
Figure 12992DEST_PATH_IMAGE082
成立，则删除备份目标
Figure 177389DEST_PATH_IMAGE002
。
进一步地，所述步骤S5中采用时间和空间隶属度在备份目标
Figure 61031DEST_PATH_IMAGE002
中进行匹配。
进一步地，所述步骤S5的具体过程如下：
S51：计算跟踪目标
Figure 534738DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 503831DEST_PATH_IMAGE002
的时间差
Figure 206339DEST_PATH_IMAGE083
；
S52：计算跟踪目标
Figure 210067DEST_PATH_IMAGE001
丢失时，备份目标
Figure 589095DEST_PATH_IMAGE002
出现概率
Figure 45485DEST_PATH_IMAGE084
，
Figure 814333DEST_PATH_IMAGE085
，
其中
Figure 672568DEST_PATH_IMAGE086
为跟踪目标
Figure 488077DEST_PATH_IMAGE001
的新息协方差，
Figure 431762DEST_PATH_IMAGE087
为备份目标
Figure 741652DEST_PATH_IMAGE002
的新息；
S53：若
Figure 454393DEST_PATH_IMAGE088
且备份目标
Figure 175224DEST_PATH_IMAGE002
创建状态
Figure 606206DEST_PATH_IMAGE089
，在满足上述条件的备份目 标
Figure 454207DEST_PATH_IMAGE002
中选择出现概率
Figure 287034DEST_PATH_IMAGE084
最大的备份目标作为跟踪目标
Figure 913187DEST_PATH_IMAGE001
的匹配目标
Figure 831465DEST_PATH_IMAGE008
；
S54：根据匹配目标
Figure 483157DEST_PATH_IMAGE008
对跟踪目标
Figure 639332DEST_PATH_IMAGE001
完成状态估计更新。
S51是时间约束条件，S52采用出现概率描述进行空间约束。
进一步地，点迹只要不满足下面公式，就可以创建备份目标，所述步骤S6的具体过程如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 967545DEST_PATH_IMAGE001
的 距离差
Figure 841960DEST_PATH_IMAGE090
和方位差
Figure 546611DEST_PATH_IMAGE091
，并与距离保护空间范围
Figure 859691DEST_PATH_IMAGE092
、方位保护空间范围
Figure 358805DEST_PATH_IMAGE093
相比较，若
Figure 986096DEST_PATH_IMAGE094
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure 228858DEST_PATH_IMAGE095
的状 态，设置条件为：
Figure 375937DEST_PATH_IMAGE096
。
有益效果：与现有技术相比，本发明的优点在于：本发明通过分析目标跟踪环境实现目标运动态势感知，以时间、空间多隶属度参数关系对跟踪目标进行智能匹配，提高了目标跟踪的连续性，与传统的调整协方差法和多假设法，降低了目标跟踪错误概率，减少了人工干预，提高了目标跟踪实时性。
附图说明
图1是本发明的智能匹配算法处理流程图；
图2是本发明目标裁决处理流程图；
图3是目标丢失匹配算法流程图；
图4是目标跟踪滑窗的示意图；
图5是目标丢失回波场景下的目标自动匹配示意图；
图6是目标机动丢失回波场景下的目标自动匹配示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
如图1所示的多隶属度的目标智能匹配算法，包括：
S1：雷达跟踪目标过程中，建立以跟踪目标
Figure 311532DEST_PATH_IMAGE001
为中心的邻域空间，实现跟踪目标环 境感知；
S2：在雷达当前扫描周期中，对跟踪目标
Figure 426118DEST_PATH_IMAGE001
利用交互式多模型算法进行跟踪和状 态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 206993DEST_PATH_IMAGE002
，
Figure 208578DEST_PATH_IMAGE003
，利用卡 尔曼滤波模型进行检测跟踪和状态估计，
Figure 49495DEST_PATH_IMAGE004
是邻域空间备份目标个数；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 651377DEST_PATH_IMAGE002
进行裁决，删除虚假目标 航迹和独立点航迹，保留真实目标航迹；
S5：当跟踪目标
Figure 970363DEST_PATH_IMAGE001
检测概率
Figure 341302DEST_PATH_IMAGE007
