CN114488104A - 基于交互一致性的天波超视距雷达目标跟踪方法 - Google Patents

基于交互一致性的天波超视距雷达目标跟踪方法 Download PDF

Info

Publication number
CN114488104A
CN114488104A CN202111658759.5A CN202111658759A CN114488104A CN 114488104 A CN114488104 A CN 114488104A CN 202111658759 A CN202111658759 A CN 202111658759A CN 114488104 A CN114488104 A CN 114488104A
Authority
CN
China
Prior art keywords
measurement
information
value
target
motion state
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.)
Granted
Application number
CN202111658759.5A
Other languages
English (en)
Other versions
CN114488104B (zh
Inventor
苏洪涛
何雪榛
李志华
刘宏伟
赵永波
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202111658759.5A priority Critical patent/CN114488104B/zh
Publication of CN114488104A publication Critical patent/CN114488104A/zh
Application granted granted Critical
Publication of CN114488104B publication Critical patent/CN114488104B/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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/0218—Very long range radars, e.g. surface wave radar, over-the-horizon or ionospheric propagation 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
    • G01S13/66—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
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/0218—Very long range radars, e.g. surface wave radar, over-the-horizon or ionospheric propagation systems
    • G01S2013/0227—OTH, Over-The-Horizon radar

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

本发明公开了一种基于交互一致性的天波超视距雷达目标跟踪方法，主要解决现有技术计算量大，跟踪性能差的问题。其实现方案为：对目标运动状态进行预测，获得目标运动状态预测值和相应的信息对；采用门控技术，消除不可行的量测值；计算量测值的关联概率；根据关联概率，计算取样测量值指标；根据取样测量值指标，计算取样的量测值；根据取样的量测值，计算交互一致性质量对；根据交互一致性质量对、信息对及权因子计算融合信息对；根据融合信息对计算目标运动状态估计值和其方差矩阵，完成跟踪目标运动状态的最终估计。本发明提高了多路径传播效应下的目标跟踪精度，减小了计算量，可用于监测区域内的各种运动目标的远程预警。

