CN115685128B - 一种机动目标场景下的雷达目标跟踪算法及电子设备 - Google Patents

一种机动目标场景下的雷达目标跟踪算法及电子设备 Download PDF

Info

Publication number
CN115685128B
CN115685128B CN202211419890.0A CN202211419890A CN115685128B CN 115685128 B CN115685128 B CN 115685128B CN 202211419890 A CN202211419890 A CN 202211419890A CN 115685128 B CN115685128 B CN 115685128B
Authority
CN
China
Prior art keywords
value
information
ekf
algorithm
prediction
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
CN202211419890.0A
Other languages
English (en)
Other versions
CN115685128A (zh
Inventor
张衡
杨遵立
武文
林强
尉志文
张从胜
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.)
Air Force Early Warning Academy
Original Assignee
Air Force Early Warning Academy
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 Air Force Early Warning Academy filed Critical Air Force Early Warning Academy
Priority to CN202211419890.0A priority Critical patent/CN115685128B/zh
Publication of CN115685128A publication Critical patent/CN115685128A/zh
Application granted granted Critical
Publication of CN115685128B publication Critical patent/CN115685128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种机动目标场景下的雷达目标跟踪算法及电子设备，依据目标运动规律，确定目标位置偏差范围，来修正预测的目标位置信息；提出使用BP神经网络算法来进行扩展卡尔曼滤波算法预测信息结果的修正；根据噪声影响情况，提出更新因子，更新因子基于实际情况可调，用于进行EKF预测位置信息和观测值的权重处理，EKF预测值和BP‑EKF预测值的权重处理，BP‑ EKF预测值和观测值的权重处理；提出基于位置误差最小化的最优预测选择方法，从EKF预测值、BP‑EKF预测值、BP‑EKF和EKF加权预测值、BP‑EKF和测量值的加权预测值，中选择最优的位置预测信息，从而提高目标位置跟踪精度和稳定度。