（
Figure 103853DEST_PATH_IMAGE006
为目标检测丢失概率），以时间、空间等 多隶属度在备份目标
Figure 661873DEST_PATH_IMAGE002
中进行匹配，选择最优的邻域目标
Figure 50129DEST_PATH_IMAGE008
作为跟踪目标
Figure 275574DEST_PATH_IMAGE002
，提高目标 跟踪连续性；
S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹起始备份目标；
S7：重复S2~S6。
具体地，步骤S1：邻域空间可设置成以跟踪目标为圆心的圆空间或者以跟踪目标为中心的矩形空间，可利用配置参数进行切换。
定义邻域空间参数NbSpaceCfg数据结构如下：
NbSpaceCfg.Type; //目标邻域空间类别: 1表示圆空间，2表示矩形空间
NbSpaceCfg.radius; //圆空间半径距离
NbSpaceCfg.xMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的X方向最大距离
NbSpaceCfg.yMaxDis; //在笛卡尔系下，矩形空间到跟踪目标中心的Y方向最大距离。
步骤S2：本发明中，跟踪目标
Figure 192714DEST_PATH_IMAGE097
采用交互式多模型方法，模型数
Figure 782571DEST_PATH_IMAGE009
，一种为匀速 运动跟踪模型，一种为机动跟踪模型，其状态转移矩阵分别为
Figure 443360DEST_PATH_IMAGE012
Figure 523311DEST_PATH_IMAGE013
其中，
Figure 142511DEST_PATH_IMAGE014
为雷达扫描周期，
Figure 425856DEST_PATH_IMAGE015
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure 155915DEST_PATH_IMAGE016
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure 90373DEST_PATH_IMAGE017
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure 614895DEST_PATH_IMAGE018
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure 900383DEST_PATH_IMAGE098
为：
Figure 919286DEST_PATH_IMAGE020
其中，
Figure 708250DEST_PATH_IMAGE021
时代表匀速运动跟踪模型，
Figure 669253DEST_PATH_IMAGE022
时代表机动跟踪模型，
Figure 176457DEST_PATH_IMAGE023
为X方向位 置，
Figure 982739DEST_PATH_IMAGE024
为X方向速度，
Figure 908101DEST_PATH_IMAGE025
为X方向加速度，
Figure 774426DEST_PATH_IMAGE026
为Y方向位置，
Figure 768927DEST_PATH_IMAGE027
为Y方向速度，
Figure 378900DEST_PATH_IMAGE028
为Y方向加速 度。
交互式多模型计算流程包括如下步骤：
S21：
Figure 155838DEST_PATH_IMAGE029
时刻，对于算法模型集中的任意模型
Figure 193065DEST_PATH_IMAGE030
，由模型
Figure 674861DEST_PATH_IMAGE031
到模 型
Figure 88525DEST_PATH_IMAGE032
的混合概率为：
Figure 972168DEST_PATH_IMAGE033
；
式中：
Figure 931028DEST_PATH_IMAGE034
为模型个数，
Figure 900121DEST_PATH_IMAGE035
为模型
Figure 851896DEST_PATH_IMAGE036
到模型
Figure 590045DEST_PATH_IMAGE032
的转移概率，
Figure 969074DEST_PATH_IMAGE037
为k-1时刻每个 滤波器的模型概率，
Figure 176195DEST_PATH_IMAGE099
；
模型
Figure 931662DEST_PATH_IMAGE032
的混合状态估计：
Figure 524317DEST_PATH_IMAGE100
；
模型
Figure 605405DEST_PATH_IMAGE032
的混合协方差估计：
Figure 34244DEST_PATH_IMAGE101
；
S22：对于模型
Figure 327822DEST_PATH_IMAGE032
，进行卡尔曼滤波
状态预测：
Figure 40563DEST_PATH_IMAGE041
；
预测误差协方差：
Figure 26974DEST_PATH_IMAGE042
；
残差：
Figure 192376DEST_PATH_IMAGE043
；
