CN114415157A - 一种基于水声传感器网络的水下目标多模型跟踪方法 - Google Patents

一种基于水声传感器网络的水下目标多模型跟踪方法 Download PDF

Info

Publication number
CN114415157A
CN114415157A CN202111653942.6A CN202111653942A CN114415157A CN 114415157 A CN114415157 A CN 114415157A CN 202111653942 A CN202111653942 A CN 202111653942A CN 114415157 A CN114415157 A CN 114415157A
Authority
CN
China
Prior art keywords
model
target
state
underwater
representing
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
CN202111653942.6A
Other languages
English (en)
Inventor
闫永胜
韩世华
王海燕
申晓红
张天佑
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202111653942.6A priority Critical patent/CN114415157A/zh
Publication of CN114415157A publication Critical patent/CN114415157A/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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/66—Sonar tracking 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/186—Determination of attitude
    • 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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • 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
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52077—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging with means for elimination of unwanted signals, e.g. noise or interference
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Computing Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于水声传感器网络的水下目标多模型跟踪方法，建立水下三维UASNs‑IMM目标量测模型；将均匀量化后的数据传输到融合中心进行融合；对目标量测模型中的全部子模型的初始状态进行交互运算，并把交互后的值输入到各个子模型对应的滤波器中，得到目标混合状态输入和协方差矩阵；将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计；将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正；以更新后的模型概率为标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。本发明具有跟踪范围大、估计精度高的优势。

