[發(fā)明專利]基于殘差反饋的多模型高速高機(jī)動(dòng)目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310404989.8
• 申請(qǐng)日: 2013-09-08
• 公開（公告）號(hào): CN103487800A
• 公開（公告）日: 2014-01-01
• 發(fā)明（設(shè)計(jì)）人: 曹運(yùn)合;馬珊珊;靳松陽(yáng);彭志剛;王勝華;周生華
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G01S13/66
• 分類號(hào): G01S13/66
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，具體涉及一種對(duì)強(qiáng)機(jī)動(dòng)目標(biāo)的跟蹤方法，可用于對(duì)臨近空間目標(biāo)的跟蹤。

背景技術(shù)

由于目標(biāo)跟蹤在國(guó)防和民用各領(lǐng)域的重要價(jià)值，一直以來(lái)很多學(xué)者致力于研究目標(biāo)跟蹤算法。隨著現(xiàn)代航空的迅速發(fā)展，各種飛行器的機(jī)動(dòng)性和運(yùn)動(dòng)速度越來(lái)越高，但是可靠而精確的跟蹤目標(biāo)始終是目標(biāo)跟蹤系統(tǒng)設(shè)計(jì)的主要目的與難點(diǎn)。目標(biāo)跟蹤實(shí)際上就是對(duì)目標(biāo)狀態(tài)的跟蹤濾波問(wèn)題，而實(shí)現(xiàn)目標(biāo)跟蹤首先要使所建立的目標(biāo)運(yùn)動(dòng)模型與實(shí)際的目標(biāo)運(yùn)動(dòng)模型匹配，建立目標(biāo)的運(yùn)動(dòng)模型和自適應(yīng)濾波是機(jī)動(dòng)目標(biāo)的兩個(gè)關(guān)鍵部分。

在當(dāng)前目標(biāo)機(jī)動(dòng)能力日益增強(qiáng)的情況下，單模型算法很難滿足跟蹤速度和精度的需求，而多模型算法可以避免采用單模型時(shí)由于目標(biāo)機(jī)動(dòng)而造成模型的不準(zhǔn)確，提高機(jī)動(dòng)目標(biāo)跟蹤性能，從而實(shí)現(xiàn)對(duì)強(qiáng)機(jī)動(dòng)目標(biāo)的精確跟蹤。經(jīng)過(guò)國(guó)內(nèi)外學(xué)者幾十年來(lái)的不斷研究，提出了很多目標(biāo)模型與算法。目前廣泛采用的算法是1984-1989年Blom和Bar-Shalom提出的交互式多模型IMM算法，該算法具有Markov轉(zhuǎn)移概率，且算法中有多個(gè)模型并行工作，多個(gè)濾波器交互作用得到目標(biāo)狀態(tài)估計(jì)的結(jié)果，由于該模型有較好的自適應(yīng)能力，因而比較理想。但是IMM算法中由于其模型轉(zhuǎn)移概率是人為設(shè)置的，因此引入了人為誤差，影響了跟蹤性能。除此之外，因?yàn)镮MM算法需要對(duì)每一個(gè)模型都進(jìn)行濾波，計(jì)算量過(guò)大，對(duì)目標(biāo)跟蹤會(huì)有延遲。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)上述已有技術(shù)的不足，提出一種基于殘差反饋的多模型高速高機(jī)動(dòng)目標(biāo)跟蹤方法，以降低計(jì)算復(fù)雜度，提高雷達(dá)在目標(biāo)強(qiáng)機(jī)動(dòng)下的跟蹤精度。

實(shí)現(xiàn)本發(fā)明的技術(shù)思路是：利用LMS算法，通過(guò)信號(hào)的預(yù)測(cè)殘差調(diào)整濾波器的權(quán)值，從而使估計(jì)信號(hào)逼近期望信號(hào)，以提高跟蹤性能，其實(shí)現(xiàn)步驟包括如下：

(1)雷達(dá)對(duì)接受到的機(jī)動(dòng)目標(biāo)的位置檢測(cè)值進(jìn)行N次采樣，得到一個(gè)長(zhǎng)度為N的觀測(cè)值序列{Z(k)}，k=1，2，…，N；

(2)從觀測(cè)值序列{Z(k)}中取出前三個(gè)采樣點(diǎn)的觀測(cè)值Z(1)，Z(2)，Z(3)，并利用差分法初始化機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)，得到機(jī)動(dòng)目標(biāo)在第3個(gè)采樣點(diǎn)的狀態(tài)向量和初始協(xié)方差矩陣P(3)；

(3)根據(jù)機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)特性選擇M個(gè)目標(biāo)運(yùn)動(dòng)模型，得到M個(gè)目標(biāo)運(yùn)動(dòng)模型的狀態(tài)轉(zhuǎn)移矩陣F_i，i=1，2，…M，M≥2；

(4)根據(jù)選擇的目標(biāo)運(yùn)動(dòng)模型個(gè)數(shù)M，確定目標(biāo)運(yùn)動(dòng)模型在第3采樣點(diǎn)的權(quán)值：

W(3)=[1/M?1/M?…?1/M]_1×M，

其中，[·]_1×M表示該矩陣為1行M列的矩陣；

(5)利用步驟(2)中得到第k采樣點(diǎn)的狀態(tài)向量和步驟(3)中得到的目標(biāo)運(yùn)動(dòng)模型的狀態(tài)轉(zhuǎn)移矩陣F_i進(jìn)行一步預(yù)測(cè)，得到對(duì)應(yīng)模型的一步預(yù)測(cè)值X^i(k+1/k):]]>

X^i(k+1/k)=FiX^(k)]]>

其中，表示第i個(gè)目標(biāo)運(yùn)動(dòng)模型在第k采樣點(diǎn)預(yù)測(cè)的機(jī)動(dòng)目標(biāo)在第k+1采樣點(diǎn)的狀態(tài)向量；

(6)利用步驟(4)中得到的權(quán)值對(duì)步驟(5)中得到的各個(gè)目標(biāo)運(yùn)動(dòng)模型的一步預(yù)測(cè)值和協(xié)方差矩陣P(k)進(jìn)行加權(quán)求和，得到基于LMS算法的狀態(tài)估計(jì)向量和估計(jì)協(xié)方差矩陣P(k+1/k)：