基于IMM-STEKF的非高斯噪声下机动目标跟踪方法技术

本发明专利技术公开了一种基于IMM

【技术实现步骤摘要】
基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法


[0001]本专利技术属于目标跟踪
，具体涉及一种基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法。

技术介绍

[0002]在雷达跟踪系统中，距离、方位角、俯仰角等量测信息通常是在球坐标系下获得的，而状态向量是在笛卡尔坐标系下，这就会导致雷达跟踪系统是非线性的。另外过程噪声和量测噪声的统计特性也是机动目标跟踪技术研究中比较重要的一部分。目前大多数的机动目标跟踪算法都是在假设噪声服从高斯分布的条件下进行的，但在雷达的实际探测过程中，环境扰动、传感器瞬时故障、飞行目标突发高机动、飞行目标不同位置的散射强度不同等因素都会使得过程噪声或量测噪声具有重尾特性，这样噪声不再服从高斯分布，如果仍然使用传统的假设噪声为高斯白噪声的机动目标跟踪算法会使得算法的跟踪性能降低甚至出现失跟的问题。
[0003]针对上述问题，中国电子科技集团公司信息科学研究院在其申请的专利文献“一种基于最大相关熵扩展卡尔曼滤波的雷达目标跟踪算法”（申请公布号：CN111596290A）中公开了一种适用于非线性系统的非高斯量测噪声下的目标跟踪方法。该方法首先根据雷达状态方程、雷达量测方程构建雷达系统非线性模型，然后根据下一时刻雷达点迹的预测值和量测值得到核函数对角阵奇异参数，若核函数对角阵奇异参数大于阈值则将状态预测值作为雷达滤波值。然而，由于该方法选用了单一的运动模型对目标的运动状态进行描述，使得其只适用于对机动性不是很强的目标进行跟踪。当目标的机动变化很大时，所建立的运动模型与目标真实的运动状态不再适配，从而会使得目标的跟踪精度下降或者出现跟踪丢失的问题。
[0004]深圳大学在其申请的专利文献“一种适用于闪烁噪声的多机动目标跟踪方法及系统”（申请公布号：CN107462882A）中公开了一种将变分贝叶斯方法和JMS
‑
PHD滤波器结合对非高斯量测噪声条件下的机动目标进行跟踪的技术。该方法首先利用t分布对闪烁噪声，即非高斯噪声进行建模，然后应用变分贝叶斯方法近似求出不同模型下的联合概率密度，最后结合JMS
‑
PHD滤波器对目标的状态进行估计，从而实现对多个机动目标的跟踪。该方法存在的不足之处是，第一，该方法中只是假设量测方程中的量测噪声为非高斯噪声，状态方程中的过程噪声仍然服从高斯分布，这对机动目标而言，突发的机动会导致过程噪声也是具有重尾特性的非高斯分布，那么该方法假设的过程高斯噪声与目标真实的运动会有一定的偏差，这样会影响机动目标的跟踪精度。第二，该方法中利用变分贝叶斯方法对参数进行学习时需要多次迭代，会使得跟踪滤波的时间大大增加，不适用于实时性要求比较高的跟踪场景。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于IMM
‑
STEKF
(Interactive Multiple Model
ꢀ‑ꢀ
Student
’
s t Extended Kalman Filtering，交互式多模型
‑
学生 t扩展卡尔曼滤波)的非高斯噪声下机动目标跟踪方法，旨在解决传感器瞬时故障、飞行目标突发机动等原因导致具有重尾特性的非高斯噪声条件下的机动目标跟踪问题。
[0006]实现本专利技术目的的思路是：采用学生t分布对过程噪声和量测噪声进行建模并且选取多个运动模型组成模型集，将上一时刻各个滤波器的输出值进行交互混合作为本时刻各个滤波器的输入值，基于各个运动模型进行STEKF跟踪滤波获得状态估计值，然后根据获得的状态估计值计算各个模型的似然函数和对应的概率，最后将各个滤波器的状态估计值和精度矩阵按照求得的模型概率进行加权求和获得当前时刻的状态估计值和精度矩阵，从而可以实现非高斯噪声条件下的机动目标跟踪。
[0007]本专利技术要解决的技术问题通过以下技术方案实现：一种基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法，包括：步骤1：获取机动目标的量测值；步骤2：建立非高斯噪声条件下的目标状态方程和量测方程，并初始化机动目标的状态估计值和对应的精度矩阵；步骤3：构建包括多个运动模型的模型集，并对机动目标的状态估计值和精度矩阵分别进行交互混合，得到每个运动模型的混合状态输入值和混合精度矩阵；步骤4：基于所述量测值、所述目标状态方程和量测方程，利用STEKF算法对每个运动模型的混合状态输入值和混合精度矩阵进行跟踪滤波处理，得到每个运动模型的状态估计值和精度矩阵；步骤5：对所述模型集中的每个运动模型对应的概率进行更新；步骤6：基于每个运动模型对应的概率以及每个运动模型的状态估计值和精度矩阵更新机动目标在当前时刻的状态估计值和精度矩阵。
[0008]在本专利技术的一个实施例中，在步骤3中，对机动目标的状态估计值和精度矩阵分别进行交互混合，包括：利用状态混合公式计算模型集中每个运动模型的混合状态输入值；所述状态混合公式为：其中，表示时刻模型集中第种运动模型的混合状态输入值，表示模型集中运动模型类型的总数，表示求和操作，表示时刻模型集中第种运动模型的状态估计值，表示时刻模型集中第种运动模型转换到第种运动模型的概率；利用精度矩阵混合公式计算模型集中每个运动模型的混合精度矩阵；所述精度矩阵混合公式为：其中，表示时刻模型集中第个运动模型输入的混合精度矩阵，表示
时刻模型集中第个运动模型的精度矩阵，表示转置操作。
[0009]在本专利技术的一个实施例中，步骤4包括：4a) 时间更新基于所述目标状态方程和量测方程，利用每个运动模型的混合状态输入值和混合精度矩阵对每个运动模型的状态和精度矩阵进行预测，得到每个运动模型的状态预测值和预测精度矩阵；4b) 量测更新根据当前时刻获得的量测值以及每个运动模型的状态预测值和预测精度矩阵对每个运动模型的状态估计值和精度矩阵进行更新，得到当前时刻每个运动模型的状态估计值和精度矩阵。
[0010]在本专利技术的一个实施例中，在进行步骤4a)之前，还包括：利用矩匹配方法对每个运动模型的混合精度矩阵进行自由度调整。
[0011]在本专利技术的一个实施例中，对每个运动模型的混合精度矩阵进行自由度调整的公式为：其中，表示时刻模型集中第个运动模型输入的经过自由度调整后的混合精度矩阵；精度矩阵；精度矩阵；表示时刻调整之后的自由度，表示在和之间取较小的一个，表示时刻调整之前的自由度，表示过程噪声所服从的学生t分布中的自由度。
[0012]在本专利技术的一个实施例中，在步骤4a)中，对每个运动模型的状态和精度矩阵进行预测的公式分别为：预测的公式分别为：其中，表示时刻模型集中第个运动模型的状态预测值，表示时刻模型集中第个运动模型的状态转移矩阵；表示时刻模型集中第个运动模型的预测精度矩阵，表示时刻模型集中第个运动模型对应的过程噪声所服从的学生t分布中的精度矩阵。
[0013]在本专利技术的一个实施例中，在步骤4b)中，对每个运动模型的状态估计值和精度矩阵进行更新的公式分别为：...

