本申请涉及一种基于PHD滤波器的无人机侦察目标状态实时生成方法。所述方法包括：利用随机有限集对无人机侦察目标实体状态和传感器测量数据进行建模，根据PHD滤波器在网格地图模型中对实体的状态进行估计，利用无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体和新生的无人机侦察目标实体进行预测，利用预先推导的似然函数对每个网格单元的无人机侦察目标实体状态预测结果进行校正更新，对所有网格单元更新后的无人机侦察目标实体状态进行求和，根据高斯和近似的算法对求和得到的无人机侦察目标状态生成模型进行求解，得到无人机侦察目标状态。采用本方法能够实时生成目标状态。
【技术实现步骤摘要】
本申请涉及无人机侦察，特别是涉及一种基于phd滤波器的无人机侦察目标状态实时生成方法。
技术介绍
1、随着传感器网络等测量技术的快速发展和大量普及应用，真实无人机侦察测量数据的获取更加容易，为实现真实无人机侦察与无人机侦察仿真系统之间的虚实结合运行打下了良好基础。虚实之间的实时动态互动是消除真实无人机侦察与无人机侦察仿真系统之间存在的数据断层、信息孤岛的关键手段，能够解决二者之间数据交互困难、相互隔断，无法发挥数据的基础性作用等问题，根据实时生成的当前侦察场景态势信息，可以为进行后续的意图识别、路径规划等决策行为的仿真推演提供数据支撑，并支持形成最优的行动方案提供给真实战场的指挥中心以辅助决策，对于提高无人机侦察仿真结果准确性以及提高无人机侦察效率具有重要意义。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够实时生成目标状态的基于phd滤波器的无人机侦察目标状态实时生成方法。
2、一种基于phd滤波器的无人机侦察目标状态实时生成方法，所述方法包括：
3、获取无人机侦察区域；对无人机侦察区域进行建模，得到网格地图模型；在网格地图模型中建立无人机侦察目标实体与一个或多个网格的关联关系，其中每个网格对应一个无人机侦察目标实体状态点，多个无人机侦察目标实体状态点的状态集合共同描述无人机侦察目标实体在网格地图模型中的状态；
4、利用随机有限集对无人机侦察目标实体状态和传感器测量数据进行建模，得到无人机侦察目标实体状态模型和传感器测量模型；</p>5、根据phd滤波器在网格地图模型中对实体的状态进行估计，利用无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体和新生的无人机侦察目标实体进行预测，得到每个网格单元的持续存在的无人机侦察目标实体状态预测结果和新生的无人机侦察目标实体状态预测结果；
6、利用预先推导的似然函数对每个网格单元的无人机侦察目标实体状态预测结果进行校正更新，得到每个网格单元更新后的无人机侦察目标实体状态；
7、对所有网格单元更新后的无人机侦察目标实体状态进行求和，得到无人机侦察目标状态生成模型；根据高斯和近似的算法对无人机侦察目标状态生成模型进行求解，得到无人机侦察目标状态。
8、在其中一个实施例中，根据随机有限集对无人机侦察目标实体状态和测量数据进行建模，得到无人机侦察目标实体状态模型和测量模型，包括：
9、根据随机有限集对无人机侦察目标实体状态进行建模，得到无人机侦察目标实体状态模型为
10、xk+1＝fk+1|k(xk+1|xk)xk+ξk
11、其中，fk+1|k(xk+1|xk)为状态转移函数，xk表示第k步时的目标实体状态，ξk是高斯分布的零均值过程噪声。
12、在其中一个实施例中，根据随机有限集对传感器测量数据进行建模，得到传感器测量模型为
13、
14、其中，ε表示测量存在意外情况的概率，意外情况包括虚警、漏检和杂波，p(zk+1)表示传感器测量数据zk+1的空间分布。
15、在其中一个实施例中，根据phd滤波器在网格地图模型中对实体的状态进行估计，利用无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体和新生的无人机侦察目标实体进行预测，得到每个网格单元的持续存在的无人机侦察目标实体状态预测结果和新生的无人机侦察目标实体状态预测结果，包括：
16、根据phd滤波器在网格地图模型中对实体的状态进行估计，利用无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体进行预测，得到每个网格单元的持续存在的无人机侦察目标实体状态预测结果为
17、
18、其中，c表示网格单元的序号，k表示时间步序号，xk+1表示第k+1步时无人机侦察目标实体状态，xk+1表示无人机侦察目标实体状态模型，为预测无人机侦察目标实体持续存在的概率，为预测持续存在的无人机侦察目标实体状态的概率密度函数。
19、在其中一个实施例中，根据phd滤波器在网格地图模型中对实体的状态进行估计，利用无人机侦察目标实体状态模型和传感器测量模型对新生的无人机侦察目标实体进行预测，得到每个网格单元的新生的无人机侦察目标实体状态预测结果为