卡尔曼增益：
Figure 37447DEST_PATH_IMAGE044
；
状态更新：
Figure 604695DEST_PATH_IMAGE045
；
预测误差协方差更新：
Figure 762007DEST_PATH_IMAGE046
。
S23：模型概率更新
采用似然函数更新模型概率
Figure 414705DEST_PATH_IMAGE047
，模型
Figure 800818DEST_PATH_IMAGE032
的似然函数为
Figure 222572DEST_PATH_IMAGE102
；
模型
Figure 816365DEST_PATH_IMAGE049
的概率更新为：
Figure 690780DEST_PATH_IMAGE103
，
其中
Figure 395431DEST_PATH_IMAGE051
，
S24、输出融合，
状态估计：
Figure 688003DEST_PATH_IMAGE052
；
协方差估计：
Figure 187117DEST_PATH_IMAGE053
。
在步骤S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 814408DEST_PATH_IMAGE104
利用卡尔曼滤波模型进行点迹-航迹关联，实现目标检测跟踪和状态估计，
Figure 791591DEST_PATH_IMAGE105
是邻域空间备 份目标个数；
预测阶段：
Figure 204249DEST_PATH_IMAGE054
式中，
Figure 608685DEST_PATH_IMAGE055
为状态估计空间，
Figure 723272DEST_PATH_IMAGE056
为状态转移矩阵，
Figure 504146DEST_PATH_IMAGE057
为状态协方差矩阵，
Figure 754999DEST_PATH_IMAGE058
为过程噪声矩阵，
Figure 343719DEST_PATH_IMAGE059
为目标预测状态，
Figure 945601DEST_PATH_IMAGE060
为目标预 测协方差矩阵；
更新阶段：
Figure 264587DEST_PATH_IMAGE106
；
Figure 901105DEST_PATH_IMAGE062
为测量方程的噪声，
Figure 663656DEST_PATH_IMAGE063
为卡尔曼增益矩阵，
Figure 487255DEST_PATH_IMAGE064
为测量矩阵。
步骤S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 609932DEST_PATH_IMAGE002
进行裁决，删除虚假 目标航迹和独立点航迹，保留真实目标航迹。具体步骤如下：
S41：计算备份目标
Figure 835377DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure 768829DEST_PATH_IMAGE065
并与目标检测跟踪的最小滑窗长度
Figure 345304DEST_PATH_IMAGE066
比较，当
Figure 271672DEST_PATH_IMAGE067
时对备份目标进行裁决；
S42：计算备份目标
Figure 86044DEST_PATH_IMAGE002
的检测概率
Figure 705244DEST_PATH_IMAGE068
，
Figure 254168DEST_PATH_IMAGE069
；
S43：计算备份目标
Figure 453068DEST_PATH_IMAGE002
的似然比
Figure 653105DEST_PATH_IMAGE070
，
Figure 177628DEST_PATH_IMAGE071
；
其中，
Figure 197536DEST_PATH_IMAGE072
为备份目标
Figure 479089DEST_PATH_IMAGE002
至
Figure 533632DEST_PATH_IMAGE029
时刻的关联点迹量测集合，
Figure 963477DEST_PATH_IMAGE073
表示假设备份 目标
Figure 736260DEST_PATH_IMAGE002
来源于真实目标事件，
Figure 542542DEST_PATH_IMAGE074
表示假设备份目标
Figure 202325DEST_PATH_IMAGE002
来源于真实目标的归一 化概率，
Figure 334229DEST_PATH_IMAGE075
表示假设备份目标
Figure 328730DEST_PATH_IMAGE002
来源于杂波事件，
Figure 938703DEST_PATH_IMAGE076
表示假设备份目标
Figure 718571DEST_PATH_IMAGE002
来源于杂波的归一化概率；
S44、对备份目标
Figure 755797DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure 237594DEST_PATH_IMAGE107
其中，
Figure 916837DEST_PATH_IMAGE078
为真实目标存在的最小检测概率，
Figure 551212DEST_PATH_IMAGE079
为真实目标存在的最小似然比， 若备份目标
