自适应随机有限集多目标跟踪的估计噪声参数方法及装置制造方法及图纸

本发明专利技术提供了自适应随机有限集多目标跟踪的估计噪声参数方法及装置，所述方法包括以下步骤：建立估计噪声协方差矩阵的自适应δ

【技术实现步骤摘要】
自适应随机有限集多目标跟踪的估计噪声参数方法及装置


[0001]本专利技术涉及雷达多目标跟踪
，具体涉及自适应随机有限集多目标跟踪的估计噪声参数方法及装置。

技术介绍

[0002]随着雷达、声呐、光电等传感器技术的不断发展，多目标跟踪技术在军事领域和民用领域都有着广泛应用，军事应用领域包括导弹防御、空防、空间目标态势感知、海洋监视等，主要用于对导弹、卫星、飞机、舰船、潜航器等军事目标的跟踪监视；民用领域包括陆海空交通管制、自动驾驶、机器人技术、生物医学等。
[0003]在复杂环境下的雷达多目标跟踪问题中，过程噪声和测量噪声的协方差矩阵参数具有不确定性，其真实值是未知的并且时变的。
[0004]综上所述，现有技术中存在以下问题：如何确定多目标跟踪过程中的噪声参数，提高跟踪准确度。

技术实现思路

[0005]本专利技术的目的是为了解决如何确定多目标跟踪过程中的噪声参数，提高跟踪准确度的问题。
[0006]为此，一方面，本专利技术实施例提供了自适应随机有限集多目标跟踪的估计噪声参数方法，所述方法包括以下步骤：
[0007]建立估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架；
[0008]对待估量的先验分布进行建模；
[0009]根据所述估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架以及待估量的先验分布模型得到待估量的后验分布；
[0010]根据待估量的后验分布估计噪声协方差矩阵的自适应δ
‑
>GLMB滤波；
[0011]根据噪声协方差矩阵的自适应δ
‑
GLMB滤波以及后验分布的负向平滑结果估计噪声协方差矩阵的自适应δ
‑
GLMB平滑；
[0012]根据噪声协方差矩阵的自适应δ
‑
GLMB平滑的结果确定噪声参数。
[0013]另一方面，本专利技术实施例还提供了自适应随机有限集多目标跟踪的估计噪声参数装置，所述方法包括以下步骤：
[0014]框架单元，建立估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架；
[0015]先验单元，对待估量的先验分布进行建模；
[0016]后验单元，根据所述估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架以及待估量的先验分布模型得到待估量的后验分布；
[0017]滤波单元，根据待估量的后验分布估计噪声协方差矩阵的自适应δ
‑
GLMB滤波；
[0018]平滑单元，根据噪声协方差矩阵的自适应δ
‑
GLMB滤波以及后验分布的负向平滑结果估计噪声协方差矩阵的自适应δ
‑
GLMB平滑；
[0019]噪声单元，根据噪声协方差矩阵的自适应δ
‑
GLMB平滑的结果确定噪声参数。
[0020]上述技术方案具有如下有益效果：本专利技术提高随机有限集多目标跟踪方法的准确度，在噪声参数不确定下的自适应性开展研究。运用随机有限集理论、变分贝叶斯方法，设计估计噪声协方差矩阵参数的自适应δ
‑
GLMB滤波和平滑，解决噪声参数不确定问题。
附图说明
[0021]图1是本专利技术实施例提供的自适应随机有限集多目标跟踪的估计噪声参数方法的流程图；
[0022]图2是本专利技术实施例提供的自适应随机有限集多目标跟踪的估计噪声参数装置的结构示意图；
[0023]图3是本专利技术实施例提供的估计噪声参数协方差矩阵的自适应δ
‑
GLMB滤波流程图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]在复杂环境下的雷达多目标跟踪问题中，过程噪声和测量噪声的协方差矩阵参数具有不确定性，其真实值是未知的并且时变的，使用不准确的噪声协方差矩阵导致随机有限集多目标跟踪方法性能下降。针对这一问题，利用随机有限集理论、变分贝叶斯方法，本申请设计估计过程噪声和测量噪声协方差矩阵的自适应δ
‑
GLMB滤波和平滑，在估计多目标状态的同时，对噪声参数进行估计辨识，降低噪声参数不确定性对随机有限集多目标跟踪方法性能的影响。
[0026]在本专利技术实施例中，如图1，提供了自适应随机有限集多目标跟踪的估计噪声参数方法，所述方法包括以下步骤：
