基于信息熵权和最近邻域数据关联的目标航迹优化方法技术

本发明专利技术公开了基于信息熵权和最近邻域数据关联的目标航迹优化方法，包括以下步骤：获取航迹起始后前两个时刻量测点的量测向量，计算出目标的初始状态向量；对卡尔曼滤波器进行初始化；采用迭代法计算k时刻目标的状态估计向量、估计误差协方差矩阵、预测向量、新息协方差矩阵和卡尔曼增益；获取k时刻落入波门中心的候选量测点；当k时刻的候选量测点的个数大于1时，采用熵权法对k时刻的目标航迹进行优化更新。本发明专利技术通过深度挖掘已知量测信息，在不改变先验信息的基础上，充分利用了目标量测所携带的信息，具有更低的改造成本和更好的适用性；同时，提高了雷达跟踪航迹的准确性。

【技术实现步骤摘要】
基于信息熵权和最近邻域数据关联的目标航迹优化方法
本专利技术属于雷达
，尤其涉及一种基于信息熵权和最近邻域数据关联的目标航迹优化方法。
技术介绍
目前，随着各种新体制雷达的不断涌现，多目标跟踪领域可以利用的特性也越来越多元化，而数据关联技术依旧是多目标跟踪领域的关键技术，数据关联是在目标和其量测之间按照特定的数据关联算法建立的一种映射关系，可以用数据关联来判断目标具体与哪个量测进行关联。因此，数据关联的准确性严重影响雷达的目标跟踪性能。典型的数据关联目标跟踪算法有最近邻域算法(nearestneighborhood，NN)、概率数据关联算法(probabilitYdataassociation，PDA)、联合概率数据关联算法(jointprobabilitydataassociation，JPDA)，以及多假设跟踪算法(multiplehYpothesistracking，MHT)。其中，最近邻域算法的工作原理是先设置跟踪门，由跟踪门初步筛选所得到的回波成为候选回波，以限制参与相关判别的目标数目。由于该方法原理简明，计算复杂度较低，易于工程实现的特点，在工程应用中，针对低信噪比环境下单目标跟踪或高信噪比环境下多目标跟踪，最近邻域算法都有着广泛的应用。但现有的最近邻域算法仍存在数据关联正确率不高，滤波结果不够精确和多目标跟踪时易产生错误关联的问题；同时，由于在数据关联过程中，所有属性均等地参与计算，没有突出属性的重要程度，结果易受单个属性的影响。现有的针对上述问题的各种不同类型的改进方法，如采用估计位置和下一时刻量测位置之间的实际距离代替统计距离的方法，通过引入径向多普勒速度信息的方法和通过引入测量值与地图特征关联概率的方法等，其数据关联的正确率提升有限，且以上方法都是通过引入各种新的特征信息来实现改进最近邻域算法的，而引入新的特征信息会增加工程实现难度和改造成本，限制了改进方法的推广适用范围。
技术实现思路
为了解决上述问题，本专利技术的目的是提出一种基于信息熵权和最近邻域数据关联的目标航迹优化方法(nearestneighborbasedoninformationentropYweight，IEWNN)，通过深度挖掘已知量测信息，在不改变先验信息的基础上，更加充分的利用了目标量测点所携带的信息，具有更低的改造成本和更好的适用性；同时，利用目标量测点的信息熵，提高了雷达航迹跟踪的准确性。按照信息论的基本原理，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量。信源的平均不定度，在信息论中信源输出是随机量，因而其不定度可以用概率分布来度量。如果指标的信息熵越小，该指标提供的信息量越大，在综合评价中所起作用越大，即权重越高。若信源符号有n种取值：U1，U2，…，Un，对应概率为：P1，P2，…，Pn，且各种符号的出现彼此独立。这时，信源的平均不确定性应当为单个符号不确定性-logPi的统计平均值(E)，可称为信息熵因信息熵而引出的熵权法能够实现多对象、多指标的综合评价，本专利技术利用信息熵值对数据对象的属性精确进行赋权，提高雷达目标航迹跟踪的准确性。为了达到上述目的，本专利技术采用以下技术方案予以解决。