Description

一种机动目标场景下的雷达目标跟踪算法及电子设备
技术领域
本发明涉及雷达数据处理技术领域，尤其涉及一种机动目标场景下的雷达目标跟踪算法及电子设备。
背景技术
雷达目标跟踪是雷达数据处理中非常关键的一环，依据获取的雷达目标点迹进行航迹起始、关联、滤波以及预测的处理，从而实现对目标运动过程的实时跟踪。在机动目标的跟踪算法中，卡尔曼滤波算法在雷达目标跟踪理论研究中得到广泛应用。标准卡尔曼滤波算法是在状态空间上的线性高斯滤波算法，适用于线性机动场景。当机动目标出现非线性运动场景时，目标真实状态与滤波模型不匹配，会导致算法跟踪精度下降，出现滤波发散甚至跟踪丢失的问题。因此，国内外学者进行研究提出了一些改进算法，其中有代表性的是扩展卡尔曼滤波( EKF)算法。
扩展卡尔曼滤波( EKF)算法对非线性系统滤波函数进行泰勒一阶线性展开式，并忽略高线性状态后验均值和协方差，从而对卡尔曼滤波算法进行修正。该方法比较简单，计算量小，可以较好对线性、非线性机动目标运动状态进行预测跟踪。
不过，针对非线性目标场景中，当系统运动模型与噪声模型失配，系统积累误差较大时， EKF滤波算法也存在滤波效果不佳或出现滤波发散。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种机动目标场景下的雷达目标跟踪算法及电子设备，从 BP-EKF加权预测值、 BP-EKF预测值、 EKF预测值中选择最优的位置预测信息，从而提高目标位置跟踪精度和稳定度。
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种机动目标场景下的雷达目标跟踪算法，包括以下步骤：
S1、确定状态转移矩阵
Figure 198710DEST_PATH_IMAGE001
和过程噪声分布矩阵
Figure 134305DEST_PATH_IMAGE002
；
S2、计算
Figure 248891DEST_PATH_IMAGE003
滤波算法的状态一步预测矩阵、协方差一步预测矩阵、卡尔曼滤波增益矩阵；
S3、计算
Figure 531230DEST_PATH_IMAGE003
滤波算法的协方差矩阵和
Figure 47662DEST_PATH_IMAGE003
位置预测信息；
更新的协方差矩阵为：
Figure 623000DEST_PATH_IMAGE004
      （1）
测量值
Figure 756041DEST_PATH_IMAGE005
为：
Figure 340606DEST_PATH_IMAGE006
（2）
所述
Figure 711545DEST_PATH_IMAGE007
位置预测信息为：
Figure 457784DEST_PATH_IMAGE008
   （3）
其中，
Figure 48428DEST_PATH_IMAGE009
为
Figure 967842DEST_PATH_IMAGE010
时刻的协方差矩阵；
Figure 193287DEST_PATH_IMAGE011
为全1对角矩阵；
Figure 376007DEST_PATH_IMAGE012
为
Figure 952482DEST_PATH_IMAGE013
时刻扩展卡尔曼滤波增益；
Figure 878849DEST_PATH_IMAGE014
为观测矩阵；
Figure 958801DEST_PATH_IMAGE015
为协方差一步预测值；
Figure 79466DEST_PATH_IMAGE016
为
Figure 612078DEST_PATH_IMAGE017
时刻目标真实位置；
Figure 76558DEST_PATH_IMAGE018
为目标观测点位置；
Figure 276595DEST_PATH_IMAGE019
为测量噪声，服从均值为0方差为
Figure 66696DEST_PATH_IMAGE020
的高斯分布；
Figure 86605DEST_PATH_IMAGE021
为
Figure 354775DEST_PATH_IMAGE022
时刻的测量值；
S4、计算更新的测量值
Figure 409319DEST_PATH_IMAGE021
在绝对坐标系下的测量信息的坐标；
Figure 839163DEST_PATH_IMAGE023
Figure 611947DEST_PATH_IMAGE024
    （4）
其中，
Figure 185273DEST_PATH_IMAGE025
为在绝对坐标系下的 X轴的测量信息分量；
Figure 828744DEST_PATH_IMAGE026
在绝对坐标系下 Y轴的测量信息分量；
Figure 960648DEST_PATH_IMAGE027
和
Figure 955149DEST_PATH_IMAGE028
分别为
Figure 565122DEST_PATH_IMAGE029
时刻更新的测量值
Figure 594258DEST_PATH_IMAGE030
中极坐标下的长度和角度分量，
Figure 631484DEST_PATH_IMAGE031
，
Figure 113281DEST_PATH_IMAGE032
；
S5、基于所述更新的测量值
Figure 792524DEST_PATH_IMAGE033
进行
Figure 177631DEST_PATH_IMAGE034
滤波算法的位置预测信息的修正；
S6、基于
Figure 385759DEST_PATH_IMAGE035
神经网络修正
Figure 620431DEST_PATH_IMAGE034
滤波算法的位置预测信息；
S7、修正
Figure 837785DEST_PATH_IMAGE035
神经网络输出的位置预测信息；
S8、计算基于
Figure 575934DEST_PATH_IMAGE034
滤波算法和所述更新的测量值的第一综合加权值坐标信息、
Figure 220542DEST_PATH_IMAGE035
神经网络映射预测和
Figure 676931DEST_PATH_IMAGE034
滤波算法预测的第二综合加权值坐标信息，和
Figure 166819DEST_PATH_IMAGE035
神经网络映射预测和所述更新的测量值的第三综合加权值坐标信息，获得在
Figure 538237DEST_PATH_IMAGE036
时刻，最优位置预测信息；
S9、重复所述S2至S9，继续获取下一时刻的最优位置预测信息。
进一步，所述S5中：
假设目标在绝对坐标系下最大的偏差范围为
Figure 353746DEST_PATH_IMAGE037
，在
Figure 31852DEST_PATH_IMAGE036
时刻，所述
Figure 325430DEST_PATH_IMAGE034
位置预测信息
Figure 38171DEST_PATH_IMAGE038
中的
Figure 24582DEST_PATH_IMAGE039
轴和
Figure 189984DEST_PATH_IMAGE040
