CN117930142A - 一种应对高海况海面机动目标跟踪的雷达波形设计方法 - Google Patents
一种应对高海况海面机动目标跟踪的雷达波形设计方法 Download PDFInfo
- Publication number
- CN117930142A CN117930142A CN202410315774.7A CN202410315774A CN117930142A CN 117930142 A CN117930142 A CN 117930142A CN 202410315774 A CN202410315774 A CN 202410315774A CN 117930142 A CN117930142 A CN 117930142A
- Authority
- CN
- China
- Prior art keywords
- target
- time
- measurement value
- state
- linear
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013461 design Methods 0.000 title claims abstract description 24
- 230000010485 coping Effects 0.000 title claims description 7
- 239000002245 particle Substances 0.000 claims abstract description 92
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims description 116
- 239000011159 matrix material Substances 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 72
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000010187 selection method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
一种应对高海况海面机动目标跟踪的雷达波形设计方法,涉及雷达通信技术领域。本发明是为了解决现有滤波方法不适用于复杂非线性状态下的目标跟踪的问题。本发明所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,能够对高海况下海面复合线性及非线性状态的机动目标进行有效的跟踪,应对高海况下海杂波干扰的影响,克服采用KF、EKF对复杂混合系统状态的跟踪失效问题,及粒子滤波计算复杂度高的问题,所设计的波形能够增强跟踪的稳健性、精确度,更有利于机动目标的跟踪。
Description
技术领域
本发明属于雷达通信技术领域。
背景技术
受天气等因素的影响,在高海况条件下,海面海浪起伏变化大,海面上的非合作机动目标如无人船等的运动具有随机性、不可预测性等特点。对于传统雷达来说,如何有效跟踪目标,精准获得目标状态是一大难点。目前解决简单情况下机动目标的跟踪问题的方法包括卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)等(如:一种基于扩展卡尔曼滤波预测的无人艇目标跟踪方法,中国舰船研究设计中心;CN202310369926.7,2023.07.04.)。对于复杂非线性滤波方法以粒子滤波(PF)(如:基于交互式多模型粒子滤波算法的机动目标跟踪研究,任玉;电子科技大学,2023)最具代表性,但其也存在一些不足之处,如粒子退化以及计算复杂度高的问题。现有多数针对机动目标跟踪波形设计的研究,如宋登雄、赵彬、王翠杰的《认知雷达目标跟踪时的波形优化选择方法》;《电子设计工程》;王鹏峥的论文《面向协同跟踪优化的认知雷达波形参数选择与资源调度》;公开号为CN202310229391.3的专利文献,使用传统滤波方法与准则优化波形设计,仅能跟踪运动较为简单的机动目标,对于复杂混合状态下的跟踪目标,存在误差大、鲁棒性差等问题,通过波形设计对误差和精度的影响也可以得到进一步的提高。
另外加之杂波干扰的影响,目标信号极易淹没在强海杂波信号中,严重限制了传统雷达对海上目标的检测、跟踪能力,使海上机动目标的跟踪更加困难。当前的目标跟踪波形设计算法存在缺陷,很少有考虑到杂波干扰的影响,尤其是对于高海况海杂波背景下的目标跟踪,难以有效利用观测值估计目标的非线性运动状态并通过波形设计提高跟踪精度(如:CN202310761706.9,2023.06.26)。对于高海况下的杂波干扰问题,一般采用数据关联算法。最近邻域标准滤波(NNSF)是最基础也是最早的数据关联算法,该算法原理简单、在干扰较小或信噪比较高时效果较好,但抗干扰能力差。一种具有全邻思想的概率数据关联算法(PDA)能解决此问题,在杂波环境中能够有效可靠地实现目标跟踪(如:一种海杂波背景下的目标跟踪数据关联方法,陈晓,李亚安,蔚婧;鱼雷技术,2016);为了解决量测落入跟踪门重叠区域的归属问题,联合概率数据关联算法(JPDA)被认为是解决复杂环境下多目标数据关联问题的经典算法;另外还有基于“全邻”最优滤波器和聚概念的思想,并用假设树来描述目标与量测之间的关联的多假设多目标跟踪算法(MHT)(如:基于联合概率数据互联的多假设跟踪算法,闫龙,王曙曜,黄磊等;雷达与对抗,2021)。
