基于APM模型的机动频率自适应跟踪算法制造技术

本发明专利技术公开了一种基于APM模型的机动频率自适应跟踪算法。针对传统的机动目标模型需要对目标的机动参数进行先验假设的缺陷，提出了一种基于加速度预估计模型（APM）的机动频率自适应跟踪算法（AAPM）。在相比“当前”统计模型具有更好目标跟踪性能的APM模型基础上，利用残差向量判断目标机动情况的变化，通过一种非线性的机动频率函数实现机动频率的自适应调整，解决了APM模型仍然需要人为确定目标机动频率的问题，有效地提高了目标跟踪性能。

【技术实现步骤摘要】

本专利技术属于目标跟踪领域，具体是一种机动参数自适应的目标跟踪算法。
技术介绍
随着现代雷达技术的不断发展，目标跟踪系统在军用和民用领域都起着越来越大的作用，因而也广受国内外学者的研究和关注。近年来，随着各类目标的数量和机动性能的大幅提升，如何实现对复杂机动目标的稳定而精确的跟踪始终是目标跟踪领域的研究重点。依据目标的动态特性选择合适的机动目标模型是构建目标跟踪系统的前提，也是保障目标跟踪效果的关键因素。针对不同的动态特性，目标的机动可以视为时间无关的白噪声输入或时间相关的有色噪声输入。前者主要包括匀速(CV)模型，匀加速(CA)模型，以及协调转弯(CT)模型，适用于机动性较弱的目标。后者主要包括Singer模型，半马尔可夫模型，“当前”统计(CS)模型，以及Jerk模型，这几种模型能够更好地描述目标的动态特性，对于机动性较强的目标有着更好的跟踪效果，但是都需要对目标的机动参数进行先验假设，因而限制了这些模型的广泛适用性。近来有学者提出了一种加速度预估计模型(APM)，其核心思想是对加速度进行预估计，然后利用加速度估计误差代替加速度来表示目标的机动。虽然APM模型解决了加速度最大值要求人为设定的问题，但是目标的机动频率仍需设置，无法自适应调整。国内外有关对于APM模型的机动频率自适应改进的技术专利尚未查到。
技术实现思路
本专利技术的目的在于提供一种基于APM模型的机动频率自适应跟踪算法，利用残差向量判断目标机动情况的变化，通过一种非线性的机动频率函数实现对机动频率的自适应调整，有效地提高了目标跟踪性能。实现本专利技术目的的技术解决方案为：一种基于APM模型的机动频率自适应跟踪算法，步骤如下：步骤1：建立加速度预估计(APM)模型加速度预估计模型将目标前后相邻的几个时刻之间的运动过程线性化表示为匀加速运动，假设采样周期为T，在t时刻目标的位置、速度和加速度分别用x(t)、v(t)、a(t)表示，则在t-T到t+2T之间的运动过程中，由匀加速直线运动的相关性质可以得到： a ( t ) = v ( t + T ) - v ( t + T / 2 ) T / 2 = x ( t + 2 T ) - 3 x ( t ) + 2 x ( t - T ) 3 T 2 - - - ( 1 ) ]]>假设Zx(t)表示在t时刻x方向的位置量测值，将其代入式(1)可以得到加速度预估计Za(t)为： Z a ( t ) = a ( t ) + a ~ ( t ) = Z x ( t + 2 T ) - 3 Z x ( t ) + 2 Z x ( t - T ) 3 T 2 - - - ( 2 ) ]]>式中，表示加速度估计误差，服从零均值、方差为的高斯分布。在APM模型中，用其代替加速度表示目标的机动。由式(2)可以得出加速度估计误差为： a ~ ( t ) = x ~ ( t + 2 T ) - 3 x ~ ( t ) + 2 x ~ ( t - T ) 3 T 2 - - - ( 3 ) ]]>式中，表示位置量测误差，方差为由式(3)可以得出加速度估计误差的方差为： Q a ~ ( t ) = Q x ~ 本文档来自技高网...