轴的位置坐标
Figure 287253DEST_PATH_IMAGE041
和
Figure 854500DEST_PATH_IMAGE042
需满足的条件为：
Figure 247698DEST_PATH_IMAGE043
                   （5）
不满足公式（5），则按照式（6）进行更新修正：
Figure 900396DEST_PATH_IMAGE044
   （6）
得到最终的修正的
Figure 801356DEST_PATH_IMAGE045
滤波算法的位置预测信息。
进一步，所述S7中：所述
Figure 488689DEST_PATH_IMAGE046
神经网络的位置预测信息需满足（7）式条件：
Figure 551323DEST_PATH_IMAGE047
              （7）
其中，
Figure 425738DEST_PATH_IMAGE048
为
Figure 864810DEST_PATH_IMAGE049
神经网络的位置预测信息；
如，所述
Figure 406650DEST_PATH_IMAGE050
范围不满足公式（7），则按照公式（8）进行更新修正：
Figure 640185DEST_PATH_IMAGE051
     （8）。
进一步，所述S8中，
S801、所述第一综合加权值坐标
Figure 267475DEST_PATH_IMAGE052
为：
Figure 11703DEST_PATH_IMAGE053
     （9）
所述第二综合加权值坐标
Figure 408049DEST_PATH_IMAGE054
，
Figure 78065DEST_PATH_IMAGE055
为：
Figure 927072DEST_PATH_IMAGE056
     （10）
S802、计算
Figure 707946DEST_PATH_IMAGE057
时刻
Figure 224378DEST_PATH_IMAGE058
神经网络映射预测和所述更新的测量值的第三综合加权值坐标
Figure 65295DEST_PATH_IMAGE059
为：
Figure 136020DEST_PATH_IMAGE060
   （11）
其中，
Figure 720585DEST_PATH_IMAGE061
均为更新因子，
且
Figure 825944DEST_PATH_IMAGE062
,
Figure 339227DEST_PATH_IMAGE063
,
Figure 428406DEST_PATH_IMAGE064
。
进一步，所述S9，包括以下步骤：
S901、基于
Figure 285503DEST_PATH_IMAGE065
最小化选择法，从
Figure 776528DEST_PATH_IMAGE066
，
Figure 693668DEST_PATH_IMAGE067
，
Figure 4564DEST_PATH_IMAGE068
，
Figure 930931DEST_PATH_IMAGE069
这四个值中选择最优值
Figure 10883DEST_PATH_IMAGE070
：
Figure 364504DEST_PATH_IMAGE071
 （12）
S902、基于
Figure 664160DEST_PATH_IMAGE072
最小化选择法，从
Figure 394219DEST_PATH_IMAGE073
,
Figure 328677DEST_PATH_IMAGE074
,
Figure 853199DEST_PATH_IMAGE075
,
Figure 138687DEST_PATH_IMAGE076
这四个值中选择最优值
Figure 672436DEST_PATH_IMAGE077
；
Figure 461401DEST_PATH_IMAGE078
    (13)。
进一步，一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现机动目标场景下的雷达目标跟踪算法。
进一步，一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现机动目标场景下的雷达目标跟踪算法。
本发明的有益效果为：不论是线性场景还是非线性场景下的都可以有效进行目标跟踪；尤其是非线性场景中， EKF算法预测跟踪误差较大时候，该算法可以有效提高预测位置的信息的准确性，滤波误差精度得到较大提升。
由于BP神经网络能够自适应学习，具备良好的非线性映射能力；
通过扩展卡尔曼滤波( EKF)算法预测跟踪目标位置信息，然后基于目标运动特性，确定其偏差范围，进行修正该 EKF预测位置信息，该修正后的 EKF预测位置信息以及测量信息作为 BP神经网络的输入，进行 BP神经网络映射得到新的 BP-EKF预测值，进行进一步修正 EKF算法预测值；
由于BP神经网络算法是一种局部最优算法，不是全局最优，有时也存在结果不最优的，因此我们需要优选预测位置结果。基于噪声情况，提出更新因子，该更新因子基于实际情况可调，用该更新因子计算 EKF预测位置和量测值的加权值，用该更新因子计算 BP-EKF神经网络预测值和 EKF预测值的加权值，用该更新因子计算
Figure 156824DEST_PATH_IMAGE079
神经网络映射预测和测量值的加权值，提出基于位置误差最小化的最优预测选择方法，从 BP-EKF加权预测值、 BP-EKF预测值、 EKF预测值中选择最优的位置预测信息，从而提高目标位置跟踪精度和稳定度。
附图说明
图1为一种机动目标场景下的雷达目标跟踪算法流程图；
图2 为BP神经网络模型结构示意图；
图3为匀加速运动CA模型下真实轨迹和预测轨迹曲线图；
图4为匀速运动CV模型下真实轨迹和预测轨迹曲线图；
图5为匀加速运动CA模型下预测的滤波误差曲线图；
图6为匀速运动CV模型下预测的滤波误差曲线图；
图7为系统误差较小时，匀加速运动CA模型下预测的滤波误差曲线图；
图8为系统误差较小时，匀速运动CV模型下预测的滤波误差曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，一种机动目标场景下的雷达目标跟踪算法，包括以下步骤：
S1、确定状态转移矩阵
Figure 929608DEST_PATH_IMAGE080
和过程噪声分布矩阵
Figure 502934DEST_PATH_IMAGE081
；
其中，目标状态信息
Figure 146405DEST_PATH_IMAGE082
在
Figure 278309DEST_PATH_IMAGE083
时刻，X轴和Y轴的位置坐标信息
Figure 272810DEST_PATH_IMAGE084
，
Figure 148362DEST_PATH_IMAGE085
；速度信息
Figure 646340DEST_PATH_IMAGE086
, 
Figure 949145DEST_PATH_IMAGE087
和加速度信息