Description

一种基于水声传感器网络的水下目标多模型跟踪方法
技术领域
本发明属于水声传感器网络目标跟踪领域，涉及统计信号处理、信息融合、目标跟踪理论，用于在水下复杂环境中对水下目标进行高精度地跟踪，同时降低UASNs的能耗。
背景技术
海洋占地球表面约71％，资源十分丰富，随着陆地资源的匮乏，人类进军海洋的步伐不断加快。水声传感器网络(underwater acoustic sensor networks,UASNs)通过建立水下网络对海洋环境进行监测，大大增强水下空间信息感知能力，对实现海洋权益维护、水下目标搜索、海洋资源开发、海洋环境监测和保护等有着重要意义。近年来随着UASNs技术的发展和成熟，目标跟踪方法也逐渐向UASNs的方向发展。基于UASNs的目标跟踪方法，利用UASNs的覆盖范围大、量测信息多的优势，提高了目标跟踪的范围和精度。水下目标跟踪由于水下环境的特殊而变得很复杂，受外部干扰、环境变化以及目标机动等因素的影响，既要达到较高的跟踪精度，又要考虑UASNs的数据带宽以及能耗。现有的水下目标跟踪方法局限于二维空间的目标单一运动模型，而且没有考虑到水下数据传输率低的问题。因此，需要平衡两者的关系，保证对水下目标进行高效高精度跟踪的同时降低UASNs的能耗。
发明内容
为了克服现有技术的不足，本发明提供一种基于水声传感器网络的水下目标多模型跟踪方法，建立基于UASNs的三维量测模型，引入交互式多模型算法，以适应机动目标复杂的运动。其次，对量测数据进行量化处理，以解决水下数据传输率低和能耗大的问题。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1，建立水下三维UASNs-IMM目标量测模型，构建目标状态转移方程和量测方程；
步骤2，对量测信息进行均匀量化；
步骤3，将均匀量化后的数据传输到融合中心进行融合，得到总的量测；
步骤4，对目标量测模型中的全部子模型的初始状态进行交互运算，并把交互后的值输入到各个子模型对应的滤波器中，得到目标混合状态输入和协方差矩阵；
步骤5，将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计；
步骤6，将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正；
步骤7，以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。
所述的步骤1中，目标状态转移方程Xk+1＝Fk+1Xk+wk，量测方程Zk+1,m＝hk+1,m(Xk+1)+vk+1,m，式中，
Figure BDA0003447321420000021
表示k时刻目标状态向量，xk,yk,zk分别表示目标在直角坐标系下x、y、z轴的位置，
Figure BDA0003447321420000022
分别表示目标速度沿x、y、z轴的分量；Zk+1表示第m个传感器在k+1时刻目标量测向量；Fk+1表示k+1时刻系统的状态转移矩阵；hk+1,m(·)表示第m个传感器目标量测方程的非线性函数，包含距离r、方位角α和俯仰角β三种量测信息，wk,vk+1,m分别是目标转移噪声和第m个传感器的量测噪声。
所述的步骤2得到第m个传感器的三种量测的量化结果
Figure BDA0003447321420000023
Figure BDA0003447321420000024
Figure BDA0003447321420000025
Figure BDA0003447321420000026
式中，
Figure BDA0003447321420000027
和
Figure BDA0003447321420000028
分别是TOA量测r、AOA量测方位角α和俯仰角β的量化阈值；Mr、Mα和Mβ分别为对应的量化级数。
所述的步骤3中总的量测
Figure BDA0003447321420000031
所述的步骤4得到目标混合状态输入
Figure BDA0003447321420000032
和协方差矩阵
Figure BDA0003447321420000033
式中，
Figure BDA0003447321420000034
表示k时刻模型i的状态估计值；
Figure BDA0003447321420000035
表示状态估计值的协方差矩阵；
Figure BDA0003447321420000036
表示k时刻模型i到k+1时刻模型j的转换概率。
所述的转换概率
Figure BDA0003447321420000037
式中，
Figure BDA0003447321420000038
表示k时刻模型j的概率；πij为状态转移矩阵Π第i行、第j列的值，表示模型i转换到模型j的概率，n表示模型个数。
所述的步骤5中，模型j在k时刻对k+1时刻状态的预测值
Figure BDA0003447321420000039
其协方差矩阵
Figure BDA00034473214200000310
Figure BDA00034473214200000311
表示目标状态转移矩阵，Qk表示状态转移噪声协方差；扩展卡尔曼滤波器下模型j对应滤波器的状态估计值
Figure BDA00034473214200000312
其协方差矩阵
Figure BDA00034473214200000313
h是状态量测函数，
Figure BDA00034473214200000314
表示状态量测函数h的雅可比矩阵；滤波增益
Figure BDA00034473214200000315
Figure BDA00034473214200000316
所述的步骤6中，新息
Figure BDA00034473214200000317
新息协方差矩阵
Figure BDA00034473214200000318
k+1时刻模型j的概率
Figure BDA00034473214200000319
式中，k时刻模型j匹配的似然函数
Figure BDA00034473214200000320
归一化常数
Figure BDA00034473214200000321
所述的步骤7中，k+1时刻状态估计的总输出
Figure BDA00034473214200000322
k+1时刻协方差矩阵
Figure BDA00034473214200000323
本发明的有益效果是：
1.引入UASNs多传感器量测信息融合，相较于单传感器量测，本发明具有跟踪范围大、估计精度高的优势。
2.引入交互式多模型，相较于单模型跟踪算法，本发明具有适用范围广，实用性强的优势。
3.增加量测数据量化处理，减少数据传输量，降低UASNs能耗，更加实用。
附图说明
图1为本发明的方法流程图。
图2为水下三维UASNs目标量测模型示意图。
图3为目标运动和跟踪轨迹示意图。