Figure 759339DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 462853DEST_PATH_IMAGE002
的检测生存时间
Figure 680208DEST_PATH_IMAGE080
并与备份目标最大检测跟踪时间
Figure 152778DEST_PATH_IMAGE081
比 较，若
Figure 545188DEST_PATH_IMAGE082
成立，则删除备份目标
Figure 1577DEST_PATH_IMAGE002
。
步骤5：当跟踪目标
Figure 757044DEST_PATH_IMAGE001
检测概率
Figure 615278DEST_PATH_IMAGE007
时，
Figure 165208DEST_PATH_IMAGE006
为目标检测丢失概率，以时间、空间 等多隶属度在备份目标
Figure 594047DEST_PATH_IMAGE002
中进行匹配，选择最优的邻域目标
Figure 153204DEST_PATH_IMAGE008
作为跟踪目标
Figure 865945DEST_PATH_IMAGE001
，提高目 标跟踪连续性。具体步骤如下：
S51：计算跟踪目标
Figure 586777DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 768490DEST_PATH_IMAGE002
的时间差
Figure 662497DEST_PATH_IMAGE083
；
S52：计算跟踪目标
Figure 964165DEST_PATH_IMAGE001
丢失时，备份目标
Figure 872210DEST_PATH_IMAGE002
出现概率
Figure 524908DEST_PATH_IMAGE084
，
Figure 691447DEST_PATH_IMAGE085
其中
Figure 378780DEST_PATH_IMAGE086
为跟踪目标
Figure 454796DEST_PATH_IMAGE001
的新息协方差，
Figure 329211DEST_PATH_IMAGE087
为备份目标
Figure 768283DEST_PATH_IMAGE002
的新息；
S53：若
Figure 310123DEST_PATH_IMAGE088
且备份目标
Figure 543658DEST_PATH_IMAGE002
创建状态
Figure 921681DEST_PATH_IMAGE089
，在满足上述条件的备份目 标
Figure 164443DEST_PATH_IMAGE002
中选择出现概率
Figure 560790DEST_PATH_IMAGE084
最大的备份目标作为跟踪目标
Figure 230805DEST_PATH_IMAGE001
的匹配目标
Figure 830545DEST_PATH_IMAGE008
；
S54：根据匹配目标
Figure 611419DEST_PATH_IMAGE008
对跟踪目标
Figure 127851DEST_PATH_IMAGE001
完成状态估计更新。
S6：当雷达当前扫描周期中，对邻域空间中的非目标关联点迹进行备份目标
Figure 968768DEST_PATH_IMAGE002
起 始。具体步骤如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 39492DEST_PATH_IMAGE001
的 距离差
Figure 374790DEST_PATH_IMAGE090
和方位差
Figure 745728DEST_PATH_IMAGE091
，并与距离保护空间范围
Figure 757547DEST_PATH_IMAGE092
、方位保护空间范围
Figure 581146DEST_PATH_IMAGE093
相比较，若
Figure 703823DEST_PATH_IMAGE094
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure 966088DEST_PATH_IMAGE095
的状 态，设置条件为：
Figure 148807DEST_PATH_IMAGE096
。
S7：重复步骤2~步骤6。
如图5所示，对跟踪目标采用匀速运动跟踪模型进行跟踪和状态估计，雷达量测点迹与目标轨迹在目标丢失回波场景下的目标自动匹配；如图6所示，对跟踪目标采用机动跟踪模型，雷达量测点迹与目标轨迹在机动丢失回波场景下自动匹配。与传统的调整协方差法和多假设法，降低了目标跟踪错误概率，减少了人工干预，提高了目标跟踪实时性。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (7)

1.一种多隶属度的目标智能匹配算法，其特征在于，包括如下步骤：
S1：雷达跟踪目标过程中，配置以跟踪目标
Figure DEST_PATH_IMAGE001
为中心的邻域空间，对跟踪目标进行环境感知；
S2：在雷达当前扫描周期中，利用交互式多模型算法对跟踪目标
Figure 366558DEST_PATH_IMAGE001
进行点迹-航迹关联，实现跟踪目标
Figure 752540DEST_PATH_IMAGE001
的跟踪和状态估计；