Description

基于交互一致性的天波超视距雷达目标跟踪方法
技术领域
本发明属于雷达技术领域，更进一步涉及一种天波超视距雷达目标跟踪方法，可用于监测区域内的各种运动目标的远程预警。
背景技术
天波超视距雷达OTHR，其可利用不同电离层对雷达信号的多径反射或折射，突破地球曲率的限制对视线以外的目标进行超远程探测，实现对隐身战斗机、洲际导弹高质量目标的远程预警。但同时，OTHR需要面对低检测概率、低测量精度、高虚警率以及多路径传播效应等问题。由于多种折射和电离层的多层结构和时变性导致的路径/模式关联模糊，增加了坐标配准的不确定性，如果没有正确地选择传播模式或者精确地估计电离层高度，目标的地面航迹将会变得不准确，这将导致目标跟踪性能降低。同时多路径效应会导致同一目标产生多个量测，从而形成多条轨迹。因此如何对目标产生的多条航迹与量测进行正确配对，实现多目标跟踪是目前天波超视距雷达存在的难题。
多径航迹融合算法MPTF反映了跟踪和融合是两阶段过程，其中跟踪过程是独立地产生多径倾斜轨迹，融合过程是关联这些倾斜航迹并进行融合。多站多径航迹融合算法MR-MPTF在雷达倾斜坐标系中，对每个OTHR进行单路径目标跟踪，利用现有电离层路径的所有可能组合，产生很多可行的假设，将多个OTHR的相关多径航迹转换到一个共同的坐标系中，所有航迹-目标关联假设都是递归构造的，然后计算假设概率作为航迹融合的权值，最后得到目标状态。MR-MPTF在现有跟踪模型的基础上加入第二个独立的融合功能。然而，MR-MPTF的融合性能很大程度上取决于每个OTHR的跟踪性能，如果一个OTHR的探测性能很差，OTHR提供的多径航迹将会变得不准确和间歇，甚至会丢失航迹。
中国航空无线电电子研究所在其申请的专利文献“天波超视距雷达的多路径融合多目标跟踪算法”中公开了一种针对OTHR多路径的扩展PMHT算法。该方法利用概率多假设跟踪PMHT算法中量测与目标关联的“软”决策模型优势，并对多路径观测函数显式建模，推导了多路径量测融合处理公式。其通过批处理方式，并基于EM算法迭代获得目标状态的MAP估计，是一种最大似然准则下的最优估计。该算法有效避免了指数级复杂度的数据关联，且有着较高的目标估计精度。该方法存在的不足之处是，对初始状态的要求很严苛，如何在实际环境中得到好的初始值是一个难题，而且该算法容易收敛于局部最优值，影响目标的跟踪性能。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于信息一致性的天波超视距雷达目标跟踪方法，以减小实际环境中多路径传播效应下的目标航迹间歇及航迹信息丢失，提高多目标跟踪精度。
为实现上述目的，本发明的技术方案包括如下：
(1)建立包括多个雷达的超视距雷达组网系统，假设在k-1时刻，第i个雷达的目标运动状态估计值为
Figure BDA0003449138330000021
计算k时刻第i个雷达的目标运动状态预测值
Figure BDA0003449138330000022
和相应的信息对
Figure BDA0003449138330000023
其中
Figure BDA0003449138330000024
包含协方差信息，
Figure BDA0003449138330000025
包含预测值信息；
(2)采用门控技术，消除不可行的量测值：
(2a)计算k时刻第i个雷达的预测量测值
Figure BDA0003449138330000026
和关联协方差矩阵
Figure BDA0003449138330000027
(2b)定义一个维度为nz的椭圆为有效区域，计算k时刻量测数据中每个量测值zn,k与预测量测值
Figure BDA0003449138330000028
的差值zd与关联协方差矩阵
Figure BDA0003449138330000029
的马氏距离，并剔除马氏距离大于门限值η的量测值，将马氏距离小于或等于门限值η的量测值存储于有效量测集Vi,k(η)中，其中η的值根据系统设定；
(3)计算取样测量值指标j*：
(3a)对于k时刻第i个雷达，从[1,Mi,k]中选择第j个未被选过的量测值zi,j,k，其中，Mi,k表示k时刻第i个雷达的量测总数；
(3b)计算量测值zi,j,k的关联概率βi,j,k；
(3c)判断是否选完[1,Mi,k]中所有量测：若是，则执行(3d)；否则，返回(3a)；
(3d)对所有关联概率
Figure BDA00034491383300000210
采用最大后验估计，得到取样测量值指标j*；
(4)根据取样测量值指标j*，按照下式得到取样的量测值
Figure BDA00034491383300000211
Figure BDA00034491383300000212
其中，
Figure BDA00034491383300000213
表示k时刻第i个雷达的取样测量值指标j*对应的量测值，
Figure BDA00034491383300000214
表示空集；
(5)计算交互一致性信息；
(5a)根据取样的量测值
Figure BDA00034491383300000215