图4为四节点量测下的均方根误差示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明所采用的技术方案包括以下步骤：
步骤1：建立水下三维UASNs-IMM目标量测模型，目标状态转移方程和量测方程表示如下：
Xk+1＝Fk+1Xk+wk (1)
Zk+1,m＝hk+1,m(Xk+1)+vk+1,m (2)
式中，
Figure BDA0003447321420000041
表示k时刻目标状态向量，其中xk,yk,zk分别表示目标在直角坐标系下x,y,z轴的位置，
Figure BDA0003447321420000042
分别表示目标速度沿x,y,z轴的分量；Zk+1表示第m个传感器在k+1时刻目标量测向量；Fk+1表示k+1时刻系统的状态转移矩阵；hk+1,m(·)表示第m个传感器目标量测方程的非线性函数，包含距离r、方位角α和俯仰角β三种量测信息，wk,vk+1,m分别是目标转移噪声和第m个传感器的量测噪声。
步骤2：对量测信息进行均匀量化：
Figure BDA0003447321420000043
Figure BDA0003447321420000051
Figure BDA0003447321420000052
式中，
Figure BDA0003447321420000053
为第m个传感器的三种量测的量化结果；
Figure BDA0003447321420000054
Figure BDA0003447321420000055
和
Figure BDA0003447321420000056
分别是TOA量测r、AOA量测方位角α和俯仰角β的量化阈值；Mr、Mα和Mβ分别为对应的量化级数。
步骤3：将量化后的数据传输到融合中心进行融合，得到总的量测
Figure BDA0003447321420000057
Figure BDA0003447321420000058
步骤4：对全部子模型的初始状态进行交互运算，并把交互后的值输入到各个子模型对应的滤波器中，得到目标混合状态输入和协方差矩阵如下：
Figure BDA0003447321420000059
Figure BDA00034473214200000510
式中，
Figure BDA00034473214200000511
表示k时刻模型i的状态估计值；
Figure BDA00034473214200000512
表示状态估计值的协方差矩阵；
Figure BDA00034473214200000513
表示模型j的状态输入；
Figure BDA00034473214200000514
表示状态输入的协方差矩阵；
Figure BDA00034473214200000515
表示k时刻模型i到k+1时刻模型j的转换概率，其公式为：
Figure BDA00034473214200000516
式中，
Figure BDA00034473214200000517
表示k时刻模型j的概率；πij为状态转移矩阵Π第i行、第j列的值，表示模型i转换到模型j的概率，n表示模型个数，属于先验信息。
Figure BDA00034473214200000518
步骤5：将输入交互运算得到的初始化状态向量
Figure BDA00034473214200000519
及协方差矩阵
Figure BDA00034473214200000520
作为滤波器输入来进行条件滤波预测和估计。
模型j在k时刻的状态估计和协方差矩阵预测如下：
Figure BDA0003447321420000061
Figure BDA0003447321420000062
式中，
Figure BDA0003447321420000063
表示时刻的状态在模型j下对k+1时刻状态的预测值，
Figure BDA0003447321420000064
为其协方差矩阵，
Figure BDA0003447321420000065
表示目标状态转移矩阵，Qk表示状态转移噪声协方差。
扩展卡尔曼滤波器下的目标跟踪和协方差更新方程：
Figure BDA0003447321420000066
Figure BDA0003447321420000067
式中，
Figure BDA0003447321420000068
为模型j对应滤波器的状态估计值，
Figure BDA0003447321420000069
为其协方差矩阵，h是状态量测函数，
Figure BDA00034473214200000610
表示状态量测函数h的雅可比矩阵。
滤波增益：
Figure BDA00034473214200000611
Figure BDA00034473214200000612
步骤6：通过上一步滤波后，将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率
Figure BDA00034473214200000613
进行更新修正。
新息及新息协方差矩阵的计算如下：
Figure BDA00034473214200000614
Figure BDA00034473214200000615
k+1时刻模型j的概率：
Figure BDA00034473214200000616
式中：k时刻模型j匹配的似然函数为：
Figure BDA00034473214200000617
归一化常数为：
Figure BDA0003447321420000071
步骤7：以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态，计算如下：
Figure BDA0003447321420000072
Figure BDA0003447321420000073
式中，
Figure BDA0003447321420000074
表示k+1时刻状态估计的总输出；
Figure BDA0003447321420000075
表示k+1时刻协方差矩阵。
本发明的实施例提供一种基于UASNs的三维目标信息融合的多模型跟踪方法，流程如图2所示。目标初始位置为-200,20,100,15,50,8Τ，1～20s：目标进行匀速直线运动；21～50s：目标进行协同转弯运动(ω＝-0.1)；51～80s：目标进行匀速直线运动；81～115s：目标进行匀速转弯运动(ω＝0.1)；116～140s：目标进行匀速直线运动。采样周期为T＝1s。
执行步骤如下：
步骤1：当目标进入UASNs监测区域内，唤醒辐射信号范围内的传感器节点。被唤醒的传感器节点对目标进行TOA和AOA量测，获得的量测信息，4个传感器节点坐标为150,400,200、250,-200,300、615,-600,450、400,0,555。TOA观测的噪声服从均值为0、方差为100的高斯分布，AOA观测的噪声服从均值为0、方差为0.5的高斯分布。建立水下三维UASNs-IMM目标量测模型，目标状态转移方程和量测方程表示如下：