综上所述,应选择合适的数据关联算法来解决高海况海杂波背景下的单目标跟踪问题。以上提出的卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)等技术对于复杂非线性状态下的目标跟踪误差较大,精度较差,跟踪结果均不理想,而粒子滤波(PF)技术的计算量较大。
发明内容
本发明是为了解决现有滤波方法不适用于复杂非线性状态下的目标跟踪的问题,现提供一种应对高海况海面机动目标跟踪的雷达波形设计方法。
一种应对高海况海面机动目标跟踪的雷达波形设计方法,包括:
利用Rao-Blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪,获得目标的关联量测值;
利用卡尔曼滤波算法对目标进行状态更新,获得线性估计误差协方差矩阵;
基于目标的线性估计误差协方差矩阵,使用Q学习方法对发射波形库进行更新,将更新后发射波形库中累积折扣奖励最大的发射波形参数形成雷达波形;
所述发射波形参数包括雷达量测误差协方差矩阵中的脉冲长度和扫频。
进一步的,上述利用Rao-Blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪,获得目标的关联量测值,包括:
对目标的线性估计状态向量进行卡尔曼量测更新;
在Rao-Blackwellized粒子滤波框架内计算目标的预测量测值;
将落在所述预测量测值有效区域内的随机变量作为杂波,所述杂波为数量呈泊松分布的虚警,将杂波与来自目标的状态量测值组成雷达接收回波中所有粒子的量测值矩阵;
计算所述量测值矩阵中有效量测值来自目标的概率;
利用所述有效量测值来自目标的概率计算关联量测值。
进一步的,根据下式对目标的线性估计状态向量进行卡尔曼量测更新:
;
根据下式计算目标的预测量测值;
;
根据下式计算所述量测值矩阵中有效量测值来自目标的概率:
;
根据下式计算关联量测值:
;
为/>时刻的线性预测状态向量,/>为/>时刻的线性估计状态向量,/>为时刻的线性状态转移矩阵,/>表示/>的转置矩阵,/>为/>时刻高斯过程噪声的协方差矩阵,/>为/>时刻的线性预测误差协方差矩阵,/>为/>时刻的线性估计误差协方差矩阵,/>为/>时刻的预测量测值,/>表示非线性函数,/>为/>时刻的预测状态向量且有/>,/>为/>时刻的非线性预测状态向量且有/>,/>表示目标非线性状态的转移函数,/>为/>时刻的非线性量测状态向量,/>为/>时刻的非线性高斯噪声,/>为/>时刻的量测噪声,/>为/>来自目标的概率,/>为/>时刻量测值矩阵中第/>个有效量测值,/>,/>为量测值矩阵中有效量测值的总数,/>为/>时刻的关联量测值,中间变量/>和/>表达式分别为:
;
;
为/>的残差,/>表示/>的转置矩阵,/>为残差协方差矩阵,/>为杂波密度,为/>时刻的目标检测概率,/>为选通概率。
进一步的,上述量测值矩阵中有效量测值的判断方法包括:
将量测值矩阵中符合下式的元素称为有效量测值:
;
其中,为有效阈值。
进一步的,上述利用卡尔曼滤波算法对目标进行状态更新,获得线性估计误差协方差矩阵,包括:
结合概率数据关联算法,对机动目标的线性预测状态向量进行卡尔曼时间更新,获得线性估计误差协方差矩阵:
;
其中,为/>时刻的线性估计误差协方差矩阵,/>为所述预测量测值有效区域内没有来自目标的量测值的概率,/>为/>时刻的线性预测误差协方差矩阵,中间变量/>和/>表达式为:
;
;
为卡尔曼增益矩阵,/>表示/>的转置矩阵,/>为残差协方差矩阵,/>为/>的残差,/>表示/>的转置矩阵,/>为/>时刻量测值矩阵中第/>个有效量测值,/>,为量测值矩阵中有效量测值的总数,/>为/>来自目标的概率,/>为/>时刻目标的组合残差且有/>,/>为/>的转置矩阵。
进一步的,利用卡尔曼滤波算法获得线性估计状态向量;
利用粒子滤波算法获得非线性估计状态向量;
将所述线性估计状态向量和非线性估计状态向量结合,获得整体状态估计向量;
根据所述整体状态估计向量判断目标是否到达终点,是则结束雷达波形设计,否则使用Q学习方法对雷达波形进行设计。
进一步的,通过下式获得线性估计状态向量:
;
通过下式获得非线性估计状态向量:
;
所述整体状态估计向量表达式为:
;
