專利名稱：基于分層粒子濾波的被動(dòng)多傳感器目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于制導(dǎo)技術(shù)領(lǐng)域，涉及目標(biāo)跟蹤。具體地說是一種基于分層粒子濾波的
被動(dòng)多傳感器目標(biāo)跟蹤方法，可用于紅外制導(dǎo)、信息融合作戰(zhàn)等系統(tǒng)。
背景技術(shù)：
被動(dòng)多傳感器目標(biāo)跟蹤本質(zhì)上是一個(gè)非線性跟蹤問題，將非線性濾波應(yīng)用于被動(dòng) 多傳感器目標(biāo)跟蹤成為了當(dāng)前研究的熱點(diǎn)。非線性濾波最典型的代表是擴(kuò)展卡爾曼濾波 (EKF)和無機(jī)卡爾曼濾波(UKF)。由于被動(dòng)傳感器目標(biāo)跟蹤中非線性程度較高，而EKF需要 進(jìn)行線性化處理，會(huì)使系統(tǒng)誤差增大，導(dǎo)致濾波器不穩(wěn)定甚至發(fā)散。UKF用有限個(gè)確定性的 樣本點(diǎn)來近似狀態(tài)的概率分布，通過系統(tǒng)方程傳遞樣本點(diǎn)，進(jìn)而更新目標(biāo)的狀態(tài)，避免了由 于局部線性化近似所帶來的誤差，得到更高的濾波精度。近來有學(xué)者提出了性能更優(yōu)的求 積分卡爾曼濾波(QKF)和求容積卡爾曼濾波(CKF)方法，但這類方法均受高斯假設(shè)的限制， 僅適用于非線性程度較低的場合，制約了其在高跟蹤精度條件下的應(yīng)用。
粒子濾波在解決非線性、非高斯問題時(shí)具有優(yōu)異的性能，其實(shí)質(zhì)是用一些帶權(quán)值 的粒子表示狀態(tài)的后驗(yàn)概率分布，已經(jīng)被廣泛應(yīng)用于信號(hào)處理、自動(dòng)化等領(lǐng)域，但有些情況 下仍存在發(fā)散現(xiàn)象，雖然學(xué)者們通過優(yōu)化建議密度分布函數(shù)、重采樣等方法在一定程度上 改善了其在被動(dòng)多傳感器目標(biāo)跟蹤中的性能，但不能從根本上解決發(fā)散的問題。主要由以 下兩方面原因所致(l)過程噪聲強(qiáng)度未知。實(shí)際中很難獲得目標(biāo)運(yùn)動(dòng)時(shí)的噪聲強(qiáng)度，濾波 過程通常使用最大值代替，當(dāng)偏離真實(shí)值較大時(shí)，自然會(huì)導(dǎo)致濾波器發(fā)散；(2)徑向距離不 可測。由于被動(dòng)傳感器只能得到目標(biāo)的角度信息，并不能觀測到距離信息，因此同樣的觀測 角度，可能會(huì)對(duì)應(yīng)不同的目標(biāo)狀態(tài)，在使用粒子近似時(shí)并沒有考慮這樣的情況，從而導(dǎo)致性 能的下降。

發(fā)明內(nèi)容
針對(duì)上述問題，本發(fā)明提出一種基于分層粒子濾波(HPF)的被動(dòng)多傳感器目標(biāo)跟 蹤方法，以實(shí)現(xiàn)過程噪聲強(qiáng)度未知和距離不可測情況下準(zhǔn)確地跟蹤目標(biāo)。 實(shí)現(xiàn)本發(fā)明的技術(shù)關(guān)鍵是在濾波過程中，通過重寫系統(tǒng)方程并添加表示過程噪 聲強(qiáng)度與徑向距離比值的輔助狀態(tài)參量，構(gòu)造包含方位角、方位角變化率、對(duì)數(shù)徑向距離變 化率及輔助參量的子狀態(tài)"P和包含對(duì)數(shù)徑向距離的子狀態(tài)V，以實(shí)現(xiàn)分層濾波的結(jié)構(gòu)，其中 對(duì)數(shù)徑向距離表示目標(biāo)和傳感器的相對(duì)距離取對(duì)數(shù)運(yùn)算后的值。第一層根據(jù)各傳感器的觀 測信息，利用序貫重要性采樣方法更新P，第二層利用P中的輔助參量，迭代更新V。在目標(biāo) 狀態(tài)融合過程中，根據(jù)最優(yōu)信息融合方法，得到目標(biāo)狀態(tài)的融合輸出結(jié)果，降低了目標(biāo)跟蹤 的誤差。