Xk+1＝Fk+1Xk+wk (24)
Zk+1,m＝hk+1,m(Xk+1)+vk+1,m (25)
其中Fk+1表示目标状态转移矩阵属于IMM中的一项，IMM模型集中包含2个CT模型(ω＝-0.01rad、ω＝0.01rad)和一个CV模型:
Figure BDA0003447321420000081
Figure BDA0003447321420000082
其中
Figure BDA0003447321420000083
其中各项具体如下：
Figure BDA0003447321420000084
Figure BDA0003447321420000085
Figure BDA0003447321420000086
步骤2：对量测信息进行量化，如下式所示。TOA量测量化级数为128，Mr＝128，量化间隔为10；AOA量测量化级数为64，,Mα＝Mβ＝64，量化间隔为0.05。
Figure BDA0003447321420000087
Figure BDA0003447321420000088
Figure BDA0003447321420000089
式中，
Figure BDA00034473214200000810
为第i个传感器的三种量测的量化结果；
Figure BDA00034473214200000811
是TOA量测，每项间隔10、
Figure BDA0003447321420000091
和
Figure BDA0003447321420000092
分别r、AOA量测方位角α和俯仰角β的量化阈值，每项间隔0.05。
步骤3：将量化后的数据传输到融合中心进行融合，得到总的量测
Figure BDA0003447321420000093
Figure BDA0003447321420000094
在这种情况下目标的总状态量测方程方程变为：
Figure BDA0003447321420000095
步骤4：由先验知识IMM模型及中子模型数量为3，模型初始概率分布为μi＝[0.2,0.6,0.2]，模型概率转换矩阵为：
Figure BDA0003447321420000096
对全部子模型的初始状态
Figure BDA0003447321420000097
进行交互运算，初始噪声协方差矩阵
Figure BDA0003447321420000098
为对角线元素为0.1的单位阵。将输入交互运算得到的初始化状态
Figure BDA0003447321420000099
及协方差
Figure BDA00034473214200000910
作为滤波器输入来进行条件滤波预测和估计，获得各个子滤波器输出的状态估计
Figure BDA00034473214200000911
和对应协方差
Figure BDA00034473214200000912
获得各个子滤波器输出的状态估计
Figure BDA00034473214200000913
和对应协方差
Figure BDA00034473214200000914
的具体过程如下：模型j在k时刻的状态估计和协方差矩阵预测如下：
Figure BDA00034473214200000915
Figure BDA00034473214200000916
式中，
Figure BDA00034473214200000917
表示k时刻的状态在模型j下对k+1时刻状态的预测值，
Figure BDA00034473214200000918
为其协方差矩阵，Qk＝diag[2，0.01，2，0.01，2，0.01]。
滤波增益：
Figure BDA00034473214200000919
Figure BDA00034473214200000920
扩展卡尔曼滤波器下的目标跟踪和协方差更新方程：
Figure BDA0003447321420000101
Figure BDA0003447321420000102
式中，
Figure BDA0003447321420000103
为模型j对应滤波器的状态估计值，
Figure BDA0003447321420000104
为其协方差矩阵，h是总状态量测函数，
Figure BDA0003447321420000105
表示总状态量测函数h的雅可比矩阵。
步骤5：通过上一步滤波后，将获取的子滤波器的新息及其对应协方差对各模型的概率
Figure BDA0003447321420000106
进行更新修正。
新息及新息协方差矩阵的计算如下：
Figure BDA0003447321420000107
Figure BDA0003447321420000108
模型概率更新时，在k时刻模型j匹配的似然函数为：
Figure BDA0003447321420000109
k+1时刻模型j的概率：
Figure BDA00034473214200001010
上式中C为归一化常数，表达式为：
Figure BDA00034473214200001011
步骤6：将更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准，对当前时刻各个子滤波器输出的状态估计
Figure BDA00034473214200001012
和对应协方差
Figure BDA00034473214200001013
进行加权求和得到融合后的估计状态
Figure BDA00034473214200001014
和协方差矩阵
Figure BDA00034473214200001015
Figure BDA00034473214200001016
Figure BDA00034473214200001017
式中，
Figure BDA00034473214200001018
表示k+1时刻状态估计的总输出；
Figure BDA00034473214200001019
表示其协方差矩阵。
步骤7：以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态，计算如下：
Figure BDA0003447321420000111
Figure BDA0003447321420000112
式中，
Figure BDA0003447321420000113
表示k+1时刻状态估计的总输出；
Figure BDA0003447321420000114
表示k+1时刻协方差矩阵。当目标唤醒新的主节点时，上一个主节点将最后时刻的状态估计值发送给新的主节点，从而实现持续不间断的状态滤波估计。
仿真结果：图3为目标运动及跟踪轨迹，图4为位置均方根误差。根据仿真结果可以看出，本发明所提出的基于UASNs信息融合的水下目标多模型跟踪方法具有应用范围广，跟踪精度高的优势。步骤3增加了量测数据量化处理，减少了数据传输量，降低了UASNs能耗，更加实用。

