System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术公开了一种多目标跟踪滤波方法,涉及雷达,特别涉及雷达跟踪系统的滤波方法。
技术介绍
1、上世纪90年代,为了解决多目标数据关联问题而提出的基于概率假设密度(probability hypothesis density,phd)滤波方法成为多目标跟踪领域的热门研究内容。此类方法设置了多目标的漏检概率、新生强度、消亡强度模型,可以用于描述目标离开波束、进入波束等现象,避免了复杂的关联问题,出现了各类用于多目标跟踪领域的高斯混合密度phd(gm-phd)算法。然而,现有滤波方法的缺点在于phd强度质量转移直接受到当前存在量测数量的影响,造成“幽灵效应”。目前方法多从高斯分量的权重分配入手,尝试抑制不合理的phd质量转移等。对于编队群目标个体跟踪,量测数量起伏的来源主要有两个:目标存在微动和多普勒扩展导致的虚假量测;波束边缘个体进出监测空间。不合理滤波参数设置导致质量异常转移和滤波效果下降,制约了多目标滤波性能。
技术实现思路
1、为克服现有概率假设密度跟踪滤波存在的缺陷,充分利用群目标整体信息,解决非理想量测导致的滤波质量异常转移问题,本专利技术提出了一种基于群信息辅助的概率假设密度滤波方法,采用大空域扫描雷达和窄脉冲跟踪雷达的协同探测体制,根据相控阵提供的群滤波引导信息合理设置跟踪雷达波束边缘目标的新生强度与消亡概率;根据目标类型设置个体目标产生的虚假量测强度,实现多目标状态滤波。本专利技术的技术方案如下:
2、一种概率假设密度滤波方法,包括以下步骤:
4、设大空域扫描雷达已经跟踪上了一组编队群目标,且编队群目标已被划分为一个或多个子结构;每个子结构采用2个参数的高斯-逆wishart模型(gaussian inversewishart)进行描述:其中表示子结构质心运动状态,表示子结构外形分布状态;
5、步骤2.将步骤1中的群滤波结果作为引导信息下发,扫描雷达与跟踪雷达组成的协同探测系统采用时钟同步技术
6、在第k时刻,扫描雷达滤波信息更新后,将此刻的群滤波结果作为引导信息下发。引导信息状态记为下发时刻记为t1。跟踪雷达接收到引导信息后,将伺服角度指向群目标出现的区域并进行目标捕获,将完成截获的时刻记为t2。记雷达截获时间为t=t2-t1。经过时间后t,引导信息状态变为:
7、
8、其中fs是群目标运动参数状态转移矩阵,mp是旋转矩阵,qp是用来表征外形预测不确定性的噪声矩阵。
9、步骤3.将量测点与引导信息进行匹配
10、设在时刻t2,跟踪雷达对群目标回波进行脉冲压缩、恒虚警检测后得到量测集合。采用以下公式计算每个量测点zi与群目标引导信息的似然密度ps:
11、
12、其中erf是高斯误差函数(gaussian error function)。
13、步骤4、设置滤波参数
14、步骤4.1.对高斯分量状态初始化
15、与第s个子结构关联成功的量测集合记为计算该量测集合的均值与散度矩阵:
16、
17、
18、将zs与第s个子结构对应的引导信息外形矩阵进行融合,融合后的协方差矩阵为γs,质心为μs;对协方差矩阵γs进行特征值分解,最大特征值对应的特征向量即为子结构的整体朝向。根据协方差矩阵的体积vs=det(γs)和目标个体间距推算被单脉冲雷达观测到的个体数量ns。将ns个目标估计状态沿着γs的长轴方向均匀排布,得到多目标空间位置的初始化值采用以下密度函数计算各个目标的高斯分量初始化权重
19、
20、步骤4.2.设置新生量测强度
21、在跟踪期间,随着视角变化,波束边缘的个体可能会可能逐渐进入观测区域。在跟踪雷达观测区域边缘设置新生目标可能出现的位置,高斯分量权重按照以下高斯密度设置:
22、
23、其中协方差矩阵∑i=λγs,λ是经验参数。
24、步骤5.利用经典混合高斯概率假设密度滤波方法得到多目标滤波结果
25、通过修剪的方法,删除权值低于门限的高斯分量;通过合并的方法,将空间分布非常接近的高斯分量为一个。设合并阈值为u,若第i个高斯分量和第j个高斯分量的均值满足
26、
27、则将其合并成一个分量,其中是滤波后的高斯分量均值,qk是按照目标特性设置的协方差矩阵。合并以后需要进行修剪操作,舍弃权值低于截断阈值thr的高斯分量。
28、步骤6.重复步骤4.2至步骤5,输出多目标滤波状态,直至目标丢失。
29、本专利技术的有益效果是:
30、本专利技术通过引入群辅助信息,优化了滤波参数初始化步骤,提升了针对多目标场景的滤波效果,避免了传统phd滤波方法因参数设置不合理导致的质量异常转移问题,提升了滤波算法的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于群辅助信息的概率假设密度滤波方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于群辅助信息的概率假设密度滤波方法,其特征在于:采用大空域扫描雷达和窄脉冲跟踪雷达的协同探测体制。
3.根据权利要求1或2所述的一种基于群辅助信息的概率假设密度滤波方法,其特征在于:所述步骤3中采用以下公式计算每个量测点zi与群目标引导信息的似然密度ps:
4.根据权利要求1或2所述的一种基于群辅助信息的概率假设密度滤波方法,其特征在于:所述步骤4中在跟踪雷达观测区域边缘设置新生目标可能出现的位置,高斯分量权重按照以下高斯密度设置:
【技术特征摘要】
1.一种基于群辅助信息的概率假设密度滤波方法,其特征在于该方法的步骤包括:
2.根据权利要求1所述的一种基于群辅助信息的概率假设密度滤波方法,其特征在于:采用大空域扫描雷达和窄脉冲跟踪雷达的协同探测体制。
3.根据权利要求1或2所述的一种基于群辅助信息的概率假设密度...
【专利技术属性】
技术研发人员:姜琦,胡程,王锐,张济川,史孟鑫,窦立斌,
申请(专利权)人:北京理工大学,
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。