Figure 430942DEST_PATH_IMAGE088
, 
Figure 844606DEST_PATH_IMAGE089
；
当初始状态信息中加速度分量
Figure 462669DEST_PATH_IMAGE090
且
Figure 437841DEST_PATH_IMAGE091
，
判定为匀速运动CV模型，匀速运动CV模型中目标状态信息简写为
Figure 406934DEST_PATH_IMAGE092
；
匀速运动CV模型的状态转移矩阵为：
Figure 624288DEST_PATH_IMAGE093
匀速运动CV模型的过程噪声分布矩阵为：
Figure 96858DEST_PATH_IMAGE094
当初始状态信息中加速度分量
Figure 741466DEST_PATH_IMAGE095
且
Figure 932276DEST_PATH_IMAGE096
，判定为匀加速运动CA模型；
匀加速运动CA模型的状态转移矩阵为：
Figure 953321DEST_PATH_IMAGE097
匀加速运动CA模型的过程噪声分布矩阵为：
Figure 545977DEST_PATH_IMAGE098
其中，T为采样周期间隔时间。
S2、计算
Figure 95907DEST_PATH_IMAGE099
滤波算法的状态一步预测矩阵、协方差一步预测矩阵、卡尔曼滤波增益矩阵；
在一种具体的实现中，
状态一步预测矩阵为：
Figure 541057DEST_PATH_IMAGE100
协方差一步预测矩阵为：
Figure 834635DEST_PATH_IMAGE101
观测矩阵
Figure 547376DEST_PATH_IMAGE102
为非线性函数
Figure 533787DEST_PATH_IMAGE103
的一阶泰勒雅克比矩阵，则：
Figure 433610DEST_PATH_IMAGE104
卡尔曼滤波增益矩阵为：
Figure 530879DEST_PATH_IMAGE105
其中，
Figure 363705DEST_PATH_IMAGE106
为状态转移矩阵；
Figure 521017DEST_PATH_IMAGE107
为
Figure 908136DEST_PATH_IMAGE108
时刻的位置预测状态信息；
Figure 298842DEST_PATH_IMAGE109
 为
Figure 986175DEST_PATH_IMAGE110
时刻的协方差矩阵；
Figure 314389DEST_PATH_IMAGE111
为过程噪声分布矩阵；
Figure 188804DEST_PATH_IMAGE112
为系统的过程噪声的方差；
Figure 627875DEST_PATH_IMAGE113
为系统的量测噪声的方差。
S3、计算
Figure 169715DEST_PATH_IMAGE114
滤波算法的协方差矩阵和
Figure 403250DEST_PATH_IMAGE114
位置预测信息；
更新的协方差矩阵为：
Figure 30541DEST_PATH_IMAGE115
      （1）
测量值
Figure 273303DEST_PATH_IMAGE116
为：
Figure 171114DEST_PATH_IMAGE117
（2）
所述
Figure 575551DEST_PATH_IMAGE118
位置预测信息为：
Figure 690137DEST_PATH_IMAGE119
   （3）
其中，
Figure 736591DEST_PATH_IMAGE120
为
Figure 987444DEST_PATH_IMAGE121
时刻的协方差矩阵；
Figure 562781DEST_PATH_IMAGE122
为全1对角矩阵；
Figure 164664DEST_PATH_IMAGE123
为
Figure 749229DEST_PATH_IMAGE124
时刻扩展卡尔曼滤波增益；
Figure 854588DEST_PATH_IMAGE125
为观测矩阵；
Figure 866407DEST_PATH_IMAGE126
为协方差一步预测值；
Figure 457050DEST_PATH_IMAGE127
为
Figure 314148DEST_PATH_IMAGE128
时刻目标真实位置；
Figure 539593DEST_PATH_IMAGE129
为目标观测点位置；
Figure 987892DEST_PATH_IMAGE130
为测量噪声，服从均值为0方差为
Figure 298787DEST_PATH_IMAGE131
的高斯分布；
Figure 225155DEST_PATH_IMAGE132
为
Figure 305107DEST_PATH_IMAGE133
时刻的测量值；
S4、计算更新的测量值
Figure 658728DEST_PATH_IMAGE134
在绝对坐标系下的测量信息的坐标；
Figure 191340DEST_PATH_IMAGE135
      （4）
其中，
Figure 422863DEST_PATH_IMAGE136
为在绝对坐标系下的X轴的测量信息分量；
Figure 622901DEST_PATH_IMAGE137
在绝对坐标系下Y轴的测量信息分量；
Figure 881844DEST_PATH_IMAGE138
和
Figure 167332DEST_PATH_IMAGE139
分别为
Figure 435502DEST_PATH_IMAGE140
时刻更新的测量值
Figure 224466DEST_PATH_IMAGE141
中极坐标下的长度和角度分量，
Figure 185469DEST_PATH_IMAGE142
，
Figure 692674DEST_PATH_IMAGE143
；
S5、基于所述更新的测量值
Figure 498956DEST_PATH_IMAGE144
进行 
Figure 673585DEST_PATH_IMAGE145
滤波算法的位置预测信息的修正；
S6、基于
Figure 775796DEST_PATH_IMAGE146
神经网络修正
Figure 35876DEST_PATH_IMAGE147
滤波算法的位置预测信息；
在一种具体的实现中，
请参阅图1，输入层参数包括更新信息
Figure 645849DEST_PATH_IMAGE148
，
Figure 409405DEST_PATH_IMAGE149
预测参数
Figure 712211DEST_PATH_IMAGE150
、滤波增益
Figure 928428DEST_PATH_IMAGE151
、测量参数
Figure 342092DEST_PATH_IMAGE152
；输出层节点为输出预测的位置信息
Figure 225734DEST_PATH_IMAGE153
，
Figure 433862DEST_PATH_IMAGE154
；隐藏层的节点数对 BP神经网络的性能影响巨大，隐含层节点数增多可以提高网络的性能，同时也会延长训练时间，故隐含层节点数为：
