一种用于多策略机动跟踪的滤波方法技术

本发明专利技术提供了一种用于多策略机动跟踪的滤波方法，包括：接收目标探测信息，采用当前统计模型，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，从而实现对目标加速度的预先估计；综合处理目标的机动因素，计算出当前运动状态下的机动值，映射到模型集合当中，进而划分不同机动状态下模型集合，进而通过模糊推理系统并得到各个模型当前的输出权重；通过交互式多模型的滤波过程，滤波输出得到目标当前的位置信息运动信息，预测输出下一时刻的位置信息。本发明专利技术通过合理减少冗余模型，优化滤波结构，提高跟踪精度，适应目标大范围机动跟踪。

【技术实现步骤摘要】
一种用于多策略机动跟踪的滤波方法
本专利技术涉及防空导弹武器系统火控领域，特别涉及高度大机动目标的跟踪滤波处理方法。
技术介绍
机动目标跟踪问题究其本质就是目标运动模式的不确定性。跟踪系统中的不确定性问题包括信息源、环境噪声和虚假目标以及目标机动状态的不确定。随着军事科技的发展，导弹、飞机等飞行器技术以及防空反导技术日新月异，使得目标跟踪的不确定性问题更加严重，进而对目标跟踪系统提出了更高的要求。目标跟踪滤波算法都建立在特定数学模型之上，因而目标跟踪模型和滤波算法是目标跟踪数据处理系统中两个极为重要的部分。滤波算法基于的运动模型是否精确，会对滤波的效能和精度有极大的影响。目前常用的单模型都或多或少的有一些缺陷，存在其自身的适应范围，没有一种模型能够对目标的所有运动模式都有较好的跟踪效果。当面向非机动目标时，典型的滤波方法都可以得到很好的跟踪精度，但目标机动时，基于单模型经典滤波方法不能对目标的突然变化做出及时的修正和预测，因此滤波效果不佳，针对这个问题研究者们采用了很多自适应估计技术。
技术实现思路
本专利技术的目的在于提供一种用于多策略机动跟踪的滤波方法，以解决在目标机动较大的情况下，通过合理减少冗余模型，优化滤波结构，提高跟踪精度，适应目标大范围机动，解决实时大机动目标跟踪问题。本专利技术是通过以下技术方案实现的：一种用于多策略机动跟踪的滤波方法，其特征在于，包括：接收目标探测信息，采用当前统计模型，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，从而实现对目标加速度的预先估计；综合处理目标的机动因素，计算出当前运动状态下的机动值，映射到模型集合当中，进而划分不同机动状态下模型集合，进而通过模糊推理系统并得到各个模型当前的输出权重；通过交互式多模型的滤波过程，滤波输出得到目标当前的位置信息运动信息，预测输出下一时刻的位置信息。进一步地，加速度预估计包括：采用当前统计模型对加速度作预先估计；在采用当前统计模型的基础上，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，得到具有较强跟踪能力的模型及其自适应跟踪滤波算法，从而通过前一刻和当前的目标信息得到目标加速度的预先估计；通过对目标加速度的预估计为模糊推理系统提供输入值，并为机动值的计算提供先验信息。进一步地，机动值的计算包括：在得到的目标加速度信息后，对其进行处理计算得出当前运动状态下的机动值；通过机动值从备选模型集合中确定当前目标机动适用的模型，形成当前模型集合，减少冗余计算；通过机动值和当前的模型集合，采用高斯函数，对输入变量当前加速度对应于各个模型的隶属度进行描述，同时设定一个滤波模型阀值，经过模糊推理之后得到相应的模型隶属度，然后将机动值转化为相应模型的权重值。进一步地，滤波输出包括：输入交互：交互式多模型算法的输入是不同模型前一时刻获得的滤波值，通过交互计算，并结合新获取的量测值，得到初始化输入值；滤波预测：每个模型都有各自的滤波算法，多个单模型并行滤波预测。