S3：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE004
是邻域空间备份目标个数，利用卡尔曼滤波模型进行点迹-航迹关联，实现备份目标
Figure 906179DEST_PATH_IMAGE002
的跟踪和状态估计；
S4：在雷达当前扫描周期中，对邻域空间中的备份目标
Figure 770230DEST_PATH_IMAGE002
进行裁决，删除虚假目标航迹和独立点航迹，保留真实目标航迹；所述S4包括：
S41：计算备份目标
Figure 53443DEST_PATH_IMAGE002
的跟踪滑窗长度
Figure DEST_PATH_IMAGE005
并与目标检测跟踪的最小滑窗长度
Figure DEST_PATH_IMAGE006
比较，当
Figure DEST_PATH_IMAGE007
时对备份目标进行裁决；
S42：计算备份目标
Figure 751272DEST_PATH_IMAGE002
的检测概率
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
；
S43：计算备份目标
Figure 923365DEST_PATH_IMAGE002
的似然比
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
；
其中，
Figure DEST_PATH_IMAGE012
为备份目标
Figure 997632DEST_PATH_IMAGE002
至
Figure DEST_PATH_IMAGE013
时刻的关联点迹量测集合，
Figure DEST_PATH_IMAGE014
表示假设备份目标
Figure 837149DEST_PATH_IMAGE002
来源于真实目标事件，
Figure DEST_PATH_IMAGE015
表示假设备份目标
Figure 768196DEST_PATH_IMAGE002
来源于真实目标的归一化概率，
Figure DEST_PATH_IMAGE016
表示假设备份目标
Figure 194629DEST_PATH_IMAGE002
来源于杂波事件，
Figure DEST_PATH_IMAGE017
表示假设备份目标
Figure 869324DEST_PATH_IMAGE002
来源于杂波的归一化概率；
S44、对备份目标
Figure 861551DEST_PATH_IMAGE002
进行裁决，裁决约束条件为：
Figure DEST_PATH_IMAGE018
，
其中，
Figure DEST_PATH_IMAGE019
为真实目标存在的最小检测概率，
Figure DEST_PATH_IMAGE020
为真实目标存在的最小似然比，若备份目标
Figure 462035DEST_PATH_IMAGE002
不满足裁决约束条件，则执行步骤S5；
S45、计算备份目标
Figure 172502DEST_PATH_IMAGE002
的检测生存时间
Figure DEST_PATH_IMAGE021
并与备份目标最大检测跟踪时间
Figure DEST_PATH_IMAGE022
比较，若
Figure DEST_PATH_IMAGE023
成立，则删除备份目标
Figure 57412DEST_PATH_IMAGE002
；
S5：计算跟踪目标
Figure 966462DEST_PATH_IMAGE001
的检测概率
Figure DEST_PATH_IMAGE024
并与目标检测丢失概率
Figure DEST_PATH_IMAGE025
进行比较，当
Figure DEST_PATH_IMAGE026
时，跟踪目标
Figure 878792DEST_PATH_IMAGE001
丢失，采用时间和空间隶属度在备份目标
Figure 76556DEST_PATH_IMAGE002
中选择最优的邻域目标作为跟踪目标
Figure 624212DEST_PATH_IMAGE001
的匹配目标
Figure DEST_PATH_IMAGE027
，根据匹配目标
Figure 856610DEST_PATH_IMAGE027
对跟踪目标
Figure 595633DEST_PATH_IMAGE001
完成状态估计更新；
S6：在雷达当前扫描周期中，对邻域空间中的非目标关联点迹创建备份目标
Figure 749534DEST_PATH_IMAGE002
；
S7：重复步骤S2至 S6，直至删除跟踪目标
Figure 100881DEST_PATH_IMAGE001
。
2.根据权利要求1所述的多隶属度的目标智能匹配算法，其特征在于：步骤S1中邻域空间配置成以跟踪目标
Figure 922207DEST_PATH_IMAGE001
为圆心的圆空间或者以跟踪目标
Figure 130334DEST_PATH_IMAGE001
为中心的矩形空间，两种空间能够通过配置参数进行切换。
3.根据权利要求2所述的多隶属度的目标智能匹配算法，其特征在于：步骤S2中交互式多模型算法的模型数
Figure DEST_PATH_IMAGE028
，分别为匀速运动跟踪模型和机动跟踪模型，匀速运动跟踪模型的状态转移矩阵为
Figure DEST_PATH_IMAGE029
，机动跟踪模型的状态转移矩阵为
Figure DEST_PATH_IMAGE030
