信噪比未知条件下的AI-PHD滤波器多目标跟踪方法技术

本发明专利技术公开了一种信噪比未知条件下的AI‑PHD滤波器多目标跟踪方法，属于雷达数据处理领域。基于PHD滤波的多目标跟踪方法存在没有充分利用目标量测信息，不能对目标RCS进行估计，以及难以适应密集杂波环境等问题。本发明专利技术提出的信噪比未知条件下的AI‑PHD滤波器立足于解决此类问题。本发明专利技术通过在PHD滤波的基础上结合目标的幅度信息，利用粒子滤波易于扩展的特点，在目标状态向量中引入和目标RSC有关的信噪比变量，在目标个数和目标状态估计的同时对目标RCS进行估计，其计算量随量测个数的增加线性增长，尤其适应于密集杂波环境下的多目标跟踪，克服了一般的PHD滤波器的局限性，因此具有较强的工程应用价值和推广前景。

The signal-to-noise ratio of AI PHD filter under the condition of unknown

The invention discloses a signal-to-noise ratio of AI PHD filter under the condition of unknown, which belongs to the field of radar data processing. Multi target tracking method based on PHD filtering does not take full advantage of target measurement information, can not estimate the target RCS, and is difficult to adapt to the dense clutter environment. The signal-to-noise ratio AI PHD filter under the condition of unknown based on solving such problems. The present invention by combining the amplitude information of target based on PHD filter, easy expansion of the use of particle filter, the introduction and objectives of RSC noise in the target state vector than in variable target number and target state estimation of target RCS estimates, the amount of calculation increases with the number of measurements the linear growth, especially suitable for dense wave environment Zaduo target tracking, to overcome the limitations of general PHD filter, so it has strong application value and promotion prospects.

