一种低慢小目标鲁棒分布式状态估计方法技术

本发明专利技术提出一种低慢小目标鲁棒分布式状态估计方法，属于

【技术实现步骤摘要】
一种低慢小目标鲁棒分布式状态估计方法


[0001]本专利技术属于信号处理
，尤其涉及一种低慢小目标鲁棒分布式状态估计方法。

技术介绍

[0002]“低慢小”无人机由于获取便利、对放飞场地要求低且无需专业培训而呈现爆发式增长，因此低慢小目标对城市日常防空构成严重威胁。低慢小目标具有高度低(10m～500m)、速度慢(0～100m/s)、反射截面积小(0.05～0.1m2)、机动性强等目标特性，常见的低慢小目标包括小型无人机、航模、气球、滑翔伞、动力伞、直升机等类型的目标，这些目标在复杂的背景(如高大建筑物、地面运动物体、树木植被)中的飞行，因此也对传感器的探测能力提出了很高的要求。
[0003]雷达由于可以全天时全天候探测目标并实时提供目标距离与角度信息，因此在低慢小目标探测跟踪中得到了广泛的应用。光电设备在低慢小目标跟踪、威胁评估、目标识别中发挥了越来越重要的作用，与雷达相比，光电设备具有价格低、布站灵活、探测精度高、数据率高(小于1秒/帧)、不易受电磁干扰等优点，但光电设备易收受天时天候影响。因此，光电设备经常与雷达、激光测距设备等传感器一起配合使用。激光测距设备测距范围近、造价高，且采样频率远低于光电跟踪的采样频率，在实装中激光测距设备的作用有限，而雷达探测范围广、目标跟踪灵活，同时对地慢小探测雷达一般都是二维(距离、方位)的，所以利用雷达光电设备的优势互补，可以实现低慢小目标的有效探测。
[0004]现有的多传感器联合对低慢小目标实现有效探测与跟踪的相关研究已较多，但是其噪声条件多在高斯噪声条件下，由于低慢小设备在近地或掠海飞行时易受到强地杂波、海杂波等影响，此时的杂波模型更接近拖尾分布而非传统的高斯噪声，若仍然用传统的卡尔曼滤波等方法对目标进行跟踪将出现滤波性能的急剧下降。目前关于分布式状态拖尾噪声条件下的机动小目标跟踪问题相关研究仍极少，且该问题具有重要的工程应用价值。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种低慢小目标鲁棒分布式状态估计方法，解决了在多传感器联合状态估计问题中，过程噪声与量测噪声均服从拖尾噪声条件下的目标状态估计问题。
[0006]本专利技术提出一种低慢小目标鲁棒分布式状态估计方法，所述方法包括：
[0007]步骤S1、初始化系统参数；包括：初始化传感器网络参数；初始化离散时间状态空间转移模型；以及初始化量测空间转移模型；
[0008]步骤S2、基于所述初始化离散时间状态空间转移模型，对低慢小目标包含的各个运动模型的运动状态进行模型交互，得到运动状态交互结果和状态协方差交互结果；
[0009]步骤S3、根据所述运动状态交互结果和所述状态协方差交互结果，对所述低慢小目标包含的各个运动模型的运动状态值和运动状态协方差矩阵进行预测计算；
[0010]步骤S4、利用所述初始化量测空间转移模型、所述运动状态值和所述运动状态协方差矩，确定目标量测新息和信息协方差；
[0011]步骤S5、基于所述运动状态协方差矩阵和所述信息协方差，计算新息增益；
[0012]步骤S6、根据所述运动状态值、所述目标量测新息和所述新息增益求解状态估计值，并根据所述运动状态协方差矩阵和所述新息增益求解状态估计协方差；
[0013]步骤S7、对自由度进行更新，计算所述低慢小目标包含的各个运动模型的似然值，并根据所述似然值计算模型概率更新值；
[0014]步骤S8、基于所述传感器网络，对所述状态估计值、所述状态估计协方差、经更新的所述自由度和所述模型概率更新值进行多传感器一致性融合处理，以获取经融合后的模型概率更新值；
[0015]步骤S9、利用所述经融合后的模型概率更新值，计算所述状态估计值的多模型交互结果和所述状态估计协方差的多模型交互结果，从而得到所述低慢小目标在当前时刻的各个传感器的状态估计。
[0016]根据本专利技术的方法，在所述步骤S1中：
[0017]初始化所述传感器网络参数包括：定义传感器网络N＝S∪C,A，其中传感器节点S表示接收和处理数据的节点，通信节点C表示完成数据传输的节点，连接链路表示可通信节点之间的通信链路，初始化第s个传感器的邻接节点集合为其中p表示传感器s的邻接节点，初始化传感器一致性加权系数为w；
[0018]初始化所述离散时间状态空间转移模型包括：定义k时刻目标运动模型集合为其中M表示目标运动过程中包含运动模型个数，定义k时刻第s个传感器的运动状态为则有：
[0019][0020]其中表示第k时刻模型为i，f
i
(
·
)表示第i个运动模型的状态转移函数；过程噪声服从拖尾分布其中p(
·
)表示概率密度函数，St(x|μ,∑,v)表示均值为μ、尺度矩阵为∑、自由度为v的Student