：
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为雷达扫描周期，
Figure DEST_PATH_IMAGE034
为机动常数；
匀速运动跟踪模型和机动跟踪模型的目标量测方程为：
Figure DEST_PATH_IMAGE035
；
匀速运动跟踪模型和机动跟踪模型的初始转移概率为：
Figure DEST_PATH_IMAGE036
；
匀速运动跟踪模型和机动跟踪模型初始化模型概率为：
Figure DEST_PATH_IMAGE037
；
匀速运动跟踪模型和机动跟踪模型的状态空间
Figure DEST_PATH_IMAGE038
为：
Figure DEST_PATH_IMAGE039
；
其中，模型
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
时代表匀速运动跟踪模型，
Figure DEST_PATH_IMAGE042
时代表机动跟踪模型，
Figure DEST_PATH_IMAGE043
为X方向位置，
Figure DEST_PATH_IMAGE044
为X方向速度，
Figure DEST_PATH_IMAGE045
为X方向加速度，
Figure DEST_PATH_IMAGE046
为Y方向位置，
Figure DEST_PATH_IMAGE047
为Y方向速度，
Figure DEST_PATH_IMAGE048
为Y方向加速度。
4.根据权利要求3所述的多隶属度的目标智能匹配算法，其特征在于：所述交互式多模型计算流程如下：
S21：
Figure 605088DEST_PATH_IMAGE013
时刻，对于交互式多模型算法模型集中的任意模型
Figure DEST_PATH_IMAGE049
，由所述模型
Figure 963388DEST_PATH_IMAGE040
到模型
Figure DEST_PATH_IMAGE050
的混合概率为：
Figure DEST_PATH_IMAGE052
式中：
Figure DEST_PATH_IMAGE053
为模型个数，
Figure DEST_PATH_IMAGE054
为模型
Figure DEST_PATH_IMAGE055
到模型
Figure 747542DEST_PATH_IMAGE050
的转移概率，
Figure DEST_PATH_IMAGE056
为k-1时刻每个滤波器的模型概率，
Figure DEST_PATH_IMAGE057
；
模型
Figure 533096DEST_PATH_IMAGE050
的混合状态估计：
Figure DEST_PATH_IMAGE058
；
模型
Figure 130430DEST_PATH_IMAGE050
的混合协方差估计：
Figure DEST_PATH_IMAGE060
；
S22：对于模型
Figure 56536DEST_PATH_IMAGE050
，进行卡尔曼滤波
状态预测：
Figure DEST_PATH_IMAGE061
；
预测误差协方差：
Figure DEST_PATH_IMAGE062
；
残差：
Figure DEST_PATH_IMAGE063
；
卡尔曼增益：
Figure DEST_PATH_IMAGE064
；
状态更新：
Figure DEST_PATH_IMAGE065
；
预测误差协方差更新：
Figure DEST_PATH_IMAGE066
；
S23：模型概率更新
采用似然函数更新模型概率
Figure DEST_PATH_IMAGE067
，模型
Figure 898459DEST_PATH_IMAGE050
的似然函数为
Figure DEST_PATH_IMAGE068
；
模型
Figure DEST_PATH_IMAGE069
的概率更新为
Figure DEST_PATH_IMAGE070
，
其中，
Figure DEST_PATH_IMAGE071
；
S24、输出融合，
状态估计：
Figure DEST_PATH_IMAGE072
；
协方差估计：
Figure DEST_PATH_IMAGE073
。
5.根据权利要求4所述的多隶属度的目标智能匹配算法，其特征在于：步骤S3中卡尔曼滤波模型的计算流程如下：
预测阶段：
Figure DEST_PATH_IMAGE074
式中，
Figure DEST_PATH_IMAGE075
为状态估计空间，
Figure DEST_PATH_IMAGE076
为状态转移矩阵，
Figure DEST_PATH_IMAGE077
为状态协方差矩阵，
Figure DEST_PATH_IMAGE078
为过程噪声矩阵，
Figure DEST_PATH_IMAGE079
为目标预测状态，
Figure DEST_PATH_IMAGE080
为目标预测协方差矩阵；
更新阶段：
Figure DEST_PATH_IMAGE081
；
Figure DEST_PATH_IMAGE082
为测量方程的噪声，
Figure DEST_PATH_IMAGE083
为卡尔曼增益矩阵，
Figure DEST_PATH_IMAGE084
为测量矩阵。
6.根据权利要求5所述的多隶属度的目标智能匹配算法，其特征在于：步骤S5的具体过程如下：
S51：计算跟踪目标