本發(fā)明的具體實(shí)現(xiàn)步驟包括如下 (1)令初始時(shí)刻k = 0，首先根據(jù)目標(biāo)狀態(tài)的初始分布，為各傳感器模塊產(chǎn)生N個(gè) 初始樣本粒子xy ={《j,^,《j,i^ ， i = 1，…N，1 = 1，…L，其中，i和1分別表示樣本粒子和傳感器的序號(hào)，(I,), yu(")和(《j,爿'j)分別表示k時(shí)刻第1個(gè)傳感器第i個(gè)樣本
粒子的目標(biāo)位置和速度，其次初始化各傳感器模塊的輔助參量P u("，其表示k時(shí)刻第1個(gè) 傳感器第i個(gè)樣本粒子的過程噪聲強(qiáng)度與徑向距離的比值； (2)通過坐標(biāo)變換公式，將各樣本粒子表示的目標(biāo)狀態(tài)Xk,/"從笛卡爾坐標(biāo)系變換
到對(duì)數(shù)極坐標(biāo)系，用yl'j—0!'j,船,W^表示，其中Pu("、 Pu(i)、船和Wj分別表示對(duì)
數(shù)極坐標(biāo)系下k時(shí)刻第1個(gè)傳感器第i個(gè)樣本粒子所表示目標(biāo)狀態(tài)的方位角、對(duì)數(shù)徑向距 離、方位角變化率和對(duì)數(shù)徑向距離變化率； (3)根據(jù)對(duì)數(shù)極坐標(biāo)系下的系統(tǒng)方程，構(gòu)造包含方位角、方位角變化率、對(duì)數(shù)徑 向距離變化率及輔助參量的子狀態(tài)《卜^ ,i^,0,/4'"和包含對(duì)數(shù)徑向距離的子狀態(tài)
《)
y利用分層粒子濾波算法得到各子狀態(tài)的估計(jì) (' ) —"(') 又(')廣,(')、 (4)根據(jù)各傳感器的觀測z
值。首先利用重要性采樣方法得到^的預(yù)測估計(jì)值d, ^d,^^,/^,,,/^.,}，以 及各粒子對(duì)應(yīng)的歸一化權(quán)值Wk+u'i)，其次根據(jù)輔助參量的預(yù)測估計(jì)值/iS，,，得到Vk,，
的預(yù)測估計(jì)值Wi^O+ln
,，
，最后利用重采樣算法得到用于下步迭代所需的各
子狀態(tài)的粒子集合W+K人,，z'"，…，A^，并給每一個(gè)粒子賦予相同的權(quán)值l/N，其中
={i^，,,^,，,，,，Wi,,—Pv/H —《)J表示k+l時(shí)刻子狀態(tài)的估計(jì)值；
(5)根據(jù)子狀態(tài)的估計(jì)值W二,和Vk+u(i)，合并得到對(duì)數(shù)極坐標(biāo)系下目標(biāo)狀態(tài)的估
計(jì)值y^—船',《,K, (6)通過坐標(biāo)反變換公式，把對(duì)數(shù)極坐標(biāo)系下的目標(biāo)狀態(tài)yk+1,變換到笛卡爾坐 標(biāo)系下，用Xw,，表示； (7)利用均值和協(xié)方差計(jì)算公式得到目標(biāo)狀態(tài)Xk+u和協(xié)方差Pk+ia ; (8)根據(jù)最優(yōu)信息融合方法，得到融合后的目標(biāo)狀態(tài)xk+1和協(xié)方差Pk+1 ; (9)輸出目標(biāo)跟蹤結(jié)果，若下一時(shí)刻觀測信息到達(dá)，轉(zhuǎn)到步驟(4)進(jìn)行迭代；否則，
目標(biāo)跟蹤過程結(jié)束。