为/>时刻的整体状态估计向量,/>和/>分别为/>时刻的线性和非线性估计状态向量,/>为/>时刻的线性预测状态向量,/>表示概率密度函数,/>为/>时刻的非线性量测状态向量,/>为1至/>时刻的关联量测值,/>为/>的归一化结果,/>为第/>个粒子的重要性权值,/>,/>为Rao-Blackwellized粒子滤波框架中的粒子总数,/>为狄拉克函数,/>为/>时刻第/>个粒子的非线性量测状态向量。
进一步的,根据下式计算粒子滤波框架中各粒子的重要性权值:
;
其中,为第/>个粒子0至/>时刻的非线性量测状态向量,/>为1至/>时刻的关联量测值,/>为/>时刻的关联量测值;
对各粒子的重要性权值进行归一化,获得粒子的重要性权值归一化结果:
;
其中,为/>的归一化结果,/>为第/>个粒子的重要性权值。
进一步的,上述使用Q学习方法对发射波形库进行更新,包括:
利用线性估计误差协方差矩阵计算熵态,通过熵态计算获得即时奖励,根据所述即时奖励计算每个波形的累积折扣奖励,实现对发射波形库的更新。
进一步的,根据下式计算熵态:
;
根据下式计算获得即时奖励:
;
根据下式计算每个波形的累积折扣奖励:
;
更新后发射波形库中累积折扣奖励最大的发射波形参数表示为:
;
和/>分别为/>时刻和/>时刻的熵态,/>为/>时刻目标的估计误差协方差矩阵,/>为/>的行列式,/>为/>时刻的即时奖励,/>和/>均为发射波形库中的发射波形参数组合且/>和/>不同,/>和/>分别为/>时刻/>和/>对应的累积折扣奖励,为/>时刻/>对应的累积折扣奖励,/>为学习率,/>为折扣因子且有/>,/>表示发射波形库。
本发明与现有技术相比较,有益效果如下:
本发明所提设计方法可对高海况下海面复合线性及非线性状态的机动目标进行有效的跟踪,应对高海况下海杂波干扰的影响,克服采用KF、EKF对复杂混合系统状态的跟踪失效问题,及粒子滤波计算复杂度高的问题,所设计的波形能够增强跟踪的稳健性、精确度,更有利于机动目标的跟踪,其优点如下:
(1)对于高海况海杂波背景,本发明采用概率数据关联算法,计算雷达接收器接收回波中的有效量测值来自目标的概率,并获得关联量测值,应用于滤波算法,能够增强目标跟踪的抗干扰能力,有效解决高海况下海杂波干扰的问题,提高跟踪的精确度。
(2)对于滤波算法,本发明采用Rao-Blackwellized粒子滤波算法与概率数据关联算法相结合,利用从海杂波中分析得到的关联量测值,通过边缘化目标状态中的线性状态,使粒子只需要存在于低维的非线性状态空间,相比现有技术为跟踪复杂运动目标这一难题提供了一种解决思路,同时也解决了传统粒子滤波算法计算复杂度高的问题。
(3)对于波形参数优化,本发明采用通过Q学习的方法选择波形参数的方式,能够更好地适应跟踪场景,相比使用单一固定波形或准则优化方法进行波形选择,能够降低跟踪误差,获得更高的跟踪精度。
附图说明
图1为机动目标动态轨迹跟踪结果示意图;
图2为依据高斯脉冲长度和扫频的波形参数选择示意图;
图3为机动目标估计状态向量的均方根误差图;
图4为采用不同算法进行目标跟踪结果图;
图5为采用不同算法进行目标跟踪的均方根误差图;
图6为采用不同波形选择方法的跟踪结果图;
图7为采用不同波形选择方法的参数选择示意图;
图8为采用不同波形选择方法进行目标估计状态向量的均方根误差对比图;
图9为具体实施方式所述一种应对高海况海面机动目标跟踪的雷达波形设计方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例,都属于本发明保护的范围。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式一:参照图1至图9具体说明本实施方式,本实施方式所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,包括以下步骤:
利用卡尔曼线性滤波框架及粒子滤波非线性滤波框架来复合构造预测机制,构造海面非合作机动目标的线性与非线性复合运动模型:
;
其中,为/>时刻机动目标的量测状态向量,且有/>,/>和/>分别为/>时刻机动目标的非线性量测状态向量和线性量测状态向量,/>和/>分别为/>时刻机动目标的非线性量测状态向量和线性量测状态向量。
表示目标非线性状态的转移函数。
为/>时刻均值为零、协方差矩阵为/>的高斯过程噪声,且有:,/>和/>分别为/>时刻非线性和线性高斯过程噪声,/>。
表示线性状态转移矩阵。
表示非线性函数。
为/>时刻机动目标的状态量测值。
为/>时刻均值为零、测量误差协方差矩阵为/>的量测噪声,且有:
,
为/>时刻的信噪比,/>为光速,/>为载波频率,/>为脉冲长度,/>为调频斜率且有,/>为扫频,/>为有效脉冲持续时间,/>为/>时刻的信噪比且有:
,
为信噪比为0dB时雷达至机动目标的距离,/>为/>时刻机动目标的位置,/>和/>分别为雷达接收机和发射机的位置。
将雷达量测误差协方差矩阵中的脉冲长度/>和扫频/>作为发射波形参数,并根据实际需求确定发射波形参数的范围,从而构建发射波形库/>。
