基于殘差反饋的多模型高速高機動目標跟蹤方法
【專利摘要】本發(fā)明公開一種基于殘差反饋的多模型高速高機動目標跟蹤方法，主要解決現(xiàn)有技術計算量大的問題。其步驟是：1)初始化雷達觀測值，得到初始狀態(tài)向量和初始協(xié)方差矩陣；2)選擇若干運動模型，確定運動模型的狀態(tài)轉移矩陣；3)由運動模型的個數(shù)假定初始權值；4)利用狀態(tài)向量和狀態(tài)轉移矩陣作一步預測；5)利用初始權值對一步預測值加權求和，得到狀態(tài)估計向量和估計協(xié)方差矩陣；6)根據(jù)觀測值和狀態(tài)估計向量得到預測誤差；7)由預測誤差和估計協(xié)方差矩陣計算增益矩陣；8)利用增益矩陣和狀態(tài)估計向量更新狀態(tài)向量和狀態(tài)協(xié)方差矩陣；9)利用預測誤差和狀態(tài)估計向量更新權值。本發(fā)明跟蹤性能穩(wěn)定、計算量小，可用于對臨近空間目標的跟蹤。
【專利說明】基于殘差反饋的多模型高速高機動目標跟蹤方法
【技術領域】
[0001]本發(fā)明屬于雷達【技術領域】，具體涉及一種對強機動目標的跟蹤方法，可用于對臨近空間目標的跟蹤。
【背景技術】
[0002]由于目標跟蹤在國防和民用各領域的重要價值，一直以來很多學者致力于研究目標跟蹤算法。隨著現(xiàn)代航空的迅速發(fā)展，各種飛行器的機動性和運動速度越來越高，但是可靠而精確的跟蹤目標始終是目標跟蹤系統(tǒng)設計的主要目的與難點。目標跟蹤實際上就是對目標狀態(tài)的跟蹤濾波問題，而實現(xiàn)目標跟蹤首先要使所建立的目標運動模型與實際的目標運動模型匹配，建立目標的運動模型和自適應濾波是機動目標的兩個關鍵部分。
[0003]在當前目標機動能力日益增強的情況下，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由于目標機動而造成模型的不準確，提高機動目標跟蹤性能，從而實現(xiàn)對強機動目標的精確跟蹤。經(jīng)過國內外學者幾十年來的不斷研究，提出了很多目標模型與算法。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轉移概率，且算法中有多個模型并行工作，多個濾波器交互作用得到目標狀態(tài)估計的結果，由于該模型有較好的自適應能力，因而比較理想。但是IMM算法中由于其模型轉移概率是人為設置的，因此引入了人為誤差，影響了跟蹤性能。除此之外，因為IMM算法需要對每一個模型都進行濾波，計算量過大，對目標跟蹤會有延遲。

【發(fā)明內容】

[0004]本發(fā)明的目的在于針對上述已有技術的不足，提出一種基于殘差反饋的多模型高速高機動目標跟蹤方法，以降低計算復雜度，提高雷達在目標強機動下的跟蹤精度。 [0005]實現(xiàn)本發(fā)明的技術思路是:利用LMS算法，通過信號的預測殘差調整濾波器的權值，從而使估計信號逼近期望信號，以提高跟蹤性能，其實現(xiàn)步驟包括如下:
[0006](I)雷達對接受到的機動目標的位置檢測值進行N次采樣，得到一個長度為N的觀測值序列{Z(k)}，k=l，2，…，N;
[0007](2)從觀測值序列{Z(k)}中取出前三個采樣點的觀測值Z(1)，Z(2)，Z(3)，并利用差分法初始化機動目標的運動狀態(tài)，得到機動目標在第3個采樣點的狀態(tài)向量和初始協(xié)方差矩陣P⑶；
[0008](3)根據(jù)機動目標的運動特性選擇M個目標運動模型，得到M個目標運動模型的狀態(tài)轉移矩陣Fi, i=l，2，…M，M≥2;
[0009](4)根據(jù)選擇的目標運動模型個數(shù)M，確定目標運動模型在第3采樣點的權值:
[0010]ff(3) = [l/M I/M...1/M]1xm，
[0011]其中，[.]1XM表示該矩陣為I行M列的矩陣；
[0012](5)利用步驟(2)中得到第k采樣點的狀態(tài)向量,(分)和步驟⑶中得到的目標運動模型的狀態(tài)轉移矩陣Fi進行一步預測，得到對應模型的一步預測值±
【權利要求】
1.一種基于最小均方誤差的強機動目標跟蹤方法，包括如下步驟: (1)雷達對接受到的機動目標的位置檢測值進行N次采樣，得到一個長度為N的觀測值序列{Z(k)}, k = 1,2,..., N ； (2)從觀測值序列{Z(k)}中取出前三個采樣點的觀測值Z(1)，Z(2)，Z(3)，并利用差分法初始化機動目標的運動狀態(tài)，得到機動目標在第3個采樣點的狀態(tài)向量;^3)和初始協(xié)方差矩陣P⑶； (3)根據(jù)機動目標的運動特性選擇M個目標運動模型，得到M個目標運動模型的狀態(tài)轉移矩陣 Fi, i=l,2, -M, 2 ； (4)根據(jù)選擇的目標運動模型個數(shù)M，確定目標運動模型在第3采樣點的權值:
W(3) = [l/M I/M …1/M]1xm， 其中，[.]1XM表示該矩陣為I行M列的矩陣； (5)利用步驟2中得到第k采樣點的狀態(tài)向量和步驟(3)中得到的目標運動模型的狀態(tài)轉移矩陣Fi進行一步預測，得到對應模型的一步預測值±,0+1/幻 I1 (左+1/眾)=巧雄) 其中,0 + 1/4表示第i個目標運動模型在第k采樣點預測的機動目標在第k+Ι采樣點的狀態(tài)向量； (6)利用步驟(4)中得到的權值對步驟(5)中得到的各個目標運動模型的一步預測值X, (A-+1/々)和協(xié)方差矩陣P (k)進行加權求和，得到基于LMS算法的狀態(tài)估計向量iOfc + /k)和估計協(xié)方差矩陣P (k+1`/k): f (是+ = ⑷ ±# + 1/灸)