本方法具有以下優(yōu)點(diǎn) (1)輔助參量i！是過程噪聲強(qiáng)度與徑向距離的比值，在對(duì)數(shù)極坐標(biāo)下，系統(tǒng)方程 中噪聲強(qiáng)度總是以比值P的形式出現(xiàn)，本發(fā)明由于構(gòu)造了包含方位角、方位角變化率、對(duì) 數(shù)徑向距離變化率及輔助參量的子狀態(tài)(P和包含對(duì)數(shù)徑向距離的子狀態(tài)V，采用分層粒子 濾波方法實(shí)時(shí)估計(jì)出P的值，從而避免傳統(tǒng)濾波過程中使用過程噪聲強(qiáng)度最大值引入的 跟蹤誤差； (2)本發(fā)明利用分層粒子濾波方法，根據(jù)實(shí)時(shí)估計(jì)出的輔助參量的值迭代更新對(duì) 數(shù)徑向距離，可得到目標(biāo)狀態(tài)的更精確估計(jì)，降低了距離不可測所帶來的影響；
(3)本發(fā)明利用多個(gè)被動(dòng)傳感器實(shí)現(xiàn)目標(biāo)跟蹤，采用最優(yōu)信息融合的方法得到目 標(biāo)狀態(tài)的融合估計(jì)結(jié)果，提高了跟蹤的精度以及穩(wěn)定性；
5
(4)本發(fā)明實(shí)現(xiàn)過程中，各傳感器獨(dú)立進(jìn)行濾波跟蹤，互不影響，有利于并行實(shí)現(xiàn)， 具有較大的實(shí)用價(jià)值。


圖1是本發(fā)明的整體流程圖； 圖2是本發(fā)明分層粒子濾波的子流程圖； 圖3是目標(biāo)運(yùn)動(dòng)軌跡和觀測站的位置圖； 圖4是本發(fā)明方法的跟蹤軌跡圖； 圖5是本發(fā)明方法的位置跟蹤誤差圖； 圖6是本發(fā)明方法的速度跟蹤誤差圖。
具體實(shí)施例方式
—、基礎(chǔ)理論介紹 1.系統(tǒng)方程 笛卡爾坐標(biāo)系下，系統(tǒng)狀態(tài)取x， y方向的位置和速度，可建立如下的非線性動(dòng)態(tài) 系統(tǒng)模型 xk+1 = Fxk+ o vk 1) zk = h (xk) + w k 其中x^ ^x^^,:^,Ar為系統(tǒng)在k時(shí)刻的狀態(tài)，F(xiàn)為一步轉(zhuǎn)移矩陣，。為過程噪聲 強(qiáng)度。函數(shù)h( )表示觀測模型，vk， "k分別表示過程噪聲和觀測噪聲。
本發(fā)明中假設(shè)被動(dòng)傳感器只能觀測目標(biāo)的角度信息，因此h定義如下/^)蘭atanA 2)
2.最優(yōu)信息融合 假設(shè)基于L個(gè)傳感器得到的隨機(jī)向量ue吸"的估計(jì)為fi,，i = 1，…，L，估計(jì)誤 差fi,u-fi,.的協(xié)方差矩陣《,五[fi,《]，i， J = 1，…，L，其中『為n維向量空間，E[.] 為求均值運(yùn)算符，T為求矩陣的轉(zhuǎn)置。最優(yōu)信息融合方法就是求解加權(quán)矩陣Ai滿足 6 = ^1+^12+... + 4、，且極小化性能指標(biāo)^^ W[afi。，其中tr表示求矩陣的跡。若假
設(shè)估計(jì)是無偏的，可引出W…+A^In， In為n階單位陣，于是fi-44+4fi2+…+ 4fi丄。
定義合成矩陣A二 [A廣^]T和分塊矩陣P二 (Pij)^化，其中Pij為分塊矩陣的第(i， j)元 素，可有 J = tr (ATPA) 3)
ATe = In， e = [In...In]T 應(yīng)用拉格朗日乘子法，定義A = (Aij)nxn，引入輔助函數(shù)
G = J+tr [ A (ATe_In)]
令3G/a4l^-0，則有
P+丄eA二0 2
