【技术实现步骤摘要】
本专利技术属于目标跟踪领域中的单传感器单机动目标跟踪子系统技术，涉及一种基于非平稳高斯过程的机动目标跟踪方法，适用于目标机动模式未知的动态系统。
技术介绍
1、目标跟踪在雷达、声纳、导航等传感器应用中是一项基本任务，即，在连续的数据序列中，建立所需要跟踪目标的位置关系，得到目标完整的运动轨迹。在贝叶斯框架下，目标跟踪往往是通过递归更新目标状态的后验概率密度函数(pdf)来解决。
2、对于线性目标状态和量测模型，著名的卡尔曼滤波器(kf)提供了一个递归的最优解。对于一般的非线性状态空间模型，典型的贝叶斯滤波器有扩展卡尔曼滤波(ekf)、无迹卡尔曼滤波(ukf)和交互多模型(imm)滤波器等。然而，上述方法都依赖于底层目标动态模型，即在机动期间需要预设的目标动态模型匹配目标的实际运动。因此，当目标经历未知或混合机动行为时，运动模型可能存在显著不确定性，使得目标状态无法通过恰当的数学模型来近似，从而导致基于贝叶斯滤波器的跟踪性能下降。
3、近年来，基于高斯过程在线模型学习的目标跟踪技术，通过从数据中学习目标的运动模式，具有模型自适应等特点，成为了新的研究热点。aftab w等人提出了基于高斯过程(gaussian process，gp)的非递归无模型滤波方法，即高斯过程运动跟踪器(gpmt)，使用历史量测数据对位置和高阶位置导数进行预测和滤波。高斯过程运动跟踪器(gpmt)，包括训练和学习阶段，它是对无限数量的目标轨迹进行建模，但gpmt中的学习阶段不是递归的。在gpmt的基础上，递归高斯过程运动跟踪器(rgp
4、然而，递归高斯过程运动跟踪器是主要解决平稳时序过程的跟踪问题，当目标从稳态条件改变，即发生较大的机动时，跟踪器的跟踪性能可能会下降。
技术实现思路
1、为了解决现有机动目标跟踪方法中滤波精度影响滤波效果、求解过程复杂的问题，本专利技术提出一种基于非平稳高斯过程的机动目标跟踪方法，有效处理状态估计问题，提高机动目标跟踪性能。
2、为了实现上述任务，本专利技术采用以下技术方案：
3、一种基于非平稳高斯过程的机动目标跟踪方法，包括以下步骤：
4、步骤1，主体通过高斯过程来构建在线学习的目标运动模型来描述机动目标可能的运动方式，以及构建量测模型来表示传感器所获得的量测数据，并构建变点模型来表示目标运动方式产生变化的时间；给定变点模型的转移概率并确定当前时刻待估计参数；
5、步骤2，主体通过传感器获取目标的量测数据，将前多个时刻的量测数据作为每条运行长度的初始训练数据进行在线学习，通过高斯过程回归训练可以获取初始超参数，用于后续的递归估计；
6、步骤3，主体根据所述变点模型，确定前k时刻的量测数据、运行长度的联合分布；
7、步骤4，主体根据所述联合分布，确定k时刻待估参数运行长度的后验分布；
8、步骤5，主体计算待估参数目标状态量的后验分布，其中包含为k时刻目标的状态估计均值和状态估计方差；其中状态估计均值包含所需的对机动目标的位置估计，从而实现对机动目标的跟踪。
9、进一步地，所述步骤1具体包括：
10、步骤1.1，引入非负离散整数变量rk∈[1，k]作为变点模型，来表示自上一次量测数据序列变点发生以来到时间k所经历的时刻数，即k时刻的运行长度；当目标运动模式发生改变时，则令rk＝1，此时量测数据序列产生变点；当目标运动模式未发生改变时，rk＝rk-1+1，则量测数据序列继续增长；
11、步骤1.2，量测数据序列中相邻变点之间的时长为一条运行长度；在每一条运行长度中，目标运动模型表示为fr(·)为状态转移函数，其中，k表示当前时刻，u和u′表示高斯过程协方差核函数的任意两个不同输入，uk表示当前k时刻的输入；是k时刻在运行长度为rk时的目标状态变量，表示在运行长度为rk时x方向的估计位置或y方向的估计位置；是k时刻运行长度为rk时的高斯过程，其均值函数为0，协方差核函数为协方差核函数通常为平方指数核(se)函数；
12、步骤1.3，在每一条运行长度中，传感器获取的原始量测数据经坐标转换和配准预处理之后获得目标的位置量测，那么目标量测模型可表示为其中，zk是k时刻的量测数据，表示x方向的位置量测数据或y方向的位置量测数据；是传感器的量测噪声，即为零均值高斯分布噪声，是量测噪声方差；