计算质量对
Figure BDA00034491383300000216
其中，
Figure BDA00034491383300000217
包含量测信息，
Figure BDA00034491383300000218
包含量测协方差矩阵信息；
(5b)设定交互一致性信息对为
Figure BDA0003449138330000031
交互一致性质量对为
Figure BDA0003449138330000032
根据信息对
Figure BDA0003449138330000033
和质量对
Figure BDA0003449138330000034
对交互一致性的信息对、质量对及k时刻第i个雷达的权因子
Figure BDA0003449138330000035
分别进行初始化，并设交互一致性迭代次数最大次数为L；
Figure BDA0003449138330000036
Figure BDA0003449138330000037
Figure BDA0003449138330000038
(5c)对交互一致性质量对
Figure BDA0003449138330000039
交互一致性信息对
Figure BDA00034491383300000310
以及权因子
Figure BDA00034491383300000311
分别进行迭代处理，得到当前的交互一致性参数：
Figure BDA00034491383300000312
Figure BDA00034491383300000313
Figure BDA00034491383300000314
其中，
Figure BDA00034491383300000315
表示k时刻第i个雷达的第l+1次迭代得到的信息对，Ni表示量测总数，
Figure BDA00034491383300000316
表示j∈Ni时求和，πi,j表示Metropolis权，
Figure BDA00034491383300000317
表示第l+1次迭代得到的质量对，
Figure BDA00034491383300000318
表示第l+1次迭代得到的权因子；
(5d)判断当前迭代次数l+1是否到达设定的最大迭代次数L：
若是，则输出交互一致性质量对
Figure BDA00034491383300000319
信息对
Figure BDA00034491383300000320
并执行(6)；否则，返回(5c)；
(6)对跟踪的目标运动状态进行最终估计；
(6a)根据交互一致性质量对
Figure BDA00034491383300000321
信息对
Figure BDA00034491383300000322
以及权因子
Figure BDA00034491383300000323
计算融合信息对
Figure BDA00034491383300000324
Figure BDA00034491383300000325
Figure BDA0003449138330000041
(6b)根据融合信息对
Figure BDA0003449138330000042
计算得到目标运动状态估计值
Figure BDA0003449138330000043
和其方差矩阵
Figure BDA0003449138330000044
本发明与现有技术相比具有以下优点：
第一，由于本发明基于交互一致性处理，对当前时刻确定的量测作一致性迭代，能够有效抑制因误判产生的错误量测对跟踪过程造成的性能影响，提高目标运动状态估计精度，减小目标航迹间歇及航迹信息丢失，实现良好的组网跟踪精度。
第二，本发明使用的交互一致性迭代算法，引入权因子调整系统的稳定性，相对于传统的一致性算法，在计算上有更简单的修正步骤，在一致性处理时系统的稳定性更好。
第三，本发明由于在对多站信息作融合处理时，通过本地雷达直接融合目标凝聚信息，避免了传统方法中的融合中心操作，减少了数据传输量，提高了运算速率，提高了系统稳定性。
附图说明
图1是本发明的实现流程图；
图2是用本发明和现有基于EKF的集中式融合方法跟踪目标的位置误差仿真对比图；
图3是用本发明和现有基于EKF的集中式融合方法跟踪目标的速度误差仿真对比图。
具体实施方式
以下结合附图对本发明的实施和效果作进一步详细描述。
参照图1，本实例的实施步骤如下：
步骤1，对目标运动状态进行预测。
建立包括多个雷达的超视距雷达组网系统；
假设在k-1时刻，第i个雷达的目标运动状态估计值为
Figure BDA0003449138330000045
计算k时刻第i个雷达的目标运动状态预测值
Figure BDA0003449138330000046
和相应的信息对
Figure BDA0003449138330000047
Figure BDA0003449138330000048
Figure BDA0003449138330000049
Figure BDA00034491383300000410
其中，其中
Figure BDA00034491383300000411
包含协方差信息，