Figure 291132DEST_PATH_IMAGE001
丢失时间和创建备份目标
Figure 172500DEST_PATH_IMAGE002
的时间差
Figure DEST_PATH_IMAGE085
；
S52：计算跟踪目标
Figure 934920DEST_PATH_IMAGE001
丢失时，备份目标
Figure 319765DEST_PATH_IMAGE002
出现概率
Figure DEST_PATH_IMAGE086
，
Figure DEST_PATH_IMAGE087
，
其中
Figure DEST_PATH_IMAGE088
为跟踪目标
Figure 680076DEST_PATH_IMAGE001
的新息协方差，
Figure DEST_PATH_IMAGE089
为备份目标
Figure 252003DEST_PATH_IMAGE002
的新息；
S53：若备份目标
Figure 286955DEST_PATH_IMAGE002
满足
Figure DEST_PATH_IMAGE090
且备份目标
Figure 526307DEST_PATH_IMAGE002
创建状态
Figure DEST_PATH_IMAGE091
，选择出现概率
Figure 119837DEST_PATH_IMAGE086
最大的备份目标
Figure 710218DEST_PATH_IMAGE002
作为跟踪目标
Figure 548861DEST_PATH_IMAGE001
的匹配目标
Figure 908298DEST_PATH_IMAGE027
；
S54：根据匹配目标
Figure 174195DEST_PATH_IMAGE027
对跟踪目标
Figure 48610DEST_PATH_IMAGE001
完成状态估计更新。
7.根据权利要求6所述的多隶属度的目标智能匹配算法，其特征在于：步骤S6的具体过程如下：
S61：对于邻域空间内的非目标关联点迹，在极坐标系中计算点迹与跟踪目标
Figure 690944DEST_PATH_IMAGE001
的距离差
Figure DEST_PATH_IMAGE092
和方位差
Figure DEST_PATH_IMAGE093
，并与距离保护空间范围
Figure DEST_PATH_IMAGE094
、方位保护空间范围
Figure DEST_PATH_IMAGE095
相比较，若
Figure DEST_PATH_IMAGE096
则距离差和方位差在保护空间范围内，该点迹不创建备份目标；
S62：对于备份目标的起始点迹，记录起始点迹时间，设置备份目标的
Figure DEST_PATH_IMAGE097
的状态，设置条件为：
Figure DEST_PATH_IMAGE098
。
CN202111287161.XA 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法 Active CN113721237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111287161.XA CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111287161.XA CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Publications (2)

Publication Number Publication Date
CN113721237A CN113721237A (zh) 2021-11-30
CN113721237B true CN113721237B (zh) 2022-02-08

Family

ID=78686414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111287161.XA Active CN113721237B (zh) 2021-11-02 2021-11-02 一种多隶属度的目标智能匹配算法

Country Status (1)

Country Link
CN (1) CN113721237B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509751A (zh) * 2022-02-11 2022-05-17 海信集团控股股份有限公司 一种基于雷达的目标跟踪方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SG101444A1 (en) * 2001-04-20 2004-01-30 Singapore Tech Aerospace Ltd A maneuvering target tracking method via modifying the interacting multiple model (imm) and the interacting acceleration compensation (iac) algorithms
CN101614817A (zh) * 2009-06-24 2009-12-30 北京航空航天大学 一种基于地面动目标指示雷达系统的多目标跟踪方法
CN103853908B (zh) * 2012-12-04 2017-11-14 中国科学院沈阳自动化研究所 一种自适应交互式多模型的机动目标跟踪方法
