【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。