4) 聯(lián)合3)式和4)式，通過求解可得系數(shù)矩陣和最優(yōu)融合誤差方差矩陣分別為 A = P—'e(eTp—'e)—1 5) P = (eTP—丄e)—1 二、基于分層粒子濾波的被動(dòng)多傳感器目標(biāo)跟蹤方法 參照?qǐng)Dl，本發(fā)明的具體實(shí)施過程包括以下步驟 步驟l.初始化樣本粒子及輔助參量 1. 1令初始時(shí)刻k = 0，目標(biāo)的初始分布為p(x。) ， i = 1，2，…，N， 1 = 1，2， L， N為樣本粒子數(shù)，L為傳感器個(gè)數(shù)，各傳感器的初始樣本粒子為 Xu") p(x0)其中，=， (xk
感器第i個(gè)樣本粒子的目標(biāo)位置和速度； 1. 2通過下式初始化輔助參量
(i)
(i)
)和(OS)分別表示k時(shí)刻第1個(gè)傳
cr
《
，cr
C7
豐〗)
《=
4:)-",) +(
其中，0_表示過程噪聲強(qiáng)度的最大值，o (i)為第
水
樣本粒子的過程噪聲強(qiáng)度，
U([O，l])為[O，l]區(qū)間上的均勻分布函數(shù)，ru("表示k時(shí)刻第1個(gè)傳感器第i個(gè)樣本粒 子的徑向距離，(A， b》表示第1個(gè)傳感器的位置。
步驟2.坐標(biāo)系變換 通過下式實(shí)現(xiàn)第1個(gè)傳感器第i個(gè)樣本粒子表示的目標(biāo)狀態(tài)從笛卡爾坐標(biāo)系到對(duì) 數(shù)極坐標(biāo)系的變換
v(') _ 〃尸I
《(
")、—
fltan
In
(《)-",)《"(《",)《
xj —"'
《) 船 《;
6) 其中，《,=Kj,《),《j,j^表示笛卡爾坐標(biāo)系下k時(shí)刻第1個(gè)傳感器第i個(gè)樣本
粒子的目標(biāo)狀態(tài)，yg = ^ ,《，船,"^表示對(duì)數(shù)極坐標(biāo)系下k時(shí)刻第i個(gè)傳感器第i個(gè)
樣本粒子的目標(biāo)狀態(tài)，e k,，、 P u，船和O分別表示目標(biāo)狀態(tài)的方位角、對(duì)數(shù)徑向距離、
方位角變化率和對(duì)數(shù)徑向距離變化率，f7( )表示笛卡爾坐標(biāo)系到對(duì)數(shù)極坐標(biāo)的變換函
步驟3.狀態(tài)分離 3. 1定義對(duì)數(shù)極坐標(biāo)系下目標(biāo)狀態(tài)h =^，^，4，/^ ， 1)式和2)式表示的系統(tǒng) 方程可重寫為
<formula>formula see original document page 8</formula> 過禾!<formula>formula see original document page 8</formula>
t為采樣周期，P k， vk分別表示輔助參量和過程噪聲； 3. 2定義子狀態(tài)％蘭JAt,艮，A,A^和V^蘭(A^ ，可將7)式表示的系統(tǒng)方程簡化為 如8)式所示的兩個(gè)過程<formula>formula see original document page 8</formula> 過程二 <formula>formula see original document page 8</formula>
其中， )和f2( )為子狀態(tài)％與過程噪聲vk的函數(shù)，各狀態(tài)分量的具體計(jì)算 公式可參考7)式，h( )為觀測模型函數(shù)； 3. 3根據(jù)3. 2中的定義，對(duì)數(shù)極坐標(biāo)系下，k時(shí)刻第1個(gè)傳感器第i個(gè)樣本粒子可