利用概率数据关联(PDA)算法及Rao-Blackwellized粒子滤波(RBPF)框架对目标进行跟踪。具体如下:
设Rao-Blackwellized粒子滤波框架中的粒子总数为,对/>个粒子进行初始化,则有:
第个粒子的非线性初值为/>,/>,/>为重要性密度函数,为已知分布,本实施方式选择与过程噪声同分布。
粒子初始线性状态集合,/>为第/>个粒子的线性初值,/>为第/>个粒子的误差协方差矩阵,0时刻的线性状态/>服从高斯分布,且/>为其均值。
对前一时刻粒子的线性估计状态向量进行卡尔曼量测更新,获得下一时刻粒子的线性预测状态向量和线性预测误差协方差矩阵,表达式如下:
,
其中,为/>时刻粒子的线性预测状态向量,/>为/>时刻粒子的线性状态转移矩阵,/>为/>时刻粒子的线性估计状态向量,/>为/>时刻粒子的线性预测误差协方差矩阵,/>为/>时刻粒子的线性估计误差协方差矩阵,/>表示/>的转置矩阵,/>为时刻高斯过程噪声的协方差矩阵。
在Rao-Blackwellized粒子滤波框架内计算粒子的预测量测值,将数量呈泊松分布的虚警作为杂波,获得所有粒子的量测值矩阵,包括:
利用时刻粒子的非线性预测状态向量/>和线性预测状态向量/>组成预测状态向量:/>,则预测量测值/>为:/>。
上述非线性预测状态向量,/>为非线性高斯噪声。
将落在预测量测值有效区域内的随机变量作为杂波,所述杂波为数量呈泊松分布的虚警。杂波与来自目标的状态量测值/>组成接收回波中获得的所有粒子的量测值矩阵。
计算雷达接收器接收回波中的有效量测值来自目标的概率,进而得到关联量测值。具体如下:
当来自目标的状态量测值以/>的概率落在预测量测值/>周围的有效区域内,则将/>称为选通概率,/>为与选通概率/>相关的有效阈值。将所有粒子的量测值矩阵中符合下式的元素/>称为有效量测值,进而得到/>个有效量测值:
;
其中,为残差协方差矩阵,且有/>,/>表示/>的转置,/>为雅克比矩阵。
计算第个有效量测值/>来自目标的概率/>:
;
计算在有效区域内没有来自目标的量测值的概率:
;
,/>,/>是第/>个有效量测值/>的残差。虚警数遵循泊松分布,故/>,其中/>是杂波密度,/>为/>时刻的目标检测概率,且有:/>,/>为服从泊松分布的虚警率。
进而得到关联量测值:
。
分别使用粒子滤波和卡尔曼滤波算法进行量测更新、目标预测状态更新,获得目标的估计状态向量和估计误差协方差矩阵。
结合概率数据关联算法,对机动目标的线性预测状态向量进行卡尔曼时间更新,获得线性估计状态向量和估计误差协方差矩阵:
,
其中,为卡尔曼增益矩阵,/>表示/>的转置矩阵,/>为/>时刻目标的组合残差且有/>,/>为/>时刻目标的估计误差协方差矩阵,/>,。
接下来利用从杂波中分析得到的关联量测值进行非线性估计状态向量,根据重要性密度函数生成/>时刻的/>个粒子:
,
为/>时刻第/>个粒子的非线性状态量测值,/>第/>个粒子0至/>时刻的非线性量测状态向量,/>为1至/>时刻机动目标的关联量测值。
分别计算时刻每个粒子的重要性权值:
,
其中,为/>时刻第/>个粒子的重要性权值,/>为1至/>时刻机动目标的关联量测值,/>为/>时刻机动目标的关联量测值。/>为概率密度函数,与量测噪声同分布。
对各个粒子的重要性权值进行归一化:
,
其中,为/>的归一化结果,/>为第/>个粒子的重要性权值。
利用归一化重要性权值计算有效粒子数:
。
有效粒子数越少,表示粒子权重的方差越大,也就是说权重大和小的粒子之间的差距大,表明权值退化越严重。
判断粒子滤波框架中有效粒子数是否大于等于粒子阈值,是则进行粒子滤波,否则对粒子滤波框架中的粒子进行重采样,使得粒子滤波框架中有效粒子数大于等于粒子阈值。
所述对粒子滤波框架中的粒子进行重采样,包括:
定义和/>分别为前/>个和前/>个粒子的重要性权值之和,以及变量,/>为/>区间内服从均匀分布的一个随机数。
遍历,当满足/>时,则将第/>个粒子作为重采样之后的有效粒子,并将有效粒子的重要性权值更新为/>。
所述粒子滤波表达式如下:
,
其中,为/>时刻机动目标的非线性估计状态向量,/>为/>时刻机动目标的非线性量测状态向量,/>为/>时刻机动目标第/>个粒子的非线性量测状态向量,/>为狄拉克函数,为粒子总数。
最后,将目标的线性和非线性估计状态向量结合,获得时刻的整体估计状态向量,表达式如下:
。
然后,判断是否为目标的最终状态,是则结束跟踪,否则执行以下步骤。
使用Q-学习方法对发射波形库进行更新,具体如下:
利用估计误差协方差矩阵计算熵态:
,
其中,表示/>的行列式。
通过熵态计算得到即时奖励:
。
计算每个波形的累积折扣奖励:
其中,和/>表示波形库中不同的波形参数组合,/>表示学习率,/>表示折扣因子且有/>,/>为/>时刻波形参数组合/>对应的累积折扣奖励。
根据获得的累积折扣奖励更新Q表,即更新发射波形库。
