CN115327503A - 基于高斯粒子滤波的固定单站无源定位方法和相关装置 - Google Patents
基于高斯粒子滤波的固定单站无源定位方法和相关装置 Download PDFInfo
- Publication number
- CN115327503A CN115327503A CN202210753126.0A CN202210753126A CN115327503A CN 115327503 A CN115327503 A CN 115327503A CN 202210753126 A CN202210753126 A CN 202210753126A CN 115327503 A CN115327503 A CN 115327503A
- Authority
- CN
- China
- Prior art keywords
- target object
- motion state
- target
- moment
- information
- 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
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
- G01S7/41—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)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开一种基于高斯粒子滤波的固定单站无源定位方法,能够通过基于模糊聚类模型计算粒子的权重,提高了高斯粒子滤波中确定目标物体的运动状态信息的精确度。该方法包括:基于高斯分布模型,确定目标物体在第一时刻的初始运动状态信息对应的第一运动状态粒子集合;基于传感器观测模型,将第二运动状态粒子集合转化为目标物体在第二时刻的观测预测值集合;以每个观测预测值集合为聚类中心,基于模糊聚类模型获取目标物体在第二时刻的实际观测值集合与聚类中心的隶属度信息;基于状态转移模型,将第一运动状态粒子集合和隶属度信息作为输入,得到目标物体在第二时刻的目标运动状态信息,目标运动状态信息包括目标空间位置信息和目标速度信息。
Description
技术领域
本申请涉及雷达数据处理技术领域,尤其涉及一种基于高斯粒子滤波的固定单站无源定位方法和相关装置。
背景技术
粒子滤波是采用蒙特卡洛方法求解贝叶斯滤波中的最优估计的方法。基于粒子滤波,通过一个高斯分布来近似估计未知状态的后验概率分布称为高斯粒子滤波。高斯粒子滤波包括粒子采样、粒子预测和权值更新。
一种在高斯粒子滤波中的权值的计算方法是,在获取一组粒子产生的预测值后,对比该时刻真实的观测值,通过观测方程对预测值进行评价,得到每个粒子输入观测方程后得到真实观测值的概率作为输出,这个概率为每个粒子的权重。
但是,通过观测方程计算每个粒子的权重时,计算的效率和精度较低,导致采用高斯粒子滤波确定目标物体在当前时刻的运动状态信息的精确度较低。
发明内容
本申请实施例的主要目的在于提高高斯粒子滤波中确定目标物体在当前时刻的运动状态信息的精确度。
为实现上述目的,本申请实施例提供了一种基于高斯粒子滤波的固定单站无源定位方法,所述方法包括以下步骤:基于高斯分布模型,确定目标物体在第一时刻的初始运动状态信息对应的第一运动状态粒子集合,第一运动状态粒子集合包括至少两个运动状态粒子;基于状态转移模型,将第一运动状态粒子集合作为输入,得到目标物体在第二时刻的第二运动状态粒子集合;基于传感器观测模型,将第二运动状态粒子集合转化为目标物体在第二时刻的观测预测值集合,每个观测预测值集合与每个运动状态粒子一一对应;以每个观测预测值集合为聚类中心,基于模糊聚类模型获取目标物体在第二时刻的实际观测值集合与聚类中心的隶属度信息,隶属度信息表示每个观测预测值集合对应的每个运动状态粒子的可靠程度;基于状态转移模型,将第一运动状态粒子集合和隶属度信息作为输入,得到目标物体在第二时刻的目标运动状态信息,目标运动状态信息包括目标空间位置信息和目标速度信息。
为实现上述目的,本申请实施例还提出了一种无源定位系统,无源定位系统包括存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现前述基于高斯粒子滤波的固定单站无源定位方法的步骤。
为实现上述目的,本申请提供了一种存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现前述基于高斯粒子滤波的固定单站无源定位方法的步骤。
本申请提出的基于高斯粒子滤波的固定单站无源定位方法和相关装置,通过基于模糊聚类模型计算粒子的权重,提高了高斯粒子滤波中确定目标物体在当前时刻的运动状态信息的精确度。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的固定单站单目标定位跟踪的一个架构示意图;