Figure BDA00034491383300000412
包含预测值信息，
Figure BDA00034491383300000413
f(xk)表示k时刻第i个雷达的目标运动状态xk与下一时刻目标运动状态的数学函数关系，该关系是由实际跟踪的场景确定，不同跟踪的场景对应f(xk)的不同表达式，T表示矩阵的转置，Qk表示k时刻目标运动状态背景噪声的协方差矩阵。
步骤2，采用门控技术，消除不可行的量测值。
(2.1)根据步骤1的预测结果，计算k时刻第i个雷达的预测量测值
Figure BDA0003449138330000051
和关联协方差矩阵
Figure BDA0003449138330000052
Figure BDA0003449138330000053
Figure BDA0003449138330000054
其中，
Figure BDA0003449138330000055
表示k时刻第i个雷达的目标运动状态xk与量测值的数学函数关系，该关系是由实际跟踪的场景确定，不同跟踪的场景对应
Figure BDA0003449138330000056
的不同表达式，
Figure BDA0003449138330000057
表示k时刻第i个雷达的量测背景噪声的协方差矩阵；
(2.2)定义一个维度为nz的椭圆为有效区域，计算k时刻量测数据中每个量测值zn,k与预测量测值
Figure BDA0003449138330000058
的差值zd，及该差值zd与关联协方差矩阵
Figure BDA0003449138330000059
的马氏距离
Figure BDA00034491383300000510
Figure BDA00034491383300000511
Figure BDA00034491383300000512
(2.3)根据系统设定门限值η，剔除马氏距离大于门限值η的量测值，将马氏距离小于或等于门限值η的量测值存储于有效量测集Vi,k(η)中。
步骤3，计算取样测量值指标j*。
(3.1)对于k时刻第i个雷达，从[1,Mi,k]中选择第j个未被选过的量测值zi,j,k，其中，Mi,k表示k时刻第i个雷达的量测总数；
(3.2)计算量测值zi,j,k的关联概率βi,j,k:
Figure BDA0003449138330000061
其中，
Figure BDA0003449138330000062
表示变量zi,j,k的高斯概率密度，变量zi,j,k的均值为
Figure BDA0003449138330000063
协方差为
Figure BDA0003449138330000064
表示第i个雷达的目标检测概率，Pg表示门概率，Mi,k表示k时刻第i个站点的量测数据数目,λ是杂波的空间密度；
(3.3)判断是否选完[1,Mi,k]中所有量测值：
若是，则执行(3.4)；否则，返回(3.1)；
(3.4)对所有关联概率
Figure BDA0003449138330000065
采用最大后验估计，得到取样测量值指标j*；
Figure BDA0003449138330000066
步骤4，计算取样的量测值
Figure BDA0003449138330000067
根据取样测量值指标j*，按照下式得到取样的量测值
Figure BDA0003449138330000068
Figure BDA0003449138330000069
其中，
Figure BDA00034491383300000610
表示k时刻第i个雷达的取样测量值指标j*对应的量测值，
Figure BDA00034491383300000611
表示空集；
步骤5，计算交互一致性信息。
(5.1)根据取样的量测值
Figure BDA00034491383300000612
计算质量对
Figure BDA00034491383300000613
Figure BDA00034491383300000614
Figure BDA00034491383300000615
其中，
Figure BDA00034491383300000616
包含量测信息，
Figure BDA00034491383300000617
包含量测协方差矩阵信息；
Figure BDA00034491383300000618
表示k时刻第i个雷达的状态量测导数，
Figure BDA00034491383300000619
表示量测背景噪声的协方差矩阵，
Figure BDA00034491383300000620
表示取样的量测值。
(5.2)设定交互一致性信息对为
Figure BDA0003449138330000071
交互一致性质量对为
Figure BDA0003449138330000072
根据信息对
Figure BDA0003449138330000073
和质量对
Figure BDA0003449138330000074
对交互一致性的信息对、质量对及k时刻第i个雷达的权因子
Figure BDA0003449138330000075
分别进行初始化:
Figure BDA0003449138330000076
