基于幅度信息的卡尔曼滤波方法技术

本发明专利技术公开了一种基于幅度信息的卡尔曼滤波方法，主要解决当观测噪声变化时，现有技术对目标状态估计精度不足的问题，其实现方案是：1)在不同扫描周期，获取雷达信号处理得到的量测信息、幅度信息、状态噪声协方差；2)由雷达系统参数获得初始状态误差协方差和观测噪声协方差；3)将1)和2)获得的参数设置为滤波器的初始值；4)利用获得的幅度信息计算观测噪声的协方差比例系数，并计算观测噪声协方差；5)根据获得的观测噪声协方差进行状态估计；6)将状态估计得到的信息输入到下一扫描周期。本发明专利技术减少了观测噪声与观测噪声统计信息失配的情况，提高了目标状态估计的准确率，可用于对雷达目标进行跟踪和参数估计。

Kalman filtering method based on amplitude information

The present invention discloses a Kalman filtering method based on amplitude information, which mainly solves the problem of inadequate accuracy of target state estimation in existing technology when the observation noise changes. Its realization scheme is: 1) acquiring measurement information, amplitude information and state noise covariance from radar signal processing in different scanning periods; 2) obtaining initial state error covariance from radar system parameters. Variance and observation noise covariance; 3) Set the parameters obtained by 1) and 2) as the initial values of filters; 4) Calculate the covariance proportionality coefficient of observation noise and the observation noise covariance by using the obtained amplitude information; 5) Estimate the state based on the observed noise covariance; 6) Input the information from the state estimation into the next scan cycle. The invention reduces the mismatch between observation noise and statistical information of observation noise, improves the accuracy of target state estimation, and can be used for tracking and parameter estimation of radar target.