图2为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个步骤流程图;
图3为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一步骤流程图;
图4为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一步骤流程图;
图5为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一步骤流程图;
图6为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一步骤流程图;
图7为本申请实施例提供的二维空间量测模型中观测站与辐射源的位置关系;
图8为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一步骤流程图;
图9为本申请实施例提供的三维空间量测模型中观测站与辐射源的位置关系;
图10为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个应用场景中的跟踪效果图;
图11为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个应用场景中的位置误差图;
图12为本申请实施例提供的无源定位系统的结构示意图。
具体实施方式
雷达是利用电磁波探测目标的电子设备,可以发现目标并测定它们的空间位置和速度。
最早出现的测定目标空间位置和速度的定位技术是有源定位技术,有源定位技术是指观测站主动向目标物体发射电磁波,电磁波经过目标物体的反射被观测站接收,观测站分析目标物体反射后得到的电磁波确定目标物体的空间位置和速度等状态信息。
由于采用有源定位技术的雷达向外辐射电磁波的频段较固定,很容易被敌方侦察和跟踪,进而遭受敌方针对性的电子干扰和精确制导武器的打击,这时不但会降低对目标的定位性能,还会危及到雷达定位系统的安全。
无源定位技术是指观测站不再主动向目标物体发送任何电磁波,而是仅仅通过接收目标物体运动产生的电磁波,通过分析接收的目标物体运动产生的电磁波确定目标物体的状态信息。由于采用无源定位技术的雷达不向目标物体辐射电磁波,降低了被敌方发现的几率,因此不容易成为反辐射导弹的打击目标。
由于存在环境噪声和随机扰动,目标物体运动产生的电磁波中受到了干扰而产生变化,并且采用无源定位技术的雷达接收的电磁波中还掺杂了许多噪声,这会导致直接分析采用无源定位技术的雷达接收的电磁波得到的实际观测值往往是不准确的,需要对采用无源定位技术的雷达分析得到的实际观测值进行数据处理才能精确地得到目标物体的运动状态。
滤波技术是从含有干扰的接收信号中提取有用信号的一种技术。在无源定位技术中,需要使用滤波技术从受到扰动和掺杂噪声的电磁波信号中提取目标物体的运动产生的电磁波信号。
统计推断是通过样本推断总体的统计方法。由于采用无源定位技术的雷达分析得到的实际观测值不准确,所以需要根据准确度较低的实际观测值对作为总体的目标物体的运动状态进行预测,再依据实际观测值与预测得到的目标物体的运动状态进行修正,以提高预测的运动状态的准确程度。
贝叶斯统计是统计推断的一种方法。贝叶斯统计是将人们希望进行推断的未知模型是随机地从已知的一类模型中选出来的。引入一个随机变量来刻画该未知模型,然后构造一个该未知模型中随机变量的先验概率分布,先验概率是指根据以往经验和分析得到的概率。在获取随机变量的一个已知数据的情况下,基于先验概率分布和该随机变量的一个已知数据来推导该未知模型中随机变量的后验概率分布,后验概率是指在得到“结果”的信息后重新修正的概率。
将贝叶斯统计应用于滤波技术称为贝叶斯滤波。贝叶斯滤波本质上是一类模型驱动的滤波算法,通过目标和传感器系统的先验统计特性建立相应的模型,来描述状态演化和观测行为。贝叶斯滤波包括目标状态转移模型和传感器观测模型。
目标状态转移模型通常包含了对目标运动模式和属性演化方式的先验知识,这种先验知识通常包含了物理现实约束和其他条件约束,能够在跟踪应用中缩小需要搜索的状态空间范围,找到符合某种运动模式的目标。
传感器观测模型包含了传感器测量过程的先验统计特性,即观测模型描述了一个具有特定状态的目标被传感器映射到观测空间中的过程。
马尔科夫链通常是指具有马尔科夫性质且存在于离散的指数集和状态空间的随机过程。对于目标定位跟踪应用而言,可以理解为:目标下一时刻的状态仅与当前状态有关,而与过去的状态无关。
基于目标定位跟踪是马尔科夫链,贝叶斯滤波应用于目标定位跟踪时,分为两个主要的步骤:预测步与更新步,与目标状态转移模型与传感器观测模型分别一一对应。预测步,是根据目标上一时刻的估计状态(上一时刻的估计状态是上一时刻目标状态的后验概率分布的期望),利用目标状态转移模型对当前时刻的目标状态进行预测的过程(得到当前时刻的目标状态的先验概率分布的期望);更新步,是利用当前时刻的预测状态(当前时刻的目标状态的先验概率分布的期望),利用传感器观测模型预测当前时刻目标的测量状态,并利用实际测量结果对预测结果进行校正的过程(得到当前时刻的目标状态的后验概率分布的期望)。
