一种基于逆伽马-高斯逆威沙特分布的目标跟踪方法技术

本申请属于雷达数据处理技术领域，特别涉及一种基于逆伽马

【技术实现步骤摘要】
一种基于逆伽马
‑
高斯逆威沙特分布的目标跟踪方法


[0001]本申请属于雷达数据处理
，特别涉及一种基于逆伽马
‑
高斯逆威沙特分布的目标跟踪方法。

技术介绍

[0002]状态估计问题广泛存在于目标跟踪领域中，准确的状态信息可为飞行员对于态势的掌握和火控系统的制导提供有效的技术支撑。对于线性目标跟踪系统而言，卡尔曼滤波(KF)是一种最优估计方法，并且该方法需要准确的状态转移模型与量测模型。状态转移模型通常由目标机动特征决定，量测模型则由目标状态与量测信息几何关系而决定。例如当目标进行匀速运动时，我们可采用常速度模型构建状态转移模型，若系统可获取目标位置信息，则基于位置信息与状态信息关系来设置量测矩阵。在实际的目标跟踪过程中，由于目标机动的复杂性使得采用的运动模型难以匹配目标机动特征。并且，由于外部环境以及敌方目标的信号干扰，导致获取的量测信息不准确，使得构建的量测统计模型与实际模型存在偏差。在此类环境下使用传统卡尔曼滤波对目标进行状态估计，必定会带来较差的目标跟踪效果。强跟踪滤波虽能一定程度上解决机动模型失配问题，然而该方法基于残差正交原则实现模型补偿，需要准确的量测数据来协助处理，因此在不准确量测环境下仍不适用。因此，如何实现不准确量测与运动模型失配环境下的目标准确跟踪是当前实际工程应用中亟需解决的一个问题。

技术实现思路

[0003]为了解决上述问题，本申请提供了一种基于逆伽马
‑
高斯逆威沙特分布的目标跟踪方法，包括：
[0004]步骤S1：获取跟踪系统分层状态空间模型，构建联合概率密度函数；
[0005]步骤S2：向分层状态空间模型输入量测信息与状态信息；设置所述分层状态空间模型的相关矩阵参数与自由度参数，得到渐消因子与先验量测噪声协方差；
[0006]步骤S3：基于联合概率密度函数、所述渐消因子与所述量测噪声协方差获取所述状态近似概率密度函数；提取所述状态近似概率密度函数的状态估计值；
[0007]步骤S4：基于所述联合概率密度函数、所述状态估计值以及量测噪声协方差获取渐消因子近似概率密度函数，基于所述渐消因子近似概率密度函数提取更新的渐消因子；
[0008]步骤S5：基于联合概率密度函数、所述更新的渐消因子与所述状态估计值获取所述量测噪声协方差近似概率密度函数；基于所述量测噪声协方差近似概率密度函数提取更新的量测协方差估计值；
[0009]步骤S6：当所述状态估计值收敛，输出所述状态估计值。
[0010]优选的是，获取跟踪系统分层状态空间模型的方法包括：
[0011]步骤S10：利用高斯分布对过程噪声以及量测噪声进行建模；
[0012]步骤S11：引入渐消因子修正目标运动模型；利用逆伽马分布对渐消因子建模；
[0013]步骤S12：利用逆威沙特分布对量测噪声协方差建模，获得量测噪声协方差模型；
[0014]步骤S13：利用高斯分布对量测似然函数进行建模，获取量测似然函数模型；
[0015]步骤S13：获取所述分层状态空间模型。
[0016]优选的是，所述状态近似概率密度函数，所述渐消因子近似概率密度函数以及所述量测噪声协方差近似概率密度函数均通过变分贝叶斯求解。
[0017]本申请的优点包括：本申请在变分贝叶斯框架下设计了一种基于逆伽马
‑
高斯逆威沙特分布的目标跟踪方法，通过估计出准确的量测统计模型，协助计算渐消因子以修正不准确量测下的运动模型，改善不准确量测环境下的机动目标跟踪精度。
附图说明
[0018]图1是本申请实施例三种算法的位置和速度均方根误差；
[0019]图2是本申请实施例三种算法的速度均方根误差。
具体实施方式
[0020]为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。
[0021]一种基于逆伽马
‑
高斯逆威沙特分布的变分贝叶斯目标跟踪方法，该算法的具体方案包括以下几个步骤：
[0022]1、分层状态空间模型建模
[0023]假设线性系统目标状态空间模型由如下两式组成(运动模型)。
[0024]X
k+1
＝F
k
X
k
+W
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0025]Z
k+1
＝H
k+1
X
k+1
+V
k+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0026]式中：X
k
为目标状态矢量；F
k
为状态转移矩阵；W
k
为过程噪声；Z
k+1
为量测矢量；H
k+1
为量测矩阵；V
k+1
表示量测噪声；过程噪声服从均值为0
n
,协方差为Q
k
的高斯分布；量测噪声建模为服从均值为0
m
,协方差为R
k+1
的高斯分布。其中，n和m分别为状态维数和量测维数。
[0027][0028][0029]由于在机动目标跟踪的过程中时常发生运动模型失配问题，考虑引入渐消因子修正模型，将渐消因子λ
k
建模为逆伽马分布。
[0030][0031]式中：Γ(
·
)为伽马函数；a和b为逆伽马分布的自由度参数。采用逆伽马分布对渐消因子建模具有两处优点：1)该分布可以保证渐消因子与其他参数的共轭性，降低计算难度，这一点在后续的算法流程中可体现；2)渐消因子在某一时刻可被认为是一个固定的常数，逆伽马分布在采取合适自由度参数情况下可对常数进行建模。
[0032]假设渐消因子独立于状态与量测信息，并将渐消因子引入预测协方差中。此时，一步状态预测概率密度函数表达式为
[0033][0034]式中：X
k+1k
＝F
k
X
kk
；由于量测噪声统计的不确定性，将量测噪声协方差建模为逆威沙特分布。
[0035][0036]式中：μ
k+1
为拟威沙特分布的自由度参数；Σ
k+1
为逆威沙特分布的尺度矩阵；Γ
m
(
·
)为m变量伽马函数。基于量测方程与量测噪声模型，量测似然函本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于逆伽马
‑
高斯逆威沙特分布的目标跟踪方法,其特征在于，包括：步骤S1：获取跟踪系统分层状态空间模型，构建联合概率密度函数；步骤S2：向分层状态空间模型输入量测信息与状态信息；设置所述分层状态空间模型的相关矩阵参数与自由度参数，得到渐消因子与先验量测噪声协方差；步骤S3：基于联合概率密度函数、所述渐消因子与所述量测噪声协方差获取所述状态近似概率密度函数；提取所述状态近似概率密度函数的状态估计值；步骤S4：基于所述联合概率密度函数、所述状态估计值以及量测噪声协方差获取渐消因子近似概率密度函数，基于所述渐消因子近似概率密度函数提取更新的渐消因子；步骤S5：基于联合概率密度函数、所述更新的渐消因子与所述状态估计值获取所述量测噪声协方差近似概率密度函数；基于所述量测噪声协方差近似概率密度函数提取更新的量测协方差估...

【专利技术属性】
技术研发人员：恽鹏，张世仓，郑世友，
申请(专利权)人：中国航空工业集团公司雷华电子技术研究所，
类型：发明
国别省市：