CN114167359A - 一种弱小目标自适应关联滤波方法、系统及存储介质 - Google Patents

一种弱小目标自适应关联滤波方法、系统及存储介质 Download PDF

Info

Publication number
CN114167359A
CN114167359A CN202111475274.2A CN202111475274A CN114167359A CN 114167359 A CN114167359 A CN 114167359A CN 202111475274 A CN202111475274 A CN 202111475274A CN 114167359 A CN114167359 A CN 114167359A
Authority
CN
China
Prior art keywords
track
measurement
filter
weak
point
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
CN202111475274.2A
Other languages
English (en)
Inventor
陈福年
王启凡
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 Tianlang Defense Technology Co ltd
Original Assignee
Nanjing Tianlang Defense 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 Tianlang Defense Technology Co ltd filed Critical Nanjing Tianlang Defense Technology Co ltd
Priority to CN202111475274.2A priority Critical patent/CN114167359A/zh
Publication of CN114167359A publication Critical patent/CN114167359A/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
    • 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
    • G01S7/023—Interference mitigation, e.g. reducing or avoiding non-intentional interference with other HF-transmitters, base station transmitters for mobile communication or other radar systems, e.g. using electro-magnetic interference [EMI] reduction techniques
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种弱小目标自适应关联滤波方法、系统及存储介质，所述方法中首先根据测量点计算获取适应的测量噪声协方差，进一步得到航迹滤波器的新息和新息协方差；根据滤波器的新息协方差和新息筛选最优测量点；最后根据最优测量点和测量噪声协方差矩阵更新航迹信息，输出滤波结果；本发明的方法将卡尔曼滤波过程与数据关联结合起来，增加闭环反馈，使得滤波过程与关联过程相互促进；同时根据测量点迹信噪比计算适配的测量噪声，能够有效的适应强弱信号的差异，测量噪声与测量点迹匹配度更高，滤波收敛快，滤波精度高。

