一种动态干扰源跟踪方法及系统技术方案

本发明专利技术公开了一种动态干扰源跟踪方法及系统，将三维空间中的运动状态进行空间正交分解到三个正交的方向上，获得状态向量；在三个正交的方向上分别采用交互多模型方法进行模型匹配得到运动模型；将匹配得到的运动模型应用到滤波跟踪方法中，在三个正交的方向上分别采用结合改进噪声估计器的自适应容积卡尔曼滤波方法进行跟踪滤波，得到每个方向上的滤波跟踪结果；将得到的每个方向上的滤波跟踪结果进行矢量叠加，获得最终在三维空间中的跟踪结果。本发明专利技术采用基于运动状态空间分解的交互多模型算法以较低的复杂度实现了对非规则运动干扰源的模型匹配，采用结合改进的噪声估计器的自适应容积卡尔曼滤波算法实现了对动态干扰源的持续精确跟踪。扰源的持续精确跟踪。扰源的持续精确跟踪。

【技术实现步骤摘要】
一种动态干扰源跟踪方法及系统


[0001]本专利技术属于目标跟踪
，具体涉及一种动态干扰源跟踪方法及系统。

技术介绍

[0002]全球卫星导航系统(Global Navigation Satellite System，GNSS)是通过空间卫星星座来为地面用户提供连续的定位、导航以及授时服务(Position、Velocity and Time，PVT)的卫星导航系统的总称。当前全球共有四大卫星导航系统，分别为美国的GPS、俄罗斯的GLONASS、中国的北斗以及欧洲的“伽利略”。除此之外，日本和印度也有各自的区域卫星导航系统。GNSS的诞生之初是为了军事应用，但是随着经济与科技的快速发展，民用领域对GNSS的需求也在不断地增长，在当前社会中，GNSS在军用和民用两方面的应用和发展中都有着至关重要的作用。
[0003]正是因为GNSS的重要地位，针对其的干扰技术也在不断的发展，根据干扰方式的不同可以将其分为压制式干扰和欺骗式干扰两种类型。压制式干扰通过发射大功率干扰信号来使得GNSS接收机无法捕获跟踪真实卫星信号，从而无法定位；而欺骗式干扰则通过发射携带虚假信息的卫星信号来使得GNSS接收机获得错误的定位结果，进一步可以直接诱骗目标前往指定的地点。
[0004]相比于静态干扰源，搭载于机动平台的干扰源由于其机动性使得其影响范围更大，并且更加难以定位。为了应对此类干扰源，需要采用机动目标跟踪技术来对其行进轨迹进行动态跟踪。对于机动平台，其运动状态的变化无法提前预知，因此只能跟踪已经获取到的数据来对其未来的状态做出合理推断。要准确地对一个机动目标进行跟踪，首先需要针对其建立准确的运动状态模型，然后通过准确的滤波算法来对观测到的数据进行滤波跟踪。对于未知的动态干扰源而言，其运动状态模型无法先验获取，可以采用交互多模型算法来对其实际的运动状态进行描述。
[0005]但是当干扰源所在的机动平台的机动性较高时，多模型算法所需要的模型数量会越来越多，进而导致算法复杂度陡然升高，严重影响跟踪滤波的时效性。考虑到物体在三维空间的运动可以分解为三个方向相互正交的一维运动，因此我们将干扰源每一时刻的运动状态进行正交分解，拆分为三个一维运动分别进行跟踪，之后再将结果进行合并，得到三维空间的运动状态预测。对于一维运动，其只有匀速运动、匀变速运动和变加速运动三种运动状态，因此无需对多模型算法中的模型集合进行扩充。除此之外，考虑到观测动态干扰源时未知且多变的噪声影响，本章还设计了一种改进的基于Sage
‑
Husa噪声估计器的自适应容积卡尔曼滤波算法，以用于对未知且多变的动态干扰源进行跟踪。