i=l I\k + 1M) = Σ+ G ⑷) 其中，WiGO表示在第k采樣點權值w(k)的第i個元素；[.]7表示矩陣的轉置；P(k)表示機動目標在第k采樣點的協(xié)方差矩陣弗(k)表示第i個目標運動模型在第k采樣點的過程噪聲協(xié)方差； (7)根據(jù)步驟(1)中得到的雷達對機動目標位置的觀測值Z(k+1)和步驟(6)中得到的基于LMS算法的狀態(tài)估計向量;+ 1/0，通過下式求解機動目標在第k+Ι采樣點的預測誤差習> + 1):
Z(/c + I) = 7人k + 1) — Z(/c + \jk) 其中，Z{k十/k)= HX{k + l//v),其表示第k采樣點預測機動目標在第k+Ι采樣點的觀測值；Z(k+l)表示雷達在第k+Ι采樣點對機動目標位置的觀測值出表示機動目標的量測矩陣。 (8)由步驟7)中得到的預測誤差?(々+ 1?和步驟(6)中得到的估計協(xié)方差矩陣P(k+1/k)確定預測誤差的協(xié)方差矩陣S (k+1)，繼而得到增益矩陣G (k+1):
S (k+1) = HP(k+l/k)HT+R(k+l)G (k+1) = P (k+l/k) HV1 (k+1)，其中，S(k+1)是預測誤差在第k個采樣點的協(xié)方差矩陣；R(k+1)是觀測噪聲在第k+1 采樣點的協(xié)方差矩陣；G(k+i)表示第k+i采樣點的濾波增益矩陣；[? r1表示矩陣的逆；(9)利用步驟（8中得到的增益矩陣G(k+1)和步驟（6)中得到的狀態(tài)估計向量 + 完成對狀態(tài)向量和協(xié)方差矩陣P(k)的更新，SP ：X(k -i- l) = X(k + Ilk) + (；(k + \)Z(k 十 1)P (k+1) = P (k+l/k) -G (k+1) S (k+1) GT (k+1)其中，;^(/fc + 1)表示機動目標更新后在第k+1采樣點的狀態(tài)向量；P(k+l)表示機動目標 在第k+1采樣點的協(xié)方差矩陣；[? ]T表示矩陣的轉置；(10)通過步驟（7)中得到的預測誤差方>+ 1)和步驟（5)中得到的目標運動模型的一步預測值尤# + 1/0對權值W(k)進行更新，得到更新后的權值：W{k + l) = W{k) + 2jnZT(k + l)H\xi{k + \lk) X2 (k + l/k) --? XM (k + l/k)其中，W(k+1)表示第k+1采樣點目標運動模型的權值，u表示步長因子，M為采用的目 標運動模型的個數(shù)；(11)判斷跟蹤是否完成，即判斷k是否滿足k( N-1，若條件滿足，則k遞增，并繼續(xù)執(zhí) 行步驟（5);若條件不滿足，則跟蹤過程結束。
【文檔編號】G01S13/66GK103487800SQ201310404989
【公開日】2014年1月1日 申請日期:2013年9月8日 優(yōu)先權日:2013年9月8日
【發(fā)明者】曹運合, 馬珊珊, 靳松陽, 彭志剛, 王勝華, 周生華 申請人:西安電子科技大學