Figure BDA0003449138330000077
Figure BDA0003449138330000078
(5.3)设交互一致性迭代次数最大次数为L，对交互一致性质量对
Figure BDA0003449138330000079
交互一致性信息对
Figure BDA00034491383300000710
以及权因子
Figure BDA00034491383300000711
分别进行迭代处理，得到当前的交互一致性参数：
Figure BDA00034491383300000712
Figure BDA00034491383300000713
Figure BDA00034491383300000714
Figure BDA00034491383300000715
Figure BDA00034491383300000716
其中，
Figure BDA00034491383300000717
表示k时刻第i个雷达的第l+1次迭代得到的信息对，
Ni表示量测总数，
Figure BDA00034491383300000718
表示j∈Ni时求和，πi,j表示Metropolis权，
Figure BDA00034491383300000719
表示第l+1次迭代得到的质量对，
Figure BDA00034491383300000720
表示第l+1次迭代得到的权因子；
(5.4)判断当前迭代次数l+1是否到达设定的最大迭代次数L：
若是，则输出交互一致性质量对
Figure BDA00034491383300000721
信息对
Figure BDA00034491383300000722
并执行步骤(6)；
否则，返回步骤(5.3)。
步骤6，对跟踪的目标运动状态进行最终估计。
(6.1)根据交互一致性质量对
Figure BDA00034491383300000723
信息对
Figure BDA00034491383300000724
以及权因子
Figure BDA0003449138330000081
计算融合信息对
Figure BDA0003449138330000082
Figure BDA0003449138330000083
Figure BDA0003449138330000084
(6.2)根据融合信息对
Figure BDA0003449138330000085
计算得到目标运动状态估计值
Figure BDA0003449138330000086
和其方差矩阵
Figure BDA0003449138330000087
Figure BDA0003449138330000088
Figure BDA0003449138330000089
其中，
Figure BDA00034491383300000810
表示k时刻第i个雷达的融合信息对，
Figure BDA00034491383300000811
包含量测信息，
Figure BDA00034491383300000812
包含量测协方差矩阵信息。
本发明的效果可通过以下仿真进一步说明。
1.,仿真条件
本发明的仿真运行系统为CPU主频3.3GHz、内存8G、显卡GTX960、Windows操作系统，仿真软件采用MATLAB。
本发明仿真实验雷达总数为9，噪声协方差矩阵为diag(25,1e-6,9e-6)，门概率Pg＝0.971，检测概率pd＝0.7。
2、仿真内容与结果分析
仿真1：在上述条件下，用本发明和现有基于EKF的集中式融合方法对九台天波超视距雷达OTHR跟踪区域内的单个运动目标及杂波进行联合检测和跟踪，得到的运动目标坐标均方误差图，如图2所示。图2中直线表示本发明方法HCTCM-I，虚线表示基于本发明方法进行交互一致性处理时，采用改进权因子计算方式的方法HCTCM-II，点滑线表示现有基于EKF的集中式融合方法，横坐标表示跟踪次数，纵坐标表示目标纵向坐标的均方误差，单位为m。
由图2可见，本发明HCTCM-I方法的直线在跟踪次数大于60次后达到稳定，均方误差在0值附近摆动，本发明HCTCM-II方法的虚线在跟踪次数大于55次后达到稳定，均方误差在0值附近摆动，而表示现有EKF方法的点滑线在跟踪次数大于70次后达到稳定，均方误差在0值附近摆动，说明本发明方法得到的目标运动状态的坐标基本没有偏差，检测及跟踪结果很准确，比现有方法更稳定。
仿真2：在上述条件下，用本发明和现有基于EKF的集中式融合方法对九台天波超视距雷达OTHR跟踪区域内的单个运动目标及杂波进行联合检测和跟踪，得到的运动目标速度均方误差图，如图3所示。图3中的直线表示本发明方法HCTCM-I，虚线表示稍加改进的本发明方法HCTCM-II，点滑线表示现有基于EKF的集中式融合方法，横坐标表示跟踪次数，纵坐标表示目标纵向速度的均方误差，单位为m/s。
由图3可见，直线、虚线和点滑线均在跟踪次数大于50次后达到稳定，均方误差在0值附近摆动，但直线相对于0值的偏移小于点滑线，说明本发明方法得到的目标运动状态的速度基本没有偏差，检测及跟踪结果很准确，稳定性更好。