[0027]S101：建立估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架；
[0028]S102：对待估量的先验分布进行建模；
[0029]S103：根据所述估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架以及待估量的先验分布模型得到待估量的后验分布；
[0030]S104：根据待估量的后验分布估计噪声协方差矩阵的自适应δ
‑
GLMB滤波；
[0031]S105：根据噪声协方差矩阵的自适应δ
‑
GLMB滤波以及后验分布的负向平滑结果估计噪声协方差矩阵的自适应δ
‑
GLMB平滑；
[0032]S106：根据噪声协方差矩阵的自适应δ
‑
GLMB平滑的结果确定噪声参数。
[0033]估计噪声协方差矩阵的自适应δ
‑
GLMB滤波，包括：
[0034]将目标状态、过程噪声协方差矩阵和测量噪声协方差阵组成联合待估状态，将其代入δ
‑
GLMB滤波的时间预测公式和测量更新公式，建立递推计算多目标联合待估状态后验分布的自适应δ
‑
GLMB滤波框架；
[0035]对目标状态、噪声协方差矩阵待估量的先验分布进行合理假设，将各待估量后验
分布的递推计算转化为先验模型参数的计算；
[0036]在自适应δ
‑
GLMB滤波框架下实现各待估量先验模型参数的递推计算。
[0037]估计噪声协方差矩阵的自适应δ
‑
GLMB平滑，采用固定时滞的平滑方式，设置固定的时滞d，随着时刻k的变化，由k时刻以前的所有测量数据估计l＝k
‑
d时刻的多目标状态。
[0038]估计噪声协方差矩阵的自适应δ
‑
GLMB平滑包括：正向滤波和负向平滑。
[0039]正向滤波采用估计噪声参数的自适应δ
‑
GLMB滤波，计算k时刻以前的所有后验分布π
l|l
,l≤k；负向平滑则利用多目标负向平滑递推公式从π
k|k
开始负向递推计算后验分布π
k
‑
1|k
,π
k
‑
2|k<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.自适应随机有限集多目标跟踪的估计噪声参数方法，其特征在于，所述方法包括以下步骤：建立估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架；对待估量的先验分布进行建模；根据所述估计噪声协方差矩阵的自适应δ
‑
GLMB滤波框架以及待估量的先验分布模型得到待估量的后验分布；根据待估量的后验分布估计噪声协方差矩阵的自适应δ
‑
GLMB滤波；根据噪声协方差矩阵的自适应δ
‑
GLMB滤波以及后验分布的负向平滑结果估计噪声协方差矩阵的自适应δ
‑
GLMB平滑；根据噪声协方差矩阵的自适应δ
‑
GLMB平滑的结果确定噪声参数。2.根据权利要求1所述的自适应随机有限集多目标跟踪的估计噪声参数方法，其特征在于，所述估计噪声协方差矩阵的自适应δ
‑
GLMB滤波，包括：将目标状态、过程噪声协方差矩阵和测量噪声协方差阵组成联合待估状态，将其代入δ
‑
GLMB滤波的时间预测公式和测量更新公式，建立递推计算多目标联合待估状态后验分布的自适应δ
‑
GLMB滤波框架；对目标状态、噪声协方差矩阵待估量的先验分布进行合理假设，将各待估量后验分布的递推计算转化为先验模型参数的计算；在自适应δ
‑
GLMB滤波框架下实现各待估量先验模型参数的递推计算。3.根据权利要求1所述的自适应随机有限集多目标跟踪的估计噪声参数方法，其特征在于，估计噪声协方差矩阵的自适应δ
‑
GLMB平滑，采用固定时滞的平滑方式，设置固定的时滞d，随着时刻k的变化，由k时刻以前的所有测量数据估计l＝k
‑
d时刻的多目标状态。4.根据权利要求3所述的自适应随机有限集多目标跟踪的估计噪声参数方法，其特征在于，估计噪声协方差矩阵的自适应δ
‑
GLMB平滑包括两部分：正向滤波和负向平滑。5.根据权利要求4所述的自适应随机有限集多目标跟踪的估计噪声参数方法，其特征在于，正向滤波采用估计噪声参数的自适应δ
‑
GLMB滤波，计算k时刻以前的所有后验分布π
l|l
,l≤k；负向平滑则利用多目标负向平滑递推公式从π
k|k
开始负向递推计算后验分布π
k
‑
1|k
,π
k
‑
2|k
,
…
,π
k
‑

【专利技术属性】
技术研发人员：李冬，孙杰，魏超，刘学，曾科军，黄晓冬，刘建男，翟月，
申请(专利权)人：中国人民解放军九一五五零部队，
类型：发明
国别省市：