基于信息熵权和最近邻域数据关联的目标航迹优化方法，包括以下步骤：步骤1，设定雷达跟踪系统的状态方程为Xk+1＝FXk和雷达跟踪系统的量测方程为Zk＝HXk+Wk；设定航迹起始后的前两个时刻雷达跟踪系统获得的量测点为唯一的真实量测点；采用雷达跟踪系统获取的航迹起始后前两个时刻的量测点的量测向量Z0，Z1，计算出目标的初始状态向量其中，Xk+1为k+1时刻雷达跟踪系统的状态向量，Xk为k时刻雷达跟踪系统的状态向量，Wk为k时刻的量测噪声序列；F为雷达跟踪系统的状态转移矩阵，H为雷达跟踪系统的量测矩阵；x0为初始时刻二维直角坐标系下目标X方向的位置，y0为初始时刻二维直角坐标系下目标Y方向的位置，为初始时刻二维直角坐标系下目标X方向的速度，为初始时刻二维直角坐标系下目标Y方向的速度。步骤2，根据雷达跟踪系统获取的航迹起始后前两个时刻的量测点的量测向量Z0，Z1，通过两点差分法对卡尔曼滤波器进行初始化，计算出卡尔曼滤波器的初始状态估计向量和初始估计误差协方差矩阵P0；步骤3，根据卡尔曼滤波器的初始状态估计向量和初始估计误差协方差矩阵P0，采用迭代法计算出k(k＝1，2...n，n∈N+)时刻目标的状态估计向量k时刻目标的估计误差协方差矩阵Pk/k-1、k时刻目标的预测向量k时刻目标的新息协方差矩阵Sk和k时刻目标的卡尔曼增益Kk；步骤4，获取k时刻雷达扫描得到的量测点集合Wk，将所述k时刻目标的预测向量的位置作为跟踪波门中心，选取跟踪波门门限值，对k时刻的量测点集合Wk进行初步筛选，得到k时刻的候选量测点。步骤5，当k时刻的候选量测点的个数为0时，则所述k时刻目标的状态估计向量和所述k时刻目标的估计误差协方差矩阵Pk/k-1用于航迹外推。当k时刻的候选量测点的个数为1时，则所述k时刻的候选量测点的量测向量用于航迹更新。当k时刻的候选量测点的个数大于1时，采用熵权法对k时刻的目标航迹进行优化更新。所述采用熵权法对k时刻的目标航迹进行优化更新包含以下子步骤：子步骤5.1，根据k时刻的第j(j＝1，2，…，m，m＞1)个候选量测点的第l(l＝1，2，…，n，n≥1)个量测指标ajl和k时刻目标的预测向量计算出k时刻第j个候选量测点的第l个量测指标ajl与跟踪波门中心的预测量测点i的第l个量测指标ail之间的误差值Δjl：Δjl＝|ajl-ail|。步骤5.2，根据k时刻第j个候选量测点与跟踪波门中心的预测量测点i对应量测指标之间的误差值Δjl和k时刻候选量测点的数量m，得到k时刻第l个量测指标的不确定度Sl；对k时刻第l个量测指标的不确定度Sl进行归一化处理，得到k时刻第l个量测指标的权重系数αl。步骤5.3，根据k时刻第l个量测指标的权重系数αl，采用统计距离关联准则对k时刻预测量测点i与候选量测点之间的统计距离进行赋权处理，得到k时刻的赋权统计距离IEWdij，k；选取k时刻的赋权统计距离IEWdij，k最小时对应的候选量测点作为k时刻的优选目标量测点，对k时刻的目标航迹进行优化更新。利用k时刻优选的目标量测点的量测向量zk′，计算出优化后的k时刻目标的状态估计向量和估计误差协方差矩阵Pk：Pk＝Pk/k-1-KkHPk/k-1；根据优化后的k时刻目标的状态估计向量和目标的估计误差协方差矩阵Pk，对k+1时刻的目标的状态估计向量和估计误差协方差矩阵Pk+1/k进行预测，得到k+1时刻目标的预测向量新息协方差矩阵Sk+1和卡尔曼增益Kk+1，重复步骤3至步骤5，迭代出该目标的优化跟踪航迹。与现有技术相比，本专利技术的有益效果为：(1)本专利技术通过进一步深度挖掘已知量测信息，在不改变先验信息的基础上，更加充分的利用了目标量测点所携带的信息，具有更低的改造成本和更好的适用性，且更易用于相关设备的改造升级。(2)本专利技术通过分析计算已知量测信息的信息熵，并采用熵权法来确定各自属性的权重系数，对统计距离关联准则进行赋权，使目标量测点的各个指标能够以自身携带信息量的大小来进行赋权，避免了跟踪结果易受单个属性影响的缺点。(3)本专利技术本文档来自技高网...