20、
21、其中，表示预测在k+1步无人机侦察目标实体新生的概率。
22、在其中一个实施例中，似然函数用于描述无人机侦察目标实体对应的测量数据的似然性；似然函数的推导过程包括：
23、定义在某个网格单元c中有测量，在有无人机侦察目标实体存在时能够生成测量数据的概率为即传感器测量到无人机侦察目标实体的概率；定义网格单元c中有测量，但没有无人机侦察目标实体存在，即传感器虚警的概率为定义基于网格单元c中对状态为xk+1的无人机侦察目标实体生成测量数据的似然函数为定义测量与无人机侦察目标实体的关联概率为可以表示网格单元c附近的测量值与网格单元内的无人机侦察目标实体是否相关，概率值随测量与网格单元距离的增大而减小；定义杂波的密度函数为pcl(z)，对不同情形，似然函数具有不同的形式，如下：
24、当时，即网格单元中没有实体存在，也没有测量发生，此时似然函数为其中，xk+1表示第k+1步时无人机侦察目标实体状态，zk+1表示第k+1步时传感器测量数据；
25、当xk+1＝{xk+1}时，网格单元中有实体存在，但是没有测量发生，说明发生了漏检，此时似然函数为其中，xk+1表示无人机侦察目标实体状态模型；
26、当zk+1＝{zk+1},时，网格单元中没有实体存在，但是产生了测量，说明发生了虚警，传感器测量到的是杂波，此时似然函数为
27、
28、当zk+1＝{zk+1},xk+1＝{xk+1}时，网格单元中有实体存在，也有测量产生，此时是传感器对实体产生了测量或对杂波产生了测量，似然函数为
29、
30、在其中一个实施例中，利用预先推导的似然函数对每个网格单元的无人机侦察目标实体状态预测结果进行校正更新，得到每个网格单元更新后的无人机侦察目标实体状态，包括：
31、利用预先推导的似然函数对每个网格单元的无人机侦察目标实体状态预测结果进行校正更新，得到每个网格单元更新后的无人机侦察目标实体状态为
32、
33、其中，表示预先推导的似然函数，表示每个网格单元的新生的无人机侦察目标实体状态预测结果，xk+1表示第k+1步时无人机侦察目标实体状态，c表示网格单元的序号。
34、在其中一个实施例中，对所有网格单元的无人机侦察目标实体状态进行求和，得到无人机侦察目标状态生成模型，包括：
35、对所有网格单元的无人机侦察目标实体状态进行求和，得到最终的无人机侦察目标状态为
36、
37、其中，c表示网格单元的序号，c表示网格单元的数量，xk本文档来自技高网
...
【技术保护点】
1.一种基于PHD滤波器的无人机侦察目标状态实时生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，根据随机有限集对无人机侦察目标实体状态和测量数据进行建模，得到无人机侦察目标实体状态模型和测量模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1至3任意一项所述的方法，其特征在于，根据PHD滤波器在网格地图模型中对实体的状态进行估计，利用所述无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体和新生的无人机侦察目标实体进行预测，得到每个网格单元的持续存在的无人机侦察目标实体状态预测结果和新生的无人机侦察目标实体状态预测结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述似然函数用于描述无人机侦察目标实体对应的测量数据的似然性；所述似然函数的推导过程包括：
7.根据权利要求1所述的方法，其特征在于，利用预先推导的似然函数对所述每个网格单元的无人机侦察目标实体状态预测结果进行校正更新，得到每个网格单元更新后的无人机侦察目标实体状态，包括：
8.根据权利要求7所述的方法，其特征在于，对所有网格单元的无人机侦察目标实体状态进行求和，得到无人机侦察目标状态生成模型，包括：
...
【技术特征摘要】
1.一种基于phd滤波器的无人机侦察目标状态实时生成方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，根据随机有限集对无人机侦察目标实体状态和测量数据进行建模，得到无人机侦察目标实体状态模型和测量模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求1至3任意一项所述的方法，其特征在于，根据phd滤波器在网格地图模型中对实体的状态进行估计，利用所述无人机侦察目标实体状态模型和传感器测量模型对持续存在的无人机侦察目标实体和新生的无人机侦察目标实体进行预测，得到每个网格单元的持续存在的无人机侦察目标实体状态预...
【专利技术属性】
技术研发人员：王鹏，张笑妍，吴嘉隆，尹全军，彭勇，焦鹏，许凯，祝建成，楚江平，邓远超，
申请(专利权)人：中国人民解放军国防科技大学，
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。