当前位置:文档之家› 一种新的HPRF雷达机动目标跟踪方法信息融合

一种新的HPRF雷达机动目标跟踪方法信息融合

一种新的HPRF雷达机动目标跟踪方法信息融合
一种新的HPRF雷达机动目标跟踪方法信息融合

一种新的HPRF雷达机动目标跟踪方法

王娜1,2,金振中2,王国宏1,谭顺成1

(1. 海军航空工程学院信息融合技术研究所,山东烟台264001;

2. 92941部队93分队,辽宁葫芦岛125001)

摘要:高脉冲重复频率雷达(HPRF)机动目标跟踪面临着距离量测模糊和目标机动性不确定两个问题,因此,无法利用传统的机动目标跟踪方法实现。现有方法大多数将解距离模糊和机动目标跟踪看做两个独立的问题,但是由于量测误差的存在,解模糊算法性能会受到影响,从而进一步影响目标跟踪结果;最新提出的多假设跟踪方法虽然同时实现了解距离模糊和机动目标跟踪,但在脉冲间隔数发生变化时有可能出现跟踪错误。针对多假设跟踪方法存在的不足,把脉冲间隔数和脉冲间隔变化量作为目标状态,将距离模糊条件下的机动目标跟踪问题转换为混合滤波问题,提出一种新的结合IMM算法和Singer模型的HPRF雷达机动目标跟踪方法,同时实现解距离模糊和机动目标跟踪。在仿真研究中,与多假设跟踪算法的比较证明了所提出算法的优越性。

关键词:高脉冲重复频率;距离模糊;机动跟踪;混合滤波;交互式多模型;Singer模型

中图分类号:(TN95) 文献标识码:A

A New Maneuvering Target Tracking method for HPRF Radar

WANG Na 1,2,JIN Zhenzhong2,W ANG Guohong 1,TAN Shuncheng 1 (Institute of Information Fusion Technology, Naval Aeronautical and Astronautical University, Shandong, Yantai, 264001, China; 2. Unit 92941, 93 Element, Liaoning, Huludao, 125001, China) Abstract A maneuvering target tracking method for the high pulse-repetition frequency (HPRF) radars has to deal with two problems, such as range ambiguity and maneuvering uncertainty. Therefore, it can not be achieved by using traditional maneuvering tracking methods. Current methods mostly consider range ambiguity resolving and maneu-vering tracking as two independent problems. However, measurement errors will influence the performance of the range ambiguity resolving method and the tracking results will be influenced consequently. Although recently pro-posed multiple hypothesis method can realize range ambiguity resolving and maneuvering target tracking simulta-neously, the simulation results show that it may make a mistake on range ambiguity resolving sometimes when pulse interval number (PIN) changes. Thus, in this paper, PIN and its incremental variable are considered as discrete com-ponent of the target states and maneuvering tracking on the condition of ambiguous range is converted as a hybrid fil-tering problem. Then, a new maneuvering target tracking method for HPRF radar by combining Interacting Multiple Model (IMM ) algorithm and Singer model is proposed. Simulation results demonstrate that the proposed method can overcome the deficiency of the multiple hypothesis method.

Key words high pulse-repetition frequency; range ambiguity; maneuvering tracking; hybrid filter; IMM; Singer model

1 引言

机动目标跟踪是目前研究的热点,一系列

基金项目:国家自然科学基金(60972159, 61032001, 61002006);航空科学基金(20085184003);“泰山学者”建设工程专项经费资助项目。

作者简介:王娜(1982-),女,博士生,研究方向为雷达数据处理、信息融合。有效的机动目标跟踪算法相继提出[1-8]。但是高脉冲重复频率雷达(HPRF)机动目标跟踪由于面临着距离量测模糊的困难[9],需要同时解决距离量测模糊以及目标机动性不确定两个问题,无法直接利用传统的机动目标跟踪算法实现。

当HPRF雷达对机动目标跟踪时,现有方法大多数都是将解距离模糊和目标跟踪作为两个相互独立的问题分别解决,先利用某种解距离模糊

方法,通常有调制发射信号[10-16]和采用多重PRF 体制[17-23]两种,对获得的量测进行解距离模糊,然后在此基础上,对机动目标进行跟踪滤波。这种方式可能引起量测误差对解模糊算法性能的影响,从而进一步影响目标跟踪结果[24]。本文作者之一最新提出的多假设跟踪方法[25-26]通过将模糊量测对应的所有可能量测看做多个假设区间,对各假设区间的滤波估计值进行概率加权得到目标径向距离估计值,但是仿真研究表明,在脉冲间隔数发生变化时多假设方法会出现距离估计错误。

针对多假设跟踪方法存在的不足,把脉冲间隔数和脉冲间隔变化量作为目标待估计的离散状态,结合目标自身的连续状态(位置,速度和加速度),将距离模糊条件下的机动目标跟踪问题转换为混合滤波问题;并且提出一种结合交互式多模型(IMM )算法[4,27]和当前统计模型(Singe r )[4,5,8]的HPRF 雷达机动目标跟踪方法,同时实现解距离模糊和机动目标跟踪。仿真结果验证了算法的有效性。

3 混合滤波模型

本节给出混合滤波模型,为描述问题方便,只考虑一个机动目标的情况。 3.1 状态方程

设第k 时刻目标的状态向量为

'()[()()()()()()]T k x k x k x k y k y k y

k = X (1) 其中,((),())x k y k ,((),())x

k y k 和((),())x k y k 分别是目标的位置,速度和加速度,'表示向量或者矩阵的转置。

机动目标的状态方程可以描述为

(1)()()()()T T T T T k k k k k +=+X F X G V (2) 其中状态转移矩阵()T k F 和()T k G 分别为

1^2/200

001000001000()0001^2/200001000001T T T T k T T T ????????

=????????????F (3)

'

22

/21000()000/21T T T k T T ??=??????

G (4) 其中,T 是采样间隔,()T k V 是均值为0的高斯白

噪声并且满足

2'

(){()()}0

T T T k k j

E k j k j σ?=?=?≠??V V V (5)

'()[()()]P i i k l k l k =?X (6)

其中,()i l k 和()i l k ?分别表示脉冲间隔数和间隔变化量。它们在k 时刻的状态方程表示为

(1)()()()P P P P k k k k +=+X F X V (7) 其中,()P k V 是一个均值为0,方差为()P k Q 的随机噪声项。转移矩阵()P k F 为

11()01P k ??

=????

F (8) 令

()()()T Aug P k k k ??

=????X X X (9)

6226

()T Aug P k ????

=????F 0F 0F (10) ()()()()T T Aug P k k k k ??=????

G V V V (11)

混合系统的状态方程可以表示为

6226(1)()()()(1)()()T T T T T P P P P k k k k k k k ??+????????

=+????????+??????

??F O X X G V O F X X V (12)

其中,62?O 和26?O 分别表示62?和26?的零矩阵。式(12)也可等效为

(1)()()()Aug Aug Aug Aug k k k k +=+X F X V (13)

不失一般性,假设目标在一个采样间隔内不会跨过一个最大不模糊距离,则脉冲间隔数的状态方程可以表示如下

()1(1)()()1i iu i i iu

i iu l k R l k l k R l k R

+??

+=??-?当目标远离雷达且进入下一个当目标仍然在当前的当目标靠近雷达且退入前一个(14)

其中,iu R 是当前HPRF 所对应的最大不模糊距离。

因此,脉冲间隔变化量()(1)()i i i l k l k l k ?=+-可以表示为

1()0

1iu

i iu iu R l k R R

???=??-?当目标远离雷达且进入下一个当目标仍然在当前的当目标靠近雷达且退入前一个(15) 从(15)得到增量()i l k ?在某一时刻的取值为一组

给定的离散值{1,0,1}-中的一个随机量。

对目标状态与脉冲间隔数和它的变化量进行混合估计时,利用()i l k ?具有有限个离散值的特点,将目标的混合状态减小到七维。具体方法如

下。

'()[()()()()()()()]i k x k x k x k y k y k y

k l k = X (16)

则目标的混合状态方程可以等效为

(1)()()()()i k k k l k k +=+?+X F X B V (17) 其中

6116()()1T k k ????=????

F O F O (18)

()()()()T T k k k u k ??=????