【技术实现步骤摘要】
信噪比未知条件下的AI-PHD滤波器
本专利技术涉及一种雷达数据处理方法，特别是涉及一种多目标跟踪滤波方法，适应于回波起伏模型下雷达对多目标的跟踪。
技术介绍
多目标跟踪是当前雷达目标跟踪领域的难点问题之一。在密集杂波的情况下，一方面，由于目标的出现和消失具有随机性，目标的个数往往是时变且未知的；另一方面，受杂波和噪声的干扰，数据关联和检测具有不确定性，量测的个数也具有随机性。在这种情况下利用雷达对多目标进行跟踪，需要从个数时变的量测中估计出目标个数不确定的各目标状态，因此密集杂波环境下的多目标跟踪尤为困难。如何充分利用各种量测信息，实现密集杂波环境下雷达对多目标的有效跟踪，对提高雷达的探测跟踪性能具有重要意义。目前的多目标跟踪算法主要有联合概率数据互联(JPDA)滤波、多假设跟踪(MHT)滤波以及概率假设密度(PHD)滤波等，其中基于PHD的多目标跟踪方法由于算法复杂度低，计算量随量测个数线性增长，能够同时对目标个数和目标状态进行估计等优点，在多目标跟踪领域受到广泛关注。该方法主要通过以下步骤实现：(1)滤波器初始化；(2)粒子集预测；(3)粒子集更新；(4)目标个数和目标状态估计。基于PHD滤波的多目标跟踪具有两个缺陷：(1)没有利用目标的幅值信息，造成有用量测信息的丢失，难以适应密集杂波环境；(2)不能对目标的RCS进行估计。
技术实现思路
本专利技术的目的是提出一种信噪比未知条件下的AI-PHD滤波器，解决一般的PHD滤波没有充分利用目标量测信息，不能对目标RCS进行估计，以及难以适应密集杂波环境等问题。本专利技术提出的信噪比未知条件下的AI-PHD滤波器的技术方案包括以下步骤：步骤1：变量初始化(1)K为总仿真时间，T为雷达采样间隔；(2)γ0为目标出现初始数，L0为代表一个目标所需要的粒子数，J0为搜索新目标时赋予每一个量测的粒子数；(3)SNRmin为目标可能的最小信噪比，SNRmax为目标可能的最大信噪比，为虚警概率，τ为虚警概率对应的检测门限；(4)γ0(x)为目标出现初始分布，κk(z)为杂波分布；(5)为扩展过程噪声协方差，为扩展量测噪声协方差；(6)C0为群聚类的约束值；步骤2：令k＝0，进行滤波器的初始化，得到初始粒子集具体为对任意i∈{1,2,…,L0}(1)根据目标出现初始分布γ0(x)生成粒子其中包含目标的位置信息和速度信息符号T表示转置；(2)在区间[SNRmin,SNRmax]上按照均匀分布随机生成目标信噪比并根据计算得到目标的信噪比信息(3)令对进行扩维，得到新粒子并赋予该粒子权重步骤3：令k＝k+1，获得k时刻的雷达量测将雷达接收到的信号进行A/D变换，获得当前时刻的扩展量测集送数据处理系统，其中为k时刻雷达获得的第j个扩展量测，包含目标的距离信息和方位信息为目标的幅度信息，Nk为k时刻的量测个数；步骤4：生成预测粒子集对任意i∈{1,2,…,Lk-1}，根据状态转移方程对粒子进行预测，得到预测的粒子并赋予该粒子权重得到预测粒子集其中为零均值的高斯白噪声，其协方差为步骤5：生成搜索新目标粒子集(1)对任意j∈{1,2,…,Nk}，根据量测和量测误差协方差Rk采样粒子然后在区间[SNRmin,SNRmax]上按照均匀分布随机生成目标信噪比并计算得到目标信噪比信息最后令并赋予该粒子权重其中i＝1,2,…,J0，得到量测的搜索粒子集(2)将当前时刻所有量测对应的搜索粒子集合并成一个搜索新目标粒子集其中Jk＝J0×Nk为搜索新目标的粒子总数；步骤6：粒子集权重更新(1)将预测粒子集和搜索新目标粒子集合并得到新的粒子集(2)对任意i∈{1,2,…,Lk-1+Jk}和任意j∈{1,2,…,Nk}，计算粒子和量测之间的统计距离其中为预测量测，(xs,ys)为雷达的坐标，若令粒子和量测之间的似然度否则其中(3)对任意j∈{1,2,…,Nk}，计算量测和粒子集的似然度(4)对任意i∈{1,2,…,Lk-1+Jk}，计算粒子权重其中以及步骤7：目标个数估计和粒子集重采样(1)计算所有粒子的权重和并取与最接近的整数得到目标个数估计(2)计算当前时刻所需的粒子总数(3)在区间[0,1]按照均匀分布生成Lk个随机数(4)对粒子集的权重进行归一化处理，得到归一化的粒子权重(5)计算粒子权重积累和(6)对任意j∈{1,2,…,Lk}，若存在i∈{1,2,...,Lk-1+Jk}，使得则令粒子并赋予该粒子权重得到新的粒子集步骤8：粒子集分群(1)对任意令粒子群个数和得到个群中心(2)对任意i∈{1,2,...,Lk}，计算粒子和群中心的距离然后令将粒子分入第j个群；(3)对任意令得到个新的群中心然后计算新、旧群中心的距离和令若Dk大于约束值C0转(2)，否则转步骤9；步骤9：多目标状态和信噪比估计对任意取群中心的第1维到第4维得到第j个目标的状态估计取群中心的第5维得到第j个目标的信噪比估计并根据RCS的信噪比的关系式推算目标的RCSk,j；步骤10：重复步骤3～步骤9，直至雷达关机。和
技术介绍
相比，本专利技术提出的信噪比未知条件下的AI-PHD滤波器的有益效果说明：(1)解决了一般的PHD滤波器没有充分利用量测信息的问题，尤其适应于密集杂波环境下和目标回波起伏情况下的多目标跟踪，有效提高了雷达对多目标的探测跟踪性能；(2)可以在进行目标个数和状态估计的同时对目标RCS进行估计。附图说明图1是本专利技术的信噪比未知条件下的AI-PHD滤波器的整体流程图，附图中各符号的含义与
技术实现思路
部分相应符号的含义相同；图2是一般的PHD滤波方法估计的多目标状态与真实值以及量测值对比，其中图(a)和图(b)分别为x坐标值对比和y坐标值对比；图3是本专利技术实施例中信噪比未知条件下的AI-PHD滤波器估计的多目标状态与真实值以及量测值对比，其中图(a)和图(b)分别为x坐标值对比和y坐标值对比；图4是本专利技术实施例中信噪比未知条件下的AI-PHD滤波器估计的目标信噪比和真实的目标信噪比对比。具体实施方式下面结合附图对本专利技术的未知条件下的AI-PHD滤波器进行详细描述。不失一般性，假设在任意时刻，目标都在S＝[-200,200]×[-200,200]的二维观测区域内运动，且目标可以在该区域随机的出现和消失，总仿真时间为K＝50s，采样间隔T＝1s；目标初始出现服从泊松模型，其密度函数γk(x)＝0.2N(x|x0,Qb)，N(·|x0,Qb)表示均值为x0，协方差为Qb的高斯分布，其中x0＝[020-2]T和Qb＝diag([105105])，目标可能的最小信噪比SNRmin＝10dB，可能的最大信噪比SNRmax＝40dB，其回波服从Swerling起伏模型；雷达位于点(0,-100)，可提供目标的距离Rk、方位角θk和幅值信息ak，距离和方位角的量测噪声标准差分别为2和0.05，量测噪声与过程噪声相互独立，杂波均匀分布在[0,2π]×[0,200]的观测空间内，且平均每帧的噪声点数为μ＝1000，雷达虚警概率对应的检测门限τ＝2.146；代表一个目标所需的粒子数N0＝800，搜索新目标时赋予每一个量测的粒子数J0＝20；群聚类的约束值为0.01。其步骤如附图1所示。步骤1：根据以上仿真条件进行变量初始化(1)总仿真时间K＝5本文档来自技高网...