但是,贝叶斯滤波在计算方面很棘手,需要计算多维积分,很难通过先验概率计算得到后验概率的解析解,随着快速计算逐渐为人们所用,关于贝叶斯滤波的大量最新研究成果就集中在如何使贝叶斯滤波具有可行性上。
粒子滤波是采用蒙特卡洛方法求解贝叶斯滤波中的最优估计的方法,并利用重要性采样方法在状态空间上得到一组不断更新的随机样本(称为粒子),这一组粒子对应着一组权值。通过不停的按照权值大小来更新系统中的粒子并更新权值,来逼近需要估计的系统状态,粒子滤波的原理如下:
(1)粒子初始化:由于对系统状态未知,所以我们认为粒子在系统的状态空间中均匀分布,初始化生成粒子。然后将所有采样输入状态转移方程,得到预测粒子。
(2)粒子预测阶段:粒子滤波根据上一时刻确定的后验概率分布,通过随机采样的方法对每一个粒子的值进行更新,再将更新过的粒子输入状态转移方程,得到一组预测值,通过这组预测值的加权组合得到该时刻的预测结果。
(3)权值更新阶段:在获取一组粒子产生的预测值后,对比该时刻真实的观测值,通过观测方程对预测值进行评价。即第i个粒子输入观测方程后能得到真实观测值的概率,令这个概率为该粒子的权重,越可能获得真实观测值的粒子对应的权重就越高,也就代表该粒子越符合真实的概率分布。
(4)粒子重采样:为了避免粒子退化的现象,在算法迭代步骤中,需要去除权值较低的粒子,对权值较高的粒子进行复制,使得粒子的分布位置更逼近真实的解。在下一次的滤波过程中,使用重采样之后的粒子,使得每一轮滤波都让粒子更符合真实状态的概率分布,再将粒子带入状态转移方程中进行预测,从而使得预测的结果更准确。
基于上述粒子滤波的框架,通过一个高斯分布来近似估计未知状态的后验概率分布称为高斯粒子滤波(GPF,Gaussian ParticleFilter)。
基于贝叶斯滤波的步骤和高斯粒子滤波的原理,可以得到高斯粒子滤波方法的步骤如下:
(1)前一时刻的估计状态为前一时刻目标状态的后验概率分布的期望,假设前一时刻的后验概率分布为高斯分布,即前一时刻的估计状态符合高斯分布;
(2)基于高斯分布,根据前一时刻的目标状态和表示前一时刻系统不确定度的前一时刻的协方差矩阵生成满足高斯分布和前一时刻协方差矩阵的多个随机样本,随机样本称为粒子,每个随机样本是前一时刻的一种可能的目标运动状态;
(3)基于目标状态转移模型,以多组前一时刻的可能的目标状态作为输入,预测出多种可能的目标运动状态;
(4)基于传感器观测模型,将多种可能的目标状态作为输入,得到多种可能的目标状态对应的多组预测观测值;
(5)将当前时刻的一组实际观测值与多组预测观测值比较,评价每组预测观测值对应的粒子作为输入能得到实际观测值的概率,即第i个粒子输入观测方程后能得到真实观测值的概率,令这个概率为该粒子的权重,越可能获得真实观测值的粒子对应的权重就越高,也就代表该粒子越符合真实的概率分布。
(6)基于目标状态转移模型,将多组前一时刻的可能的目标状态和每组可能的目标状态的权重作为输入,得到当前时刻的目标状态的概率分布,对当前时刻的目标状态的概率分布求期望,就可以得到当前时刻的目标状态,并计算表示当前时刻系统不确定度的当前时刻的协方差矩阵。
高斯粒子滤波是一种免重采样滤波算法,相对于粒子滤波有着较好的实时性。但高斯粒子滤波中权值的计算有着效率较低和粒子退化等问题,提高高斯粒子滤波中权值计算的精确度成为重要研究方向之一。
本申请实施例提供了一种基于高斯粒子滤波的固定单站无源定位方法和相关装置,能够基于模糊聚类模型计算每个粒子的隶属度信息作为权值,从而提高了高斯粒子滤波中确定目标物体在当前时刻的运动状态信息的精确度。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
请参阅图1,图1为本申请实施例提供的固定单站单目标定位跟踪的一个架构示意图。
首先是利用观测和目标状态建立运动模型并可以直接计算得到目标的一个初始状态。确定好初始状态后就是对运动轨迹进行跟踪,首先是对目标进行一个机动检测判断目标是否发生机动,如果检测到目标发生机动就需要做机动目标跟踪处理,否则就按匀速直线运动进行处理。最后利用观测对目标状态预测进行更新,基于模糊高斯粒子滤波算法滤波估计得到下一时刻的目标状态,以此往复便可完成固定单站对单个目标的定位跟踪。
基于图1所示的固定单站单目标定位跟踪的架构,下面对本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法进行介绍。
请参阅图2,图2为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个方法流程图。
201、基于高斯分布模型,确定目标物体在第一时刻的初始运动状态信息对应的第一运动状态粒子集合。