选择Q表中最大的累积折扣奖励对应的波形参数,确定下一时刻的发射波形:
。
循环递推,完成连续化跟踪任务的波形设计。
如图1至图8所示,系统状态为目标的二维位置和速度,即:,目标初始状态为/>,服从离散时间系统动态模型,其X-Y平面的目标真实轨迹如图1所示。
选择波形参数脉宽和扫频建立波形库如下:
,
使用PDA-RBPF算法进行目标跟踪,Q-学习方法进行波形选择,所得仿真跟踪结果如图1所示,波形参数选择过程如图2所示,跟踪过程的均方根误差如图3所示,目标不同状态的平均均方根误差ARMSE如表1所示。
以目标估计状态向量的均方根误差RMSE作为目标跟踪性能的评价指标,分别采用EKF、PF与RBPF滤波进行跟踪,Q学习方法进行波形设计,所得的跟踪结果及估计的RMSE比较如图4、5所示。以RBPF算法为基础,采用不同的方法进行波形设计,所得跟踪结果、波形参数选择过程及RMSE比较分别如图6、7、8所示,ARMSE如表2所示。
表1PDA-RBPF算法跟踪Q-学习方法波形选择的平均均方根误差(ARMSE)
表2不同波形选择方法的ARMSE对比
综上所述,本实施方式将PDA-RBPF算法与雷达波形设计相结合应用于海面目标机动跟踪,采用Q-学习的方法自适应地进行认知跟踪雷达波形选择,相比采用现有的传统滤波算法波形设计方法,本实施方式能够更好的适应跟踪场景,应对高海况下的海杂波干扰,具有更低的跟踪误差,更高的跟踪精度,并能够降低计算复杂度,提高跟踪稳健性。应用本实施方式的PDA-RBPF算法与雷达波形设计方法,可使雷达机动目标跟踪准确性提高。
Claims (10)
1.一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,包括:
利用Rao-Blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪,获得目标的关联量测值;
利用卡尔曼滤波算法对目标进行状态更新,获得线性估计误差协方差矩阵;
基于目标的线性估计误差协方差矩阵,使用Q学习方法对发射波形库进行更新,将更新后发射波形库中累积折扣奖励最大的发射波形参数形成雷达波形;
所述发射波形参数包括雷达量测误差协方差矩阵中的脉冲长度和扫频。
2.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,所述利用Rao-Blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪,获得目标的关联量测值,包括:
对目标的线性估计状态向量进行卡尔曼量测更新;
在Rao-Blackwellized粒子滤波框架内计算目标的预测量测值;
将落在所述预测量测值有效区域内的随机变量作为杂波,所述杂波为数量呈泊松分布的虚警,将杂波与来自目标的状态量测值组成雷达接收回波中所有粒子的量测值矩阵;
计算所述量测值矩阵中有效量测值来自目标的概率;
利用所述有效量测值来自目标的概率计算关联量测值。
3.根据权利要求2所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,
根据下式对目标的线性估计状态向量进行卡尔曼量测更新:
;
根据下式计算目标的预测量测值;
;
根据下式计算所述量测值矩阵中有效量测值来自目标的概率:
;
根据下式计算关联量测值:
;
为/>时刻的线性预测状态向量,/>为/>时刻的线性估计状态向量,/>为/>时刻的线性状态转移矩阵,/>表示/>的转置矩阵,/>为/>时刻高斯过程噪声的协方差矩阵,/>为/>时刻的线性预测误差协方差矩阵,/>为/>时刻的线性估计误差协方差矩阵,/>为/>时刻的预测量测值,/>表示非线性函数,/>为/>时刻的预测状态向量且有,/>为/>时刻的非线性预测状态向量且有/>,/>表示目标非线性状态的转移函数,/>为/>时刻的非线性量测状态向量,/>为/>时刻的非线性高斯噪声,为/>时刻的量测噪声,/>为/>来自目标的概率,/>为/>时刻量测值矩阵中第/>个有效量测值,/>,/>为量测值矩阵中有效量测值的总数,/>为/>时刻的关联量测值,中间变量/>和/>表达式分别为:
;
;
为/>的残差,/>表示/>的转置矩阵,/>为残差协方差矩阵,/>为杂波密度,/>为时刻的目标检测概率,/>为选通概率。
4.根据权利要求3所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,所述量测值矩阵中有效量测值的判断方法包括:
将量测值矩阵中符合下式的元素称为有效量测值:
;
其中,为有效阈值。
5.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,所述利用卡尔曼滤波算法对目标进行状态更新,获得线性估计误差协方差矩阵,包括:
结合概率数据关联算法,对机动目标的线性预测状态向量进行卡尔曼时间更新,获得线性估计误差协方差矩阵:
;