【技术保护点】
信噪比未知条件下的AI‑PHD滤波器，其特征包括以下步骤：步骤1：变量初始化(1)K为总仿真时间，T为雷达采样间隔；(2)γ

【技术特征摘要】
1.信噪比未知条件下的AI-PHD滤波器，其特征包括以下步骤：步骤1：变量初始化(1)K为总仿真时间，T为雷达采样间隔；(2)γ0为目标出现初始数，L0为代表一个目标所需要的粒子数，J0为搜索新目标时赋予每一个量测的粒子数；(3)SNRmin为目标可能的最小信噪比，SNRmax为目标可能的最大信噪比，为虚警概率，τ为虚警概率对应的检测门限；(4)γ0(x)为目标出现初始分布，κk(z)为杂波分布；(5)为扩展过程噪声协方差，为扩展量测噪声协方差；(6)C0为群聚类的约束值；步骤2：令k＝0，进行滤波器的初始化，得到初始粒子集具体为对任意i∈{1,2,…,L0}(1)根据目标出现初始分布γ0(x)生成粒子其中包含目标的位置信息和速度信息符号T表示转置；(2)在区间[SNRmin,SNRmax]上按照均匀分布随机生成目标信噪比并根据计算得到目标的信噪比信息(3)令对进行扩维，得到新粒子并赋予该粒子权重步骤3：令k＝k+1，获得k时刻的雷达量测将雷达接收到的信号进行A/D变换，获得当前时刻的扩展量测集送数据处理系统，其中为k时刻雷达获得的第j个扩展量测，包含目标的距离信息和方位信息为目标的幅度信息，Nk为k时刻的量测个数；步骤4：生成预测粒子集对任意i∈{1,2,…,Lk-1}，根据状态转移方程对粒子进行预测，得到预测的粒子并赋予该粒子权重得到预测粒子集其中为零均值的高斯白噪声，其协方差为步骤5：生成搜索新目标粒子集(1)对任意j∈{1,2,…,Nk}，根据量测和量测误差协方差Rk采样粒子然后在区间[SNRmin,SNRmax]上按照均匀分布随机生成目标信噪比并计算得到目标信噪比信息最后令并赋予该粒子权重其中i＝1,2,…,J0，得到量测的搜索粒子集(2)将当前时刻所有量测对应的搜索粒子集合并成一个搜索新目标粒子集其中Jk＝J0×Nk为搜索新目标的粒子总数；步骤6：粒子集权重更新(1)将预测粒子集和搜索新目标粒子集合并得到新的粒子集(2)对任意i∈{1,2,…,Lk-1+Jk}和任意j∈{1,2,…,Nk}，计算粒子和量测之间的统计距离其中为预测量测，(xs,ys)为雷达的坐标，若令粒子和量测之间的似然度否则其中(3)对任意j∈{1,2,…,Nk}，计算量测和粒子集的似然度

【专利技术属性】
技术研发人员：谭顺成，王国宏，贾舒宜，王娜，
申请(专利权)人：谭顺成，
类型：发明
国别省市：山东,37