Claims (8)

1.一种基于交互一致性的天波超视距雷达目标跟踪方法，其特征在于，
(1)建立包括多个雷达的超视距雷达组网系统，假设在k-1时刻，第i个雷达的目标运动状态估计值为
Figure FDA0003449138320000011
计算k时刻第i个雷达的目标运动状态预测值
Figure FDA0003449138320000012
和相应的信息对
Figure FDA0003449138320000013
其中
Figure FDA0003449138320000014
包含协方差信息，
Figure FDA0003449138320000015
包含预测值信息；
(2)采用门控技术，消除不可行的量测值：
(2a)计算k时刻第i个雷达的预测量测值
Figure FDA0003449138320000016
和关联协方差矩阵
Figure FDA0003449138320000017
(2b)定义一个维度为nz的椭圆为有效区域，计算k时刻量测数据中每个量测值zn,k与预测量测值
Figure FDA0003449138320000018
的差值zd与关联协方差矩阵
Figure FDA0003449138320000019
的马氏距离，并剔除马氏距离大于门限值η的量测值，将马氏距离小于或等于门限值η的量测值存储于有效量测集Vi,k(η)中，其中η的值根据系统设定；
(3)计算取样测量值指标j*：
(3a)对于k时刻第i个雷达，从[1,Mi,k]中选择第j个未被选过的量测值zi,j,k，其中，Mi,k表示k时刻第i个雷达的量测总数；
(3b)计算量测值zi,j,k的关联概率βi,j,k；
(3c)判断是否选完[1,Mi,k]中所有量测：若是，则执行(3d)；否则，返回(3a)；
(3d)对所有关联概率
Figure FDA00034491383200000110
采用最大后验估计，得到取样测量值指标j*；
(4)根据取样测量值指标j*，按照下式得到取样的量测值
Figure FDA00034491383200000111
Figure FDA00034491383200000112
其中，
Figure FDA00034491383200000113
表示k时刻第i个雷达的取样测量值指标j*对应的量测值，
Figure FDA00034491383200000114
表示空集；
(5)计算交互一致性信息；
(5a)根据取样的量测值
Figure FDA00034491383200000115
计算质量对
Figure FDA00034491383200000116
其中，
Figure FDA00034491383200000117
包含量测信息，
Figure FDA00034491383200000118
包含量测协方差矩阵信息；
(5b)设定交互一致性信息对为
Figure FDA00034491383200000119
交互一致性质量对为
Figure FDA00034491383200000120
根据信息对
Figure FDA00034491383200000121
和质量对
Figure FDA00034491383200000122
对交互一致性的信息对、质量对及k时刻第i个雷达的权因子
Figure FDA00034491383200000123
分别进行初始化，并设交互一致性迭代次数最大次数为L；
Figure FDA00034491383200000124
Figure FDA00034491383200000125
Figure FDA0003449138320000021
(5c)对交互一致性质量对
Figure FDA0003449138320000022
交互一致性信息对
Figure FDA0003449138320000023
以及权因子
Figure FDA0003449138320000024
分别进行迭代处理，得到当前的交互一致性参数：
Figure FDA0003449138320000025
Figure FDA0003449138320000026
Figure FDA0003449138320000027
其中，
Figure FDA0003449138320000028
表示k时刻第i个雷达的第l+1次迭代得到的信息对，Ni表示量测总数，
Figure FDA0003449138320000029
表示j∈Ni时求和，πi,j表示Metropolis权，
Figure FDA00034491383200000210
表示第l+1次迭代得到的质量对，
Figure FDA00034491383200000211
表示第l+1次迭代得到的权因子；
(5d)判断当前迭代次数l+1是否到达设定的最大迭代次数L：
若是，则输出交互一致性质量对
Figure FDA00034491383200000212
信息对
Figure FDA00034491383200000213
并执行(6)；
否则，返回(5c)；
(6)对跟踪的目标运动状态进行最终估计；
(6a)根据交互一致性质量对
Figure FDA00034491383200000214
信息对
Figure FDA00034491383200000215
以及权因子
Figure FDA00034491383200000216
计算融合信息对
Figure FDA00034491383200000217
Figure FDA00034491383200000218
Figure FDA00034491383200000219
(6b)根据融合信息对
Figure FDA00034491383200000220
计算得到目标运动状态估计值