Figure 402955DEST_PATH_IMAGE155
式中，
Figure 590616DEST_PATH_IMAGE156
和
Figure 594344DEST_PATH_IMAGE157
分别为输入层和输出层节点数，
Figure 238952DEST_PATH_IMAGE158
是[0, 10]之间的常数。
此外，确定 BP神经网络的目标误差精度、 最大学习迭代次数、网络学习率、输入层传递函数、隐含层传递函数和输出层传递函数和训练函数，进行
Figure 695341DEST_PATH_IMAGE159
神经网络映射，输出位置预测状态信息
Figure 185228DEST_PATH_IMAGE160
，
Figure 777884DEST_PATH_IMAGE161
。
S7、修正
Figure 327814DEST_PATH_IMAGE159
神经网络输出的位置预测信息；
S8、计算基于
Figure 271499DEST_PATH_IMAGE162
滤波算法和所述更新的测量值的第一综合加权值坐标信息、
Figure 565077DEST_PATH_IMAGE159
神经网络映射预测和
Figure 277818DEST_PATH_IMAGE162
滤波算法预测的第二综合加权值坐标信息，和 
Figure 500114DEST_PATH_IMAGE159
神经网络映射预测和所述更新的测量值的第三综合加权值坐标信息，获得在
Figure 931096DEST_PATH_IMAGE163
时刻，最优位置预测信息；
所述S5中：
假设目标在绝对坐标系下最大的偏差范围为
Figure 762785DEST_PATH_IMAGE164
，在
Figure 595612DEST_PATH_IMAGE165
时刻，所述
Figure 221766DEST_PATH_IMAGE166
位置预测信息
Figure 140043DEST_PATH_IMAGE167
中的X轴和Y轴的位置坐标
Figure 41003DEST_PATH_IMAGE168
和
Figure 462757DEST_PATH_IMAGE169
需满足的条件为：
Figure 525391DEST_PATH_IMAGE170
                   （5）
不满足公式（5），则按照式（6）进行更新修正：
Figure 166850DEST_PATH_IMAGE171
   （6）
一直迭代，直到满足后，得到最终的修正的
Figure 871501DEST_PATH_IMAGE172
滤波算法的位置预测信息。
所述S7中：所述
Figure 413341DEST_PATH_IMAGE173
神经网络的位置预测信息需满足（7）式条件：
Figure 912455DEST_PATH_IMAGE174
              （7）
其中，
Figure 539746DEST_PATH_IMAGE175
，
Figure 782508DEST_PATH_IMAGE176
为
Figure 913275DEST_PATH_IMAGE177
神经网络的位置预测信息；
如，所述
Figure 583291DEST_PATH_IMAGE178
，
Figure 697877DEST_PATH_IMAGE179
范围不满足公式（7），则按照公式（8）进行更新修正：
Figure 991935DEST_PATH_IMAGE180
     （8）。
所述S8中，
S801、所述第一综合加权值坐标
Figure 242788DEST_PATH_IMAGE181
，
Figure 818126DEST_PATH_IMAGE182
为：
Figure 420008DEST_PATH_IMAGE183
     （9）
所述第二综合加权值坐标
Figure 738994DEST_PATH_IMAGE184
，
Figure 109933DEST_PATH_IMAGE185
为：
Figure 856172DEST_PATH_IMAGE186
     （10）
S802、计算
Figure 414192DEST_PATH_IMAGE187
时刻
Figure 802448DEST_PATH_IMAGE188
神经网络映射预测和所述更新的测量值的第三综合加权值坐标
Figure 27893DEST_PATH_IMAGE189
，
Figure 945034DEST_PATH_IMAGE190
为：
Figure 757394DEST_PATH_IMAGE191
   （11）
其中，
Figure 683762DEST_PATH_IMAGE192
，
Figure 498134DEST_PATH_IMAGE193
，
Figure 117334DEST_PATH_IMAGE194
均为更新因子，
且
Figure 649947DEST_PATH_IMAGE195
,
Figure 114426DEST_PATH_IMAGE196
,
Figure 48884DEST_PATH_IMAGE197
。
所述S9，包括以下步骤：
S901、基于
Figure 573406DEST_PATH_IMAGE198
最小化选择法，从
Figure 858894DEST_PATH_IMAGE199
，
Figure 861485DEST_PATH_IMAGE200
，
Figure 650450DEST_PATH_IMAGE201
，
Figure 112917DEST_PATH_IMAGE202
这四个值中选择最优值
Figure 620122DEST_PATH_IMAGE203
：
Figure 426404DEST_PATH_IMAGE204
  （12）
S902、基于
Figure 335454DEST_PATH_IMAGE205
最小化选择法，从
Figure 201779DEST_PATH_IMAGE206
,
Figure 196280DEST_PATH_IMAGE207
,
Figure 806253DEST_PATH_IMAGE208
,
Figure 897705DEST_PATH_IMAGE209
这四个值中选择最优值
Figure 170817DEST_PATH_IMAGE210
；
Figure 918193DEST_PATH_IMAGE211
    (13)。
一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现机动目标场景下的雷达目标跟踪算法。
一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现机动目标场景下的雷达目标跟踪算法。
实施例一
机动目标场景下的雷达目标跟踪算法的仿真参数见表1，该雷达目标跟踪算法场景是匀加速运动CA模型和匀速运动CA模型场景，以表1中参数和图1中的流程进行相关仿真。
表1和表2 仿真参数设定
表1仿真参数设定