分離成子狀態(tài)<formula>formula see original document page 8</formula> 步驟4.分層粒子濾波 4. 1子狀態(tài)^'j的系統(tǒng)方程如8)式中過程一所示，把各狀態(tài)分量代入7)式計(jì)算得 到其預(yù)測估計(jì)值<formula>formula see original document page 8</formula>
4. 2根據(jù)各傳感器的觀測值Zk+u，利用下式計(jì)算各粒子對(duì)應(yīng)的權(quán)值 <formula>formula see original document page 8</formula>
其中/7(z^,, I "i,)為觀測似然函數(shù)，歸一化后的權(quán)值為<formula>formula see original document page 9</formula>
4. 3子狀態(tài)vk
(i)的更新方程如8)式中過程二所示，具體計(jì)算公式為
<formula>formula see original document page 9</formula>
其中，li u")為k時(shí)刻第1個(gè)傳感器第i個(gè)粒子所表示輔助參量的值； 4. 4根據(jù)子狀態(tài)的預(yù)測估計(jì)值"'L 、 V^'人,和歸一化權(quán)值wk+1,,)，利用重采樣算法 得到用于下步迭代所需的各子狀態(tài)的粒子集合W'i,，V^^,z、l,…,W ，并給每一個(gè)粒子賦
予相同的權(quán)值1/N，其中《),，,={d/^,,,/^^^—*/^, = W'+)J表示k+l時(shí)刻所定義
子狀態(tài)的估計(jì)值。 步驟5.狀態(tài)合并 根據(jù)子狀態(tài)的估計(jì)值^'丄，,和Vk+u(i)，合并得到對(duì)數(shù)極坐標(biāo)系下目標(biāo)狀態(tài)的估計(jì)
步驟6.坐標(biāo)系反變換 為進(jìn)行下一步的融合，需要利用下式把目標(biāo)狀態(tài)反變換到笛卡爾坐標(biāo)系下
一 cos(C -忠,>(船,,)+忠,0似,
為k+l時(shí)刻第1個(gè)傳感器第i個(gè)粒子變換到笛卡爾坐標(biāo)系下的目標(biāo)
<formula>formula see original document page 9</formula>
其中"
=( )表示對(duì)數(shù)極坐標(biāo)到笛卡爾坐標(biāo)系的變換函數(shù)。 步驟7.計(jì)算目標(biāo)狀態(tài)均值和協(xié)方差
<formula>formula see original document page 9</formula>
其中，Xk+U和Pk+u分別表示k+l時(shí)刻第l個(gè)傳感器估計(jì)出的目標(biāo)狀態(tài)和協(xié)方差。
步驟8.被動(dòng)多傳感器狀態(tài)融合
8. 1根據(jù)目標(biāo)協(xié)方差矩陣Pk+1, y通過下式計(jì)算目標(biāo)狀態(tài)第j個(gè)分量的融合協(xié)方差 <formula>formula see original document page 9</formula> 其中，<formula>formula see original document page 9</formula>
表示第1個(gè)傳感器目標(biāo)狀態(tài)協(xié)方差矩陣的第j個(gè)對(duì)角元素，1 = 1，L ; 8.2根據(jù)目標(biāo)狀態(tài)各分量融合后的協(xié)方差矩陣E j'，j = 1，…，n，n為狀態(tài)的維數(shù)， 計(jì)算融合系數(shù)&，令& = diag(Cll，， cln)，其中，Clj表示向量Cj中的元素，