Figure FDA00034491383200000221
和其方差矩阵
Figure FDA00034491383200000222
2.根据权利要求1所述的方法，其中(1)中计算k时刻第i个雷达的目标运动状态预测值
Figure FDA00034491383200000223
和相应的信息对
Figure FDA00034491383200000224
公式如下：
Figure FDA00034491383200000225
Figure FDA00034491383200000226
Figure FDA00034491383200000227
其中，
Figure FDA0003449138320000031
f(xk)表示k时刻第i个雷达的目标运动状态xk与下一时刻目标运动状态的数学函数关系，该关系是由实际跟踪的场景确定，不同跟踪的场景对应f(xk)的不同表达式，T表示矩阵的转置，Qk表示k时刻目标运动状态背景噪声的协方差矩阵。
3.根据权利要求1所述的方法，其中(2a)中计算k时刻第i个雷达的目标运动状态的预测量测值
Figure FDA0003449138320000032
和关联协方差矩阵
Figure FDA0003449138320000033
公式如下：
Figure FDA0003449138320000034
Figure FDA0003449138320000035
其中，
Figure FDA0003449138320000036
Figure FDA0003449138320000037
表示k时刻第i个雷达的目标运动状态xk与量测值的数学函数关系，该关系是由实际跟踪的场景确定，不同跟踪的场景对应
Figure FDA0003449138320000038
的不同表达式，
Figure FDA0003449138320000039
表示k时刻第i个雷达的量测背景噪声的协方差矩阵。
4.根据权利要求1所述的方法，其中(2b)中计算k时刻量测数据中每个量测值zn,k与预测量测值
Figure FDA00034491383200000310
的差值zd与关联协方差矩阵
Figure FDA00034491383200000311
的马氏距离，公式如下：
Figure FDA00034491383200000312
Figure FDA00034491383200000313
其中，
Figure FDA00034491383200000314
代表zd与
Figure FDA00034491383200000315
的马氏距离。
5.根据权利要求1所述的方法，其中(3b)中计算量测值zi,j,k的关联概率βi,j,k，公式如下：
Figure FDA00034491383200000316
其中，
Figure FDA00034491383200000317
Figure FDA00034491383200000318
表示变量zi,j,k的高斯概率密度，变量zi,j,k的均值为
Figure FDA00034491383200000319
协方差为
Figure FDA00034491383200000320
Figure FDA00034491383200000321
表示第i个雷达的目标检测概率，Pg表示门概率，Mi,k表示k时刻第i个站点的量测数据数目,λ是杂波的空间密度。
6.根据权利要求1所述的方法，其中(3d)中对所有关联概率
Figure FDA0003449138320000041
采用最大后验估计，得到取样测量值指标j*：
Figure FDA0003449138320000042
7.根据权利要求1所述的方法，其中(5a)中计算质量对
Figure FDA0003449138320000043
公式如下：
Figure FDA0003449138320000044
Figure FDA0003449138320000045
其中，
Figure FDA0003449138320000046
表示k时刻第i个雷达的状态量测导数，
Figure FDA0003449138320000047
表示量测背景噪声的协方差矩阵，
Figure FDA0003449138320000048
表示取样的量测值。
8.根据权利要求1所述的方法，其中(6b)中计算目标运动状态估计值
Figure FDA0003449138320000049
和目标运动状态方差矩阵
Figure FDA00034491383200000410
公式如下：
Figure FDA00034491383200000411
Figure FDA00034491383200000412
其中，
Figure FDA00034491383200000413
表示k时刻第i个雷达的融合信息对，
Figure FDA00034491383200000414
包含量测信息，
Figure FDA00034491383200000415
包含量测协方差矩阵信息。
CN202111658759.5A 2021-12-30 2021-12-30 基于交互一致性的天波超视距雷达目标跟踪方法 Active CN114488104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111658759.5A CN114488104B (zh) 2021-12-30 2021-12-30 基于交互一致性的天波超视距雷达目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111658759.5A CN114488104B (zh) 2021-12-30 2021-12-30 基于交互一致性的天波超视距雷达目标跟踪方法