’
s
‑
t分布；
[0021]初始化量测空间转移模型包括：
[0022][0023]其中表示量测值，h
s,i
(
·
)表示第s个传感器中第i个运动模型对应的量测转移函数，量测噪声服从拖尾分布服从拖尾分布表示k时刻模型i的量测噪声尺度矩阵。
[0024]根据本专利技术的方法，在所述步骤S2中，：
[0025]计算第s个传感器目标模型j的模型预测概率与模型交互概率
[0026][0027][0028]其中表示k
‑
1时刻模型i的概率更新值，由上一时刻获取，表示k时刻马尔科夫转移概率矩阵TPM，其中Pr(
·
)表示概率值；
[0029]计算目标第i个模型的运动状态交互结果与状态协方差交互结果
[0030][0031][0032]其中，与分别表示k
‑
1时刻模型j的状态估计值与状态估计协方差矩阵，由所述上一时刻获取，∑
·
表示求和操作。
[0033]根据本专利技术的方法，在所述步骤S3中：
[0034]计算目标第s个传感器第i个模型的运动状态一步预测值与一步预测协方差矩阵
[0035][0036][0037]其中F
i
(
·
)表示状态转移函数f
i
(
·
)的雅克比矩阵，表示k时刻模型i的过程噪声尺度矩阵，(
·
)
T
表示求转置操作。
[0038]根据本专利技术的方法，在所述步骤S4中：
[0039]对目标量测新息与信息协方差进行计算，
[0040][0041][0042]其中表示第s个传感器获得的目标量测值，H
s,i
表示量测转移函数h
s,i
(
·
)的雅克比矩阵。
[0043]根据本专利技术的方法，在所述步骤S5中：
[0044]计算新息增益
[0045][0046]根据本专利技术的方法，在所述步骤S6中：
[0047]计算状态估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低慢小目标鲁棒分布式状态估计方法，其特征在于，所述方法包括：步骤S1、初始化系统参数；包括：初始化传感器网络参数；初始化离散时间状态空间转移模型；以及初始化量测空间转移模型；步骤S2、基于所述初始化离散时间状态空间转移模型，对低慢小目标包含的各个运动模型的运动状态进行模型交互，得到运动状态交互结果和状态协方差交互结果；步骤S3、根据所述运动状态交互结果和所述状态协方差交互结果，对所述低慢小目标包含的各个运动模型的运动状态值和运动状态协方差矩阵进行预测计算；步骤S4、利用所述初始化量测空间转移模型、所述运动状态值和所述运动状态协方差矩，确定目标量测新息和信息协方差；步骤S5、基于所述运动状态协方差矩阵和所述信息协方差，计算新息增益；步骤S6、根据所述运动状态值、所述目标量测新息和所述新息增益求解状态估计值，并根据所述运动状态协方差矩阵和所述新息增益求解状态估计协方差；步骤S7、对自由度进行更新，计算所述低慢小目标包含的各个运动模型的似然值，并根据所述似然值计算模型概率更新值；步骤S8、基于所述传感器网络，对所述状态估计值、所述状态估计协方差、经更新的所述自由度和所述模型概率更新值进行多传感器一致性融合处理，以获取经融合后的模型概率更新值；步骤S9、利用所述经融合后的模型概率更新值，计算所述状态估计值的多模型交互结果和所述状态估计协方差的多模型交互结果，从而得到所述低慢小目标在当前时刻的各个传感器的状态估计。2.根据权利要求1所述的一种低慢小目标鲁棒分布式状态估计方法，其特征在于，在所述步骤S1中：初始化所述传感器网络参数包括：定义传感器网络N＝S∪C,A，其中传感器节点S表示接收和处理数据的节点，通信节点C表示完成数据传输的节点，连接链路表示可通信节点之间的通信链路，初始化第s个传感器的邻接节点集合为其中p表示传感器s的邻接节点，初始化传感器一致性加权系数为w；初始化所述离散时间状态空间转移模型包括：定义k时刻目标运动模型集合为其中M表示目标运动过程中包含运动模型个数，定义k时刻第s个传感器的运动状态为则有：其中表示第k时刻模型为i，f
i
(
·
)表示第i个运动模型的状态转移函数；过程噪声服从拖尾分布其中p(
·
)表示概率密度函数，St(x|μ,∑,v)表示均值为μ、尺度矩阵为∑、自由度为v的Student
’
s
‑
t分布；初始化量测空间转移模型包括：
其中表示量测值，h
s,i
(
·
)表示第s个传感器中第i个运动模型对应的量测转移函数，量测噪声服从拖尾分布服从拖尾分布表示k时刻模型i的量测噪声尺度矩阵。3.根据权利要求2所述的一种低慢小目标鲁棒分布式状态估计方法，其特征在于，在所述步骤S2中，：计算第s个传感器目标模型j的模型预测概率与模型交互概率与模型交互概率与模型交...

【专利技术属性】
技术研发人员：鲁瑞莲，费德介，马世川，金敏，
申请(专利权)人：成都汇蓉国科微系统技术有限公司，
类型：发明
国别省市：