【技术保护点】

【技术特征摘要】
1.一种基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法，其特征在于，包括：步骤1：获取机动目标的量测值；步骤2：建立非高斯噪声条件下的目标状态方程和量测方程，并初始化机动目标的状态估计值和对应的精度矩阵；步骤3：构建包括多个运动模型的模型集，并对机动目标的状态估计值和精度矩阵分别进行交互混合，得到每个运动模型的混合状态输入值和混合精度矩阵；步骤4：基于所述量测值、所述目标状态方程和量测方程，利用STEKF算法对每个运动模型的混合状态输入值和混合精度矩阵进行跟踪滤波处理，得到每个运动模型的状态估计值和精度矩阵；步骤5：对所述模型集中的每个运动模型对应的概率进行更新；步骤6：基于每个运动模型对应的概率以及每个运动模型的状态估计值和精度矩阵更新机动目标在当前时刻的状态估计值和精度矩阵。2.根据权利要求1所述的基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法，其特征在于，在步骤3中，对机动目标的状态估计值和精度矩阵分别进行交互混合，包括：利用状态混合公式计算模型集中每个运动模型的混合状态输入值；所述状态混合公式为：其中，表示时刻模型集中第种运动模型的混合状态输入值，n表示模型集中运动模型类型的总数，表示求和操作，表示时刻模型集中第种运动模型的状态估计值，表示时刻模型集中第种运动模型转换到第种运动模型的概率；利用精度矩阵混合公式计算模型集中每个运动模型的混合精度矩阵；所述精度矩阵混合公式为：其中，表示时刻模型集中第个运动模型输入的混合精度矩阵，表示时刻模型集中第个运动模型的精度矩阵，表示转置操作。3.根据权利要求2所述的基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法，其特征在于，步骤4包括：4a) 时间更新基于所述目标状态方程和量测方程，利用每个运动模型的混合状态输入值和混合精度矩阵对每个运动模型的状态和精度矩阵进行预测，得到每个运动模型的状态预测值和预测精度矩阵；4b) 量测更新根据当前时刻获得的量测值以及每个运动模型的状态预测值和预测精度矩阵对每个运动模型的状态估计值和精度矩阵进行更新，得到当前时刻每个运动模型的状态估计值和精度矩阵。4.根据权利要求3所述的基于IMM
‑
STEKF的非高斯噪声下机动目标跟踪方法，其特征在
于，在进行步骤4a)之前，还包括：利用矩匹配方法对每个运动模型的混合精度矩阵进行自由度调整。5.根据权利要求4所述的基于IMM
‑<...

【专利技术属性】
技术研发人员：左磊，张冉，赵政，赵民，李亚超，禄晓飞，高永婵，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：