基于非线性最优平滑层策略的平滑变结构滤波方法及系统技术方案

本申请公开了一种基于非线性最优平滑层策略的平滑变结构滤波方法及系统，方法包括：基于非线性切换函数在最小均方误差准则下实时计算非线性最优平滑层参数；将该非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小；根据不确定度大小采用一种自适应切换策略计算增益项，并利用增益项在一个先验预测‑后验更新的框架中计算目标状态估计值；上述过程序贯迭代以实现对目标状态的持续跟踪。该方法采用基于非线性最优平滑层参数的自适应切换策略计算增益项，能够实现跟踪算法及系统在低模型不确定度下的最优性，同时保证高不确定度下的鲁棒性和优良的抖振抑制特性，从而获得更好的目标状态跟踪精度，具有较高的工程应用价值。

【技术实现步骤摘要】
基于非线性最优平滑层策略的平滑变结构滤波方法及系统
本申请涉及雷达
，具体涉及一种模型不确定条件下、用于雷达目标跟踪的基于非线性最优平滑层策略的平滑变结构滤波方法及系统。
技术介绍
雷达目标跟踪系统，利用雷达回波中包含的目标距离、方位角、多普勒频偏等信息，对目标数量和位置、速度、加速度等运动状态进行持续有效的估计。雷达跟踪系统广泛应用于自动驾驶、空中交通管制、气象监测、安防、国防军事等领域。状态估计，即滤波，是雷达跟踪的重要环节。传统的贝叶斯估计方法，例如卡尔曼滤波(KF)，扩展卡尔曼滤波(EKF)，不敏卡尔曼滤波(UKF)，粒子滤波(PF)等，建立在状态空间的系统状态方程和量测方程上，依赖于对目标运动模型的精确描述。如果系统状态方程和真实目标运动偏差较大，例如目标发生强机动运动，会导致跟踪误差急剧增大、甚至滤波发散丢失目标，即模型不确定问题。平滑变结构滤波(SVSF)是一种模型不确定条件下的鲁棒滤波方法，基于滑膜控制理论和变结构控制方法(参见相关技术1：S.Habibi,“Thesmoothvariablestructurefilter,”ProceedingsoftheIEEE,vol.95,no.5,pp.1026-1059,May,2007.)，能够保证状态估计误差的有界性。该方法沿用了经典贝叶斯滤波的先验估计-后验更新的框架，引入了基于切换函数和平滑层参数的增益项。平滑层参数定义为模型不确定度的上界。观测新息和平滑层参数的比值用于反映当前模型误差的大小，并作为切换函数的输入用于控制增益项的范数。平滑变结构滤波主要存在两个问题：抖振问题和参数敏感性。抖振问题是指增益项中包含了观测新息，从而受到随机的观测误差扰动，对真实的模型误差幅度产生误判(参见相关技术1)。抖振问题会导致跟踪精度急剧下降，尤其是速度、加速度等不能直接观测的状态维度。抖振问题在高模型不确定度和强观测噪声情况下会愈加严重。采用非线性、平滑的切换函数，例如双曲正切函数，能够缓解抖振现象(参见相关技术2：李刚,李耀文,刘瑜,何友.基于修正切换函数的平滑变结构滤波方法及系统[P].北京市：CN109444841A,2019-03-08.)；但这些方法仍然存在参数敏感性问题。参数敏感性问题是指，滤波器性能严重依赖于预设的平滑层参数，而这一参数往往是经验设定、不准确的。如果预设的平滑层参数过小，则会加剧抖振问题；如果预设的平滑层参数太大，则会损失滤波器对建模误差的鲁棒性甚至导致滤波发散(参见相关技术1和相关技术3，相关技术3：M.Attari,Z.Luo,andS.Habibi,“AnSVSF-basedgeneralizedrobuststrategyfortargettrackinginclutter,”IEEETransactionsonIntelligentTransportationSystems,vol.17,no.5,pp.1381-1392,May,2016.)。