Publications (2)

Publication Number Publication Date
CN114488104A true CN114488104A (zh) 2022-05-13
CN114488104B CN114488104B (zh) 2024-06-07

Family

ID=81507844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111658759.5A Active CN114488104B (zh) 2021-12-30 2021-12-30 基于交互一致性的天波超视距雷达目标跟踪方法

Country Status (1)

Country Link
CN (1) CN114488104B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942428A (zh) * 2022-05-27 2022-08-26 哈尔滨工业大学 多目标跟踪的混合体制雷达数据关联算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120038505A1 (en) * 2008-04-18 2012-02-16 Flex Force Enterprises LLC Firearm Threat Detection, Classification, and Location Using Wideband Radar
CN107515966A (zh) * 2017-07-27 2017-12-26 中国船舶重工集团公司第七二四研究所 一种基于dds的雷达仿真系统分层构建方法
CN107526070A (zh) * 2017-10-18 2017-12-29 中国航空无线电电子研究所 天波超视距雷达的多路径融合多目标跟踪算法
CN108919257A (zh) * 2018-07-12 2018-11-30 中国船舶重工集团公司第七二四研究所 一种异型雷达协同定位方法及设备
US20210132208A1 (en) * 2018-06-29 2021-05-06 The University Of Birmingham Over the horizon radar (oth) system and method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120038505A1 (en) * 2008-04-18 2012-02-16 Flex Force Enterprises LLC Firearm Threat Detection, Classification, and Location Using Wideband Radar
CN107515966A (zh) * 2017-07-27 2017-12-26 中国船舶重工集团公司第七二四研究所 一种基于dds的雷达仿真系统分层构建方法
CN107526070A (zh) * 2017-10-18 2017-12-29 中国航空无线电电子研究所 天波超视距雷达的多路径融合多目标跟踪算法
US20210132208A1 (en) * 2018-06-29 2021-05-06 The University Of Birmingham Over the horizon radar (oth) system and method
CN108919257A (zh) * 2018-07-12 2018-11-30 中国船舶重工集团公司第七二四研究所 一种异型雷达协同定位方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金术玲;梁彦;潘泉;程咏梅;: "天波超视距雷达扩展综合概率数据关联算法", 火力与指挥控制, no. 07, 15 July 2009 (2009-07-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114942428A (zh) * 2022-05-27 2022-08-26 哈尔滨工业大学 多目标跟踪的混合体制雷达数据关联算法
CN114942428B (zh) * 2022-05-27 2024-04-09 哈尔滨工业大学 多目标跟踪的混合体制雷达数据关联算法

Also Published As

Publication number Publication date
CN114488104B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN112613532B (zh) 基于雷达与循环神经网络补全红外融合的动目标跟踪方法
CN107688179B (zh) 基于多普勒信息辅助的综合概率数据互联方法
CN110503071A (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
EP1451608A2 (en) System and method for central association and tracking in passive coherent location applications
AU2002308569A1 (en) Systems and method for central association and tracking in passive coherent location applications
CN107346020B (zh) 一种用于异步多基地雷达系统的分布式批估计融合方法
CN110058222B (zh) 一种基于传感器选择的双层粒子滤波检测前跟踪方法
CN112162244B (zh) 一种相关噪声和随机丢包环境下的事件触发目标跟踪方法
CN114942428B (zh) 多目标跟踪的混合体制雷达数据关联算法
CN113534133B (zh) 基于期望最大迭代算法的雷达多目标联合检测及跟踪方法
CN107436434B (zh) 基于双向多普勒估计的航迹起始方法
CN115204212A (zh) 一种基于stm-pmbm滤波算法的多目标跟踪方法
CN112328959B (zh) 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
CN112881993A (zh) 自动识别雷达分布杂波引起虚假航迹的方法
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN111679251A (zh) 一种基于雷达红外双模融合的抗雷达型干扰方法
CN112666516A (zh) 基于航迹信息场的无源跟踪方法
CN111679270B (zh) 一种反射点不确定场景下多路径融合目标检测算法
CN115508824A (zh) 多目标大数据关联融合跟踪方法及系统
CN112731373B (zh) 基于三维数据关联的外辐射源雷达多目标跟踪方法
CN110031797B (zh) 用于被动传感系统对具有非连续特性目标的检测跟踪方法
CN113376626A (zh) 基于immpda算法的高机动目标跟踪方法
CN113280821A (zh) 基于斜率约束和回溯搜索的水下多目标跟踪方法
CN116736287B (zh) 基于多探测模式的地波多径目标跟踪方法
Woischneck et al. Localization and velocity estimation based on multiple bistatic measurements

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