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 PDFInfo
- 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
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
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:
更新的协方差矩阵为:
S8、计算基于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、神经网络映射预测和滤波算法预测的第二综合加权值坐标信息,和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:
不满足公式(5),则按照式(6)进行更新修正:
进一步,所述S8中,
进一步,所述S9,包括以下步骤:
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;
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:
匀速运动CV模型的状态转移矩阵为:
匀速运动CV模型的过程噪声分布矩阵为:
匀加速运动CA模型的状态转移矩阵为:
匀加速运动CA模型的过程噪声分布矩阵为:
其中,T为采样周期间隔时间。
在一种具体的实现中,
状态一步预测矩阵为:
协方差一步预测矩阵为:
卡尔曼滤波增益矩阵为:
更新的协方差矩阵为:
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,预测参数、滤波增益、测量参数;输出层节点为输出预测的位置信息,;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:
S8、计算基于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、神经网络映射预测和滤波算法预测的第二综合加权值坐标信息,和 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,获得在时刻,最优位置预测信息;
所述S5中:
不满足公式(5),则按照式(6)进行更新修正:
所述S8中,
所述S9,包括以下步骤:
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
表2仿真参数设定
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;
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。
其中为蒙泰卡罗仿真次数,和为X轴和Y轴在时刻的均方根误差,为第次蒙泰卡罗仿真目标在时刻的X轴真实值位置,为第次蒙泰卡罗仿真目标在时刻X轴的预测值位置;为第次蒙泰卡罗仿真目标在时刻的Y轴真实值位置;第次蒙泰卡罗仿真目标在时刻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:
更新的协方差矩阵为:
S8、计算基于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、神经网络映射预测和滤波算法预测的第二综合加权值坐标信息,和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。
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。
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)
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)
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 |
-
2022
- 2022-11-14 CN CN202211419890.0A patent/CN115685128B/zh active Active
Patent Citations (8)
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)
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 |