通过最小化后验状态估计协方差，可以获得自适应的平滑层参数，其在低模型不确定度条件下具有最优性(参见相关技术3)；但是这些方法是基于分段线性的切换函数，因此仍然存在抖振问题。因此，如何设计增益项的计算准则，在保证鲁棒性的条件下，同时解决抖振问题和参数敏感性问题，从而提高雷达目标状态估计的性能，是SVSF在工程应用中亟待解决的问题。申请内容本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于非线性最优平滑层策略的平滑变结构滤波方法，能够显著提高雷达目标状态估计的精度，保证模型不确定条件下的滤波鲁棒性，具有很好的应用价值。本专利技术的另一个目的在于提出一种基于非线性最优平滑层策略的平滑变结构滤波系统。为达到上述目的，本专利技术一方面实施例提出了一种基于非线性最优平滑层策略的平滑变结构滤波方法，包括以下步骤：基于非线性切换函数在最小均方误差准则下实时计算非线性最优平滑层参数；将所述非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小；根据当前模型不确定度的大小，采用一种自适应切换策略计算增益项，并利用所述增益项在一个先验预测-后验更新的框架中计算目标状态估计值。本专利技术实施例的基于非线性最优平滑层策略的平滑变结构滤波方法，采用基于非线性最优平滑层参数的自适应切换策略计算增益项，能够实现跟踪算法及系统在低模型不确定度下的最优性，同时保证高不确定度下的鲁棒性和优良的抖振抑制特性，从而获得更好的目标状态跟踪精度，具有较高的工程应用价值。另外，根据本专利技术上述实施例的基于非线性最优平滑层策略的平滑变结构滤波方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述非线性最优平滑层参数的计算公式为：其中，artanh(·)是定义在矩阵各元素上的反双曲正切函数；表示第k+1帧雷达量测矩阵的满秩分块子矩阵，其中m和n分别是系统状态变量和观测变量的维度；和是先验状态估计误差协方差阵P(k+1|k)的分块子矩阵；ez(k+1|k)是观测新息项；S(k+1)是新息协方差阵；Ez和Ey是混合误差项；是对状态转移矩阵引入变换矩阵T后的变换状态转移矩阵表示主对角元素为矢量a的对角阵。进一步地，在本专利技术的一个实施例中，将所述非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小，进一步包括：当ΨNGVBL>Ψmax时，判定当前模型的不确定度为高模型不确定度，其中，ΨNGVBL为非线性最优平滑层参数，Ψmax为预设的平滑层参数；当ΨNGVBL≤Ψmax时，判定当前模型的不确定度为低模型不确定度。进一步地，在本专利技术的一个实施例中，根据当前模型不确定度的大小采用一种自适应切换策略计算增益项，进一步包括：在低模型不确定度条件下，所述增益项的计算公式为：在高模型不确定度条件下，所述增益项的计算公式为：K(k+1)＝KNGVBL，KNGVBL＝P(k+1|k)H(k+1)TS(k+1)-1。进一步地，在本专利技术的一个实施例中，利用所述增益项在一个先验预测-后验更新的框架中计算目标状态估计值，包括：以k＝0时刻目标状态变量和状态估计协方差P(0|0)为初始化数据，迭代计算k+1时刻的状态变量及其协方差阵的后验估计和P(k+1|k+1)，k＝0,1,2,…，直至雷达系统判定航迹结束，具体步骤如下：1)基于预设的目标运动模型和雷达量测模型，计算k+1时刻的目标状态先验估计雷达量测先验估计和先验状态估计协方差阵P(k+1|k)：其中，和u是控制输入矩阵和控制输入变量，Q是过程噪声协方差；2)利用k+1时刻雷达扫描的目标量测z(k+1)，计算先验量测误差：计算混合误差项，用ez(k|k)表示k时刻的后验量测误差，·ABS表示对矢量逐元素取绝对值，和是取值在(0,1)区间的衰减因子本文档来自技高网...