Figure 66278DEST_PATH_IMAGE212
表2仿真参数设定
Figure 949920DEST_PATH_IMAGE213
匀加速运动CA模型运动场景下的目标跟踪轨迹见图3所示；
匀速运动CV模型运动场景的运动轨迹见图4所示；
由于前八个点
Figure 158048DEST_PATH_IMAGE214
滤波算法的预测值作为 BP神经网络的输入，从第九个点才是所提
Figure 127141DEST_PATH_IMAGE215
预测修正值，可得出，在干扰噪声较大场景下，针对传统的
Figure 78916DEST_PATH_IMAGE214
滤波算法有一定的性能提升，可以比较准确进行雷达机动目标位置预测。
对和非线性和线性目标运动状态进行预测跟踪，且相比传统的
Figure 82644DEST_PATH_IMAGE214
算法，可以有效提高预测位置信息的准确性。经过本算法处理后的匀速运动CA场景和匀速运动CV场景下预测的滤波误差曲线如图5和图6所示，经过50次蒙泰卡罗仿真的，可以看到本发明提出的算法可以有效减少目标位置的平均均方根误差，提升滤波误差精度。
请再次参阅图5和图6，由于前八个点对于
Figure 461673DEST_PATH_IMAGE216
修正方案是输入值，从第九个点的仿真可以发现本发明所提的
Figure 652483DEST_PATH_IMAGE217
修正优化算法，可以较好的减小
Figure 174994DEST_PATH_IMAGE218
，提高滤波精度和稳定度，均方根误差公式 在X轴和Y轴坐标分别表示如下：
Figure 767649DEST_PATH_IMAGE219
Figure 583158DEST_PATH_IMAGE220
其中
Figure 261264DEST_PATH_IMAGE221
为蒙泰卡罗仿真次数，
Figure 554842DEST_PATH_IMAGE222
和
Figure 2004DEST_PATH_IMAGE223
为X轴和Y轴在
Figure 988415DEST_PATH_IMAGE224
时刻的均方根误差，
Figure 153817DEST_PATH_IMAGE225
为第
Figure 251086DEST_PATH_IMAGE226
次蒙泰卡罗仿真目标在
Figure 552754DEST_PATH_IMAGE227
时刻的X轴真实值位置，
Figure 945952DEST_PATH_IMAGE228
为第
Figure 864229DEST_PATH_IMAGE226
次蒙泰卡罗仿真目标在
Figure 234030DEST_PATH_IMAGE229
时刻X轴的预测值位置；
Figure 921364DEST_PATH_IMAGE230
为第
Figure 983998DEST_PATH_IMAGE226
次蒙泰卡罗仿真目标在
Figure 123992DEST_PATH_IMAGE231
时刻的Y轴真实值位置；
Figure 563064DEST_PATH_IMAGE232
第
Figure 104903DEST_PATH_IMAGE226
次蒙泰卡罗仿真目标在
Figure 338439DEST_PATH_IMAGE227
时刻Y轴的预测值位置。
图7和图8在当系统噪声误差较小时候，所提出 BP-EKF改进算法和
Figure 965729DEST_PATH_IMAGE233
滤波算法，针对匀加速运动CA和匀速运动CV模型，预测结果相近，都可以较好的进行目标位置预测，佐证该算法场景是在噪声较大，与系统模型不匹配场景下，可对目标位置信息的预测有较好的改善。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种机动目标场景下的雷达目标跟踪算法，其特征在于，包括以下步骤：
S1、确定状态转移矩阵
Figure DEST_PATH_IMAGE001
和过程噪声分布矩阵
Figure 618068DEST_PATH_IMAGE002
；
S2、计算
Figure DEST_PATH_IMAGE003
滤波算法的状态一步预测矩阵、协方差一步预测矩阵、卡尔曼滤波增益矩阵；
S3、计算
Figure 21630DEST_PATH_IMAGE003
滤波算法的协方差矩阵和
Figure 767869DEST_PATH_IMAGE003
位置预测信息；
更新的协方差矩阵为：
Figure 591469DEST_PATH_IMAGE004
      （1）
测量值
Figure DEST_PATH_IMAGE005
为：
Figure 510883DEST_PATH_IMAGE006
（2）
所述
Figure DEST_PATH_IMAGE007
位置预测信息为：
Figure 1908DEST_PATH_IMAGE008
   （3）
其中，
Figure DEST_PATH_IMAGE009
为
Figure 450206DEST_PATH_IMAGE010
时刻的协方差矩阵；
Figure DEST_PATH_IMAGE011
为全1对角矩阵；
Figure 47586DEST_PATH_IMAGE012
为
Figure DEST_PATH_IMAGE013
时刻扩展卡尔曼滤波增益；
Figure 505112DEST_PATH_IMAGE014
为观测矩阵；
Figure DEST_PATH_IMAGE015
为协方差一步预测值；
Figure 850643DEST_PATH_IMAGE016
为
Figure 469843DEST_PATH_IMAGE017
时刻目标真实位置；
Figure 268035DEST_PATH_IMAGE018
为目标观测点位置；
Figure 998093DEST_PATH_IMAGE019
为测量噪声，服从均值为0方差为
Figure 168437DEST_PATH_IMAGE020
的高斯分布；
Figure 958538DEST_PATH_IMAGE021
为
Figure 244026DEST_PATH_IMAGE022
时刻的测量值；
S4、计算更新的测量值
Figure 246617DEST_PATH_IMAGE021
在绝对坐标系下的测量信息的坐标；
Figure 301161DEST_PATH_IMAGE023
Figure 262164DEST_PATH_IMAGE024
    （4）
其中，
Figure 503789DEST_PATH_IMAGE025
为在绝对坐标系下的X轴的测量信息分量；
Figure 575650DEST_PATH_IMAGE026
在绝对坐标系下Y轴的测量信息分量；
Figure DEST_PATH_IMAGE027
和
Figure 782903DEST_PATH_IMAGE028
分别为
Figure DEST_PATH_IMAGE029
时刻更新的测量值
Figure 914807DEST_PATH_IMAGE030
中极坐标下的长度和角度分量，