G V V (19) []'

0000001=B (20)

其中,61?O 和16?O 分别表示61?和16?的零矩

阵,()u k 是一个均值为0,方差为()Q k 的噪声。(()Q k 的取值及推导见附录A )

由于()i l k ?有三个离散的取值,那么(17)对应的用于机动目标跟踪的动态方程有三种表达式,对应三种模式分别如下。

model1:(1)()()()()1model2:(1)()()()()0model3:(1)()()()()1

i i i k k k k l k k k k k l k k k k k l k +=++?=??

+=+?=??+=-+?=-?

X F X B V X F X V X F X B V (21) 3.2 量测方程

目标从第i 个HPRF 中得到的量测方程为

(1)((1))(1)i i k h k k +=+++Z X W (22) 其中

[]'

(1)(1)(1)

(1)i i i Di k r k k f k θ++++=Z (23)

(1)i r k +,(1)i k θ+和(1)Di f k +分别为径向距离,

方位角和多普勒频率的量测,(1)k +W 是均值为0,方差为(1)k +R 的高斯白噪声。

22

200(1)0000D r f k θσσσ????+=????????R (24)

其中,r σ,θσ和D f σ分别为径向距离,方位角

和多普勒的量测标准误差;而量测矩阵((1))i h k +X 为

iu ((1)1)1)((1))arctan()

(1)i i l k R k h k x k ???+-???+??+=+??

??

??????

X (25)

其中,iu R 是i F 的最大不模糊距离,λ是雷达波长。

这样,由状态方程(21)和量测方程(22)构成滤波系统。在得到滤波系统的基础上,利用如图2所示的混合系统示意图实现距离模糊条件下的机动目标跟踪。如图2所示,一方面利用IMM 算法对由脉冲间隔增量对应的不同模型之间的转换进行自适应跟踪,实现解距离模糊;另一方面,由于IMM 算法易于和其它算法相结合,将IMM 算法中的目标运动模型选择为CS 模型,从而实现机动目标跟踪。

图2 混合系统示意图

4 基于IMM-Singer 的机动目标跟踪解模糊算法

本节先利用Singer 模型建立机动目标运动模型,在此基础上,给出用于距离模糊条件下机动目标跟踪的IMM-Singer 算法。 4.1 状态模型

Singer 模型算法认为机动模型是相关模型,对目标加速度()a t 作为具有指数自相关的零均值随机过程建模

[]2()()()R E a t a t e

ατ

ττσ-=+= (26)

2σ、α是在区间[],t t τ+内决定目标机动特性

的待定参数,其中

()2

2

max

max 0143

a P P σ=+- (27)

式中max a 为最大机动加速度,max P 为其发生概率,0P 为非机动概率;而α是目标机动频率。 与目标机动的状态方程(2)对应的基于Singer

模型的离散时间状态方程为

(1)()()()()T ST T T ST k k k k k +=+X F X G V (28) 其中

3333

()S ST S k ????

=????F O F O F (29)

()()21101100t i t

S i t

T T e e e αααααα---??-+??

??=-????

??F (30) 离散时间过程噪声()ST k V 具有协方差

3333

()S ST S k ????

=????Q O Q O Q (31)

11121322122233132332S q q q q q q q q q ασ????

=??????

Q (32)

33?O 表示33?的零矩阵,S Q 中各参数的具体定

义见文献[4]。

将式(29)代入式(18),得到

6116

()()1ST SD k k ????

=????F O F O (33) 将()SD k F 代替()k F ,则(21)可以重新表示为基于Singer 模型的机动目标运动模型

M 1:(1)()()()()1

M2:(1)()()()()0M3:(1)()()()()1

SD SD SD k k k k l k k k k k l k k k k k l k +=++?=??

+=+?=??+=-+?=-?

X F X B V X F X V X F X B V (34)

4.2 IMM-Singer 算法实现

本节的IMM 算法选取(34)所示的3个运动

模型,给定三个模型的转移概率矩阵为

111213212223313233πππππππππ??

??=??

????∏ (35) 其中,mn π,,1,2,3m n =表示模型n 转移到模型m

的概率。算法的迭代过程如下所示。

步骤1 初始化

三个滤波器的初始状态估计?(0|0)m X

和初始协方差阵(0|0)m P ,1,2,3m =均相同。

??(0|0)(0|0)m =X X (36) 和

131112121414231222222424231222222424

13232333343414242422(0)(0)(0)/(0)(0)(0)/0(0)

(0)(0)/(0)(0)(0)/0(0)/(0)/2(0)/(0)/(0)/2(0)/0(0|0)(0)(0)(0)/(0)(0)(0)/0(0)(0)(m r r r T r r r T r r r T r r r T r T r T r T r T r T r T

P r r r T r r r T r r r =344444341424244444220)/(0)(0)(0)/0(0)/(0)/2(0)/(0)/(0)/2(0)/00

00000(0)T r r r T r T r T r T r T r T r T Q ??

??

??????????

????????

?? (37)其中,?(0|0)X

采用第4.3节的方法获得,初始协方差矩阵(37)的推导见附件B 。

以下步骤从1k =时刻开始。

步骤2 不同HPRF 之间的状态转移

对k 时刻目标量测进行判断,如果与1k -时刻量测来自同一个HPRF ,则直接跳到步骤3;否

则利用第4.4节的方法对1k -时刻得到的目标状态估计值进行转换,得到k 时刻获得量测的HPR-F 在1k -时刻的目标状态估计值。

步骤3 利用IMM-Singer 算法得到k 时刻目标的状态估计值。 ◆输入交互

设?(|)om k k X

和(|)om k k P 分别表示模型m 在k 时刻经过交互作用后的状态估计和状态协方差阵,则

3

1

??(|)(|)()om n mn n k k k k u k ==∑X

X (38) 3

1

??(|)(|)(|)(|)()

om m mn mn mn n k k k k k k k k u k =??'=+??∑ P P X X (39)

其中

()()mn m mn n u k C u k π= (40)

3

1

()m mn n n C u k π==∑ (41)

???(|)(|)(|)mn n om k k k k k k =-X

X X (42) 其中,?(|)n k k X

,(|)n k k P 和()n u k 分别为k 时刻第n 个模型(1,2,3)n =的状态估计、状态协方差阵和模型概率。 ◆预测

将输入交互后得到的?(|)oi k k X

、(|)oi k k P 作为k 时刻第i (1,2,3)i =个Singer 模型的输入,经过一步预测得

??(1|)()(|)i i oi k k k k k +=X

F X (43) (1|)()(|)()()i i oi i i k k k k k k k '+=+P F P F Q

(44)

其中()i k F ,()i k Q 分别对应于式(33)和式(31),表示第i 个Singer 模型的状态转移矩阵和过程噪声矩阵。同卡尔曼滤波递推公式相似,

得到1k +时刻模型i 的状态估计?(1|1)i k k ++X

和状态协方差阵(1|1)i k k ++P 。 ◆模型概率更新

假设1k +时刻模型m 的新息为(1)m k +v ,相应的新息协方差为(1)m k +S ,并假定服从高斯分布,模型m 的可能性为

11exp (1)(1)(1)2m m m m k k k -Λ=

??

'?-+++??

??v S v (45)

其中

?(1)(1)(1)(1|)(1)(1)(1|)(1)(1)

m m m m m m m k k k k k k k k k k k ?+=+-++?

?+=+++++??X X X v Z h X S h P h R

(46)

'

'?(1|)(1)(1,)??000000000?

00m m m k k iu k k R =+??+=?+??

-=X X X X

h h X 000???

??

???

??

??

??????