【技术保护点】
1.一种基于非线性最优平滑层策略的平滑变结构滤波方法，其特征在于，包括以下步骤：/n基于非线性切换函数在最小均方误差准则下实时计算非线性最优平滑层参数；/n将所述非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小；以及/n根据当前模型不确定度的大小，采用一种自适应切换策略计算增益项，并利用所述增益项在一个先验预测-后验更新的框架中计算目标状态估计值。/n

【技术特征摘要】
1.一种基于非线性最优平滑层策略的平滑变结构滤波方法，其特征在于，包括以下步骤：
基于非线性切换函数在最小均方误差准则下实时计算非线性最优平滑层参数；
将所述非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小；以及
根据当前模型不确定度的大小，采用一种自适应切换策略计算增益项，并利用所述增益项在一个先验预测-后验更新的框架中计算目标状态估计值。


2.根据权利要求1所述的方法，其特征在于，所述非线性最优平滑层参数的计算公式为：









其中，artanh(·)是定义在矩阵各元素上的反双曲正切函数；表示第k+1帧雷达量测矩阵的满秩分块子矩阵，其中m和n分别是系统状态变量和观测变量的维度；和是先验状态估计误差协方差阵P(k+1|k)的分块子矩阵；ez(k+1|k)是观测新息项；S(k+1)是新息协方差阵；Ez和Ey是混合误差项；是对状态转移矩阵引入变换矩阵T后的变换状态转移矩阵表示主对角元素为矢量a的对角阵。


3.根据权利要求1所述的方法，其特征在于，将所述非线性最优平滑参数与预设的平滑层参数对比，以判断当前模型不确定度的大小，进一步包括：
当ΨNGVBL>Ψmax时，判定为高模型不确定度，其中，ΨNGVBL为非线性最优平滑层参数，Ψmax为预设的平滑层参数；
当ΨNGVBL≤Ψmax时，判定为低模型不确定度。


4.根据权利要求3所述的方法，其特征在于，根据所判断的当前模型不确定度大小，采用一种自适应切换策略计算增益项，表述为：
在低模型不确定度条件下，增益项的计算公式为：









在高模型不确定度条件下，增益项的计算公式为：
K(k+1)＝KNGVBL，
KNGVBL＝P(k+1|k)H(k+1)TS(k+1)-1。


5.根据权利要求1所述的方法，其特征在于，利用所述增益项在一个先验预测-后验更新的框架中计算目标状态估计值，包括：
以k＝0时刻目标状态变量和状态估计协方差P(0|0)为初始化数据，迭代计算k+1时刻的状态变量及其协方差阵的后验估计和P(k+1|k+1)，k＝0,1,2,…，直至雷达系统判定航迹结束，具体步骤如下：
5-1)基于预设的目标运动模型和雷达量测模型，计算k+1时刻的目标状态先验估计雷达量测先验估计和先验状态估计协方差阵P(k+1|k)：









其中，和u是控制输入矩阵和控制输入变量，Q是过程噪声协方差；
5-2)利用k+1时刻雷达扫描的目标量测z(k+1)，计算先验量测误差：



计算混合误差项，用ez(k|k)表示k时刻的后验量测误差，·ABS表示对矢量逐元素取绝对值，和是取值在(0,1)区间的衰减因子：






计算新息协方差阵S(k+1)：
S(k+1)＝H(k+1)P(k+1|k)H(k+1)T+R(k+1)，
将先验量测误差计算公式、混合误差项计算公式和新息协方差阵计算公式代入一种自适应切换策略计算增益项K(k+1)；
5-3)利用5-2)中的各项先验预测值和5-3)中的增益项K(k+1)，计算目标状态后验估计和后验状态估计协方差阵P(k+1|k+1)：



P(k+1|k+1)＝[I-K(k+1)H(k+1)]P(k+1|k)[I-K(k+1)H(k+1)]T+K(k+...

【专利技术属性】
技术研发人员：李刚，李耀文，刘瑜，何友，
申请(专利权)人：清华大学，中国人民解放军海军航空大学，
类型：发明
国别省市：北京;11