Description

一种弱小目标自适应关联滤波方法、系统及存储介质
技术领域
本发明涉及一种自适应关联滤波方法、系统及存储介质。
背景技术
由于雷达技术的广泛应用，越来越多的雷达被用于进行对鸟类、无人机等低空目标的探测。这类目标与飞机类等目标相比，反射面积较小，波导特性较差，且在低空环境下，地面环境杂波较强。这就导致目标的信噪比较低，检测概率低，检测误差大，地杂波引起的虚假检测多。这种目标对雷达检测跟踪处理而言，属于杂波环境下的弱小目标的检测跟踪，这种场景一直是数据处理的难点。面对这种场景，不少学者提出了对弱目标的检测确认方法，目前有效的方法多是多通过长时间的积累提高目标的检测数量或检测能量。这种方法固然解决了部分问题，但是牺牲了雷达时间资源，而且对于运动较快的目标有可能无法进行有效积累。这种方法通过多次探测的方式对目标进行跟踪确认。当前的方法没有考虑针对弱小目标在进行航迹关联滤波时进行算法优化。
发明内容
发明目的：本发明的目的是提供一种自适应关联滤波方法，解决弱小目标跟踪过程中确认目标迟、滤波精度差的问题。
技术方案：本发明所述的一种弱小目标自适应关联滤波方法，包括如下步骤：
(1)输入雷达测量点迹，根据测量点迹的信噪比实时计算测角均方根误差σθ，获取该测量点迹的测量噪声协方差矩阵；
(2)预测与点迹匹配的航迹状态，计算航迹滤波器的新息和新息协方差；
(3)根据滤波器的新息协方差和当前测量点的新息计算点航匹配质量并筛选最优测量点迹；
(4)采用最优测量点及其噪声协方差矩阵更新航迹信息，完成航迹滤波。
进一步地，步骤(3)中根据滤波器的新息协方差S和当前测量点的新息v计算关联质量ε＝v′S-1v，所述关联质量ε为服从χ2分布的随机变量，自由度为测量点迹的维数，用查表法筛选最优测量点，筛除杂波点。
进一步地，步骤(1)中所述测角均方根误差
Figure BDA0003393330120000011
其中Kp为测角误斜率，θB为雷达波束宽度，B为接收机带宽、τc为距离波门宽度、βn为伺服系统带宽、fτ为重复频率，S/N为目标的信噪比；所述测量噪声协方差矩阵
Figure BDA0003393330120000012
其中
Figure BDA0003393330120000013
为点迹距离测量方差，
Figure BDA0003393330120000014
ρ为测量点迹距离，θ为测量点迹角度。
进一步地，步骤(2)中当前测量点的新息v(k+1)和新息协方差S(k+1)的计算方法为：
Figure BDA0003393330120000021
其中Z(k+1)为k+1时刻测量点迹的观测向量，
Figure BDA0003393330120000022
为其一步预测，H(k+1)为观测矩阵，
Figure BDA0003393330120000023
为滤波器协方差的一步预测。
进一步地，步骤(4)中更新航迹信息的方法为：根据最优测量点修正滤波器状态矩阵和状态协方差矩阵，用修正的滤波器信息更新航迹。所述修正的滤波器状态矩阵X(k+1)和状态协方差矩阵P(k+1)计算公式为：
Figure BDA0003393330120000024
其中
Figure BDA0003393330120000025
为X(k+1)的一步预测，K(k+1)为卡尔曼增益，
Figure BDA0003393330120000026
Figure BDA0003393330120000027
本发明所述的一种弱小目标自适应关联滤波系统，包括由航迹关联器和航迹滤波器；航迹关联器利用航迹滤波器中的当前测量点新息和新息协方差进行点迹位置匹配，筛选最优测量点；航迹滤波器利用航迹关联器中的测量噪声协方差和最优测量点迹预测航迹状态并进行航迹滤波。
本发明所述的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本发明所述的弱小目标自适应关联滤波方法。
有益效果：本发明与现有技术相比的优点在于：(1)目标筛选速度快：将卡尔曼滤波过程与数据关联结合起来，增加闭环反馈，使得滤波过程与关联过程相互促进，能够有效的适应强弱信号的差异，避免误关联的同时又能筛选出测量误差较大测量点；(2)滤波精度高：航迹滤波器获取关联中实时计算的测量点迹的测量噪声协方差进行滤波，测量噪声与测量点迹匹配度更高，因而滤波收敛快，滤波精度高；(3)对于强目标也能适用。
附图说明
图1为本发明的滤波原理图；
图2为本发明的航迹关联器工作流程图；
图3为本发明的航迹滤波器工作流程图；
图4为常规关联滤波原理图；
图5为本发明实施例中航迹关联结果轨迹对比图；
图6为本发明实施例中航迹滤波结果轨迹对比图；
图7为本发明实施例中测角精度对比图；
图8为本发明实施例中测距精度对比图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示，所述弱小目标自适应关联滤波方法，包括航迹关联器和航迹滤波器，航迹关联器获取滤波器的滤波新息协方差信息用于关联质量评价，航迹滤波器获取关联中计算的测量点迹的测量噪声协方差进行滤波；通过一体化的关联滤波框架设计将自适应关联器和自适应滤波器结合起来，通过信息的相互传递和反馈来迭代优化滤波结果。