(47)其中,为了描写方便,?(1|)m k k +X 缩写为?m X 。模型m 的概率更新如下式所示 1

(1)N m m m n n n u k C C =+=ΛΛ∑ (48)

◆输出交互

设?(1|1)k k ++X

,(1|1)k k ++P 分别为1k +时刻的交互式输出,则

31??(1|1)(1|1)(1)m m m k k k k u k =++=+++∑X X

(49) 3

1(1|1)[(1|1)

??(1|1)(1|1)](1)m m me me m k k k k k k k k u k =++=++'++++++∑ P P X

X (50)

其中?(1|1)m k k ++X

和(1|1)m k k ++P 是模型m 的输出,?(1|1)me k k ++X

表示为 ???(1|1)(1|1)(1|1)me m k k k k k k ++=++-++X

X X (51) ◆结果修正 因为直接从滤波过程中得到的?()i l k 是连续值,而实际上它是个离散值,所以应该将其修正为离散整数。 ??()Int(())i i l k l k = (52) 其中,Int()?表示四舍五入取整运算。

步骤4 对k 进行判断。如果k K =,结束;如果k K <,1k k =+,返回步骤2。

4.3 目标状态初始化

假设雷达最大作用距离max R ,用来解距离模糊的一组HPRF 记为,1,2,...,i F i I =。i F 对应的最大不模糊距离用iu R 表示为:

iu /(2)i R c F =? (53) 其中,c 为光速。

k 时刻,i F 得到的目标模糊距离量测为()i r k ,那么所有可能的距离()i il r k ,()1,2,...i i l k L =可表示为

()(1)(),()1,2,...,i il i iu i i i r k l R r k l k L =-?+= (54) 其中,i L 表示ri F 获得的可能量测的最大模糊度,可表示为

max Ceil(/)i iu L R R = (55) 其中,Ceil()?表示取不小于变量的最小整数。

因此目标的所有可能量测为 ()()()

(),1,...,,1,...,i i il il i Di i i

k r k k f k i I l L θ??===??Z (56)

由于目标速度为

()()2

Di i f k v k λ

?=- (57) 通过坐标转换公式得到k 时刻直角坐标系下i F 的第i l 个可能量测为:

()()cos(())

()()cos(())()()sin(())()()sin(())()1,...,,1,...,i i

i i i i i il il i il i i C

il il i il i i il i i

x k r k k x k v k k k r k k y k v k k y k i I l L θθθθ????????????????==??????

????????????

== Z (58)

因此,初始状态可以利用前两个时刻的测量

值(1)i C il -Z 和(0)i

C il Z 来确定,即

'(0)(1)(0)(1)?(0)[(0)(0)

(0)(0)(0)]1,...,;1,...,i i i i i i i i i il il il il il il il il il i i i x

x y

y x x y y

l T

T

l L i I ----=?== X (59)

在不考虑量测噪声时,从多个HPRF 得到的正确距离应该相同;当考虑量测噪声时,对不同的HPRF 估计得到的任意两个可能初始状态向量

的前六维的欧式距离1:62

??((0)(0))i j

il jl -X X ,1,...,,1,...,,1,...,i i j j i j I l L l L ?∈==进行比较,取最小的欧式距离获得初始状态估计值。 1:6,1,...,

2

1,...1,1, (1)

????((0),(0))arg min (((0)(0)))i

j

i i j j mp nq il jl i j I l L l L ?∈=+=+=-X

X X X (60)

所以,对于第m 个HPRF 和第n 个HPRF 的初始状态值分别为

??(0)(0)m mp =X X ,??(0)(0)n nq =X X (61) 4.4 不同HPRF 之间的状态转换

在HPRF 雷达中,为了解距离模糊,利用多

个PRF 工作模式,在PRF 切换时,目标的位置,速度和加速度与PRF 的改变无关,但是脉冲间隔数随着PRF 的改变发生变化,所以当PRF 切换时,需要重新估计脉冲间隔数()l k 。

假设在航迹维持阶段,如果k 时刻脉冲重复频率从1k -时刻的i F 切换到j F ,则需要对目标在j F 下的状态估计进行初始化,即得到1k -时刻目标在j F 的状态估计。其中,脉冲间隔数由式(62)得到

(1))j ju l k R -= (62)

其中,(1)i x k -和(1)i y k -分别表示1k -时刻在j F 下得到的目标在x 轴和y 轴的位置估计,ju R 是j F 的最大不模糊距离,由式(1)计算得到。因此,对于j F 在1k -时刻的目标状态估计为:

'1:6??(-1)[((1))(-1)]j i j k k l k =-X

X (63) 其中,1:6?((1))i k -X 表示?(1)i k -X 的前六维状态。在实际的跟踪滤波过程中,可以通过(62)和

(63)进行不同HPRF 之间的状态转换。

5 实验结果

为了验证所提算法性能,设定两个典型目标机动环境对本文方法和文献[26]提出的多假设方法进行仿真比较。假定雷达的采样间隔1T s =,波长0.1m λ=,最大作用距离max =150km R ;雷达在距离,方位和多普勒上的测量误差标准差分别为:100m r σ=,1rad θσ=和1Hz D f σ=。模型的初始概率分别为1(0)1/3μ=,2(0)1/3μ=和3(0)1/3μ=。模型转移概率矩阵为

1/31/31/31/31/31/31/31/31/3??

??=??????∏ (64)

5.1 目标弱机动情况

雷达采用了二重PRF 解距离模糊,假设对应

脉冲重复周期PRI1和PRI2分别为38μs 和39μs 。在

第一个驻留时间内,PRI1和PRI2同时检测到目标,剩余驻留时间内只有PRI1检测到目标。过程噪声的标准差2()10m/s T k σ=V ;目标初始状态22(0)38km,0.426km s,0km s ,38km,0.4km s,0km s '??=??

T X ,运动过程历时90s ,发生机动时刻及加速度大小如表1所示

目标的真实运动轨迹如图3所示。由于目标

是弱机动运动,Singer 模型的参数取经验值如下:机动频率2160α=,最大加速度22,max 20/a m s =,最大加速度发生概率max 0.9P =,非机动概率3,00.1P

=。 在此情况下,得到的仿真结果分别如图4和图5所示。其中,图4表示本文方法得到的PIN 估计值;图5表示本文方法和文献[26]的多假设方法通过100次Monte-carlo 得到的位置最小均方误差(RMSE )。

X Position km

Y P o s i t i o n k m

图3 目标弱机动时真实运动轨迹

Time s

图4 本文方法对弱机动目标跟踪时 第一重频下估计的脉冲间隔数

图5 本文方法与文献[26]中多假设方法

对弱机动目标跟踪位置RMSE

从图4可以得到,在目标弱机动情况下,无论脉冲间隔数变化与否,本文方法均可以对脉冲间隔数进行正确估计;从图5所示的两种方法的位置RMSE 比较可以得到,本文方法在目标未发生机动的前30个时刻,位置RMSE 较小,从大约第30个时刻开始,位置RMSE 开始增大,但是增幅较小,在从大约第30个时刻到第60个时刻的时间段内,由于加速度不断变化,位置RMSE 随之波动,在第60个时刻以后,位置RMSE 开始减小,呈收敛趋势;而多假设方法得到的位置RMS E 在大约前15个时刻与本文方法基本相同,从第15个时刻开始,位置RMSE 开始显著增加并且快速发散。

5.2 目标强机动情况

雷达采用了二重PRF 解距离模糊,对应脉冲重复周期PRI1和PRI2分别为138μs 和39μs 。过程噪声的标准差2()10m/s T k σ=V ;目标初始状态

22(0)[10km,0.426km s,0km ,10km,0.4km s,0km s ]'=T X ,运动过程历时150s ,发生机动时刻及加速度大小如表2所示。目标的真实运动轨迹如图6所示,由于目标是强机动运动,Singer 模型的参数取经验值如下:机动频率3120α=,最大加速度2max 40/a m s =,最大加速度发生概率2,max 0.9P =,非机动概率2,00.1P =。

表2 目标强机动时加速度情况

在此情况下,得到的仿真结果分别如图7和图8所示。其中,图7表示本文方法得到的PIN 估计值;图8表示本文方法和文献[26]的多假设方法通过100次Monte-carlo 得到的位置RMSE 。

图6 目标强机动时真实运动轨迹

图7 本文方法对强机动目标跟踪时 第一重频下估计的脉冲间隔数

图8 本文方法与文献[26]中多假设方法

对强机动目标跟踪位置RMSE

从图7可以得到,在目标强机动情况下,无论脉冲间隔数变化与否,本文方法均可以对脉冲

间隔数进行正确估计;从图8所示的两种方法的位置RMSE 比较可以得到,本文方法在目标未发生机动的前20个时刻,位置RMSE 较小,在从第21个时刻到第100个时刻这一段加速度不断变化的时间段内,位置RMSE 有一定的波动并且较前20个时刻增大,但增幅较小,从第101个时刻起目标开始匀速运动,位置RMSE 开始减小,呈收敛趋势;而多假设方法得到的位置RMSE 在大约前10个时刻与本文方法基本相同,从第10个时刻开始,位置RMSE 开始显著增加并且快速发散。 5.3 结果分析