13、步骤1.4，对于某一运行长度rk，由步骤1.2中的运动模型表述方式，在k-1时刻，引入诱导点集其中，[·]t中右上角的t代表向量或矩阵转置；表示第d个诱导点，d代表诱导点集的个数；代表k-1时刻诱导点集的输入集合，表示k-1时刻的第d个诱导点的输入；
14、初始诱导点集为运行长度起始之前的d个时刻的量测数据；由于目标运动过程中会发生机动，超参数向量未知，需要在估计目标状态的同时学习超参数；其中，表示高斯过程协方差核函数k-1时刻的超参数，σk-1表示k-1时刻的量测噪声参数；将k-1时刻的目标状态诱导点集超参数向量和对k时刻运行长度为rk时的预测状态作为一个增广状态向量ψk，构建状态空间模型为，具体含义如下：
15、
16、其中，ψk为增广状态向量，下标k-1均代表时刻，ik和i3分别表示n×n、3×3的单位矩阵，o表示全零向量或矩阵，为k时刻的输入；代表k时刻预测状态和k-1时刻诱导点集之间的交叉协方差矩阵，代表k时刻预测状态的方差，代表k-1时刻诱导点集之间的自协方差、是的转置；
17、步骤1.5，变点模型的转移概率设置为：运行长度rk-1到rk的转移概率为p(rk|rk-1)，当rk＝1时，p(rk|rk-1)＝h(rk-1+1)；否则rk＝rk-1+1时，p(rk|rk-1)＝1-h(rk-1+1)；h(·)表示变点模型的风险函数；
18、步骤1.6，选择(xk，rk)作为k时刻待估计参数，xk为当前k时刻待估计的目标状态量，表示目标x方向的位置或y方向的位置；rk表示当前k时刻运行长度。
19、进一步地，所述步骤2具体包括：
20、当时刻k＞d时，主体根据步骤1中定义的目标运动模型，在每个时刻对所有运行长度rk计算量测数据zk的后验预测概率密度p(zk|z1：(k-1)，rk)，该后验预测密度以运行长度rk和前k-1时刻的量测数据z1：(k-1)为条件，具体如下：
21、步骤2.1，由步骤1.4中的状态空间模型计算运行长度为rk时的增广状态向量ψk的预测均值和相应预测协方差由于步骤1.4中的状态空间方程在给定超参数时是才是线性的，因此需要利用无迹变换选取超参数向量的均值的s个sigma点；给定第i个sigma点其权重为对应于该sigma点的预测状态均值和相应的协方差矩阵如下：
22、
23、其中，分别表示状态空间模型中ak、中涉及的超参数的取值为和分别表示k-本文档来自技高网...
【技术保护点】
1.一种基于非平稳高斯过程的机动目标跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤1具体包括：
3.根据权利要求2所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤3具体包括：
5.根据权利要求4所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤4具体包括：
6.根据权利要求5所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤5具体包括：
7.一种终端设备，包括处理器、存储器以及存储在所述存储器中的计算机程序；其特征在于，处理器被计算机执行时，实现根据权利要求1-6中任一项所述基于非平稳高斯过程的机动目标跟踪方法。
8.一种计算机可读存储介质，所述介质中存储有计算机程序；其特征在于，计算机程序被处理器执行时，实现根据权利要求1-6中任一项所述基于非平稳高斯过程的机动目标跟踪方法。
【技术特征摘要】
1.一种基于非平稳高斯过程的机动目标跟踪方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤1具体包括：
3.根据权利要求2所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤3具体包括：
5.根据权利要求4所述的基于非平稳高斯过程的机动目标跟踪方法，其特征在于，所述步骤...
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。