根据上一步中得到的初始化输入值，作为各个单模型在当前时刻下滤波输入值，采用卡尔曼滤波作为相应基础滤波算法，在各个模型基础上设定其状态转移矩阵、过程噪声和观测矩阵；输出融合：在完成了计算当前运动状态下使用中的各个模型以及各个模型概率，则需要采用已经确定使用的各个模型进行滤波，得到的滤波结果根据各自的概率进行加权求和输出最终的滤波结果。进一步地，当前统计模型在一维状态下的离散方程为：式中X(k)＝[x(k)F(k)为状态转移矩阵，具体如下：探测数据观测方程为：Z(k)＝H(k)X(k)+V(k)(3)其中H(k)为观测矩阵，V(k)为均值为0，方差为R(k)的观测噪声矩阵，正确地估计目标机动加速度并合理地调整加速度协方差，引入时变的渐消因子，根据目标运动情况实时调整增益，实时反映机动加速度的变化情况；当前统计模型自适应跟踪算法采用扩展卡尔曼作为跟踪滤波器，加入渐消因子后，其具体滤波估计方程如下所示：其中为状态估计矩阵，为协方差矩阵，K(k+1)为滤波增益，λ(k+1)为渐消因子；采用渐消因子的次优化近似算法如下：其中，上式中，N(k+1)＝Vo(k+1)-βR(k+1)-H(k+1)Q(k)HT(k+1)(11)M(k+1)＝H(k+1)F(k)P(k/k)FT(k)HT(k+1)(12)V0(k+1)为残差方差矩阵，且有：0＜ρ≤1是遗忘因子，一般取0.95，β是弱化因子，由当前目标运行状态确定，r(1)是初始残差；将的一步预测看作在(k+1)T时刻的当前加速度，即机动加速度的均值，进而得到加速度的均值自适应算法，则有：由式(15)联立式(1)，式(2)和式(3)得：则可被替换为：即为目前当前时刻加速度向量，为下一时刻目标加速度常量。进一步地，其中加速度变量模糊化是通过以下方法实现的：模糊系统的输入为目标的机动值，包括目标的加速度和目标加速度变化率加速度采用第一部分估计所得的加速度值，而变化率采用前后两次估计之差与采样周期的比值，具体如下：接下来将系统的机动信息模糊化处理，将输入变量划分为几个模糊子集，将加速度和加速度变化率分别划分三个模糊子集，分别是{较小Small，适中Middle，较大Big}，表示输入变量的不同取值，将系统输出变量机动值划分为{微小Little，较小Small，适中Middle，较大Big}，分别对应四个模型集。进一步地，其中确定机动值根据实际的使用情况在不同的模型条件下，设置相应的模糊规则，采用如下的模糊语句来设置模糊规则：若较小，且较小，则输出变量机动值为微小；若适中，且较小，则输出变量机动值为较小；若较大，且较大，则输出变量机动值为较大；由上述模糊规则进行处理后，得到的控制量即是表示了目标运动状态在状态空间中的机动值，不同的机动值λ将备选模型集合划分为微弱机动，弱机动，正常机动，强机动四个模型子集，其中备选模型集合元素由上文中确定，为CV模型、CA模型、Singer模型、当前统计模型以及Jerk模型。进一步地，其中计算模型概率是通过以下方法实现的：采用高斯函数，对输入变量当前加速度对应于各个模型的隶属度进行描述，高斯函数对于机动目标特征的描述的具体表示形式如下：参数c确定了运动模型的中心位置，标量σ2确定模型覆盖输入变量空间的大小，这两个参数由对应中心模型和目标的机动因素确定，确定了模型子集在运动模式空间中的具体位置和分布空间；当加速度偏离某模型中心越来越远时，其相应概率越来越小，当到达一定程度时，该模型在描述目标运动状态中所占的比例几近于无，则将该模型从滤波的模型集合中剔除出去，在此应将模型隶属度上设定一个滤波模型阀值0.05；由目标的加速度以及相应变化率模糊化后，经过模糊推理之后得到相应的机动值和模型隶属度，接下来是要将机动值转化为相应的模型概率，即完成去模糊化的过程；设当前时刻隶属于模型j的概率为uj(k)，在前一时刻隶属于模型i的概率为ui(k-1)，由全概率公式可得，相应的模输出值在滤波结果中占的比重如下所示：其中θj(k)为当前机动状态对应于模型j的隶属度函数，C和为归一化常数，N为当前模型集合中参与滤波模型数目。进一步地，其中计算模型概率在于，交互式多模型算法的输入是不同模型本文档来自技高网...