Cj = [Clj， c2j，…，cLj] [畫]=[工t( E j)-4]-E j)—1其中，1 = [1"'1]:丄； 8. 3通過下式計(jì)算得到融合后的目標(biāo)狀態(tài)xk+1 :
丄 Xi+1=ZC,X;t+1,;
/=1 8. 4通過下式計(jì)算融合后的目標(biāo)協(xié)方差矩陣Pk+1 :
丄 ( 「 " = Z " + [xw _ xw,, ] x [x"i - x4+i,, ] °
/=i 、 J 步驟9.輸出跟蹤結(jié)果 根據(jù)融合后的目標(biāo)狀態(tài)，輸出目標(biāo)的位置、速度等信息，若下一時(shí)刻觀測信息到 達(dá)，轉(zhuǎn)到步驟4進(jìn)行迭代；否則，目標(biāo)跟蹤過程結(jié)束。
本發(fā)明的效果可通過以下實(shí)驗(yàn)仿真進(jìn)一步說明
1.仿真條件 本實(shí)驗(yàn)采用二維平面內(nèi)三個(gè)靜止的紅外被動(dòng)觀測站測量同一平面內(nèi)單個(gè)運(yùn)動(dòng)的 目標(biāo)，假設(shè)觀測數(shù)據(jù)已經(jīng)配準(zhǔn)且互不相關(guān)，三個(gè)觀測站成正三角分布，橫坐標(biāo)和縱坐標(biāo)分別 為a! = 20km， = 20km， a2 = 30km， b2 = 20km， a3 = 25km， b3 = 28. 66km，每個(gè)觀測站的 測角誤差為5m'rad，采樣周期t = 5s，觀測時(shí)間長度為150s。目標(biāo)在二維平面內(nèi)做勻 速直線運(yùn)動(dòng)，在橫軸和縱軸上的初始位置分別為x。 = Okm和y。 = 23km，初始速度分別為 、=0.15細(xì)〃和>。=0.1細(xì)"，真實(shí)過程噪聲強(qiáng)度0 =0.001km/s。濾波過程中使用的粒子 數(shù)N = IOOO，過程噪聲強(qiáng)度的最大值o max = 0. 01km/s。 [cms]2.仿真結(jié)果 仿真實(shí)驗(yàn)中對(duì)比分析了本發(fā)明的跟蹤方法和基于PF的跟蹤方法，仿真結(jié)果分別 如圖3、圖4、圖5和圖6所示，其中 圖3為目標(biāo)在二維平面內(nèi)的運(yùn)動(dòng)軌跡和三個(gè)觀測站的位置。 圖4為本發(fā)明方法的跟蹤軌跡圖，從圖4中可以看出，當(dāng)過程噪聲強(qiáng)度的最大值是 真實(shí)值的十倍時(shí)，基于PF的跟蹤方法最后出現(xiàn)失跟的現(xiàn)象，本發(fā)明提出的跟蹤方法依然能 夠有效地跟蹤目標(biāo)。 圖5和圖6分別為本發(fā)明方法的位置和速度跟蹤誤差圖，從圖5和圖6中可以看 出，隨著時(shí)間的增加，基于PF的跟蹤方法明顯有發(fā)散的趨勢，而本發(fā)明的跟蹤方法具有良 好的收斂性。
10
權(quán)利要求
一種基于分層粒子濾波的被動(dòng)多傳感器目標(biāo)跟蹤方法，包括如下步驟(1)令初始時(shí)刻k＝0，首先根據(jù)目標(biāo)狀態(tài)的初始分布，為各傳感器模塊產(chǎn)生N個(gè)初始樣本粒子i＝1，…N，l＝1，…L，其中，i和l分別表示樣本粒子和傳感器的序號(hào)，(xk，l(i)，yk，l(i))和分別表示k時(shí)刻第l個(gè)傳感器第i個(gè)樣本粒子的目標(biāo)位置和速度，其次初始化各傳感器模塊的輔助參量μk，l(i)，其表示k時(shí)刻第l個(gè)傳感器第i個(gè)樣本粒子的過程噪聲強(