其中,为/>时刻的线性估计误差协方差矩阵,/>为预测量测值有效区域内没有来自目标的量测值的概率,/>为/>时刻的线性预测误差协方差矩阵,中间变量/>和/>表达式为:
;
;
为卡尔曼增益矩阵,/>表示/>的转置矩阵,/>为残差协方差矩阵,/>为/>的残差,/>表示/>的转置矩阵,/>为/>时刻量测值矩阵中第/>个有效量测值,/>,/>为量测值矩阵中有效量测值的总数,/>为/>来自目标的概率,/>为/>时刻目标的组合残差且有/>,/>为/>的转置矩阵。
6.根据权利要求5所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,
利用卡尔曼滤波算法获得线性估计状态向量;
利用粒子滤波算法获得非线性估计状态向量;
将所述线性估计状态向量和非线性估计状态向量结合,获得整体状态估计向量;
根据所述整体状态估计向量判断目标是否到达终点,是则结束雷达波形设计,否则使用Q学习方法对雷达波形进行设计。
7.根据权利要求6所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,通过下式获得线性估计状态向量:
;
通过下式获得非线性估计状态向量:
;
所述整体状态估计向量表达式为:
;
为/>时刻的整体状态估计向量,/>和/>分别为/>时刻的线性和非线性估计状态向量,为/>时刻的线性预测状态向量,/>表示概率密度函数,/>为/>时刻的非线性量测状态向量,/>为1至/>时刻的关联量测值,/>为/>的归一化结果,/>为第/>个粒子的重要性权值,/>,/>为Rao-Blackwelized粒子滤波框架中的粒子总数,/>为狄拉克函数,/>为/>时刻第/>个粒子的非线性量测状态向量。
8.根据权利要求7所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,根据下式计算粒子滤波框架中各粒子的重要性权值:
;
其中,为第/>个粒子0至/>时刻的非线性量测状态向量,/>为1至/>时刻的关联量测值,/>为/>时刻的关联量测值;
对各粒子的重要性权值进行归一化,获得粒子的重要性权值归一化结果:
;
其中,为/>的归一化结果,/>为第/>个粒子的重要性权值。
9.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,所述使用Q学习方法对发射波形库进行更新,包括:
利用线性估计误差协方差矩阵计算熵态,通过熵态计算获得即时奖励,根据所述即时奖励计算每个波形的累积折扣奖励,实现对发射波形库的更新。
10.根据权利要求9所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法,其特征在于,根据下式计算熵态:
;
根据下式计算获得即时奖励:
;
根据下式计算每个波形的累积折扣奖励:
;
更新后发射波形库中累积折扣奖励最大的发射波形参数表示为:
;
和/>分别为/>时刻和/>时刻的熵态,/>为/>时刻目标的估计误差协方差矩阵,为/>的行列式,/>为/>时刻的即时奖励,/>和/>均为发射波形库中的发射波形参数组合且/>和/>不同,/>和/>分别为/>时刻/>和/>对应的累积折扣奖励,/>为时刻/>对应的累积折扣奖励,/>为学习率,/>为折扣因子且有/>,/>表示发射波形库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315774.7A CN117930142B (zh) | 2024-03-20 | 2024-03-20 | 一种应对高海况海面机动目标跟踪的雷达波形设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410315774.7A CN117930142B (zh) | 2024-03-20 | 2024-03-20 | 一种应对高海况海面机动目标跟踪的雷达波形设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117930142A true CN117930142A (zh) | 2024-04-26 |
CN117930142B CN117930142B (zh) | 2024-06-07 |
Family
ID=90763382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410315774.7A Active CN117930142B (zh) | 2024-03-20 | 2024-03-20 | 一种应对高海况海面机动目标跟踪的雷达波形设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930142B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2682438A1 (en) * | 2009-10-13 | 2011-04-13 | Mcmaster University | Cognitive tracking radar |