【技术保护点】
一种基于APM模型的机动频率自适应跟踪算法，其特征在于步骤如下：步骤1：建立加速度预估计APM模型加速度预估计模型将目标前后相邻的几个时刻之间的运动过程线性化表示为匀加速运动，假设采样周期为T，目标的状态向量为k时刻的加速度预估计为Za(k)，则APM模型的离散状态方程为：XAPM(k+1)＝FXAPM(k)+GZa(k)+WAPM(k)   (1)式中，WAPM(k)是零均值的高斯白噪声，F和G分别为离散化的状态转移矩阵和输入矩阵：FAPM=1T(-1+αT+e-αT)/α201(1-e-αT)/α00e-αT,GAPM=T2/2T0---(2)]]>假设Zx(k)表示在k时刻x方向的位置量测值，则加速度预估计Za(k)为：Za(k)=Zx(k+2)-3Zx(k)+2Zx(k-1)3T2---(3)]]>假设表示位置量测误差，方差为则加速度估计误差的方差为：Qa~(k)=Qx~(k+2)+9Qx~(k)+4Qx~(k-1)9T4---(4)]]>假设目标的机动频率为α，则状态噪声WAPM(k)的协方差QAPM为：QAPM=2αQa~(k)q11q12q13q12q22q23q13q23q33---(5)]]>式中，q11=12α5[1-e-2αT+2αT+2α3T33-2α2T2-4αTe-αT]q12=q21=12α4[e-2αT+1-2αT-2e-αT+α2T2+2αTe-αT]q13=q31=12α3[1-e-2αT-2αTe-αT]q22=12α3[4e-αT-3-e-2αT+2αT]q23=q32=12α2[e-2αT+1-2e-αT]q33=12α[-e-2αT+1]---(6)]]>步骤2：建立机动频率自适应的APM模型AAPM在卡尔曼滤波算法中，残差向量为：d(k)=Z(k)-H(k)X^(k/k-1)---(7)]]>残差向量协方差为：S(k)＝H(k)P(k/k‑1)HT(k)+R(k)   (8)定义距离函数为：D(k)＝dT(k)S‑1(k)d(k)   (9)根据式(9)假设机动检测门限为M，若距离函数D(k)>M，则判定目标的机动情况发生变化，则增大机动频率α的值；若距离函数D(k)≤M，则判定目标的机动情况未发生变化，则减小机动频率α的值，定义机动频率α为：α=α0+(M-D(k))2M---(10)]]>其中，α0表示机动频率的初始值，按照经验取值，如果目标仅受到环境扰动，则α0＝1；如果目标做转弯机动，则α0＝1/20；如果目标做逃避机动，则α0＝1/60；机动检测门限M的取值通过多次仿真来确定；步骤3：建立基于AAPM模型的卡尔曼滤波算法对AAPM模型进行经典的卡尔曼滤波，其主要方程如下：X^(k/k-1)=F(k/k-1)X^(k-1/k-1)+G(k-1)Za(k-1)P(k/k-1)=F(k/k-1)P(k-1/k-1)FT(k/k-1)+QAPM(k-1)d(k)=Z(k)-H(k)X^(k/k-1)S(k)=H(k)P(k/k-1)HT(k)+R(k)D(k)=dT(k)S-1(k)d(k)K(k)=P(k/k-1)HT(k)S-1(k)X^(k/k)=X^(k/k-1)+K(k)d(k)P(k/k)=[I-K(k)H(k)]P(k/k-1)---(11)]]>式中，为预测估计，P(k/k‑1)为预测估计误差协方差，为滤波估计，P(k/k)为滤波估计误差协方差，d(k)为残差向量，其协方差为S(k)，Z(k)为量测向量，H(k)为量测矩阵，R(k)为量测噪声协方差，K(k)为增益矩阵。...

【技术特征摘要】
1.一种基于APM模型的机动频率自适应跟踪算法，其特征在于步骤如下：步骤1：建立加速度预估计APM模型加速度预估计模型将目标前后相邻的几个时刻之间的运动过程线性化表示为匀加速运动，假设采样周期为T，目标的状态向量为k时刻的加速度预估计为Za(k)，则APM模型的离散状态方程为：XAPM(k+1)＝FXAPM(k)+GZa(k)+WAPM(k) (1)式中，WAPM(k)是零均值的高斯白噪声，F和G分别为离散化的状态转移矩阵和输入矩阵： F A P M = 1 T ( - 1 + α T + e - α T ) / α 2 0 1 ( 1 - e - α T ) / α 0 0 e - α T , G A P M = T 2 / 2 T 0 - - - ( 2 ) ]]>假设Zx(k)表示在k时刻x方向的位置量测值，则加速度预估计Za(k)为： Z a ( k ) = Z x ( k + 2 ) - 3 Z x ( k ) + 2 Z x ( k - 1 ) 3 T 2 - - - ( 3 ) ]]>假设表示位置量测误差，方差为则加速度估计误差的方差为： Q a ~ ( k ) = Q x ~ ( k + 2 ) + 9 Q x ~ ( k ) + 4 Q x ~ ( k - 1 ) 9 T 4 - - - ( 4 ) ]]>假设目标的机动频率为α，则状态噪声WAPM(k)的协方差QAPM为： Q A P M = 2 αQ a ~ ( k ) q 11 q 12 q 13 q 12 q 22 q 23 q 13 q 23 q 33 - - - ( 5 ) ]]>式中， q 11 = 1 2 α 5 [ 1 - e - 2 α T + 2 α T + 2 α 3 T 3 3 - 2 α 2 T 2 - 4 αTe - α T ] q 12 = q 21 = 1 2 α 4 [ e - 2 α T + 1 - 2 α T - 2 e - α T + α 2 T 2 + 2 αTe - α T ] q 13 = q 31 = 1 2 α 3 [ 1 - e - 2 α T - 2 αTe - α T ] q 22 = 1 2 α 3 [ 4 e - α T - 3 - e - 2 α T + 2 α T ] ...

【专利技术属性】
技术研发人员：芮义斌，沈謇，谢仁宏，李鹏，郭山红，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32