(1)无论是对强机动目标还是弱机动目标,即使是在脉冲间隔数变化时,本文方法都可以正确估计脉冲间隔数,即正确解距离模糊;

(2)在得到正确的脉冲间隔数估计值的基础上,本文方法可以较准确的估计目标状态,实现对机动目标的正确跟踪。

6 结论

本文针对HPRF 雷达跟踪机动目标时需要同时解决距离量测模糊和目标机动性不确定两个问题以及现有的多假设目标跟踪方法在脉冲间隔数发生变化时无法正确解距离模糊的不足,提出将脉冲间隔数及其变化量作为目标的离散状态,利用IMM-Singer 算法进行混合滤波实现距离模糊条件下的机动目标跟踪。仿真结果表明无论是对弱机动目标还是强机动目标,本文方法较多假设目标跟踪算法均可以在脉冲间隔数发生变化时对机动目标进行跟踪解距离模糊。

参 考 文 献

[1]

C. R. Savage, B. Morran. Waveform selection of maneuv ering targets within an IMM framework[J]. IEEE Trans. on AES, 2007, 43(3): 1205-1214 [2]

A. Sinha, T. Kirubarajan, Y. Bar-Shalom. Application of the Kalman-Levy filter for tracking maneuvering targets [J]. IEEE Tans. on AES, 2007, 43(3): 1099-1107 [3]

刘宗香, 谢维信, 黄敬雄.一种用于三维空间杂波环境机动目标跟踪的数据互联方法[J]. 电子与信息学报, 2009, 31(4): 848-852

[4]何友, 修建娟, 张晶炜, 等. 雷达数据处理及应用[M]. 第

二版, 北京: 电子工业出版社, 2009

[5]周宏仁, 敬忠良, 王培德. 机动目标跟踪[M]. 北京:国防

工业出版社, 1991.

[6]权太范. 目标跟踪:新理论与技术[M]. 北京:国防工业出

版社, 2009.

[7]王铁军, 张明廉. 一种二维耦合模型机动目标跟踪算法[J].

航空学报, 2006, 27(3): 481-485

[8]Abdolreza Dehghani Tafti, Nasser Sadati. A hybrid fuzzy

adaptive tracking algorithm for maneuvering targets[C]. 20

08 IEEE International Conference on Fuzzy Systems (FUZ

Z 2008), 1869-1873.

[9]W. S. George. Introduction to Airborne Radar[M]. Secon

d Edition, America: SciTech Publishing, Inc, 1998.

[10]Lei Li, Lixiang Ren, Peikun He, Baojun Zhao. Study on

Range Window in HPRF Stepped Frequency Radar Syst

em[C]. ICSP2008 Proceedings, IEEE 2008

[11]L. X. REN, E.K. Mao. Study on HPRF Pulse Doppler St

epped Frequency Radar System Radar[C], 2006 CIE '06.

International Conference on, 2006, pp: 1-4

[12]朱晓华, 陆锦辉, 许佰魁. 一种改进的相位编码解距离模

糊方法[J]. 南京理工大学学报, 2002, 26(6): 637-640 [13] C. Frush, R. J. Doviak , M. Sachidananda, D. S. Zrnic.

Application of the SZ phase code to mitigate range veloc

ity ambiguities in weather radars[J], Journal of Atmospher

ic and Oceanic Technology, 2002, 19: 413-430

[14]J. Akhtar. Cancellation of range ambiguities with block c

oding techniques[C]. Radar Conference, 2009 IEEE: 1-6

[15]Nadav Levanon. Mitigating Range Ambiguity in High PR

F Radar using Inter-Pulse Binary Coding[J]. IEEE Tans.

on AES,2009, 45(2): 687-697

[16]Hai Deng, Braham Himed, Michael C. Wicks. Concurrent

Extraction of Target Range and Doppler Information by U

sing Orthogonal Coding Waveforms [J]. IEEE Trans. on S ignal processing, 2007, 55(7): 3294-3301

[17] A. G. Thomas, M. C. Berg. Medadwium PRF Set Selecti

on: An Approach Through Combinatorics[J]. IEE Proc-Ra

dar, Sonar Navig., 1994, 141(6): 307-311

[18]周闰, 高梅国, 戴擎宇, 等. 余差查表法解单目标距离模糊

的分析和仿真[J]. 系统工程与电子技术, 2002, 24(5): 30-3

1, 102

[19]雷文, 龙腾, 曾涛, 等. 一种脉冲多普勒雷达解距离模糊的

新算法[J]. 北京理工大学学, 1999, 19(3): 357-360 [20]张琳, 穆贺强. 一部中重测量雷达PRF的设计[J]. 系统工程

与电子技术, 2008, 30(6): 1191-1194

[21]蒋凯, 李明. 一种PD雷达解距离模糊的新算法[J]. 火控雷

达技术, 2008, 37(2): 25-28

[22]王佳苗, 杨菊, 吴顺君. 一种脉冲多普勒雷达解距离模糊

的新算法[J]. 雷达与对抗, 2005, (3):38-41

[23]周红平, 沙雪松, 张光峰. 批次处理解决气象雷达距离模

糊[J]. 现代雷达, 2006, 28(11): 20-21, 32

[24]Zhou H, Wen B, Ma Z, et a1. Range/Doppler ambiguity

elimination in high-frequency chirp radars [J]. IEE Proc.

-Radar Sonar Navig. 2006, 153(6):467-472.

[25]刘兆磊, 张光义, 徐振来, 等. 机载火控雷达高重复频率线

性调频测距模式目标跟踪方法研究[J]. 兵工学报, 2007, 2

8(4): 431-435

[26]Z. L. Liu, Y. C. Guo, G. Y. Zhang et al. Multiple model

s track algorithm for radar with high pulse-repetition frequ ency in frequency-modulated ranging mode[J]. IET Radar

Sonar Navig., 2007, 1(1): 1-7.

[27]J. Soonho, K. T. Jitendra. Multisensor Tracking of a Man

euvering Target in Clutter using IMMPDA Filtering with

Simultaneous Measurement Update[J]. IEEE Trans. on AE

S., 2005, 41(3): 1122-1131

附录A: 第i个HPRF的离散变量脉冲间隔数()

i

l k 的方差

()

i

l k是离散随机变量,在任意时刻,以同样

的概率

1

1

i

L

+

从集合{1,2 (1)

i

L+中得到一个取值。

()

i

l k的期望值为

1

()1

1

1

()(())()

i

i

i

L

l i i

l k

i

k E l k l k

L

μ

+

=

+

==∑(A1)因此,它的方差()

Q k可以表示为

1

22

()1

1

1

(){[()()]}(()())

i

i i

i

L

i l i l

l k

i

Q k E l k k l k k

L

μμ

+

=

+

=-=-

(A2)附录B: IMM滤波器的初始协方差矩阵

假设k时刻,极坐标系下的量测值为

[]

()()()()

k r k k f k

θ

=

z(B1)由于目标速度为

()

()

2

f k

v k

λ

?

=-(B2)通过坐标转换公式得到k时刻直角坐标系下量测为:

()()cos(())

()()cos(())

()

()()sin(())

()()sin(())

C

x k r k k

x k v k k

k

y k r k k

y k v k k

θ

θ

θ

θ

?

????

????

?

????

==

????

?

????

?

????

z(B3)

由于极坐标系下的量测噪声协方差为

2

2

2

00

()00

00

D

r

f

σ

σ

σ

??

??

=??

??

??

??

R(B4)

因此,k时刻直角坐标系下的量测噪声协方差为

13

1112

14

2312

222413233334

341424

4422

22()x y x x x x y x y y

y x x y x xv xy xv xv v yv v v yx yv y yv xv v v yv v r r

r r r r r r k r r r r r r r r σσσσσσσσσσσσσσσσ??????????????

==?

???

????

????

?