Claims (9)

1.一种基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，包括以下步骤：
步骤1，建立水下三维UASNs-IMM目标量测模型，构建目标状态转移方程和量测方程；
步骤2，对量测信息进行均匀量化；
步骤3，将均匀量化后的数据传输到融合中心进行融合，得到总的量测；
步骤4，对目标量测模型中的全部子模型的初始状态进行交互运算，并把交互后的值输入到各个子模型对应的滤波器中，得到目标混合状态输入和协方差矩阵；
步骤5，将输入交互运算得到的初始化状态向量及协方差矩阵作为滤波器输入进行条件滤波预测和估计；
步骤6，将获取的子滤波器的新息及其对应协方差矩阵对各预测模型的转移概率进行更新修正；
步骤7，以更新后的模型概率为衡量子模型在当前时刻与真实运动状态匹配度的标准，对当前时刻各个子滤波器输出的状态估计和对应协方差进行加权求和得到融合后的估计状态。
2.根据权利要求1所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤1中，目标状态转移方程Xk+1＝Fk+1Xk+wk，量测方程Zk+1,m＝hk+1,m(Xk+1)+vk+1,m，式中，
Figure FDA0003447321410000011
表示k时刻目标状态向量，xk,yk,zk分别表示目标在直角坐标系下x、y、z轴的位置，
Figure FDA0003447321410000012
分别表示目标速度沿x、y、z轴的分量；Zk+1表示第m个传感器在k+1时刻目标量测向量；Fk+1表示k+1时刻系统的状态转移矩阵；hk+1,m(·)表示第m个传感器目标量测方程的非线性函数，包含距离r、方位角α和俯仰角β三种量测信息，wk,vk+1,m分别是目标转移噪声和第m个传感器的量测噪声。
3.根据权利要求2所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤2得到第m个传感器的三种量测的量化结果
Figure FDA0003447321410000013
Figure FDA0003447321410000021
Figure FDA0003447321410000022
Figure FDA0003447321410000023
式中，
Figure FDA0003447321410000024
和
Figure FDA0003447321410000025
分别是TOA量测r、AOA量测方位角α和俯仰角β的量化阈值；Mr、Mα和Mβ分别为对应的量化级数。
4.根据权利要求3所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤3中总的量测
Figure FDA0003447321410000026
5.根据权利要求4所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤4得到目标混合状态输入
Figure FDA0003447321410000027
和协方差矩阵
Figure FDA0003447321410000028
式中，
Figure FDA0003447321410000029
表示k时刻模型i的状态估计值；
Figure FDA00034473214100000210
表示状态估计值的协方差矩阵；
Figure FDA00034473214100000211
表示k时刻模型i到k+1时刻模型j的转换概率。
6.根据权利要求5所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的转换概率
Figure FDA00034473214100000212
式中，
Figure FDA00034473214100000213
表示k时刻模型j的概率；πij为状态转移矩阵Π第i行、第j列的值，表示模型i转换到模型j的概率，n表示模型个数。
7.根据权利要求6所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤5中，模型j在k时刻对k+1时刻状态的预测值
Figure FDA00034473214100000214
其协方差矩阵
Figure FDA00034473214100000215
Figure FDA00034473214100000216
表示目标状态转移矩阵，Qk表示状态转移噪声协方差；扩展卡尔曼滤波器下模型j对应滤波器的状态估计值
Figure FDA0003447321410000031
其协方差矩阵
Figure FDA0003447321410000032
h是状态量测函数，
Figure FDA0003447321410000033
表示状态量测函数h的雅可比矩阵；滤波增益
Figure FDA0003447321410000034
Figure FDA0003447321410000035
8.根据权利要求7所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤6中，新息
Figure FDA0003447321410000036
新息协方差矩阵
Figure FDA0003447321410000037
k+1时刻模型j的概率
Figure FDA0003447321410000038
式中，k时刻模型j匹配的似然函数
Figure FDA0003447321410000039
归一化常数
Figure FDA00034473214100000310
9.根据权利要求8所述的基于水声传感器网络的水下目标多模型跟踪方法，其特征在于，所述的步骤7中，k+1时刻状态估计的总输出
Figure FDA00034473214100000311
k+1时刻协方差矩阵
Figure FDA00034473214100000312
CN202111653942.6A 2021-12-30 2021-12-30 一种基于水声传感器网络的水下目标多模型跟踪方法 Pending CN114415157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111653942.6A CN114415157A (zh) 2021-12-30 2021-12-30 一种基于水声传感器网络的水下目标多模型跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111653942.6A CN114415157A (zh) 2021-12-30 2021-12-30 一种基于水声传感器网络的水下目标多模型跟踪方法