JP2016142705A (ja) * | 2015-02-05 | 2016-08-08 | 株式会社東芝 | 追跡システム、方法、およびプログラム |
US20170307750A1 (en) * | 2014-12-19 | 2017-10-26 | Mitsubishi Electric Corporation | Waveform estimation device and waveform estimation method |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
US10895635B1 (en) * | 2020-08-14 | 2021-01-19 | King Abdulaziz University | Method of processing waveforms at a multiple-input-multiple-output (MIMO) radar for an unknown target |
CN113238219A (zh) * | 2021-05-18 | 2021-08-10 | 电子科技大学 | 一种适用于rsn在目标跟踪任务中的波形优化方法 |
CN114966551A (zh) * | 2022-05-12 | 2022-08-30 | 中国科学院空天信息创新研究院 | 多输入多输出雷达中准正交非线性调频波形的设计方法 |
CN115704891A (zh) * | 2021-08-06 | 2023-02-17 | 英飞凌科技股份有限公司 | 场景自适应雷达 |
CN116299287A (zh) * | 2023-03-10 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 幅度信息辅助的认知雷达跟踪波形选择方法及系统 |
CN117169818A (zh) * | 2023-10-30 | 2023-12-05 | 哈尔滨工业大学(威海) | 一种面向海面机动目标跟踪的雷达波形设计方法 |
-
2024
- 2024-03-20 CN CN202410315774.7A patent/CN117930142B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2682438A1 (en) * | 2009-10-13 | 2011-04-13 | Mcmaster University | Cognitive tracking radar |
US20170307750A1 (en) * | 2014-12-19 | 2017-10-26 | Mitsubishi Electric Corporation | Waveform estimation device and waveform estimation method |
JP2016142705A (ja) * | 2015-02-05 | 2016-08-08 | 株式会社東芝 | 追跡システム、方法、およびプログラム |
US10895635B1 (en) * | 2020-08-14 | 2021-01-19 | King Abdulaziz University | Method of processing waveforms at a multiple-input-multiple-output (MIMO) radar for an unknown target |
CN112098993A (zh) * | 2020-09-16 | 2020-12-18 | 中国北方工业有限公司 | 一种多目标跟踪数据关联方法及系统 |
CN113238219A (zh) * | 2021-05-18 | 2021-08-10 | 电子科技大学 | 一种适用于rsn在目标跟踪任务中的波形优化方法 |
CN115704891A (zh) * | 2021-08-06 | 2023-02-17 | 英飞凌科技股份有限公司 | 场景自适应雷达 |
CN114966551A (zh) * | 2022-05-12 | 2022-08-30 | 中国科学院空天信息创新研究院 | 多输入多输出雷达中准正交非线性调频波形的设计方法 |
CN116299287A (zh) * | 2023-03-10 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 幅度信息辅助的认知雷达跟踪波形选择方法及系统 |
CN117169818A (zh) * | 2023-10-30 | 2023-12-05 | 哈尔滨工业大学(威海) | 一种面向海面机动目标跟踪的雷达波形设计方法 |