???R (B5) 其中,各元素分别表示为22222222[()][(cos sin )]cos sin x r E dx E dr r d r θσθθθσθθσ==-=+ (B6)

22222222

[()][(sin cos )]sin cos y r E dy E dr r d r θ

σθθθσθθσ==+=+ (B7) ()

222

[][(cos sin )(sin cos )]sin cos xy r E dxdy E dr r d dr r d r θσθθθθθθσσθθ==-+=- (B8) 2222222222

[()][(cos sin )/4](cos sin )/4D

x D D f D E dx E df f d f θσλθθθλσθθσ==-=+ (B9)

2222222222[()][(sin cos )/4](sin cos )/4D

y D D f D E dy E df f d f θσλθθθλσθθσ==+=+ (B10)

()

22222

[][(cos sin )(sin cos )/4]sin cos /4D

xy D D D D f D E dxdy E df f d df f d f θσλθθθθθθλσσθθ==-+=- (B11)

22

[][(cos sin )(cos sin )/2]sin /2xx D D D E dxdx

E dr r d df f d rf θσλθθθθθθλθσ==---=- (B12) 2

[][(cos sin )(sin cos )/2]sin cos /2xy D D D E dxdy

E dr r d df f d rf θσλθθθθθθλθθσ==--+= (B13) 2[][(sin cos )(cos sin )/2]sin cos /2yx D D D E dydx E dr r d df f d rf θσλθθθθθθλθθσ==-+-= (B14) 22[][(sin cos )(sin cos )/2]cos /2yy D D D E dydy

E dr r d df f d rf θσλθθθθθθλθσ==-++=- (B15) 所以,由量测噪声协方差的各元素可得初始协方差阵为 13111212141423122222242423122222242413232333343414242422(0)(0)(0)/(0)(0)(0)/0(0)

(0)(0)/(0)(0)(0)/0(0)/(0)/2(0)/(0)/(0)/2(0)/0(0|0)(0)(0)(0)/(0)(0)(0)/0(0)(0)(0r r r T r r r T r r r T r r r T r T r T r T r T r T r T P r r r T r r r T r r r =34444434142424444422)/(0)(0)(0)/0(0)/(0)/2(0)/(0)/(0)/2(0)/0000000(0)T r r r T r T r T r T r T r T r T Q ????

??????????

??

??????

?? (B16) 其中,(0)Q 由(A2)获得。

基于卡尔曼滤波器的雷达目标跟踪(完整资料).doc

此文档下载后即可编辑 随机数字信号处理期末大作业(报告) 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院(系):创新实验学院 专业:信息与通信工程 学生姓名:李润顺 学号:21424011 任课教师:殷福亮 完成日期:2015年7月14日

大连理工大学Dalian University of Technology

摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能,因此在目标跟踪领域有广泛应用,同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状,然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上,将其应用于雷达目标跟踪,雷达在搜索到目标并记录目标的位置数据,对测量到的目标位置数据(称为点迹)进行处理,自动形成航迹,并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真,对实验的效果进行评估,分析预测误差。 关键词:卡尔曼滤波器;雷达目标跟踪;航迹预测;预测误差;MATLAB 仿真 - 1 -

1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测,评估船舶航行的安全态势和机动试操船的安全效果。因此,雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用,各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展,尤其是在跟踪算法的研究上,理论更是日趋成熟。在跟踪算法中,主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、β α-滤波和卡尔曼滤波,其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。

基于多模态数据融合的视觉目标跟踪算法研究

基于多模态数据融合的视觉目标跟踪算法研究计算机科学技术的高速发展带动了计算机视觉领域的革新,人类对机器学习和人工智能的需求日益增加,这使得视觉目标跟踪成为了当前研究的热门课题。在无人驾驶、安防、人机交互、导航和制导等民事和军事应用领域,视觉目标跟踪扮演着举足轻重的角色。 经过了几十年的发展,当前的目标跟踪算法依然面临着来自外部环境和目标自身的具有挑战性的干扰因素,如背景杂乱、遮挡、低照度、尺度变化、形变、运动模糊和快速运动等,它们严重制约着其发展。本文通过研究不同模态的数据之间的互补特性,结合不同跟踪方法的优缺点分析,提出了一种基于“检测跟踪模型”的多模态数据融合跟踪算法。 该算法采用红外和可见光图像中目标的全局/局部的多种特征,能够应对当前目标跟踪领域所面临的多种复杂干扰。首先,本文算法设计了两个跟踪模块:基于统计模型的跟踪模块(HIST模块)和基于相关滤波的跟踪模块(CFT模块)。 其中,HIST模块采用具有全局统计特性的RGB颜色直方图作为跟踪特征,结合贝叶斯准则设计了一种目标/背景区分算子用于区分目标和干扰物,是一种生成式和判别式的混合跟踪模块。该模块引入了积分图策略,以实现基于检测跟踪模型的改进,得到可与CFT模块的跟踪结果相融合的改进模块。 而CFT模块基于KCF跟踪原理,采用了多种特征(HOG、CN、图像强度)进行跟踪任务,是一种判别式跟踪模型,本文基于检测跟踪模型对该模块进行了改进,并设计了一种去噪融合规则来融合由多种特征得到的响应函数。其次,本文基于KL 距离提出了一种可靠性度量规则来度量上述两个跟踪模块的输出结果的可靠性。 根据度量结果,本文还设计了一种决策级的自适应融合策略来融合上述跟踪

雷达自动跟踪技术研究

31 自动跟踪 本章介绍了跟踪检测目标的技术。使用雷达硬件和雷达信号处理实现跟踪,从而形成一个闭环系统。单目标跟踪(STT)和边跟踪边扫描(TWS)模式(在第2章中介绍)被检验。在我们考虑跟踪测量和方法之前,我们需要定义一些术语。 估计,准确性和精确度通常用于描述跟踪的不同方面。估算应用于任何参数的值,该参数的值(1)仅在与腐蚀干扰相结合时才能测量,例如热噪声(图31-1);(2)不能直接测量,例如基于一系列距离测量的距离速率。 根据该定义,雷达系统测量或计算的每个参数,无论多么精确,都是估计值。 接下来,区分两个重要参数:准确度和精度。通常,两者都指数量的测量,其在跟踪中包括目标参数,例如真实范围,速度和方位。因此,测量值表示雷达系统对目标的真实参数的估计。 准确度表示测量值与真实值的接近程度,而精度表示在同一参数的多个测量值中存在多少可变性。它们共同构成了雷达系统对真实目标参数进行估算的基础。图31-2显示了一个示例,其中准确度和精度可以看作非常不同并且(有时)彼此独立。跟踪雷达的目标是具有高准确度和高精度。

跟踪中使用的另一个术语是判别式,其量化测量函数的校准。它通常由执行测量的硬件或软件输出与跟踪误差的真实值的关系图表示(图31-3)。曲线的线性部分的斜率是判别式并且确定测量的灵敏度。通常,斜率随着信噪比的增加而增加。 判别式的一个重要特征是它们通常是归一化的,因此无量纲。因此,不一定需要精确测量电压或功率电平。此外,除了信噪比的影响之外,跟踪误差的测量值不随信号强度而变化。它们与目标的大小,范围,机动和雷达截面(RCS)波动无关。如果需要,可以通过将判别式乘以预先计算的常数来给出判别式。在整个跟踪过程中使用判别式,其目的是改进目标测量参数的估计,例如距离,多普勒,仰角和方位角。 31.1 单目标跟踪 单目标跟踪可提供有关目标位置,速度和加速度的连续且准确的当

目标跟踪信息融合及仿真程序

目标跟踪信息融合及仿真程序 质心算法是最简单的定位算法,如图2-1所示,四个小圆为观测站,实线三角形是目标真实的位置,假设四个圆形观测站都探测到目标的存在,则根据质心定位算法,目标的位置(x,y )可以表示为:4 4 321x x x x x +++= , 4 4 321y y y y y +++= ,这里观测站得位置为),(i i y x ,同理,当观测站数目为N 时,这时候的质心定位算法可以表示为: ???? ? ? ??????=??????∑∑==N i i N i i y N x N y x 11 11 图1 质心定位 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 质心定位算法Matlab 程序 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% function main % 定位初始化 Length=100; % 场地空间,单位:米 Width=100; % 场地空间,单位:米 d=50; % 目标离观测站50米以内都能探测到,反之则不能 Node_number=6; % 观测站的个数 for i=1:Node_number % 观测站的位置初始化,这里位置是随机给定的 Node(i).x=Width*rand; Node(i).y=Length*rand; end % 目标的真实位置,这里也随机给定 Target.x=Width*rand; Target.y=Length*rand; % 观测站探测目标 X=[]; for i=1:Node_number