【技术保护点】
1.基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，包括以下步骤：步骤1，设定雷达跟踪系统的状态方程为Xk+1＝FXk和雷达跟踪系统的量测方程为Zk＝HXk+Wk；设定航迹起始后的前两个时刻雷达跟踪系统获得的量测点为唯一的真实量测点；采用雷达跟踪系统获取的航迹起始后前两个时刻的量测点的量测向量Z0，Z1，计算出目标的初始状态向量

【技术特征摘要】
1.基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，包括以下步骤：步骤1，设定雷达跟踪系统的状态方程为Xk+1＝FXk和雷达跟踪系统的量测方程为Zk＝HXk+Wk；设定航迹起始后的前两个时刻雷达跟踪系统获得的量测点为唯一的真实量测点；采用雷达跟踪系统获取的航迹起始后前两个时刻的量测点的量测向量Z0，Z1，计算出目标的初始状态向量其中，Xk+1为k+1时刻雷达跟踪系统的状态向量，Xk为k时刻雷达跟踪系统的状态向量，Wk为k时刻的量测噪声序列；F为雷达跟踪系统的状态转移矩阵，H为雷达跟踪系统的量测矩阵；x0为初始时刻二维直角坐标系下目标X方向的位置，y0为初始时刻二维直角坐标系下目标Y方向的位置，为初始时刻二维直角坐标系下目标X方向的速度，为初始时刻二维直角坐标系下目标Y方向的速度，[·]T为矩阵的转置；步骤2，根据雷达跟踪系统获取的航迹起始后前两个时刻的量测点的量测向量Z0，Z1，通过两点差分法对卡尔曼滤波器进行初始化，计算出卡尔曼滤波器的初始状态估计向量和初始估计误差协方差矩阵P0；步骤3，根据卡尔曼滤波器的初始状态估计向量和初始估计误差协方差矩阵P0，采用迭代法计算出k(k＝1，2...n，n∈N+)时刻目标的状态估计向量k时刻目标的估计误差协方差矩阵Pk/k-1、k时刻目标的预测向量k时刻目标的新息协方差矩阵Sk和k时刻目标的卡尔曼增益Kk；步骤4，获取k时刻雷达扫描得到的量测点集合Wk，将所述k时刻目标的预测向量的位置作为跟踪波门中心，选取跟踪波门门限值，对k时刻的量测点集合Wk进行初步筛选，得到k时刻的候选量测点；步骤5，当k时刻的候选量测点的个数为0时，则所述k时刻目标的状态估计向量和所述k时刻目标的估计误差协方差矩阵Pk/k-1用于航迹外推；当k时刻的候选量测点的个数为1时，则所述k时刻的候选量测点的量测向量用于航迹更新；当k时刻的候选量测点的个数大于1时，采用熵权法对k时刻的目标航迹进行优化更新。2.根据权利要求1所述的基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，步骤1中，设定二维运动下，所述雷达跟踪系统的状态转移矩阵F、所述雷达跟踪系统的量测矩阵H、所述k时刻目标的量测向量Zk和所述航迹起始后前两个时刻的量测点的量测向量Z0，Z1的表达式分别为：Zk＝[Zx，kZy，k]T，Z0＝[Zx，0Zy，0]T，Z1＝[Zx，1Zy，1]T；其中，[·]T为矩阵的转置，t为采样间隔；Zx，k为k时刻在二维直角坐标系下目标X方向的距离；Zy，k为k时刻在二维直角坐标系下目标Y方向的距离；Zx，1为目标在第1个时刻获得的二维直角坐标系下X方向位置量测值，Zx，0为目标在第0个时刻获得的二维直角坐标系下X方向位置量测值，Zy，1为目标在第1个时刻获得的二维直角坐标系下Y方向位置量测值，Zy，0为目标在第0个时刻获得的二维直角坐标系下Y方向位置量测值。3.根据权利要求2所述的基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，步骤2中，所述通过两点差分法对卡尔曼滤波器进行初始化的计算公式为：其中，r为初始时刻的量测噪声序列W0的方差，为二维直角坐标系下卡尔曼滤波器初始状态时X方向位置估计值，为二维直角坐标系下卡尔曼滤波器初始状态时X方向速度估计值，为二维直角坐标系下卡尔曼滤波器初始状态时Y方向位置估计值，为二维直角坐标系下卡尔曼滤波器初始状态时Y方向速度估计值。4.根据权利要求3所述的基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，步骤3中，所述迭代法所采用的公式为：Pk/k-1＝FPk-1FTSk＝HPk/k-1HT+Rk其中，为k-1时刻目标的状态估计向量，Pk-1为k-1时刻目标的估计误差协方差矩阵，Rk为k时刻量测噪声协方差矩阵，·T为矩阵的转置，·-1为矩阵的逆。5.根据权利要求1所述的基于信息熵权和最近邻域数据关联的目标航迹优化方法，其特征在于，步骤4中，所述的初步筛选包含以下子步骤：子步骤4.1，设定二维直角坐标系下，跟踪波门按照椭圆波门规则选取，目标的量测向量为二维，确定跟踪波门面积为Av＝πγ|Sk|1/2；子步骤4.2，根据跟踪波门面积，判断候选量测点是否满足跟踪波门门限值条件：将满足条...

【专利技术属性】
技术研发人员：陈伯孝，李恒璐，
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