Figure DEST_PATH_IMAGE031
，
Figure 706045DEST_PATH_IMAGE032
；
S5、基于所述更新的测量值
Figure DEST_PATH_IMAGE033
进行
Figure 581598DEST_PATH_IMAGE034
滤波算法的位置预测信息的修正；
S6、基于
Figure DEST_PATH_IMAGE035
神经网络修正
Figure 141892DEST_PATH_IMAGE034
滤波算法的位置预测信息；
S7、修正
Figure 680583DEST_PATH_IMAGE035
神经网络输出的位置预测信息；
S8、计算基于
Figure 162380DEST_PATH_IMAGE034
滤波算法和所述更新的测量值的第一综合加权值坐标信息、
Figure 576044DEST_PATH_IMAGE035
神经网络映射预测和
Figure 459686DEST_PATH_IMAGE034
滤波算法预测的第二综合加权值坐标信息，和
Figure 933393DEST_PATH_IMAGE035
神经网络映射预测和所述更新的测量值的第三综合加权值坐标信息，获得在
Figure 902486DEST_PATH_IMAGE036
时刻，最优位置预测信息；
S9、重复所述S2至S9，继续获取下一时刻的最优位置预测信息。
2.根据权利要求1所述的一种机动目标场景下的雷达目标跟踪算法，其特征在于，所述S5中：
假设目标在绝对坐标系下最大的偏差范围为
Figure DEST_PATH_IMAGE037
，在
Figure 119840DEST_PATH_IMAGE036
时刻，所述
Figure 123568DEST_PATH_IMAGE034
位置预测信息
Figure 4062DEST_PATH_IMAGE038
中的
Figure DEST_PATH_IMAGE039
轴和
Figure 726030DEST_PATH_IMAGE040
轴的位置坐标
Figure DEST_PATH_IMAGE041
和
Figure 12655DEST_PATH_IMAGE042
需满足的条件为：
Figure DEST_PATH_IMAGE043
                   （5）
不满足公式（5），则按照式（6）进行更新修正：
Figure 402048DEST_PATH_IMAGE044
   （6）
得到最终的修正的
Figure DEST_PATH_IMAGE045
滤波算法的位置预测信息。
3.根据权利要求2所述的一种机动目标场景下的雷达目标跟踪算法，其特征在于，所述S7中：所述
Figure 483137DEST_PATH_IMAGE046
神经网络的位置预测信息需满足（7）式条件：
Figure DEST_PATH_IMAGE047
              （7）
其中，
Figure 459445DEST_PATH_IMAGE048
为
Figure DEST_PATH_IMAGE049
神经网络的位置预测信息；
如，所述
Figure 18603DEST_PATH_IMAGE050
范围不满足公式（7），则按照公式（8）进行更新修正：
Figure DEST_PATH_IMAGE051
     （8）。
4.根据权利要求3所述的一种机动目标场景下的雷达目标跟踪算法，其特征在于：所述S8中，
S801、所述第一综合加权值坐标
Figure 996923DEST_PATH_IMAGE052
为：
Figure DEST_PATH_IMAGE053
     （9）
所述第二综合加权值坐标
Figure 514492DEST_PATH_IMAGE054
，
Figure DEST_PATH_IMAGE055
为：
Figure 978097DEST_PATH_IMAGE056
     （10）
S802、计算
Figure DEST_PATH_IMAGE057
时刻
Figure 340945DEST_PATH_IMAGE058
神经网络映射预测和所述更新的测量值的第三综合加权值坐标
Figure DEST_PATH_IMAGE059
为：
Figure 173772DEST_PATH_IMAGE060
   （11）
其中，
Figure DEST_PATH_IMAGE061
均为更新因子，
且
Figure 596663DEST_PATH_IMAGE062
,
Figure DEST_PATH_IMAGE063
,
Figure 46099DEST_PATH_IMAGE064
。
5.根据权利要求4所述的一种机动目标场景下的雷达目标跟踪算法，其特征在于，所述S9，包括以下步骤：
S901、基于
Figure DEST_PATH_IMAGE065
最小化选择法，从
Figure 448523DEST_PATH_IMAGE066
，
Figure DEST_PATH_IMAGE067
，
Figure 401436DEST_PATH_IMAGE068
，
Figure DEST_PATH_IMAGE069
这四个值中选择最优值
Figure 260807DEST_PATH_IMAGE070
：
Figure DEST_PATH_IMAGE071
 （12）
S902、基于
Figure 666381DEST_PATH_IMAGE072
最小化选择法，从
Figure 371032DEST_PATH_IMAGE073
,
Figure 647292DEST_PATH_IMAGE074
,
Figure DEST_PATH_IMAGE075
,
Figure 737670DEST_PATH_IMAGE076
这四个值中选择最优值
Figure 364960DEST_PATH_IMAGE077
；
Figure 76564DEST_PATH_IMAGE078
    (13)。
6.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至5任一项所述的机动目标场景下的雷达目标跟踪算法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的机动目标场景下的雷达目标跟踪算法。
CN202211419890.0A 2022-11-14 2022-11-14 一种机动目标场景下的雷达目标跟踪算法及电子设备 Active CN115685128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211419890.0A CN115685128B (zh) 2022-11-14 2022-11-14 一种机动目标场景下的雷达目标跟踪算法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211419890.0A CN115685128B (zh) 2022-11-14 2022-11-14 一种机动目标场景下的雷达目标跟踪算法及电子设备