红外_雷达协同探测跟踪模型

第35卷,增刊红外与激光工程2006年10月V ol.35 Supplement Infrared and Laser Engineering Oct.2006 红外、雷达协同探测跟踪模型 贺有 (炮兵学院南京分院,江苏南京 211132) 摘要:雷达一直是战场进行目标跟踪识别的重要传感器,但是由于雷达在工作时要向空中辐射大功率电磁波,因而易遭受“电子对抗、反辐射导弹、隐身飞机和超低空突防”这“四大威胁”的攻击。和雷达不同,红外探测系统通过接收目标辐射源的电磁辐射进行探测和定位,因而不易被侦察或定位,具有强的抗干扰能力;此外,红外系统还可以获得目标的图像特征可进行目标识别。红外、雷达配合使用可成为相互独立又彼此补充的探测跟踪手段,本文中给出了红外探测系统与雷达协同探测的目标跟踪仿真模型。 关键词:雷达;目标跟踪;红外图像;仿真模型 中图分类号:TN219 文献标识码:A 文章编号:1007-2276(2006)增D-0306-06 Simulation model for combinatorial detecting and tracking process of IR and radar HE You (Nanjing Artillery Academy, Nanjing 211132, China) Abstract: IR sensors detecting in coordination with radar is a new trend in early-warning detecting systems. Radar and IR sensor are limited in respective aspects, however, the combination utilization of radar and IR sensor can make significant difference in the detecting capability. Moreover, a better precision and improved survivability could be derived for such a combination. The simulation model for the detecting and tracking process of such a combination is given. Key words: Radar; Target tracking; Infrared image; Simulation model 0引言 有源雷达一直是战场进行目标跟踪识别的重要传感器,但是由于雷达在工作时要向空中辐射大功率电磁波,因而易遭受“电子对抗、反辐射导弹、隐身飞机和超低空突防”这“四大威胁”的攻击。和雷达不同,红外探测通过接收目标辐射源的电磁辐射进行探测和定位,因而不易被侦察或定位,具有强的抗干扰能力;此外,红外系统还可以获得目标的图像特征可进行目标识别。红外已成为重要的被动探测手段。但是,红外也有其缺点,而红外、雷达配合使用可成为相互独立又彼此补充的探测跟踪手段。红外传感器的正确使用, 收稿日期:2006-08-14 作者简介:贺有(1965-),男,山西运城人,副教授,主要从事情报侦察指挥方面的研究。

雷达机动目标跟踪技术研究

1 绪论 1.1 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题,可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域,目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域,则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面,目标跟踪问题可以追溯到第二次世界大战的前夕,即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后,许多科学家和工程师一直努力于该项课题的研究,各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化,对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展,机动目标在空间飞行的速度、角度、加速度等参数不断变化,使得目标的位置具有很强的相关性,因此,提高对这类目标的跟踪性能便成为越来越重要的问题,迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究,已成为当今电子战的研究热点之一。今天,精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场,而且还广泛应用于各种空间探测、跟踪和识别领域,以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分,机动目标的精确跟踪在过去和现在都是一个难题,最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配,导致跟踪滤波器发散,跟踪性能严重下降。本文将机动目标作为研究对象,从目标的运动建模和匹配滤波算法入手,提出或修正跟踪算法,从而实现对机动目标的精确跟踪。 1.2 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标,其运动方式在不断地发生变化,从一种形式变化为另一种形式,目标的运动可能从匀速到变速,也可能送直线到转弯,它的运动方式并不会从一而终。通俗地说,就是“目标速度的大小和方向发生变化”。 一般情况下,机动目标跟踪方法概括来讲可以分为以下两类:具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波

信息融合技术

信息融合技术 1引言 融合(Fusion)的概念开始出现于70年代初期,当时称之为多源相关、多源合成、多传感器混合或数据融合(Data Fusion),现在多称之为信息融合(Information Fusion)或数据融合。 融合就是指采集并集成各种信息源、多媒体与多格式信息,从而生成完整、准确、及时与有效的综合信息过程。数据融合技术结合多传感器的数据与辅助数据库的相关信息以 获得比单个传感器更精确、更明确的推理结果。经过融合的多传感器信息具有以下特征:信息的冗余性、互补性、协同性、实时性以及低成本性。 多传感器信息融合与经典信号处理方法之间存在本质 的区别,其关键在于信息融合所处理的多传感器信息具有更 为复杂的形式,而且可以在不同的信息层次上出现。 2信息融合的结构模型 由于信息融合研究内容的广泛性与多样性,目前还没有 统一的关于融合过程的分类。 2、1按照信息表征层次的分类系统的信息融合相对于信息表征的层次相应分为三类:数据层融合、特征层融合与决策层融合。 数据层融合通常用于多源图像复合、图像分折与理解等方面,采用经典的检测与估计方法。特征层融合可划分为两大

类:一类就是目标状态信息融合,目标跟踪领域的大体方法都可以修改为多传感器目标跟踪方法;另一类就是目标特性融合,它实质上就是模式识别问题,具体的融合方法仍就是模式识别的相应技术。 决策层融合就是指不同类型的传感器观测同一个目标,每个传感器在本地完成处理,其中包括顶处理、特征抽取、识别或判决,以建立对所观察目标的初步结论。然后通过关联处理、决策层触合判决,最终获得联合推断结果。 2、2JDL模型(Joint Directors of Laboratories, JDL)与λ-JDL模型该模型将融合过程分为四个阶段:信源处理,第一层处理(即目标提取)、第二层处理(即态势提取)、第三层提取(即威胁提取)与第四层提取(即过程提取)。模型中的每一个模块都可以有层次地进一步分割,并且可以采用不同的方法来实现它们。 λ-JDL模型为JDL模型的简化,把0层包含进了1层, 4层融入其她各层中。 2、3按照数据流融合的位置进行分类多传感器融合系统中的一个关键问题就是在何处对数据流进行融合。按照融合位置的不同可以将融合结构分为以下三种类型:集中式融合、分布式多传感器融合与无中心融合结构。对于特定的信息融合应用不可能找到一种最优的融合结构,结构的选择必须综合考虑计算资源、可用的通信带宽、精度要求、传感器能力

基于卡尔曼滤波器的雷达目标跟踪

随机数字信号处理期末大作业(报告) 基于卡尔曼滤波器的雷达目标跟踪 Radar target tracking based on Kalman filter 学院(系):创新实验学院 专业:信息与通信工程 学生姓名:李润顺 学号:21424011 任课教师:殷福亮 完成日期:2015年7月14日 大连理工大学 Dalian University of Technology

摘要 雷达目标跟踪环节的性能直接决定雷达系统的安全效能。由于卡尔曼滤波器在状态估计与预测方面具有强大的性能,因此在目标跟踪领域有广泛应用,同时也是是现阶段雷达中最常用的跟踪算法。本文先介绍了雷达目标跟踪的应用背景以及研究现状,然后在介绍卡尔曼滤波算法和分析卡尔曼滤波器性能的基础上,将其应用于雷达目标跟踪,雷达在搜索到目标并记录目标的位置数据,对测量到的目标位置数据(称为点迹)进行处理,自动形成航迹,并对目标在下一时刻的位置进行预测。最后对在一个假设的情境给出基于卡尔曼滤波的雷达目标跟踪算法对单个目标航迹进行预测的MATLAB仿真,对实验的效果进行评估,分析预测误差。 关键词:卡尔曼滤波器;雷达目标跟踪;航迹预测;预测误差;MATLAB仿真