从第一时刻的初始运动状态信息中采样,生成多个随机样本,这些随机样本称为粒子,每个随机样本表示目标物体在第一时刻的一种可能的运动状态。从第一时刻的初始运动状态信息中采样生成称为粒子的随机样本,需要满足高斯分布。
202、基于状态转移模型,将第一运动状态粒子集合作为输入,得到目标物体在第二时刻的第二运动状态粒子集合。
将第一时刻的第一运动状态粒子集合作为输入,基于表示状态演化的状态转移模型进行状态预测,得到目标物体在第二时刻的第二运动状态粒子集合作为输出。
203、基于传感器观测模型,将第二运动状态粒子集合转化为目标物体在第二时刻的观测预测值集合。
基于表示观测演化的传感器观测模型,将状态预测得到的表示第二时刻的第二运动状态粒子集合转化为目标物体在第二时刻的观测预测值集合,观测预测值集合表示当目标物体处于某个运动状态时,根据传感器观测模型的规律,对该目标物体处于某个运动状态时应该具有的观测值进行预测,得到了该运动状态下对应的观测预测值集合,每个运动状态粒子与每个观测预测值集合一一对应。
204、以每个观测预测值集合为聚类中心,基于模糊聚类模型获取目标物体在第二时刻的实际观测值集合与聚类中心的隶属度信息。
其中,d(Xi,Vj)表示粒子和聚合中心的欧式距离:
d(Xi,Vj)=||Xi-Vj|| (2)
uij表示粒子Xi和聚类中心Vj隶属度,且隶属度满足约束:
利用拉格朗日公式和最大熵原理,定义聚类目标函数:
其中,γi和λi为拉格朗日乘子,对式(7)求导数为零时的极大值,可得粒子Xi和Vj的隶属度为:
其中,γi可取值为:
将多个观测预测值集合中的每个观测预测值集合作为聚类中心,根据公式(5)计算该观测预测值集合对应的实际观测值集合与聚类中心的隶属度信息。
205、基于状态转移模型,将第一运动状态粒子集合和隶属度信息作为输入,得到目标物体在第二时刻的目标运动状态信息。
基于状态转移模型,将表示多组前一时刻,即第一时刻的可能的目标状态的第一运动状态粒子集合和表示每组可能的目标状态的权重的隶属度信息作为输入,得到当前时刻,即第二时刻的目标物体的运动状态的概率分布,对当前时刻,即第二时刻的目标物体的运动状态的概率分布求期望,就可以得到当前时刻,即第二时刻的目标物体的目标运动状态信息。
本申请实施例中,从初始运动状态信息中采样粒子需要协方差矩阵,协方差矩阵可以使用初始协方差矩阵,也可以基于初始协方差矩阵进一步进行计算。
请参阅图3,图3为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个方法流程图,基于图2所示实施例,图3所示实施例还包括步骤206至209。
206、获取目标物体在第一时刻的第一协方差矩阵。
协方差矩阵用于表示系统的不确定度。无源定位系统获取表示当目标物体在第一时刻时,以目标物体为核心的无源定位系统的不确定度的第一协方差矩阵。
传统目标跟踪初始协方差矩阵是通过下式获得:
207、根据目标物体在第一时刻的实际观测值集合中的第一多普勒频率实际值和目标物体在第二时刻的实际观测值集合中的第二多普勒频率实际值确定第一时刻至第二时刻的多普勒频率变化率信息。
无源定位系统会持续观测目标物体,并在每个时刻获取实际观测值集合。实际观测值集合中包括多普勒频率实际值,还可以包括其他类型的实际值,例如方位角实际值。第一时刻是第二时刻的前一时刻。
无源定位系统获取目标物体在第一时刻的实际观测值集合中的第一多普勒频率实际值和目标物体在第一时刻的实际观测值集合中的第二多普勒频率实际值。
多普勒频率的数学表达式为:
由公式(7)所示的多普勒频率的数学表达式可知,多普勒频率实际值的大小和目标物体的运动速度密切相关。由于目标辐射源载频一般都很大,信号的波长很短,当运动速度发生变化时,多普勒频率随之变化剧烈。
假定第二时刻的多普勒频率实际值为fdk,第一时刻的多普勒频率测量值为fdk-1。无源定位系统计算第二时刻的多普勒频率实际值与第一时刻的多普勒频率实际值的差值,得到第一时刻至第二时刻的多普勒频率变化率信息为
Δfdk=|fdk-fdk-1| (8)
208、当多普勒频率变化率信息大于等于预设阈值时,确定多普勒频率变化率信息对应的自适应调整因子。
当目标物体未发生机动时,速度大小和方向不变,即使在存在着噪声的情况下,Δfdk变化很小;而当目标发生机动时,Δfdk的值跳变为未机动时的十倍甚至百倍。
设定一个大的正数作为阈值Threshold。当Δfdk>Threshold时,认为目标发生机动,否则认为目标没有发生机动。
根据Δfdk值突变的剧烈程度而选择一个λ,λ为自适应调整因子。
209、计算第一协方差矩阵与自适应调整因子的乘积,得到第二协方差矩阵。
假定目标物体在k时刻发生机动,Δfdk值发生突变,假定此时目标状态协方差矩阵为Pk-1|k-1,则调整Pk-1|k-1的值为:
当目标物体在第一时刻发生机动时,第一时刻至第二时刻的多普勒变化率信息发生突变,则计算表示目标物体在第一时刻的不确定度的第一协方差举证与自适应调整因子的乘积,得到目标物体在第二时刻依据机动更新后的第二协方差矩阵。
基于图3所示实施例,下面对本申请实施例中确定多普勒频率变化率信息对应的自适应调整因子的具体方法进行介绍。
请参阅图4,图3为本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个方法流程图,图4中步骤2081和2082是图3中步骤208的一种具体实施方式。
2081、当多普勒频率变化率信息为第一多普勒频率变化率信息时,确定自适应调整因子为第一自适应调整因子。
根据预先设定的多普勒频率变化率信息和自适应调整因子的对应关系,当第一多普勒频率变化率信息大于预设阈值时,确定自适应调整因子为第一自适应调整因子。
2082、当多普勒频率变化率信息为第二多普勒频率变化率信息时,确定自适应调整因子为第二自适应调整因子,第二多普勒频率变化率信息大于第一多普勒频率变化率信息,第二自适应调整因子大于第一自适应调整因子。
当多普勒频率变化率信息出现比第一多普勒频率变化率信息更大的第二多普勒频率变化率信息时,自适应调整因子也要确定为比第一自适应调整因子更大的第二自适应调整因子,即多普勒频率变化率信息越大,自适应调整因子就越大。
结合上述介绍,下面对本申请实施例中基于高斯粒子滤波的固定单站无源定位方法进行进一步详细的介绍:
请参阅图5,图3或图4所示实施例还包括步骤210。
210、根据目标运动状态信息和第二协方差矩阵确定目标物体在第二时刻的第三协方差矩阵。
当通过计算表示当前时刻,即第二时刻的目标物体的运动状态信息时,还需要计算第二时刻的第三协方差矩阵以对第二时刻的无源定位系统的不确定度进行衡量以进行下一时刻,即第三时刻目标物体运动状态信息的确定。
根据第二时刻的目标物体的目标运动状态信息和依据机动判决更新后的第二协方差矩阵,计算目标物体在第二时刻的第三协方差矩阵。
基于图2至图5所示实施例提供的基于高斯粒子滤波的固定单站无源定位方法,下面对本申请实施例中基于高斯粒子滤波的固定单站无源定位方法进行进一步详细的介绍:
请参阅图6,本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法还包括步骤211和步骤212。
211、基于二维空间量测模型,根据方位角实际值和第一多普勒频率实际值确定目标物体在第一时刻的径向速度和径向距离。
二维场景下观测站和目标的位置关系如图7所示。观测站固定在坐标原点,观测站接收到的量测信息包括方位角β、多普勒频率fdk。
当目标辐射源无较大机动时,忽略加速度的影响
则目标相对于观测站的径向距离为:
而径向速度的表达式为:
212、根据径向速度和径向距离确定目标物体在第一时刻的初始运动状态信息。
由几何关系得目标物体的初始状态为:
基于图2至图6所示实施例提供的基于高斯粒子滤波的固定单站无源定位方法,下面对本申请实施例中基于高斯粒子滤波的固定单站无源定位方法进行进一步详细的介绍:
请参阅图8,本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法还包括步骤213至步骤215。
213、确定目标物体的状态方程以及观测方程。
假设固定观测站位于坐标原点,目标的状态方程如下:
Xk=f(Xk-1)+ek-1 (18)
由于利用单站的测向信息和多普勒频率信息,系统的观测方程设计如下:
Zk=h(Xk)+ek (19)
其中,h(Xk)∈Rn→Rm,n表示状态的维数,m表示观测的维数。
214、根据状态方程和观测方程确定三维空间量测模型。
在三维的固定单站无源定位系统中,我们可获得量测信息包括角度信息和多普勒,主要有方位角、俯仰角、方位角变化率、俯仰角变化率以及多普勒频率变化率。三维的固定单站无源定位量测量空间关系示意图如图9所示。
其中,各个量测测量的非线性表达式定义如下:
目标的方位角αk和俯仰角βk可以定义为:
根据式(20)和式(21)定义的目标方位角和俯仰角,方位角变化率和俯仰角变化率如下:
由于多普勒效应,假如目标与观测站之间存在着相对径向速度时,观测站得到的辐射源频率fk中就会包含多普勒频率fdk,假定目标辐射源频率fT恒定,则:
fk=fT+fdk (24)
多普勒频率变化率可以定义如下:
215、根据三维空间量测模型获取二维空间量测模型。
将步骤212中的三维空间量测模型转化为二维平面下的无源定位的二维空间量测模型。
结合上述介绍,下面对本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的一个应用场景进行介绍:
本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法在实际应用中可以按照以下方式进行更新以实现对目标的跟踪定位。
(1)时间更新
(2)量测更新
3)对粒子权值进行归一化。
