基于深度聚类的极坐标动态规划无源协同定位方法技术

本发明专利技术提出一种基于深度聚类的极坐标动态规划无源协同定位方法。该方法首先提出了环境变量学习过程，用以确定空间转移伸缩量，并结合误差传递理论求出非线性测量空间内有效转移范围。第二，首次在极值理论确定的回溯阈值内加入抗干扰因子，最终确定基于深度聚类的动态规划算法的回溯阈值。第三，提出一种基于深度聚类的动态规划算法，在测量空间进行目标检测与跟踪。最后，对目标状态进行扩维，从而包括辐射源状态，并提出一种基于关联预测协方差的扩展卡尔曼滤波算法，对扩维后的状态进行联合估计。

【技术实现步骤摘要】
基于深度聚类的极坐标动态规划无源协同定位方法
本专利技术属于目标检测跟踪领域，涉及一种基于深度聚类的极坐标动态规划无源协同定位算法(DeepClustering-DynamicProgramming-StateAugmentation，DC-DP-PCL)。
技术介绍
无源协同定位(PassiveCoherentLocation,PCL)技术是指雷达做为接收源不发射大功率电磁波，通过第三方非合作的外辐射源(空中预警机等)发射的电磁波信号来进行目标检测与跟踪。相比于传统的有源雷达，PCL系统成本低，反隐身特性强，自身静默且有较强的生存能力。同时PCL系统可以解决传统无源定位在目标静默时无法定位的问题，受到了国内外学者的广泛持续关注。传统的无源协同定位算法通常假设辐射源状态已知，然而在实际应用场景中外辐射源通常为第三方非合作预警机或者商用电台，无源雷达无法获取辐射源精确状态。如何在外辐射源位置不确定条件下通过无源协同定位技术成为目前亟待解决的问题。扩展状态空间法将辐射源状态并入目标状态中，从而产生更高准确度的估计结果，但该方法的计算复杂度随着目标个数的上升快速增加。修改协方差矩阵方法通过本文档来自技高网...

【技术保护点】
基于深度聚类的极坐标动态规划无源协同定位方法，其特征在于该方法包括以下步骤：步骤(1)、通过环境变量学习确定空间转移伸缩量，并求出非线性测量空间内有效转移范围Ψ(zk(i))＝[Δγk Δθk]，Δγk表示距离差有效转移范围，Δθk为方位角有效转移范围；1.1首先确定空间转移伸缩量，公式如下：

【技术特征摘要】
1.基于深度聚类的极坐标动态规划无源协同定位方法，其特征在于该方法包括以下步骤：步骤(1)、通过环境变量学习确定空间转移伸缩量，并求出非线性测量空间内有效转移范围Ψ(zk(i))＝[ΔγkΔθk]，Δγk表示距离差有效转移范围，Δθk为方位角有效转移范围；1.1首先确定空间转移伸缩量，公式如下：其中Pk和Pt,k分别表示k时刻目标和辐射源过程噪声协方差矩阵，β表示缩放因子，和以及和分别表示辐射源和目标的横纵坐标速度；1.2结合误差传递理论，确定有效状态转移范围：其中Δxk、Δyk、Δxt,k和Δyt,k分别表示目标和辐射源速度所在区间，xk和yk表示k时刻目标的横纵坐标，xt,k和yt,k表示k时刻辐射源横纵坐标，γ表示距离差，θ表示方位角；步骤(2)、通过基于深度聚类的动态规划算法进行评测函数更新，评测函数是由深度聚类因子以及回波幅值共同构成，深度聚类因子公式如下所示：

【专利技术属性】
技术研发人员：郭云飞，张沛男，薛安克，彭冬亮，左燕，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33