1 引言 1.1 研究背景及意义 雷达目标跟踪是整个雷达系统中一个非常关键的环节。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态所作的估计和预测,评估船舶航行的安全态势和机动试操船的安全效果。因此,雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能[1]。 鉴于目标跟踪在增进雷达效能中的重要作用,各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展,尤其是在跟踪算法的研究上,理论更是日趋成熟。在跟踪算法中,主要有线性自回归滤波、两点外推滤波、维纳 α-滤波和卡尔曼滤波,其中卡尔曼滤波算法在目标跟踪滤波、加权最小二乘滤波、β 理论中占据了主导地位。 雷达跟踪需要处理的信息种类多种多样。除了目标的位置信息外,一般还要对目标运动速度进行估计,个别领域中的雷达还要对目标运动姿态进行跟踪。雷达跟踪的收敛速度、滤波精度和跟踪稳定度等是评估雷达跟踪性能的重要参数。因此提高雷达跟踪的精度、收敛速度和稳定度也就一直是改善雷达跟踪性能的重点。随着科技的发展,各类目标的运动性能和材质特征有了大幅度的改善和改变,这就要求雷达跟踪能力要适应目标特性的这种变化。在不断提高雷达跟踪性能的前提下,降低雷达跟踪系统的成本也是现代雷达必须考虑的问题。特别是在民用领域中由于雷达造价不能过高,对目标跟踪进行快收敛性、高精度和高稳定性的改良在硬件上是受到一些制约的,因此雷达跟踪算法的研究就越来越引起学者们的关注。通过跟踪算法的改进来提高雷达的跟踪性能还有相当大的挖掘潜力。考虑到雷达设备的造价,民用雷达的跟踪系统首要的方法就是对于雷达的跟踪算法进行开发。

扩展卡尔曼滤波雷达目标在线跟踪轨迹算法

基于扩展卡尔曼滤波的雷达目标在线跟踪轨迹的算法摘要:目标跟踪是指根据传感器(如雷达等)所获得的对目标的测量信息,连续地对目标的运动状态进行估计,进而获取目标的运动态势及意图。目标跟踪理论在军、民用领域都有重要的应用价值。在军用领域,目标跟踪是情报搜集、战场监视、火力控制、态势估计和威胁评估的基础;在民用领域,目标跟踪被广泛应用于空中交通管制,目标导航以及机器人的道路规划等行业。本文利用差分方程模型计算目标点的速度与加速度,基于卡尔曼滤波算法建立扩展型卡尔曼滤波算法的目标跟踪模型。 0 引言 目前,对机动目标的跟踪滤波与预测算法主要有线性自回归滤波、两点外推滤波、维纳滤波、加权最小二乘滤波、与滤波、简化的卡尔曼滤波和卡尔曼滤波。线性自回归滤波完全忽视了状态噪声对估值的影响;两点外推滤波利用最后一个数据点和最后两个数据点分别确定目标位置与目标速度,因此,之前所测的数据点并不能起到预测作用;维纳滤波不适合机动目标的瞬间变化过程,从而在一定程度上限制了它的应用范围;与滤波是两种简单并且易于工程实现的常增益滤波方法,最大优点在于其增益矩阵可以离线计算,而且在每次滤波循环中可节约大约70%的计算量;卡尔曼滤波与预测执行的是均方根误差最小准则,并且通过协方差矩阵可以很方便的对估计精度进行度量,目前应用较多而且误差相对较小的目标跟踪算法是卡尔曼滤波算法。但基本的卡尔曼滤波算法在跟踪机动目标时存在不足:当系

统达到稳态时,其预测协方差很小,使得滤波器的增益也趋于极小值,此时若目标发生机动,系统残差增大,预测的协方差和滤波器的增益不能随残差随时改变,系统将不能保证对突变状态的跟踪能力。 1用扩展卡尔曼滤波算法预测机动目标轨迹 首先由目标初始准确的状态对下一状态进行预测,得到下一状态的预测值,同时由计算所得的对应于初始状态的协方差得到下一状态的协方差预测值;接着由雷达观测误差、状态向量及所得协方差预测值可以得到卡尔曼增益值,进而最终得到下一状态的最优估算值,同时更新对应的协方差。至此,第一轮目标轨迹预测已完成,同理,进行下一轮的目标轨迹预测。模型的具体方程如下:本时刻系统的状态向量由上一时刻系统的最优预测状态向量求得,初始状态需要知道目标的状态向量。这里通过差分方程数学模型计算出目标在三个坐标上速度变化情况: 其中、、表示所测数据第i时刻速度沿着方向三个的速度分量值。 然后使用卡尔曼滤波预测目标的运动轨迹,假定离散时间控制系统状态方程和观测方程为: 式中是k时刻的非线性实值状态向量,是k时刻的系统量测向量,表示系统状态噪声,表示系统测量噪声,A和B为状态向量,H为非线性函数。 由公式4和公式5构成的系统状态方程和测量方程均为线性方程,其过程噪声都为高斯白噪声,可用标准卡尔曼滤波算法进行滤波。

雷达机动目标跟踪技术研究精编

雷达机动目标跟踪技术 研究精编 Document number:WTT-LKK-GBB-08921-EIGG-22986

1 绪论 课题背景及目的 目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标量测数据对目标状态进行精确的估计[1]。它是军事和民用领域中一个基本问题,可靠而精确地跟踪目标是目标跟踪系统设计的主要目的。在国防领域,目标跟踪可用于反弹道导弹的防御、空防预警、战场区域监视、精确制导和低空突防等。在民用领域,则用于航空和地面交通管制、机器人的道路规划和障碍躲避、无人驾驶车的跟踪行驶、电子医学等。作为科学技术发展的一个方面,目标跟踪问题可以追溯到第二次世界大战的前夕,即1937年世界上出现第一部跟踪雷达站SCR-28的时候。之后,许多科学家和工程师一直努力于该项课题的研究,各种雷达、红外、声纳和激光等目标跟踪系统相继得到发展并且日趋完善。 运动目标的机动会使跟踪系统的性能恶化,对机动目标进行跟踪是人们多年来一直关注的问题。随着现代航空航天技术的飞速发展,机动目标在空间飞行的速度、角度、加速度等参数不断变化,使得目标的位置具有很强的相关性,因此,提高对这类目标的跟踪性能便成为越来越重要的问题,迫切需要研究更为优越的跟踪滤波方法。机动目标的跟踪研究,已成为当今电子战的研

究热点之一。今天,精密跟踪雷达不仅广泛应用于各类武器控制和各类实验靶场,而且还广泛应用于各种空间探测、跟踪和识别领域,以及最先进的武器控制系统。 跟踪模型和匹配滤波是机动目标跟踪的两个关键部分,机动目标的精确跟踪在过去和现在都是一个难题,最根本原因在于跟踪滤波采用的目标动力学模型和机动目标实际动力学模型不匹配,导致跟踪滤波器发散,跟踪性能严重下降。本文将机动目标作为研究对象,从目标的运动建模和匹配滤波算法入手,提出或修正跟踪算法,从而实现对机动目标的精确跟踪。 机动目标跟踪技术及其发展状况 目标机动是指运动当中的目标,其运动方式在不断地发生变化,从一种形式变化为另一种形式,目标的运动可能从匀速到变速,也可能送直线到转弯,它的运动方式并不会从一而终。通俗地说,就是“目标速度的大小和方向发生变化”。 一般情况下,机动目标跟踪方法概括来讲可以分为以下两类:具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。机动目标的跟踪需要综合运用统计决策、滤波算法以及其它的数学方法,将传感器所接受到的信号数据进行处理,得到目标的位置、速度、加速度等估计信息。图给出了机动目标跟踪的基本原理图。

智能雷达光电探测监视系统单点基本方案

word 完美格式
智能雷达光电探测监视系统单点基本方案
一、 系统概述
根据监控需求: 岸基对海 3~10 公里范围内主要大小批量目标; 主动雷达光电探测和识别; 多目标闯入和离去自动报警智能职守; 系统接入指挥中心进行远程监控管理; 目标海图显示管理; 系统能够自动发现可疑目标、跟踪锁定侵入目标、根据设定条件进行驱 散、同时自动生成事件报告记录,可以实现事故发生后的事件追溯,协助事故 调查。 1. 项目建设主要目的 ? 为监控区域安全提供综合性的早期预警信息; ? 通过综合化监测提高处置和应对紧急突发事件的指挥能力。 2. 基本需求分析: 需配置全自动、全量程具备远距离小目标智能雷达探测监视和光电识别 系统,系统具备多目标自动持续稳定跟踪、多种智能报警功能、支持雷达视 频实时存储、支持留查取证的雷达视频联动回放功能等;同时后期系统需具
精心整理 学习帮手

word 完美格式
备根据用户需求的功能完善二次开发能力。同时支持后续相关功能、扩点组 网应用需求。
根据需求和建设主要目的,选型国际同类技术先进水平,拥有相关技术 自主知识产权,具备二次技术深化开发的北京海兰信数据科技股份有限公司 (2001 年成立,2010 年国内创业板上市,股票代码:300065,致力于航海 智能化与海洋防务/信息化的国内唯一上市企业)的智能监视雷达光电系统。 该系统在国内外有众多海事相关成熟应用案例,熟悉国内海事、海监、海 警、渔政公务执法及救捞业务需求特点等。同时,该系统近期成功中标国内 近年来相关领域多套(20 套)雷达光电组网项目,充分说明该系统的技术领 先及成熟应用的市场广泛接受度。
3. 项目建成后的主要特点 ? 全天候、全覆盖、全自动的立体化监控。该系统具备对多传感器信息 融合的能力,确保对探测范围内雷达信息源、光电、AIS、GPS 等设备信号源 进行有机的融合和整合。 ? 系统具备了预警、报警、实时录取回放的综合功能。任何目标物进入 雷达视距时,系统即开始进行监测。目标物触碰警报规则后,指挥室获得报 警信号,同时联动设备综合光电锁定警报目标,以便驱离。整个过程系统实 时记录、方便随时调用回放。
精心整理 学习帮手

