基于多伯努利RFS算法的水下弱目标跟踪方法及装置制造方法及图纸

本发明专利技术公开了一种基于多伯努利RFS算法的水下弱目标跟踪方法及装置，其中，该方法包括：初始化多伯努利参数集；构建待测目标的运动模型和量测模型；对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；设置存在概率门限以及目标数门限以删去更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；计算符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n

【技术实现步骤摘要】
基于多伯努利RFS算法的水下弱目标跟踪方法及装置


[0001]本专利技术涉及水声学和水声信号处理
，特别涉及一种基于多伯努利RFS算法的水下弱目标跟踪方法及装置。

技术介绍

[0002]海洋具有丰富的生物资源、矿物资源、能源资源等，而水下目标跟踪是水声
的一个重要研究方向，被广泛应用在各个方面，如海洋监控、鱼雷制导等方面。被动声呐探测跟踪由于具有优异的隐蔽性而被广泛应用于生产、军事等领域，而随着水下目标隐身技术的提高，被动跟踪系统常常要面对低信噪比的恶劣场景。
[0003]水声目标跟踪可分为主动跟踪与被动跟踪两种方式。
[0004]主动跟踪通过利用目标反射的回波对目标的位置进行跟踪，而被动跟踪则通过处理目标产生的噪声对目标的方位角进行跟踪。相比主动声呐，被动声呐跟踪隐蔽性更好，能在不暴露己方位置的前提下监视对方动态。因此被动声呐被广泛应用于军事领域，被动跟踪算法也受到人们的重视。而由于水下复杂的信道以及迅猛发展的降噪技术，被动跟踪常常要面对目标能量非常弱的情况。
[0005]传统的跟踪方法在对接收到的信号根据各种信号处理方法进行处理后，再对得到的谱估计结果进行门限检测，对检测后得到的点迹数据进行数据关联，这种方法又被称为先检测后跟踪(Detect
‑
Before
‑
Track，DBT)，该方法通过门限检测筛去了大量的噪声，只保留一部分点迹信息，大大减少了计算量，计算高效，广泛应用在跟踪的各个领域。但这种方法存在一些弊端，它在筛去噪声的同时也损失了一部分有用的目标信息。尤其在面对弱小目标的情况下，由于目标的信噪比低，能量弱，无法达到规定的门限，探测结果会经常发生漏检现象，导致后续的跟踪无法判断目标轨迹。为了检测到目标而降低门限时，则会出现大量的虚警，之后的跟踪难免会出现许多虚假轨迹。
[0006]为了应对弱目标的情况，人们对跟踪算法进行了进一步研究，提出了检测前跟踪方法。而检测前跟踪方法跳过门限检测，直接对估计结果进行积累和数据关联进而实现跟踪，对低信噪比目标也能有较好的跟踪效果。虽然检测前跟踪方法有着良好的跟踪性能，但其主要应用于雷达领域，在水声方向上应用较少。