如图2所示，航迹关联器进行航迹关联器的步骤如下：
(11)获取测量点迹的测角均方根误差σθ。
通过测量点迹的统计信噪比可以计算得到测角均方根误差σθ，参考雷达原理中的公式如下：
Figure BDA0003393330120000031
其中Kp为测角误斜率，θB为雷达波束宽度，B、τc、βn、fτ分别为接收机带宽、距离波门宽度、伺服系统带宽、重复频率，以上参数均为雷达设计参数，对于同一雷达不会发生改变。而其中的S/N为目标的信噪比，反应了目标的信号强度。当目标较小或者距离较远时，信噪比较小，相应的测角误差较大且发现概率较低。基于以上公式可知对于同一雷达利用信噪比能够计算得到测角均方根误差σθ。
(12)获取测量点迹的测量噪声协方差矩阵R。
根据(1)中计算得到的测角均方根误差σθ可以计算测量噪声协方差矩阵R，公式如下：
Figure BDA0003393330120000032
其中
Figure BDA0003393330120000033
为点迹距离测量方差，该参数对不同目标变化不大且对最终结果影响较小，
Figure BDA0003393330120000034
ρ为测量点迹距离，θ为测量点迹角度。
计算完毕后，将测量点迹和测量点迹的测量噪声协方差矩阵R输出航迹滤波器。
(13)利用输入的滤波器新息协方差S和测量点新息v计算关联质量ε。
ε＝ν'S-1ν
其中S为滤波器基于当前测量点计算得到新息协方差矩阵，v为滤波器基于当前测量点计算得到新息列向量，ε为服从χ2分布的随机变量，自由度为测量点迹的维数。
(14)根据关联质量ε筛选最优关联点迹。
由于ε为服从χ2分布，因此可以通过χ2分布表查询关联质量含义，筛选最优点，筛除杂波点。将最优测量点和第(2)步得到的测量噪声协方差输出到滤波器执行航迹滤波流程。
如图3所示，航迹滤波器进行卡尔曼滤波的步骤如下：
(21)获取航迹历史(k时刻)的滤波器信息。
获取航迹滤波器的上一时刻信息，假设为k时刻，包括历史状态向量X(k)、历史协方差矩阵P(k)。
(22)并根据当前(k+1时刻)测量点迹，进行滤波器一步预测。
参考卡尔曼滤波器的计算方程，计算状态的一步预测
Figure BDA0003393330120000041
计算滤波器协方差的一步预测
Figure BDA0003393330120000042
根据状态的预测
Figure BDA0003393330120000043
计算测量点迹观测向量的一步预测
Figure BDA0003393330120000044
公式如下：
Figure BDA0003393330120000045
然后得到
Figure BDA0003393330120000046
Q(k)为过程噪声协方差矩阵，H(k)为测量矩阵，F(k)状态转移矩阵。
(23)计算k+1时刻的新息v(k+1)和新息协方差S(k+1)
Figure BDA0003393330120000047
其中，Z(k+1)为输入测量点迹的观测向量，R(k+1)为测量点迹的输入的测量协方差，H(k+1)为观测矩阵与(22)中值相同。将计算得到的v(k+1)和S(k+1)输出到关联器也就是关联器中的测量点新息v和新息协方差S。
(24)根据最优测量点修正k+1时刻的滤波器状态。
计算得到滤波器增益
Figure BDA0003393330120000048
然后根据滤波器增益修正滤波器状态矩阵X(k+1)、状态协方差矩阵P(k+1)。
Figure BDA0003393330120000049
(25)最后将滤波器信息用于更新航迹。
下面利用雷达实测数据进行方法验证，采用无人机目标在60km进行向站运动，速度约为5m/s做向站运动，高度为20米左右。雷达采样数据率为1秒。将采集得到的数据采用常规关联滤波方法和本发明的自适应滤波方法进行对比，由于数据量较大，本实施例只采集了雷达探测的最远端的部分的数据进行对比。
常规跟踪方法的原理图如图4所示，航迹滤波器将预测位置输入航迹关联器，航迹关联器根据测量点迹和预测位置进行位置匹配，根据波门筛选最优测量点，筛除杂波点，航迹滤波器根据最优测量点迹更新航迹信息并进行滤波。
实际测试的目标关联结果的距离-方位轨迹图对比如图5所示，常规滤波方法的最大跟踪距离为54551米，本发明的自适应滤波方法的最大跟踪距离为55520米，可以看到在本发明方法下，雷达跟踪的最远距离提高1KM左右。
对实际测试目标关联结果进行滤波，本发明提出的自适应滤波方法和常规滤波方法的距离-方位轨迹图对比如图6所示，可以看到本发明方法收敛性能性更好，精度更高。
实验结果测角精度对比如图7所示，测量的均方根误差统计结果为0.4105度，常规滤波后的均方根误差为0.1123度，本发明的自适应滤波后的均方根误差为0.0508度。
实验结果测距精度对比如图8所示，测量的均方根误差统计结果为3.875米，常规滤波后的均方根误差为2.426米，本发明的自适应滤波后的均方根误差为2.123米。