CN106249232B (zh) * 2016-08-24 2018-08-21 中国电子科技集团公司第二十八研究所 基于目标运动态势信息数据关联策略的目标跟踪方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN109508000B (zh) * 2018-12-16 2021-09-03 西南电子技术研究所（中国电子科技集团公司第十研究所） 异构多传感器多目标跟踪方法
CN109633589A (zh) * 2019-01-08 2019-04-16 沈阳理工大学 目标跟踪中基于多模型优化多假设的多目标数据关联方法
CN112233145A (zh) * 2020-10-23 2021-01-15 湖南工程学院 一种基于rgb-d时空上下文模型的多目标遮挡跟踪方法

Also Published As

Publication number Publication date
CN113721237A (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN109633589A (zh) 目标跟踪中基于多模型优化多假设的多目标数据关联方法
US7079991B2 (en) Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms
Lan et al. An EM algorithm for multipath state estimation in OTHR target tracking
CN109298725B (zh) 一种基于phd滤波的群体机器人分布式多目标跟踪方法
CN114049382B (zh) 一种智能网联环境下目标融合跟踪方法、系统和介质
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
CN107436434B (zh) 基于双向多普勒估计的航迹起始方法
CN107064865B (zh) 基于深度聚类的极坐标动态规划无源协同定位方法
CN113671481B (zh) 一种基于毫米波雷达的3d多目标跟踪处理方法
CN113064155A (zh) 一种空中雷达多目标跟踪下航迹关联的优化方法
CN108010066B (zh) 基于红外目标灰度互相关和角度信息的多假设跟踪方法
CN113721237B (zh) 一种多隶属度的目标智能匹配算法
CN114119659A (zh) 一种多传感器融合的目标跟踪方法
CN114779204B (zh) 一种基于雷达目标幅度最小二乘跟踪处理方法及系统
Yoo et al. Alpha–beta-tracking index (α–β–Λ) tracking filter
CN109375159B (zh) 纯方位加权约束总体最小二乘定位方法
Coraluppi et al. Recent advances in multi-INT track fusion
CN116184386A (zh) 一种目标跟踪方法、设备和存储介质
CN110007298A (zh) 一种目标超前预测跟踪方法
Yang Review of Target Tracking Algorithms Based on Bayes Filtering
CN116299254B (zh) 一种被动雷达寻的器的目标跟踪方法
CN113391274B (zh) 一种机载相控阵雷达低空目标最优搜索方法
Zhang et al. Multisensor management method for ground moving target tracking based on Doppler blind zone information
Yu et al. Bernoulli Track-before-detect Algorithm for Distributed Target with Unknown Amplitude Information
CN116106854B (zh) 一种联合差分矩阵和时延法的信源数估计方法

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
CP03 Change of name, title or address

Address after: 210000 Room 301, floor 3, building 75, zone B, entrepreneurship and innovation city, No. 15, Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee after: Nanjing Thunderbolt Information Technology Co.,Ltd.

Address before: 210000 15 Fengji Avenue, Yuhuatai District, Nanjing, Jiangsu Province

Patentee before: NANJING LEADING INFORMATION TECHNOLOGY Co.,Ltd.

CP03 Change of name, title or address