Publications (2)

Publication Number Publication Date
CN115685128A CN115685128A (zh) 2023-02-03
CN115685128B true CN115685128B (zh) 2023-04-11

Family

ID=85052778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211419890.0A Active CN115685128B (zh) 2022-11-14 2022-11-14 一种机动目标场景下的雷达目标跟踪算法及电子设备

Country Status (1)

Country Link
CN (1) CN115685128B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195946B (zh) * 2023-09-08 2024-06-18 兰州理工大学 一种基于扩展卡尔曼滤波的wsn机动目标跟踪方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205371A (ja) * 2002-12-25 2004-07-22 Mitsubishi Electric Corp レーダ追尾装置及びレーダ追尾処理方法
CN106970370A (zh) * 2017-04-25 2017-07-21 西安电子科技大学 基于混沌神经网络的雷达多目标跟踪优化方法
CN107561503A (zh) * 2017-08-28 2018-01-09 哈尔滨工业大学 一种基于多重渐消因子的自适应目标跟踪滤波方法
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN110837219A (zh) * 2019-10-06 2020-02-25 中国计量科学研究院 一种用于监测实体原子钟的虚拟原子钟系统及工作方法
CN111913175A (zh) * 2020-07-02 2020-11-10 哈尔滨工程大学 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN112613532A (zh) * 2020-11-26 2021-04-06 西安电子科技大学 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
CN113808174A (zh) * 2021-08-27 2021-12-17 杭州电子科技大学 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004205371A (ja) * 2002-12-25 2004-07-22 Mitsubishi Electric Corp レーダ追尾装置及びレーダ追尾処理方法
CN106970370A (zh) * 2017-04-25 2017-07-21 西安电子科技大学 基于混沌神经网络的雷达多目标跟踪优化方法
CN107561503A (zh) * 2017-08-28 2018-01-09 哈尔滨工业大学 一种基于多重渐消因子的自适应目标跟踪滤波方法
CN108682023A (zh) * 2018-03-21 2018-10-19 南京理工大学 基于Elman神经网络的紧耦合无迹卡尔曼跟踪滤波算法
CN110837219A (zh) * 2019-10-06 2020-02-25 中国计量科学研究院 一种用于监测实体原子钟的虚拟原子钟系统及工作方法
CN111913175A (zh) * 2020-07-02 2020-11-10 哈尔滨工程大学 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN112613532A (zh) * 2020-11-26 2021-04-06 西安电子科技大学 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
CN113808174A (zh) * 2021-08-27 2021-12-17 杭州电子科技大学 基于全卷积网络和卡尔曼滤波的雷达小目标跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁一 ; 张瑶 ; 李冠男 ; .神经网络校正的EKF在水下被动目标跟踪中的应用研究.小型微型计算机系统.2020,(第05期),正文第897-900页. *
周延延 ; 王柯 ; 高育鹏 ; 李小兵 ; .神经网络校正的EKF在高超声速目标跟踪中的应用.空军工程大学学报(自然科学版).2014,(第06期),正文第32-35页. *

Also Published As

Publication number Publication date
CN115685128A (zh) 2023-02-03

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
CN109798896B (zh) 一种室内机器人定位与建图方法及装置
CN109579824B (zh) 一种融入二维码信息的自适应蒙特卡诺定位方法
CN109284677B (zh) 一种贝叶斯滤波目标跟踪算法
CN111178385A (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN106599368A (zh) 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法
CN115685128B (zh) 一种机动目标场景下的雷达目标跟踪算法及电子设备
CN111291471B (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN107688179A (zh) 基于多普勒信息辅助的综合概率数据互联方法
CN112671373B (zh) 一种基于误差控制的卡尔曼滤波自适应滤波算法
CN111027692A (zh) 一种目标运动态势预测方法及装置
CN111711432B (zh) 一种基于ukf和pf混合滤波的目标跟踪算法
CN116047498A (zh) 基于最大相关熵扩展卡尔曼滤波的机动目标跟踪方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN115981148A (zh) 无人机地面移动目标跟踪方法
CN111798494A (zh) 广义相关熵准则下的机动目标鲁棒跟踪方法
CN112986977B (zh) 一种克服雷达扩展卡尔曼航迹滤波发散的方法
CN110532517A (zh) 基于改进的arukf的燃气管道参数估计方法
CN109115228A (zh) 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法
CN111562737B (zh) 一种模糊逻辑控制的改进agimm跟踪方法
CN106934124B (zh) 一种基于量测变化检测的自适应变划窗方法
CN114637956B (zh) 一种基于双卡尔曼滤波器实现目标位置预测的方法
CN115859626A (zh) 针对周期运动目标的自适应无迹卡尔曼滤波器设计方法
CN109474892B (zh) 基于信息形式的强鲁棒传感器网络目标跟踪方法
CN111865268B (zh) 一种简易快速的卡尔曼滤波方法

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