一种基于多伯努利滤波的DOA跟踪方法技术

本发明专利技术公开了一种基于多伯努利滤波的DOA跟踪方法，包括：通过传感器阵列接收叠加的量测数据；获取k

【技术实现步骤摘要】
一种基于多伯努利滤波的DOA跟踪方法


[0001]本专利技术属于DOA跟踪
，具体的涉及一种基于多伯努利滤波的DOA跟踪方法。

技术介绍

[0002]近年来，基于随机有限集(RandomFinite Sets，RFS)多目标跟踪算法开辟了多目标跟踪的一个新领域，此类算法的基本思想是将多目标的状态和量测建模为随机有限集(RFS)，从而使得单目标贝叶斯滤波推广到多目标领域，得到贝叶斯框架下的RFS滤波算法。基于RFS的多目标滤波跟踪算法在目标监视与防御、无人驾驶与机器人、遥感、计算机视觉、生物医学、现代通信等领域得到广泛应用。
[0003]基于RFS的多目标滤波跟踪算法的公式是在最优多目标贝叶斯滤波框架中推导的，然而，这种最优RFS贝叶斯滤波器通常是难以计算的，因为它涉及许多高维积分。因此，一类次优随机有限集(RFS)滤波器被提出，即概率假设密度(PHD)滤波器和多目标多伯努利(MeMBer)滤波器。然而，他们都需要采用以下建模假设:(i)每个目标只能产生一个或没有量测；(ii)每一个量测都是由单一目标或杂波引起的，将满足这些假设的量测模型称为标准量测模型。然而，标准量测模型并不包括所有类型的传感器。
[0004]阵列信号处理采用的传感器阵列是一类经典的叠加量测传感器阵列，其广泛应用于移动定位、电子侦察、雷达跟踪、声呐系统等领域，而DOA估计问题是阵列信号处理中的重点研究内容之一。经典的DOA参数估计算法一般都属于静态信号源的DOA估计，如基于波束形成的DOA估计算法、多重信号分类(MUSIC)和旋转不变子空间技术(ESPRIT)等算法，且这类算法的一个主要缺点是信号源数目必须要预先知道。然而在实际场景中，信号源通常是运动的且数目时变，因此研究DOA跟踪算法是很有必要的。

技术实现思路

[0005]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于多伯努利滤波的DOA跟踪方法，用于解决现有技术的至少一个缺陷。
[0006]为实现上述目的及其他相关目的，本专利技术提供一种基于多伯努利滤波的DOA跟踪方法，包括：
[0007]通过传感器阵列接收叠加的量测数据；
[0008]获取k-1时刻多伯努利滤波器得到的滤波后验信息,包括：伯努利分量的存在概率和目标的空间分布概率密度函数；
[0009]根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息；
[0010]根据预测的的多伯努利分量对目标状态进行提取；
[0011]迭代处理，k＝k+1，直至所有时刻处理完毕。
[0012]可选地，所述根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息，包括：
[0013]获取第k-1时刻的粒子状态与粒子权重
[0014]基于所述粒子状态与所述粒子权重确定所述目标的空间分布概率密度函数其中i表示粒子指标，N
k
表示粒子总数；
[0015]获取从k-1时刻转移到k时刻的粒子状态的预测以及从k-1时刻转移到k时刻的粒子权重的预测其中，
[0016]p
s
表示粒子存活的概率，为第j个伯努利分量预测的存在概率，表示第j个伯努利分量的存在概率，p
b
表示新生粒子的概率，b
k|k-1
表示新生粒子的概率密度，表示第k-1时刻的粒子状态,β
k
表示建议概率，B表示从建议概率β
k
中新生的粒子数，Y
k-1
表示k-1时刻的量测；
[0017][0018]其中，f
k|k-1
表示存活粒子的状态转移函数，x
k
表示粒子状态，Y
k
表示k时刻的量测，Y
k-1
表示k-1时刻的量测，N
k-1
个存活粒子通过已知的从k-1时刻到k时刻有状态转移方程f
k|k-1
预测，B个新生粒子从建议概率函数β
k
中得到新生粒子预测；
[0019]则k时刻的多伯努利后验信息表示为J
k|k-1
表示k时刻预测的伯努利分量总数，N
k-1
+B为每个伯努利分量采样的粒子总数。
[0020]可选地，所述根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息，包括：
[0021]将伯努利分量定义成一个多伯努利条件；
[0022]通过定义的多伯努利条件计算出多伯努利条件更新的伪似然函数；
[0023]基于所述伪似然函数对多伯努利分量进行预测，得到k时刻的多伯努利后验信息。
[0024]可选地，根据k时刻所得的叠加量测Y(t)，则多伯努利条件为：
[0025][0026]其中，为多伯努利条件强度函数，表示k时刻伯努利分量的存在概率，表示k时刻伯努利分量的后验概率密度，f
k|k
(
·
)为k时刻的概率函数，f
k|k-1
(
·
)为k时刻预测的概率函数，W表示当前目标的集合且W＝{x1,...,x
n
}，x表示目标状态，(x
j
)表示为第j个多伯努利分量X，Y
k
表示k时刻量测，Y
[k-1]表示到k-1时刻所有量测的集合，f
k|k
(Y
k
|Y
[k-1],x
j
)表示在到k-1时刻所有量测的集合为Y
[k-1]及k时刻状态为x
j
情况下k时刻量测为Y
k
的概率，f(
·
|x
j
)表示不包含第j个多伯努利分量的多伯努利随机有限集的多目标概率密度；
[0027]其中，是多目标分布，定义为：
[0028][0029]可选地，对于任意的W且它对应于预测的多目标分布，多伯努利条件更新为：
[0030][0031]其中，为多伯努利条件存在概率的更新，为粒子状态预测，j为粒子数目指标，表示多伯努利条件后验概率密度的更新，和分别表示k时刻多伯努利条件存在概率和后验概率密度的预测，Y
[k-1]表示到k-1时刻所有量测的集合，上式简化分母为：
[0032][0033]由于第一个积分中x∈W是零概率事件,因此上式等式左边的积分可以用等式右边第二个积分直接代替，得：
[0034][0035]因此得到多伯努利条件更新的伪似然函数：
[0036][0037]伪似然函数根据传感器阵列叠加量测及源信号可进一步写成:
[0038][0039]s表示目标信号能量，则有a(x
i,k
)表示信号的方向矢量，s
i
为
信号强度，n
k
表示高斯噪声，已知预测的f
k
({x}∪W)均满足泊松过程，因此f
k
(Y
k...