Publications (1)

Publication Number Publication Date
CN114415157A true CN114415157A (zh) 2022-04-29

Family

ID=81270365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111653942.6A Pending CN114415157A (zh) 2021-12-30 2021-12-30 一种基于水声传感器网络的水下目标多模型跟踪方法

Country Status (1)

Country Link
CN (1) CN114415157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031473A (zh) * 2023-10-07 2023-11-10 青岛哈尔滨工程大学创新发展中心 一种水下目标协同轨迹跟踪方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040220769A1 (en) * 2003-05-02 2004-11-04 Yong Rui System and process for tracking an object state using a particle filter sensor fusion technique
CN107704432A (zh) * 2017-07-28 2018-02-16 西安理工大学 一种转移概率自适应的交互多模型目标跟踪方法
CN110350996A (zh) * 2019-06-28 2019-10-18 中国科学院声学研究所 基于交互式多模型滤波器的时钟漂移率跟踪方法及系统
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
CN113498529A (zh) * 2020-06-28 2021-10-12 华为技术有限公司 一种目标跟踪方法及其装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040220769A1 (en) * 2003-05-02 2004-11-04 Yong Rui System and process for tracking an object state using a particle filter sensor fusion technique
CN107704432A (zh) * 2017-07-28 2018-02-16 西安理工大学 一种转移概率自适应的交互多模型目标跟踪方法
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
CN110350996A (zh) * 2019-06-28 2019-10-18 中国科学院声学研究所 基于交互式多模型滤波器的时钟漂移率跟踪方法及系统
CN113498529A (zh) * 2020-06-28 2021-10-12 华为技术有限公司 一种目标跟踪方法及其装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨瑜波;王惠刚;: "新型粒子滤波理论用于水下系统目标跟踪", 电声技术, no. 03, 17 March 2011 (2011-03-17) *
赵彬;于雷;周中良;付昭旺;刘宏强;: "基于IMM-RUASFF的网络化目标跟踪算法", 火力与指挥控制, no. 11, 15 November 2016 (2016-11-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117031473A (zh) * 2023-10-07 2023-11-10 青岛哈尔滨工程大学创新发展中心 一种水下目标协同轨迹跟踪方法
CN117031473B (zh) * 2023-10-07 2024-01-12 青岛哈尔滨工程大学创新发展中心 一种水下目标协同轨迹跟踪方法

Similar Documents

Publication Publication Date Title
CN111985093B (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
CN110849369B (zh) 机器人跟踪方法、装置、设备及计算机可读存储介质
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN110865343B (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
CN111178385A (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN108717174B (zh) 基于信息论的预测快速协方差交互融合无源协同定位方法
CN109671100B (zh) 一种分布式可变扩散组合系数粒子滤波直接跟踪方法
CN111722214A (zh) 雷达多目标跟踪phd实现方法
CN111798494B (zh) 广义相关熵准则下的机动目标鲁棒跟踪方法
CN110780290B (zh) 基于lstm网络的多机动目标跟踪方法
CN115119142A (zh) 一种基于传感器网络的分布式直接定位方法
CN114415157A (zh) 一种基于水声传感器网络的水下目标多模型跟踪方法
CN114139109A (zh) 一种目标跟踪方法、系统、设备、介质及数据处理终端
CN115494450B (zh) 一种高精度的超宽带室内定位跟踪与控制方法及装置
CN116772867A (zh) 一种基于因子图的节点优选的多auv自适应协同定位方法及系统
CN116734860A (zh) 一种基于因子图的多auv自适应协同定位方法及系统
CN111262556A (zh) 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法
CN115469314A (zh) 一种均匀圆环阵稳健水下目标方位跟踪方法及系统
CN114494340B (zh) 一种kl交互式多模型水下目标跟踪方法
CN113835064A (zh) 一种协同校正源观测信息的加权多维标度tdoa定位方法
CN115906413B (zh) 一种Dirichlet过程混合模型节点自定位方法
Wang et al. A Model Stacking Algorithm for Indoor Positioning System using WiFi Fingerprinting.
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
CN115087092B (zh) 一种多传感器最大相关熵拓展信息滤波分层融合方法

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