【技术保护点】
一种用于多策略机动跟踪的滤波方法，其特征在于，包括：接收目标探测信息，采用当前统计模型，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，从而实现对目标加速度的预先估计；综合处理目标的机动因素，计算出当前运动状态下的机动值，映射到模型集合当中，进而划分不同机动状态下模型集合，进而通过模糊推理系统并得到各个模型当前的输出权重；通过交互式多模型的滤波过程，滤波输出得到目标当前的位置信息运动信息，预测输出下一时刻的位置信息。

【技术特征摘要】
1.一种用于多策略机动跟踪的滤波方法，其特征在于，包括：接收目标探测信息，采用当前统计模型，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，从而实现对目标加速度的预先估计；综合处理目标的机动因素，计算出当前运动状态下的机动值，映射到模型集合当中，进而划分不同机动状态下模型集合，进而通过模糊推理系统并得到各个模型当前的输出权重；通过交互式多模型的滤波过程，滤波输出得到目标当前的位置信息运动信息，预测输出下一时刻的位置信息。2.如权利要求1所述的用于多策略机动跟踪的滤波方法，其特征在于，加速度预估计包括：采用当前统计模型对加速度作预先估计；在采用当前统计模型的基础上，引入时变的渐消因子，根据目标运动情况实时调整增益，以提高对目标当前加速度的估计性能，得到具有较强跟踪能力的模型及其自适应跟踪滤波算法，从而通过前一刻和当前的目标信息得到目标加速度的预先估计；通过对目标加速度的预估计为模糊推理系统提供输入值，并为机动值的计算提供先验信息。3.如权利要求1所述的用于多策略机动跟踪的滤波方法，其特征在于，机动值的计算包括：在得到的目标加速度信息后，对其进行处理计算得出当前运动状态下的机动值；通过机动值从备选模型集合中确定当前目标机动适用的模型，形成当前模型集合，减少冗余计算；通过机动值和当前的模型集合，采用高斯函数，对输入变量当前加速度对应于各个模型的隶属度进行描述，同时设定一个滤波模型阀值，经过模糊推理之后得到相应的模型隶属度，然后将机动值转化为相应模型的权重值。4.如权利要求1所述的用于多策略机动跟踪的滤波方法，其特征在于，滤波输出包括：输入交互：交互式多模型算法的输入是不同模型前一时刻获得的滤波值，通过交互计算，并结合新获取的量测值，得到初始化输入值；滤波预测：每个模型都有各自的滤波算法，多个单模型并行滤波预测。根据上一步中得到的初始化输入值，作为各个单模型在当前时刻下滤波输入值，采用卡尔曼滤波作为相应基础滤波算法，在各个模型基础上设定其状态转移矩阵、过程噪声和观测矩阵；输出融合：在完成了计算当前运动状态下使用中的各个模型以及各个模型概率，则需要采用已经确定使用的各个模型进行滤波，得到的滤波结果根据各自的概率进行加权求和输出最终的滤波结果。5.如权利要求1或2所述的用于多策略机动跟踪的滤波方法，其特征在于：当前统计模型在一维状态下的离散方程为：式中F(k)为状态转移矩阵，具体如下：探测数据观测方程为：Z(k)＝H(k)X(k)+V(k)(3)其中H(k)为观测矩阵，V(k)为均值为0，方差为R(k)的观测噪声矩阵，正确地估计目标机动加速度并合理地调整加速度协方差，引入时变的渐消因子，根据目标运动情况实时调整增益，实时反映机动加速度的变化情况；当前统计模型自适应跟踪算法采用扩展卡尔曼作为跟踪滤波器，加入渐消因子后，其具体滤波估计方程如下所示：其中为状态估计矩阵，为协方差矩阵，K(k+1)为滤波增益，λ(k+1)为渐消因子；采用渐消因子的次优化近似算法如下：其中，上式中，N(k+1)＝Vo(k+1)-βR(k+1)-H(k+1)Q(k)HT(k+1)(11)M(k+1)＝H(k+1)F(k)P(k/k)FT(k)HT(k+1)(12)V0(k+1)为残差方差矩阵，且有：0＜ρ≤1是遗忘因子，取0.95，β是弱化因子，由当前目标运行状态确定，r(1)是初始残差；将的一步预测看作在(k+1)T时刻的当前加速度，即机动加速度的均值，进而得到加速度的均值自适应算法，则有：由式(15)联立式(1)，式(2)和式(3)得：则可被替换为：即为目前当前时刻加速度向量，为下一时刻目标加速度常量。6.如权利要求1或3所述的用于多策略机动跟踪的滤波方法，其特征在于，其中加速度变量模糊化是通过以下方法实现的：模糊系统的输入为目标的机动值，...

【专利技术属性】
技术研发人员：陈宇威，高雅，朱莹，康传华，周波华，张斌，
申请(专利权)人：上海机电工程研究所，
类型：发明
国别省市：上海,31