【技术保护点】

【技术特征摘要】
1.一种基于多伯努利滤波的DOA跟踪方法，其特征在于，包括：通过传感器阵列接收叠加的量测数据；获取k-1时刻多伯努利滤波器得到的滤波后验信息,包括：伯努利分量的存在概率和目标的空间分布概率密度函数；根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息；根据预测的的多伯努利分量对目标状态进行提取；迭代处理，k＝k+1，直至所有时刻处理完毕。2.根据权利要求1所述的基于多伯努利滤波的DOA跟踪方法，其特征在于，所述根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息，包括：获取第k-1时刻的粒子状态与粒子权重基于所述粒子状态与所述粒子权重确定所述目标的空间分布概率密度函数其中i表示粒子指标，N
k
表示粒子总数；获取从k-1时刻转移到k时刻的粒子状态的预测以及从k-1时刻转移到k时刻的粒子权重的预测其中，p
s
表示粒子存活的概率，为第j个伯努利分量预测的存在概率，表示第j个伯努利分量的存在概率，p
b
表示新生粒子的概率，b
k|k-1
表示新生粒子的概率密度，表示第k-1时刻的粒子状态,β
k
表示建议概率，B表示从建议概率β
k
中新生的粒子数，Y
k-1
表示k-1时刻的量测；其中，f
k|k-1
表示存活粒子的状态转移函数，x
k
表示粒子状态，Y
k
表示k时刻的量测，Y
k-1
表示k-1时刻的量测，N
k-1
个存活粒子通过已知的从k-1时刻到k时刻有状态转移方程f
k|k-1
预测，B个新生粒子从建议概率函数β
k
中得到新生粒子预测；则k时刻的多伯努利后验信息表示为J
k|k-1
表示k时刻预测的伯努利分量总数，N
k-1
+B为每个伯努利分量采样的粒子总数。3.根据权利要求2所述的基于多伯努利滤波的DOA跟踪方法，其特征在于，所述根据多伯努利滤波器对多伯努利分量进行预测，得到k时刻的多伯努利后验信息，包括：将伯努利分量定义成一个多伯努利条件；通过定义的多伯努利条件计算出多伯努利条件更新的伪似然函数；基于所述伪似然函数对多伯努利分量进行预测，得到k时刻的多伯努利后验信息。
4.根据权利要求3所述的基于多伯努利滤波的DOA跟踪方法，其特征在于，根据k时刻所得的叠加量测Y(t)，则多伯努利条件为：得的叠加量测Y(t)，则多伯努利条件为：其中，为多伯努利条件强度函数，表示k时刻伯努利分量的存在概率，表示k时刻伯努利分量的后验概率密度，f
k|k
(
·
)为k时刻的概率函数，f
k|k-1
(
·
)为k时刻...

【专利技术属性】
技术研发人员：薛秋条，邹宝红，吴孙勇，王力，樊向婷，孙希妍，纪元法，蔡如华，符强，严肃清，王守华，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：