qiáng)度與徑向距離的比值；(2)通過坐標(biāo)變換公式，將各樣本粒子表示的目標(biāo)狀態(tài)xk，l(i)從笛卡爾坐標(biāo)系變換到對(duì)數(shù)極坐標(biāo)系，用表示，其中βk，l(i)、ρk，l(i)、和分別表示對(duì)數(shù)極坐標(biāo)系下k時(shí)刻第l個(gè)傳感器第i個(gè)樣本粒子所表示目標(biāo)狀態(tài)的方位角、對(duì)數(shù)徑向距離、方位角變化率和對(duì)數(shù)徑向距離變化率；(3)根據(jù)對(duì)數(shù)極坐標(biāo)系下的系統(tǒng)方程，構(gòu)造包含方位角、方位角變化率、對(duì)數(shù)徑向距離變化率及輔助參量的子狀態(tài)和包含對(duì)數(shù)徑向距離的子狀態(tài)(4)根據(jù)各傳感器的觀測zk+1，l，利用分層粒子濾波算法得到各子狀態(tài)的估計(jì)值。首先利用重要性采樣方法得到的預(yù)測估計(jì)值以及各粒子對(duì)應(yīng)的歸一化權(quán)值wk+1，l(i)，其次根據(jù)輔助參量的預(yù)測估計(jì)值得到ψk，l(i)的預(yù)測估計(jì)值最后利用重采樣算法得到用于下步迭代所需的各子狀態(tài)的粒子集合并給每一個(gè)粒子賦予相同的權(quán)值1/N，其中和表示k+1時(shí)刻子狀態(tài)的估計(jì)值；(5)根據(jù)子狀態(tài)的估計(jì)值和ψk+1，l(i)，合并得到對(duì)數(shù)極坐標(biāo)系下目標(biāo)狀態(tài)的估計(jì)值(6)通過坐標(biāo)反變換公式，把對(duì)數(shù)極坐標(biāo)系下的目標(biāo)狀態(tài)yk+1，l(i)變換到笛卡爾坐標(biāo)系下，用xk+1，l(i)表示；(7)利用均值和協(xié)方差計(jì)算公式得到目標(biāo)狀態(tài)xk+1，l和協(xié)方差Pk+1，l；(8)根據(jù)最優(yōu)信息融合方法，得到融合后的目標(biāo)狀態(tài)xk+1和協(xié)方差Pk+1；(9)輸出目標(biāo)跟蹤結(jié)果，若下一時(shí)刻觀測信息到達(dá)，轉(zhuǎn)到步驟(4)進(jìn)行迭代；否則，目標(biāo)跟蹤過程結(jié)束。F200910219096XC0000011.tif,F200910219096XC0000012.tif,F200910219096XC0000013.tif,F200910219096XC0000014.tif,F200910219096XC0000015.tif,F200910219096XC0000016.tif,F200910219096XC0000017.tif,F200910219096XC0000018.tif,F200910219096XC0000019.tif,F200910219096XC00000110.tif,F200910219096XC00000111.tif,F200910219096XC00000112.tif,F200910219096XC00000113.tif,F200910219096XC00000114.tif,F200910219096XC00000115.tif,F200910219096XC00000116.tif