结合上述介绍,下面对本申请实施例提供的基于高斯粒子滤波的固定单站无源定位方法的另一应用场景进行介绍:
二维情景下,观测站位于坐标原点,目标距离观测站200-300km,目标辐射源作带有加速度扰动的匀速运动。目标运动总时长为300s。目标辐射源频率为10GHz,目标状态为:观测量包括方位角α、方位角变化率多普勒频率f、多普勒频率变化率观测噪声标准差分别为:σα=1°、σf=1Hz、观测周期T=1s,目标在150s处发生航向角改变的机动,300次蒙特卡洛仿真,分别用GPF、FGPF算法进行跟踪,分析比较各算法在改变航向角的机动目标场景下的性能。
请参阅图10和图11。图10为目标的跟踪效果图,目标机动处的跟踪效果突然变差了,机动完成后再次慢慢地收敛。观察图11的目标的位置误差图可以看到机动处的误差显著增加,然后也是慢慢地收敛。检测到目标发生机动之后,就自适应地调节了协方差,然后重新使用滤波算法进行滤波而GPF、FGPF算法在机动处调节协方差后,重新滤波后地位置与机动前地位置相对比较连贯,FGPF算法的跟踪性能明显要比GPF算法好不少,更适合远距离、低精度的固定单站单目标跟踪。
请参阅图12,本申请实施例提供了一种无源定位系统,该无源定位系统包括通过系统总线连接的处理器、存储器和网络接口,其中,存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令,该程序指令被执行时,可使得处理器执行任意一种于高斯粒子滤波的固定单站无源定位方法。
处理器用于提供计算和控制能力,支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境,该计算机程序被处理器执行时,可使得处理器执行任意一种于高斯粒子滤波的固定单站无源定位方法。
该网络接口用于进行网络通信,如发送分配的任务等。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括程序指令,所述处理器执行所述程序指令,实现本申请实施例提供的任一项于高斯粒子滤波的固定单站无源定位方法。
其中,所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘、智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于高斯粒子滤波的固定单站无源定位方法,其特征在于,包括:
基于高斯分布模型,确定目标物体在第一时刻的初始运动状态信息对应的第一运动状态粒子集合,所述第一运动状态粒子集合包括至少两个运动状态粒子;
基于状态转移模型,将所述第一运动状态粒子集合作为输入,得到目标物体在第二时刻的第二运动状态粒子集合;
基于传感器观测模型,将所述第二运动状态粒子集合转化为所述目标物体在第二时刻的观测预测值集合,每个所述观测预测值集合与每个所述运动状态粒子一一对应;
以每个所述观测预测值集合为聚类中心,基于模糊聚类模型获取所述目标物体在第二时刻的实际观测值集合与所述聚类中心的隶属度信息,所述隶属度信息表示每个所述观测预测值集合对应的每个所述运动状态粒子的可靠程度;
基于所述状态转移模型,将所述第一运动状态粒子集合和所述隶属度信息作为输入,得到所述目标物体在第二时刻的目标运动状态信息,所述目标运动状态信息包括目标空间位置信息和目标速度信息。
2.根据权利要求1所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述确定目标物体在第一时刻的初始运动状态信息对应的第一运动状态粒子集合之前,所述方法还包括:
获取所述目标物体在第一时刻的第一协方差矩阵,所述第一协方差矩阵表示在所述第一时刻时无源定位系统的不确定度;
根据所述目标物体在第一时刻的实际观测值集合中的第一多普勒频率实际值和所述目标物体在第二时刻的实际观测值集合中的第二多普勒频率实际值确定第一时刻至第二时刻的多普勒频率变化率信息;
当所述多普勒频率变化率信息大于等于预设阈值时,确定所述多普勒频率变化率信息对应的自适应调整因子;
计算所述第一协方差矩阵与所述自适应调整因子的乘积,得到第二协方差矩阵,所述第二协方差矩阵表示在所述第一时刻与所述第二时刻之间所述无源定位系统的不确定度,所述第二协方差矩阵用于确定所述第一运动状态粒子集合。
3.根据权利要求2所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述确定所述多普勒频率变化率信息对应的自适应调整因子,包括:
当所述多普勒频率变化率信息为第一多普勒频率变化率信息时,确定所述自适应调整因子为第一自适应调整因子;
当所述多普勒频率变化率信息为第二多普勒频率变化率信息时,确定所述自适应调整因子为第二自适应调整因子,所述第二多普勒频率变化率信息大于所述第一多普勒频率变化率信息,所述第二自适应调整因子大于所述第一自适应调整因子。