Claims (10)

1.一种弱小目标自适应关联滤波方法，其特征在于，包括如下步骤：
(1)输入雷达测量点迹，根据测量点迹的信噪比实时计算测角均方根误差σθ，获取该测量点迹的测量噪声协方差矩阵；
(2)预测与点迹匹配的航迹状态，计算航迹滤波器的新息和新息协方差；
(3)根据滤波器的新息协方差和当前测量点的新息计算点航匹配质量并筛选最优测量点迹；
(4)采用最优测量点及其噪声协方差矩阵更新航迹信息，完成航迹滤波。
2.根据权利要求1所述的弱小目标自适应关联滤波方法，其特征在于，步骤(3)中根据滤波器的新息协方差S和当前测量点的新息v计算关联质量ε＝v′S-1v，用查表法筛选最优测量点，筛除杂波点。
3.根据权利要求2所述的弱小目标自适应关联滤波方法，其特征在于，所述关联质量ε为服从χ2分布的随机变量，自由度为测量点迹的维数。
4.根据权利要求1所述的弱小目标自适应关联滤波方法，其特征在于，步骤(1)中所述测角均方根误差
Figure FDA0003393330110000011
其中Kp为测角误斜率，θB为雷达波束宽度，B为接收机带宽、τc为距离波门宽度、βn为伺服系统带宽、fτ为重复频率，S/N为目标的信噪比；所述测量噪声协方差矩阵
Figure FDA0003393330110000012
其中
Figure FDA0003393330110000013
为点迹距离测量方差，
Figure FDA0003393330110000014
ρ为测量点迹距离，θ为测量点迹角度。
5.根据权利要求1所述的弱小目标自适应关联滤波方法，其特征在于，步骤(2)中当前测量点的新息v(k+1)和新息协方差S(k+1)的计算方法为：
Figure FDA0003393330110000015
其中Z(k+1)为k+1时刻测量点迹的观测向量，
Figure FDA0003393330110000016
为其一步预测，H(k+1)为观测矩阵，
Figure FDA0003393330110000017
为滤波器协方差的一步预测。
6.根据权利要求1所述的弱小目标自适应关联滤波方法，其特征在于，步骤(4)中更新航迹信息的方法为：根据最优测量点修正滤波器状态矩阵和状态协方差矩阵，用修正的滤波器信息更新航迹。
7.根据权利要求6所述的弱小目标自适应关联滤波方法，其特征在于，所述修正的滤波器状态矩阵X(k+1)和状态协方差矩阵P(k+1)计算公式为：
Figure FDA0003393330110000018
其中
Figure FDA0003393330110000021
为X(k+1)的一步预测，K(k+1)为卡尔曼增益。
8.根据权利要求7所述的弱小目标自适应关联滤波方法，其特征在于，所述卡尔曼增益
Figure FDA0003393330110000022
9.一种弱小目标自适应关联滤波系统，其特征在于，包括由航迹关联器和航迹滤波器；航迹关联器根据测量点迹的信噪比实时计算测角均方根误差，利用航迹滤波器中的当前测量点新息和新息协方差进行点迹位置匹配，筛选最优测量点；航迹滤波器利用航迹关联器中的测量噪声协方差和最优测量点迹预测航迹状态并进行航迹滤波。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现上述权利要求1-8任一所述的弱小目标自适应关联滤波方法。
CN202111475274.2A 2021-12-06 2021-12-06 一种弱小目标自适应关联滤波方法、系统及存储介质 Pending CN114167359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111475274.2A CN114167359A (zh) 2021-12-06 2021-12-06 一种弱小目标自适应关联滤波方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111475274.2A CN114167359A (zh) 2021-12-06 2021-12-06 一种弱小目标自适应关联滤波方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN114167359A true CN114167359A (zh) 2022-03-11

Family

ID=80483484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111475274.2A Pending CN114167359A (zh) 2021-12-06 2021-12-06 一种弱小目标自适应关联滤波方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114167359A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011335A (zh) * 2023-07-26 2023-11-07 山东大学 一种基于自适应双解码器的多目标跟踪方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117011335A (zh) * 2023-07-26 2023-11-07 山东大学 一种基于自适应双解码器的多目标跟踪方法及系统
CN117011335B (zh) * 2023-07-26 2024-04-09 山东大学 一种基于自适应双解码器的多目标跟踪方法及系统

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
CN105445701B (zh) Ddma‑mimo雷达目标的单脉冲角度估计方法
CN105093198B (zh) 一种分布式外辐射源雷达组网探测的航迹融合方法
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
CN103885058B (zh) 一种利用稀疏统计特性的机载雷达前视超分辨成像方法
CN104101876B (zh) 外辐射源雷达中一种基于随机有限集的多目标跟踪方法
CN115685096B (zh) 一种基于逻辑回归的二次雷达副瓣抑制方法
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
CN114167359A (zh) 一种弱小目标自适应关联滤波方法、系统及存储介质
Huang et al. STIF: A Spatial–Temporal Integrated Framework for End-to-End Micro-UAV Trajectory Tracking and Prediction With 4-D MIMO Radar
CN107748364A (zh) 基于降秩多级维纳滤波器的低空风切变风场速度估计方法
CN111273269A (zh) 基于ipso-bp的频率分集阵列的雷达目标定位方法
Rana et al. Non-linear orbital path tracking of ornithopters
CN112731373B (zh) 基于三维数据关联的外辐射源雷达多目标跟踪方法
CN111796266B (zh) 一种匀加速运动目标rd平面检测前跟踪方法
CN107247250A (zh) 一种基于粒子滤波的相干分布源波达方向跟踪方法
CN112689773A (zh) 雷达信号处理方法和雷达信号处理装置
Belyaev et al. Object detection in an urban environment using 77GHz radar
CN206292389U (zh) 一种移动目标的定位系统
CN113126086B (zh) 一种基于状态预测积累的生命探测雷达弱目标检测方法
CN112083388B (zh) 一种基于二次雷达应答信号的点迹质量评判方法
CN114355324A (zh) 一种航迹生成方法
CN106066471A (zh) 一种移动目标的定位方法及系统
Fan et al. Attitude Adaptive Robust Strong Tracking Kalman Filter Based on Unmanned Surface Vehicle Navigational Radar Target Tracking
Nussbaum et al. EM-based Radar Signal Processing and Tracking

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