技术实现思路

[0006]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种动态干扰源跟踪方法及系统，利用基于运动状态空间正交分解的交互多模型方法建立起了对干扰源运动模型的匹配滤波算法，随后利用改进的时变噪声估计器与容积卡尔曼滤波算法相结合
来对干扰源的轨迹进行跟踪。
[0007]本专利技术采用以下技术方案：
[0008]一种动态干扰源跟踪方法，包括以下步骤：
[0009]S1、将三维空间中的运动状态进行空间正交分解到三个正交的方向上，获得状态向量；
[0010]S2、对步骤S1获得的状态向量，在三个正交的方向上分别采用交互多模型方法进行模型匹配得到运动模型；
[0011]S3、将步骤S2匹配得到的运动模型应用到滤波跟踪方法中，在三个正交的方向上分别采用结合改进噪声估计器的自适应容积卡尔曼滤波方法进行跟踪滤波，得到每个方向上的滤波跟踪结果；
[0012]S4、将步骤S3得到的每个方向上的滤波跟踪结果进行矢量叠加，获得最终在三维空间中的跟踪结果。
[0013]具体的，步骤S1中，将三维空间中的目标跟踪问题拆解成三个一维方向上的目标跟踪问题，具体为：
[0014]x
x,k
＝F
x
x
x,k
‑1+v
x,k
‑1[0015]x
y,k
＝F
y
x
y,k
‑1+v
y,k
‑1[0016]x
z,k
＝F
z
x
z,k
‑1+v
z,k
‑1[0017]其中，x
x,k
,x
y,k
,x
z,k
分别为k时刻干扰源在x，y，z三个方向上的运动状态向量，F
x
,F
y
,F
z
分别为干扰源在x，y，z三个方向上的运动状态模型，v
x,k
‑1,v
y,k
‑1,v
z,k
‑1分别为x，y，z三个方向上的跟踪滤波过程中产生的噪声。
[0018]具体的，步骤S2具体为：
[0019]首先将每个模型对应的输入状态根据模型概率进行输入交互，获得每个模型的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
，然后利用交互后的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
作为滤波输入送入对应的滤波器中进行并行滤波，得到当前时刻的状态估计结果x
i(k)
和P
i(k)
，根据观测值的似然函数更新模型概率，将并行滤波的输出结果与更新后的模型概率进行加权混合得到对应的滤波输出值。
[0020]进一步的，对应的滤波输出值具体为：
[0021][0022][0023]其中，x
k
为k时刻干扰源的运动状态，M为模型集合中运动状态模型的数量，u
i(k)
为模型i对应的概率，x
i(k)
为采用模型i的滤波算法在k时刻的输入状态，P
k
为k时刻的状态协方差，P
i(k)
为采用模型i的滤波算法在k时刻的状态协方差。
[0024]进一步的，每个模型的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
具体为：
[0025][0026][0027]其中，u
ji(k
‑
1)
为干扰源运动状态模型由模型j变为模型i的概率，M为模型集合中的模型数量，x
j(k
‑
1)
为采用模型j的滤波算法在k
‑
1时刻的输入状态，P
j(k
‑
1)
为采用模型j的滤波算法在k
‑
1时刻的状态协方差矩阵，x
mi(k
‑
1)
为根据模型概率对采用不同运动模型的滤波算法的输入状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动态干扰源跟踪方法，其特征在于，包括以下步骤：S1、将三维空间中的运动状态进行空间正交分解到三个正交的方向上，获得状态向量；S2、对步骤S1获得的状态向量，在三个正交的方向上分别采用交互多模型方法进行模型匹配得到运动模型；S3、将步骤S2匹配得到的运动模型应用到滤波跟踪方法中，在三个正交的方向上分别采用结合改进噪声估计器的自适应容积卡尔曼滤波方法进行跟踪滤波，得到每个方向上的滤波跟踪结果；S4、将步骤S3得到的每个方向上的滤波跟踪结果进行矢量叠加，获得最终在三维空间中的跟踪结果。2.根据权利要求1所述的方法，其特征在于，步骤S1中，将三维空间中的目标跟踪问题拆解成三个一维方向上的目标跟踪问题，具体为：x
x,k
＝F
x
x
x,k
‑1+v
x,k
‑1x
y,k
＝F
y
x
y,k
‑1+v
y,k
‑1x
z,k
＝F
z
x
z,k
‑1+v
z,k
‑1其中，x
x,k
,x
y,k
,x
z,k
分别为k时刻干扰源在x，y，z三个方向上的运动状态向量，F
x
,F
y
,F
z
分别为干扰源在x，y，z三个方向上的运动状态模型，v
x,k
‑1,v
y,k
‑1,v
z,k
‑1分别为x，y，z三个方向上的跟踪滤波过程中产生的噪声。3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：首先将每个模型对应的输入状态根据模型概率进行输入交互，获得每个模型的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
，然后利用交互后的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
作为滤波输入送入对应的滤波器中进行并行滤波，得到当前时刻的状态估计结果x
i(k)
和P
i(k)
，根据观测值的似然函数更新模型概率，将并行滤波的输出结果与更新后的模型概率进行加权混合得到对应的滤波输出值。4.根据权利要求3所述的方法，其特征在于，对应的滤波输出值具体为：对应的滤波输出值具体为：其中，x
k
为k时刻干扰源的运动状态，M为模型集合中运动状态模型的数量，u
i(k)
为模型i对应的概率，x
i(k)
为采用模型i的滤波算法在k时刻的输入状态，P
k
为k时刻的状态协方差，P
i(k)
为采用模型i的滤波算法在k时刻的状态协方差。5.根据权利要求3所述的方法，其特征在于，每个模型的输入状态x
mi(k
‑
1)
和对应的状态协方差P
mi(k
‑
1)
具体为：具体为：其中，u
ji(k
‑
1)
为干扰源运动状态模型由模型j变为模型i的概率，M为模型集合中的模型
数量，x
j(k
‑
1)
为采用模型j的滤波算法在k
‑
1时刻的输入状态，P
j(k
‑
1)
为采用模型j的滤波算法在k
‑
1时刻的状态协方差矩阵，x
mi(k
‑
1)
为根据模型概率对采用不同运动模型的滤波算法的输入状态的加权混合。6.根据权利要求1所述的方法，其特征在于，步骤S3具体为：利用容积卡尔曼滤波算法对干扰源进行滤波跟踪，首先用前一时刻的状态估计值对当前时刻的状态值进行估计，获得当前时刻的状态预测值；然后利用观测值作为参考对预测值进行修正，并将修正后的结果作为当前时刻的状态估计结果；最后根据观测值与估计值对噪声参数进行估计，修正滤波算法中的相关参量。7.根据权利要求6所述的方法，其特征在于，将修正后的...

【专利技术属性】
技术研发人员：张国梅，史晔钊，贾小林，李国兵，赵晓丹，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：