4.根据权利要求2或3所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述将所述第一运动状态粒子集合和所述隶属度信息作为输入,得到所述目标物体在第二时刻的目标运动状态信息之后,所述方法还包括:
根据所述目标运动状态信息和所述第二协方差矩阵确定所述目标物体在第二时刻的第三协方差矩阵,所述第三协方差矩阵表示在所述第二时刻时所述无源定位系统的不确定度,所述第三协方差矩阵用于获取目标物体在第三时刻的目标运动状态信息。
5.根据权利要求4所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述目标物体在第一时刻的实际观测值集合包括方位角实际值;所述方法还包括:
基于二维空间量测模型,根据所述方位角实际值和所述第一多普勒频率实际值确定所述目标物体在第一时刻的径向速度和径向距离;
根据所述径向速度和径向距离确定所述目标物体在第一时刻的初始运动状态信息。
6.根据权利要求5所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述基于二维空间量测模型,根据所述方位角实际值和所述第一多普勒频率实际值确定所述目标物体在第一时刻的径向速度和径向距离之前,所述方法还包括:
确定所述目标物体的状态方程和观测方程;
根据所述状态方程和观测方程确定三维空间量测模型;
根据所述三维空间量测模型获取所述二维空间量测模型。
8.根据权利要求6所述的基于高斯粒子滤波的固定单站无源定位方法,其特征在于,所述观测方程为:
Zk=h(Xk)+ek
其中,h(Xk)∈Rn→Rm,n表示状态的维数,m表示观测的维数。
9.一种无源定位系统,其特征在于,所述无源定位系统包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于高斯粒子滤波的固定单站无源定位方法的步骤。
10.一种存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至8中任一项所述的基于高斯粒子滤波的固定单站无源定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210753126.0A CN115327503A (zh) | 2022-06-29 | 2022-06-29 | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210753126.0A CN115327503A (zh) | 2022-06-29 | 2022-06-29 | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327503A true CN115327503A (zh) | 2022-11-11 |
Family
ID=83917117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210753126.0A Pending CN115327503A (zh) | 2022-06-29 | 2022-06-29 | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327503A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227952A (zh) * | 2023-05-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种关键信息缺失下的来袭目标防御策略选择方法及装置 |
-
2022
- 2022-06-29 CN CN202210753126.0A patent/CN115327503A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227952A (zh) * | 2023-05-09 | 2023-06-06 | 中国人民解放军海军潜艇学院 | 一种关键信息缺失下的来袭目标防御策略选择方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Long short-term memory-based deep recurrent neural networks for target tracking | |
Davey et al. | A comparison of detection performance for several track-before-detect algorithms | |
Sabet et al. | Optimal design of the own ship maneuver in the bearing-only target motion analysis problem using a heuristically supervised extended Kalman filter | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