多目标跟踪雷达

多目标跟踪雷达 GE GROUP system office room 【GEIHUA16H-GEIHUA GEIHUA8Q8-

多目标跟踪雷达 路口存在检测方案 采用多维式扫描雷达天线和先进DSP跟踪算法,对路口单方面向最少四车道、最多八车道的车辆进行精准的存在检测或感应检测,同时还能提供精准的单车及时测度、车辆位置信息以及停止线的车流量、平均速度和占有率等交通刘统计数据。路段多功能检测,能对横向四车道八车道、纵向160米范围的大视域内车辆进行实时检测。跟踪区域内所有车辆的行为轨迹、真实量化还原路况状态,提供精准的单车即时时速度、车辆位置、车型信息,同时提供精准的断面的车流量平均车速和占有率等交通流统计数据,以及对区域内多种异常事件及时报警,为交通诱导系统和交通事件检测系统提供数据支撑,

随着城市车辆快速增长,路口的管理压力越来越大,配套的信号控制系统、交通诱导、交通仿真系统等对数据的要求也越来越高。而路口车辆存在信息是实现高效、稳定信号控制的基本要求,也是现阶段国内外主流交通信号控制系统应用最为成熟的数据模型之一。因此,交叉路口的车辆存在信息就显的尤为重要。 城市路口车辆存在检测系统通过建立覆盖路口特定位置的采集点位,配备前端感知检测,实时吧存在信息传送之信号机控制及系统,对路口信号配时,优化提供支撑。同时,公安交通管理部门可以根据车流量历史统计数据、分析路口车辆运行规律,针对性制定控制管理策略。 需求说明: 城市路口存在检测系统,主要完成路口停车线、或特定断面的车辆存在信息采集,可以及时掌握路口特定位置车流量状态,为信号机控制、交通诱导等系统提供数据支撑。 1、在城市重要路口设立和完善的存在检测点、检测各方的车流量信息。 2、建立城市的数据传输、应用接口模块。实现无缝对接信号机控制系统。 3、用户可以通过实时数据库、以及客户端管理进行查看每个路口车辆存在信息、车流量、占有率等,可以连续24时实时检测。 4、具备数据存储功能。可以作为路口管理的数据支撑。 系统说明:

雷达机动目标跟踪源程序

附录 附录A 机动目标跟踪与实现源程序 T=2;alpha=0.8; % 加权衰减因子 window=round(1/(1-alpha)); % 检测机动的有效窗口长度 dt=100; % dt=dt_x=dt_y=100 Th=25; % 机动检测门限 Ta=9.49; % 退出机动的检测门限 N=800/T; %采样次数 M=50; %模拟次数 %真实轨迹数据 t=2:2:400; xo0=2000+0*t; yo0=10000-15*t; t=402:2:600; xo1=2000+0.075*((t-400).^2)/2; yo1=10000-15*400-(15*(t-400)-0.075*((t-400).^2)/2); t=602:2:610 ; xo2=xo1(100)+15*(t-600); yo2=yo1(100)+0*t; t=612:2:660; xo3=xo2(5)+(15*(t-610)-0.3*((t-610).^2)/2); yo3=yo2(5)-0.3*((t-610).^2)/2; t=662:2:800; xo4=xo3(25)+0*t; yo4=yo3(25)-15*(t-660);

x=[xo0,xo1,xo2,xo3,xo4]; y=[yo0,yo1,yo2,yo3,yo4]; e_x1=zeros(1,N); e_x2=zeros(1,N); e_y1=zeros(1,N); e_y2=zeros(1,N); px=zeros(1,N); qy=zeros(1,N); u=zeros(1,N); u_a=zeros(1,N); for j=1:M no1=100*randn(1,N); % 随机白噪 no2=100*randn(1,N); for i=1:N; zx(i)=x(i)+no1(i); % 观测数据 zy(i)=y(i)+no2(i); z(:,i)=[zx(i);zy(i)]; end X_estimate(2,:)=[zx(2),(zx(2)-zx(1))/T,zy(2),(zy(2)-zy(1))/T]; X_est=X_estimate(2,:); P_estimate=[dt^2,dt^2/T,0,0;dt^2/T,(dt^2)*2/(T^2),0,0;0,0,dt^2,dt^2/T;0,0,dt^2/T,(dt^2)*2/(T ^2)]; x1(1)=zx(1); y1(1)=zy(1); x1(2)=X_estimate(2,1); y1(2)=X_estimate(2,3); u(1)=0; u(2)=0; u1=u(2); pp=0;% 0表示非机动,1表示机动 qq=0; rr=1;k=3; while k<=N

智能雷达光电探测监视系统单点基本方案

智能雷达光电探测监视系统单点基本方案 一、系统概述 根据监控需求: 岸基对海3~10公里围主要大小批量目标; 主动雷达光电探测和识别; 多目标闯入和离去自动报警智能职守; 系统接入指挥中心进行远程监控管理; 目标海图显示管理; 系统能够自动发现可疑目标、跟踪锁定侵入目标、根据设定条件进行驱散、同时自动生成事件报告记录,可以实现事故发生后的事件追溯,协助事故调查。 1. 项目建设主要目的 ?为监控区域安全提供综合性的早期预警信息; ?通过综合化监测提高处置和应对紧急突发事件的指挥能力。 2. 基本需求分析: 需配置全自动、全量程具备远距离小目标智能雷达探测监视和光电识别系统,系统具备多目标自动持续稳定跟踪、多种智能报警功能、支持雷达视频实时存储、支持留查取证的雷达视频联动回放功能等;同时后期系统需具备根据用户需求的功能完善二次开发能力。同时支持后续相关功能、扩点组网应用需求。 根据需求和建设主要目的,选型国际同类技术先进水平,拥有相关技术自主知识产权,具备二次技术深化开发的海兰信数据科技股份(2001年成立,2010年国创业板上市,股票代码:300065,致力于航海智能化与海洋防务/信息化的国唯一上市企业)的智能监视雷达光电系统。该系统在国外有众多海事相关成熟应用案例,熟悉国海事、海监、海警、渔政公务执法及救捞业务需

求特点等。同时,该系统近期成功中标国近年来相关领域多套(20套)雷达光电组网项目,充分说明该系统的技术领先及成熟应用的市场广泛接受度。 3. 项目建成后的主要特点 ?全天候、全覆盖、全自动的立体化监控。该系统具备对多传感器信息融合的能力,确保对探测围雷达信息源、光电、AIS、GPS等设备信号源进行有机的融合和整合。 ?系统具备了预警、报警、实时录取回放的综合功能。任何目标物进入雷达视距时,系统即开始进行监测。目标物触碰警报规则后,指挥室获得报警信号,同时联动设备综合光电锁定警报目标,以便驱离。整个过程系统实时记录、方便随时调用回放。 ?系统技术水平国领先。该系统中创新地采用了国际先进的“先跟踪后探测”算法技术对目标进行探测和跟踪,保证了在严苛条件下满足对目标地探测与持续跟踪能力。 ?该系统采用先进的设计思想,开放灵活的系统网络架构,能够根据需求进行不同的组合和配置,系统可扩展性强。 ?维护便捷,由于采用网络架构,获得用户授权后能连接到用户网络,可以远程支援维修维护系统,从而提高维护效率,减少维护成本。 ?可靠性高,充分适应不同的海洋环境。 二、系统设备清单

相关主题
相关文档 最新文档