【技术实现步骤摘要】
基于幅度信息的卡尔曼滤波方法
本专利技术属于雷达
，特别涉及一种卡尔曼滤波方法，可用于对雷达目标进行跟踪和参数估计。
技术介绍
卡尔曼滤波算法是目前被广泛应用的一种雷达目标跟踪算法。在系统特性已知、系统噪声以及观测噪声的统计特性都先验已知的情况下，卡尔曼滤波算法能够实现最优估计。但在一般情况下，系统的状态并不都是先验已知的，状态噪声和观测噪声的统计特性并不是固定的，尤其是观测噪声的统计信息会随着目标RCS的起伏发生变化，在这种情况下用传统的卡尔曼滤波算法进行雷达目标跟踪很难实现最优性，容易出现滤波发散、跟踪精度下降以至目标跟踪丢失的问题。为了提高卡尔曼滤波算法的性能，解决噪声不平稳的问题，实现最优估计,目前采用的方法主要是通过自适应地设计和调整滤波系统的状态噪声协方差来进行，如自适应卡尔曼滤波算法AKF等，这些方法虽然能够根据不同环境自适应的获取恰当的滤波参数，自适应的改变状态噪声的协方差矩阵，但是没有解决观测噪声统计信息变化的问题。一些调整观测噪声的协方差矩阵方法，其中包括两次Kalman滤波的观测噪声自适应调整方法，由于只利用了位置信息没有有效地利用量测除位置以外的其他信息量，因而需要进行多步存储，大大增加了运算量，难以进行工程实现。在实际情况下，按照雷达目标回波模型，在不同的扫描周期下，目标的RCS是起伏的，这可等效为卡尔曼滤波时观测噪声统计信息在不断变化。而目前的卡尔曼滤波方法均没有涉及目标RCS起伏对观测噪声统计信息的影响，即没有与信号处理的实际情况进行有效结合，难以对观测噪声的统计信息进行有效估计，造成观测噪声与其统计信息失配的情况，影响状态估计以及跟踪精度。
技术实现思路
本专利技术目的在于针对上述已有技术的缺陷，提出一种基于幅度信息的卡尔曼滤波方法以提高卡尔曼滤波的状态估计精度，提高雷达目标跟踪的性能。为实现上述目的，本专利技术的技术方案包括如下：1.基于幅度信息的卡尔曼滤波方法，其特征在于，包括如下：(1)在每次扫描时，获取雷达信号处理得到的量测信息Z、目标幅度信息A和过程噪声协方差信息Q；(2)通过雷达系统参数获取初始观测噪声协方差信息R(1)和初始状态误差协方差信息P(1|1)；(3)在第1个扫描周期，用(1)和(2)中获得的信息，设置滤波器的初始值，即第1个扫描周期的状态误差协方差P(1|1)，过程噪声协方差Q(1),观测噪声协方差信息R(1)、幅度信息A(1)及由量测信息Z(1)得到的状态估计信息(4)在第k+1个扫描周期获取雷达信号处理报送的幅度信息A(k+1)，并利用上一个扫描周期的幅度信息A(k)，计算得到观测噪声的协方差比例系数L(k+1)为：(5)利用由(4)得到的比例系数L(k+1)和第k个周期的观测噪声协方差R(k)计算第k+1个扫描周期观测噪声协方差R(k+1)：R(k+1)＝L(k+1)R(k)；(6)根据(5)得到的观测噪声协方差R(k+1)，通过卡尔曼滤波算法计算第k+1个扫描周期的状态估计信息(7)将第k+1个扫描周期的状态估计信息状态误差协方差P(k+1|k+1)，观测噪声协方差R(k+1)、过程噪声协方差Q(k+1)、目标幅度信息A(k+1)作为下一个周期滤波器的输入，进入下个一个周期的状态估计。本专利技术与现有技术相比，具有如下优点：(1)本专利技术利用了雷达信号处理得到的幅度信息，通过计算协方差比例系数，得到观测噪声协方差，实现了对不同扫描周期观测噪声协方差的正确估计，减少了观测噪声与观测噪声协方差失配的情况，解决了随扫描周期变化观测噪声统计信息难以实时计算的难题，使得目标的状态估计更加准确，改善目标跟踪的效率和质量。(2)本专利技术由于根据幅度信息获得的观测噪声协方差R(k+1)，通过卡尔曼滤波算法计算第k+1个扫描周期的状态估计信息减小了计算量，便于工程实现。附图说明图1为本专利技术的实现流程图；图2为在雷达扫描周期总个数为100时，用本专利技术方法与传统卡尔曼方法以及真实轨迹、量测轨迹对比图；图3为在雷达扫描周期总个数为100时，用本专利技术方法与传统卡尔曼滤波方法仿真在每个扫描周期x方向上的测量误差图；图4为在雷达扫描周期总个数为100时，用本专利技术方法与传统卡尔曼滤波方法仿真在每个扫描周期y方向上的测量误差图。具体实施方式以下结合附图对本专利技术进行详细说明：本专利技术的基于幅度信息的卡尔曼滤波方法，适用于目标运动状态在离散时间系统中由线性方程表示的场景，该场景下的目标运动状态方程为：X(k+1)＝F(k)X(k)+G(k)u(k)+V(k)，k＝1，2，…，其中，k为扫描周期，F(k)为状态转移矩阵，X(k)为离散动态系统在第k个扫描周期的状态；G(k)为输入控制矩阵；u(k)为已知输入或控制信号；V(k)为过程噪声，其协方差为Q(k)。在该场景下，根据目标运动状态方程X(k+1)，将滤波器接收到的量测信息Z(k+1)表示为：Z(k+1)＝H(k+1)·X(k+1)+W(k+1)其中，H(k+1)为量测矩阵，W(k+1)为具有协方差R(k+1)的观测噪声序列，观测噪声W(k)和过程噪声V(k)分别为均值为零，互不相关的白噪声，并满足如下关系：E(W(k))＝0Cov(W(k),W(j))＝E(W(k)WT(j))＝QkδkjE(V(k))＝0Cov(V(k),V(j))＝E(V(k)VT(j))＝RkδkjCov(W(k),V(j))＝E(W(k)VT(j))＝0其中，E(W(k))为W(k)求数学期望，E(V(k))为V(k)的数学期望，Cov(W(k),W(j))为W(k)和W(j)的协方差，Cov(V(k),V(j))为V(k)和V(j)的协方差，Cov(W(k),V(j))为W(k)和V(j)的协方差，VT(j)是V(j)的共轭转置，WT(j)是W(j)的共轭转置，δkj为Kronecher-δ函数，定义为：参照图1，本专利技术的实现步骤如下：步骤1,获取雷达信号处理得到的参数。滤波器会随扫描周期的更新不断从雷达信号处理的结果中获得目标的各种信息，包括目标的量测信息Z、目标幅度信息A和过程噪声协方差信息Q，其中，量测信息Z包含速度分量s和位置分量b。步骤2,获得初始状态误差协方差P(1|1)和初始观测噪声协方差R(1)。从雷达系统参数中获取初始观测噪声协方差信息R(1)和初始状态误差协方差信息P(1|1)，其中：初始状态误差协方差P(1|1)与常数r有关，r是从雷达系统参数直接获取的常数，根据r得到初始状态误差协方差P(1|1)为：T为扫描周期的时间间隔；初始观测噪声协方差R(1)由第1个扫描周期的测距误差测角误差组成，和直接从雷达系统参数中获取,表示如下：步骤3,在第1个扫描周期，设置滤波器的初始值。(3a)由第1个扫描周期获取的量测信息得到的状态估计信息将第1个扫描周期的量测信息Z(1)表示为：其中，b(1)是Z(1)的位置分量，s(1)是Z(1)的速度分量；根据b(1)和s(1)得到第1个周期的状态估计信息其中，和分别表示状态估计信息的位置分量和速度分量；(3b)将第1个扫描周期的状态误差协方差P(1|1)，过程噪声协方差Q(1),观测噪声协方差信息R(1)、幅度信息A(1)及由量测信息Z(1)得到的状态估计信息设置为滤波器的初始值。步骤4,利用幅度信本文档来自技高网...