技术实现思路

[0007]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。
[0008]为此，本专利技术的第一个目的在于提出一种基于多伯努利RFS算法的水下弱目标跟踪方法，该方法有效克服了传统数据关联算法的弊端，并且提高了跟踪的灵敏度，降低了跟踪误差。
[0009]本专利技术的第二个目的在于提出一种基于多伯努利RFS算法的水下弱目标跟踪系统。
[0010]本专利技术的第三个目的在于提出一种计算机设备。
[0011]本专利技术的第四个目的在于提出一种非临时性计算机可读存储介质。
[0012]为达到上述目的，本专利技术一方面实施例提出了基于多伯努利RFS算法的水下弱目标跟踪方法，包括以下步骤：步骤S1，初始化多伯努利参数集；步骤S2，构建待测目标的运动模型和量测模型；步骤S3，对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；步骤S4，设置存在概率门限以及目标数门限以删去所述更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；步骤S5，计算所述符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；步骤S6，对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对所述n
k+1
个目标进行跟踪形成跟踪轨迹。
[0013]本专利技术实施例的基于多伯努利RFS算法的水下弱目标跟踪方法，针对弱目标的情况研究了基于多伯努利滤波的检测前跟踪算法，在此基础上，为了适应水声被动声呐阵列处理数据的情况，研究了基于MUSIC的近似多伯努利滤波算法，将MUSIC空间谱的加权形式作为伪似然比函数来进行多伯努利检测前跟踪算法，并采用粒子实现；此外针对算法响应较慢的问题，对目标新生模型进行改进，提出了由量测驱动的目标新生模型，选用传统多伯努利滤波算法作为对比算法来验证此改进算法的性能，从而得到能够以虚假轨迹少，目标轨迹完整，响应速度快为期望的基于多伯努利随机有限集的检测前跟踪算法，有效克服了传统数据关联算法的弊端，并且提高了跟踪的灵敏度，降低了跟踪误差。
[0014]另外，根据本专利技术上述实施例的基于多伯努利RFS算法的水下弱目标跟踪方法还可以具有以下附加的技术特征：
[0015]进一步地，在本专利技术的一个实施例中，所述步骤S3具体包括：
[0016]步骤S301，通过所述运动模型和所述量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，所述多伯努利参数集包括新生目标参数集和存活目标参数集
[0017]步骤S302，先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集
[0018]进一步地，在本专利技术的一个实施例中，所述步骤S5中的合并过程为：
[0019]r
(1,2)
＝max(r
(1)
,r
(2)
)
[0020][0021]其中，r为存在概率，p为概率分布，L为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。
[0022]可选地，在本专利技术的一个实施例中，所述步骤S6中势分布的求解过程为：
[0023][0024]其中，p为状态分布，k为当前时刻，M
k+1
为k+1时刻目标数，r为目标存在概率，为
k+1时刻第i个目标存在概率，为M
k+1
个变量的n次初等对称函数。
[0025]为达到上述目的，本专利技术另一方面实施例提出了基于多伯努利RFS算法的水下弱目标跟踪装置，包括：初始化模块，用于初始化多伯努利参数集；模块构建模块，用于构建待测目标的运动模型和量测模型；预测和更新模块，用于对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；筛除模块，用于设置存在概率门限以及目标数门限以删去所述更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；合并模块，用于计算所述符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；跟踪轨迹生成模块，用于对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对所述n
k+1
个目标进行跟踪形成跟踪轨迹。
[0026]本专利技术实施例的基于多伯努利RFS算法的水下弱目标跟踪装置，针对弱目标的情况研究了基于多伯努利滤波的检测前跟踪算法，在此基础上，为了适应水声被动声呐阵列处理数据的情况，研究了基于MUSIC的近似多伯努利滤波算法，将MUSIC空间谱的加权形式作为伪似然比函数来进行多伯努利检测前跟踪算法，并采用粒子实现；此外针对算法响应较慢的问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多伯努利RFS算法的水下弱目标跟踪方法，其特征在于，包括以下步骤：步骤S1，初始化多伯努利参数集；步骤S2，构建待测目标的运动模型和量测模型；步骤S3，对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数集和更新的参数集；步骤S4，设置存在概率门限以及目标数门限以删去所述更新的参数集中存在概率小的目标，得到符合门限内目标的参数集；步骤S5，计算所述符合门限内目标的参数集中每个目标的中心状态，将距离相近的目标合并成一个目标；步骤S6，对每个目标的粒子集根据粒子权重重新采样得到等权值粒子集，并计算势分布以选出最大的n
k+1
个目标，对所述n
k+1
个目标进行跟踪形成跟踪轨迹。2.根据权利要求1所述的基于多伯努利RFS算法的水下弱目标跟踪方法，其特征在于，所述步骤S3具体包括：步骤S301，通过所述运动模型和所述量测模型对待测目标的状态信息逐步进行预测，得到多伯努利参数集，其中，所述多伯努利参数集包括新生目标参数集和存活目标参数集步骤S302，先计算第i个目标中第j个粒子的似然比函数，再对粒子权值与存在概率进行更新，粒子状态不变，得到更新的参数集3.根据权利要求1所述的基于多伯努利RFS算法的水下弱目标跟踪方法，其特征在于，所述步骤S5中的合并过程为：r
(1,2)
＝max(r
(1)
,r
(2)
)其中，r为存在概率，p为概率分布，L为当前时刻存在的目标总数，x为目标状态，δ和ω相乘表示粒子的状态分布。4.根据权利要求1所述的基于多伯努利RFS算法的水下弱目标跟踪方法，其特征在于，所述步骤S6中势分布的求解过程为：其中，p为状态分布，k为当前时刻，M
k+1
为k+1时刻目标数，r为目标存在概率，为k+1时刻第i个目标存在概率，为M
k+1
个变量的n次初等对称函数。5.一种基于多伯努利RFS算法的水下弱目标跟踪装置，其特征在于，包括：初始化模块，用于初始化多伯努利参数集；模块构建模块，用于构建待测目标的运动模型和量测模型；
预测和更新模块，用于对待测目标的状态信息逐步进行预测和更新，分别得到预测多伯努利参数...

【专利技术属性】
技术研发人员：齐滨，邹男，张光普，田金，付进，王晋晋，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：