Mehrjouyan et al. | Robust adaptive unscented Kalman filter for bearings-only tracking in three dimensional case | |
AU2009251043A1 (en) | A method and system of data modelling | |
Liang-Qun et al. | Intuitionistic fuzzy joint probabilistic data association filter and its application to multitarget tracking | |
Gao et al. | Maneuvering target tracking with recurrent neural networks for radar application | |
Guo et al. | GP-PDA filter for extended target tracking with measurement origin uncertainty | |
Ristic et al. | Bernoulli filter for joint detection and tracking of an extended object in clutter | |
CN110233608B (zh) | 一种基于权值自适应的粒子滤波方法和雷达系统 | |
Liu et al. | Measurement transformation algorithm for extended target tracking | |
CN115327503A (zh) | 基于高斯粒子滤波的固定单站无源定位方法和相关装置 | |
Havangi | Intelligent adaptive unscented particle filter with application in target tracking | |
Liu et al. | Gaussian process upper confidence bounds in distributed point target tracking over wireless sensor networks | |
Sit et al. | Characterizing evaporation ducts within the marine atmospheric boundary layer using artificial neural networks | |
CN111708013B (zh) | 一种距离坐标系目标跟踪滤波方法 | |
Bocquel et al. | Multitarget tracking with multiscan knowledge exploitation using sequential MCMC sampling | |
Dyckman et al. | Particle filtering to improve GPS/INS integration | |
Su et al. | A variational Bayesian approach for partly resolvable group tracking | |
Yun et al. | Variational Bayesian based adaptive PDA filter in scenarios with unknown detection probability and heavy-tailed process noise | |
Horridge et al. | Performance bounds for angle-only filtering with application to sensor network management | |
Kang et al. | Ensemble transform particle filter using regularized optimal transport and measure of nonlinearity | |
CN108981707B (zh) | 基于时差量测箱粒子phd的被动跟踪多目标方法 | |
Watzenig et al. | Accelerated Markov chain Monte Carlo sampling in electrical capacitance tomography |
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 |