【技术保护点】
1.基于幅度信息的卡尔曼滤波方法，其特征在于，包括如下：(1)在每次扫描时，获取雷达信号处理得到的量测信息Z、目标幅度信息A和过程噪声协方差信息Q；(2)通过雷达系统参数获取初始观测噪声协方差信息R(1)和初始状态误差协方差信息P(1|1)；(3)在第1个扫描周期，用(1)和(2)中获得的信息，设置滤波器的初始值，即第1个扫描周期的状态误差协方差P(1|1)，过程噪声协方差Q(1),，观测噪声协方差信息R(1)、幅度信息A(1)及由量测信息Z(1)得到的状态估计信息

【技术特征摘要】
1.基于幅度信息的卡尔曼滤波方法，其特征在于，包括如下：(1)在每次扫描时，获取雷达信号处理得到的量测信息Z、目标幅度信息A和过程噪声协方差信息Q；(2)通过雷达系统参数获取初始观测噪声协方差信息R(1)和初始状态误差协方差信息P(1|1)；(3)在第1个扫描周期，用(1)和(2)中获得的信息，设置滤波器的初始值，即第1个扫描周期的状态误差协方差P(1|1)，过程噪声协方差Q(1),，观测噪声协方差信息R(1)、幅度信息A(1)及由量测信息Z(1)得到的状态估计信息(4)在第k+1个扫描周期获取雷达信号处理报送的幅度信息A(k+1)，并利用上一个扫描周期的幅度信息A(k)，计算得到观测噪声的协方差比例系数L(k+1)为：(5)利用由(4)得到的比例系数L(k+1)和第k个周期的观测噪声协方差R(k)计算第k+1个扫描周期观测噪声协方差R(k+1)：R(k+1)＝L(k+1)R(k)；(6)根据(5)得到的观测噪声协方差R(k+1)，通过卡尔曼滤波算法计算第k+1个扫描周期的状态估计信息(7)将第k+1个扫描周期的状态估计信息状态误差协方差P(k+1|k+1)，观测噪声协方差R(k+1)、过程噪声协方差Q(k+1)、目标幅度信息A(k+1)作为下一个周期滤波器的输入，进入下个一个周期的状态估计。2.根据权利要求1所述的方法,其中(6)中通过卡尔曼滤波算法计算第k+1个扫描周期的状态估计信息其实现如下:(6a)利用第k个扫描周期的状态估计信息进行...

【专利技术属性】
技术研发人员：赵永波，丁一，何学辉，刘宏伟，苏洪涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61