Non-Patent Citations (4)
Title |
---|
冯翔;赵占锋;赵宜楠;周志权;: "基于矩阵加权多模型融合的认知跟踪波形设计", 哈尔滨工业大学学报, vol. 50, no. 05, 31 May 2018 (2018-05-31), pages 30 - 37 * |
崔琛;张鑫;: "多目标环境中的认知雷达跟踪方法", 信号处理, vol. 29, no. 01, 31 January 2013 (2013-01-31), pages 107 - 114 * |
袁志勇;顾晓东;: "基于UKF的Rao-Blackwellized粒子滤波器多传感器多目标跟踪算法研究", 舰船科学技术, vol. 32, no. 07, 31 July 2010 (2010-07-31), pages 68 - 72 * |
贾茹等: "基于改进交互多模型的目标跟踪波形优化算法", 电光与控制, vol. 30, no. 5, 31 May 2023 (2023-05-31), pages 105 - 110 * |
Also Published As
Publication number | Publication date |
---|---|
CN117930142B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103885057B (zh) | 自适应变滑窗多目标跟踪方法 | |
CN108363054A (zh) | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 | |
CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
CN110673130B (zh) | 一种基于航迹关联的运动目标航迹跟踪方法 | |
CN108414995B (zh) | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 | |
CN111610501A (zh) | 对海雷达小目标检测方法 | |
CN110376582B (zh) | 自适应gm-phd的机动目标跟踪方法 | |
CN108398678A (zh) | 一种集中式mimo雷达快速自适应目标跟踪方法 | |
CN117169818B (zh) | 一种面向海面机动目标跟踪的雷达波形设计方法 | |
CN107515398A (zh) | 基于宽带回波的逆合成孔径雷达成像目标连续跟踪方法 | |
Jajamovich et al. | Joint multitarget tracking and sensor localization in collaborative sensor networks | |
CN109239704A (zh) | 一种基于序贯滤波交互式多模型的自适应采样方法 | |
CN111198366B (zh) | 分布式mimo雷达多任务下的有限阵元快速选取方法 | |
CN117930142B (zh) | 一种应对高海况海面机动目标跟踪的雷达波形设计方法 | |
CN116794649A (zh) | 基于波形选择的杂波中机动目标跟踪方法 | |
CN116609754A (zh) | 一种可进化的智能化单模态机载雷达目标跟踪方法 | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
CN107330468B (zh) | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 | |
Orguner et al. | Target tracking using delayed measurements with implicit constraints | |
CN110244289A (zh) | 一种自适应粒子滤波地波雷达目标一体化探测方法 | |
CN114355324A (zh) | 一种航迹生成方法 | |
CN113093174A (zh) | 基于phd滤波雷达起伏微弱多目标的检测前跟踪方法 | |
CN110031797A (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 | |
CN113408422B (zh) | 一种适用于微弱目标的多帧联合检测跟踪与分类方法 | |
Yu et al. | Bernoulli Track-before-detect Algorithm for Distributed Target with Unknown Amplitude Information |
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 |