2.根據(jù)權(quán)利要求1所述的目標(biāo)跟蹤方法，其中步驟(4)按如下過程進(jìn)行(1) 將子狀態(tài)W'j的各狀態(tài)分量代入到對(duì)數(shù)極坐標(biāo)系下的系統(tǒng)方程中，計(jì)算得到其預(yù)測(2) 根據(jù)各傳感器的觀測值Zk+u，利用下式計(jì)算各粒子對(duì)應(yīng)的權(quán)值其中，P(z^,, l必'人,)為觀測似然函數(shù)，歸一化后的權(quán)值為<formula>formula see original document page 3</formula>(3)將子狀態(tài)Vu(i)代入下式，計(jì)算得到其預(yù)測估計(jì)值<formula>formula see original document page 3</formula>其中，y(i)為k時(shí)刻第1個(gè)傳感器第i個(gè)粒子所表示輔助參量的值；(4)根據(jù)子狀態(tài)的預(yù)測估計(jì)值&i,, 、 V^'i，,和歸一化權(quán)值wk+1,,)，利用重采樣算法得到 用于下步迭代所需的各子狀態(tài)的粒子集合(^i,，v4'^,z、l,…,A^ ，并給每一個(gè)粒子賦予相 同的權(quán)值1/N。
3.根據(jù)權(quán)利要求1所述的目標(biāo)跟蹤方法，其中步驟(9)按如下過程進(jìn)行(1)根據(jù)目標(biāo)協(xié)方差矩陣Pk+u，通過下式計(jì)算目標(biāo)狀態(tài)第j個(gè)分量的融合協(xié)方差矩陣<formula>formula see original document page 3</formula>其中，Pk(j)表示第1個(gè)傳感器目標(biāo)狀態(tài)協(xié)方差矩陣的第J個(gè)對(duì)角元素，1= 1，(2)根據(jù)目標(biāo)狀態(tài)各分量融合后的協(xié)方差矩陣E J'， j = 1，…，n， n為狀態(tài)的維數(shù)，計(jì) 算融合系數(shù)Q，令& = diag(Cll，， cln)，其中，Clj表示向量Cj中的元素，<formula>formula see original document page 3</formula>其中，i-[i…i]L;(3) 根據(jù)目標(biāo)狀態(tài)Xk+u，通過Xw-^C,Xw,滯到融合后的目標(biāo)狀態(tài)Xw ;/=1(4) 根據(jù)融合后的目標(biāo)狀態(tài)X^，通過下式計(jì)算融合后的目標(biāo)協(xié)方差矩陣/-全文摘要
本發(fā)明公開了一種基于分層粒子濾波的被動(dòng)多傳感器目標(biāo)跟蹤方法。該方法通過重寫對(duì)數(shù)極坐標(biāo)系下的系統(tǒng)方程并添加表示過程噪聲強(qiáng)度與徑向距離比值的輔助參量，構(gòu)造包含方位角、方位角變化率、對(duì)數(shù)徑向距離變化率及輔助參量的子狀態(tài)和包含對(duì)數(shù)徑向距離的子狀態(tài)ψ，以實(shí)現(xiàn)分層濾波的結(jié)構(gòu)，其中第一層根據(jù)各傳感器的觀測信息，利用序貫重要性采樣方法更新第二層利用中的輔助參量，迭代更新ψ，合并得到目標(biāo)狀態(tài)的估計(jì)，最后根據(jù)最優(yōu)信息融合方法，給出目標(biāo)狀態(tài)的融合輸出結(jié)果。利用分層粒子濾波的方法，可實(shí)時(shí)估計(jì)出輔助參量的值，避免濾波過程中使用過程噪聲強(qiáng)度最大值引入的誤差，能夠有效解決過程噪聲強(qiáng)度未知和距離不可測情況下的目標(biāo)跟蹤問題。
文檔編號(hào)G01C21/20GK101701826SQ20091021909
公開日2010年5月5日 申請(qǐng)日期2009年11月20日 優(yōu)先權(quán)日2009年11月20日
發(fā)明者劉娟麗, 姬紅兵, 蔡紹曉, 郭輝 申請(qǐng)人:西安電子科技大學(xué)