【技术实现步骤摘要】
本专利技术涉及雷达航迹跟踪，具体涉及一种针对雷达航迹跟踪的噪声自适应估计方法及系统。
技术介绍
1、雷达航迹跟踪是指通过连续监测并处理来自同一目标的雷达回波，以推断和预测目标的运动状态和未来轨迹，是雷达数据处理的重要环节。雷达航迹跟踪通常使用数据融合的思想，利用目标前一时刻的状态估计值和当前时刻的目标观测值，来计算当前时刻目标的运动状态。目前雷达航迹跟踪通常采用卡尔曼滤波，或者类卡尔曼滤波方法，如α-β滤波、α-β-γ滤波等。使用卡尔曼滤波跟踪雷达航迹的效果取决于噪声的统计特性，卡尔曼滤波使用平稳的高斯白噪声，但在实际情况中，噪声会随着目标的运动而变化很难准确估量。当目标做机动运动或者由于点迹质量较差时，会导致噪声的分布偏离高斯模型，影响目标跟踪的准确性。严重时可能会计算出错误的目标运动状态，对雷达系统的性能造成不良影响，在实际使用中具有局限性。因此，目前需要解决使用卡尔曼滤波跟踪雷达航迹时，由于噪声难以估计导致跟踪效果不佳的问题。
技术实现思路
1、本专利技术所要解决的技术问题是在使用卡尔曼滤波跟踪雷达航迹时，由于噪声难以估计导致的跟踪效果不佳，目的在于提供一种针对雷达航迹跟踪的噪声自适应估计方法及系统，解决了上述问题。
2、本专利技术通过下述技术方案实现：
3、一种针对雷达航迹跟踪的噪声自适应估计方法，包括：建立飞机动态模型以获取当前时刻的航迹预测值；更新卡尔曼滤波器的预测协方差矩阵，计算所述预测协方差矩阵时引入时变衰减因子；根据滤波收敛准则判断所述卡尔
4、建立飞机动态模型以获取当前时刻的航迹预测值，表示为：x(k+1)＝a(k)x(k)+g(k)w(k)(1)；z(k)＝h(k)x(k)+v(k)(2)；在式(1)中，x(k)∈rn×1是n维状态向量，a(k)∈rn×n是状态转移矩阵，g(k)是噪声与状态向量之间的转移矩阵，随机向量w(k)表示状态转移时高斯噪声，且w(k)的统计特性满足：e[w(k)]＝0(3)；e[w(k)wt(k)]＝q(k)(4)；其中，式(3)表示平稳的高斯白噪声w(k)的期望为0，式(4)表示噪声与其所述过程噪声协方差矩阵q的关系；在式(2)中，z(k)∈rm×1为测量向量，h(k)∈rm×n为测量矩阵，v(k)∈rm×1为二次雷达的测量噪声，满足均值为零的高斯分布，且v(k)的统计特性满足：e[v(k)]＝0(5)；e[v(k)vt(k)]＝r(k)(6)；其中，式(5)表示平稳的高斯白噪声v(k)的期望为0，式(6)表示噪声与其协方差矩阵r的关系；所述航迹预测值的计算公式如下：x(k+1)＝a(k)x(k)+g(k)w(k)(7)。
5、更新卡尔曼滤波器的预测协方差矩阵，计算所述预测协方差矩阵时引入时变衰减因子，表示为，p(k+1)＝λ(k)a(k)p(k)at(k)+q(k)(8)；在式(8)中，p为所述预测协方差矩阵，λ为所述时变衰减因子；其中，所述时变衰减因子的计算方式如下：其中：n(k)＝h(k)q(k)ht(k)+r(k)(11)；m(k)＝h(k)a(k)pat(k)ht(k)(12)；在式(10)中，d为观测值与航迹预测值的差，即d(k)＝z(k)-h(k)x(k)，tr[n(k)]为阵n(k)的迹，tr[m(k)]为矩阵m(k)的迹。
6、根据滤波收敛准则判断所述卡尔曼滤波器是否收敛，包括：v(k)vt(k)≤h(k)p(k+1)ht(k)+r(k)(13)；w(k)wt(k)≤a(k)p(k+1)at(k)+q(k)(14)；若满足式(13)和式(14)，则判定所述卡尔曼滤波器当前收敛。
7、未满足收敛条件时计算过程噪声协方差矩阵和测量噪声协方差矩阵，包括：计算所述过程噪声协方差矩阵q，表示为，q(k+1)＝(1-c(k))q(k)+c(k)[k(k)d(k)dt(k)kt(k)+p(k)-a(k)p(k-1)at(k)](15)；计算所述测量噪声协方差矩阵r，表示为，r(k+1)＝(1-c(k))r(k)+c(k)[d(k)dt(k)+hk+1p(k+1)htk+1](16)；在式(15)和式(16)中，c(k)的定义为：c(k)＝(1-b)/(1-bk)，b为遗忘因子(0<b<1)。
8、计算卡尔曼增益k，表示为，在式(17)中，h为单位矩阵，p为预测协方差矩阵，r为测量噪声协方差矩阵。
9、获得经过自适应噪声滤波后的航迹预测值x(k+1)，表示为：x(k+1)＝x(k)+k(k+1)d(k)(18)。
10、在式(18)获取所述航迹预测值后，更新预测协方差矩阵p，用于下一次迭代计算，表示为：p(k+1)＝[i-k(k+1)h]p(k)(19)。
11、一种针对雷达航迹跟踪的噪声自适应估计系统，其包括：建立飞机动态模型以获取当前时刻的航迹预测值的航迹预测模块；更新卡尔曼滤波器的预测协方差矩阵，计算所述预测协方差矩阵时引入时变衰减因子的协方差更新模块；根据滤波收敛准则判断所述卡尔曼滤波器是否收敛的收敛判断模块；未满足收敛条件时计算过程噪声协方差矩阵和测量噪声协方差矩阵，然后计算卡尔曼增益，最终获得经过自适应噪声滤波后的航迹预测值的航迹最优模块。
12、一种雷达跟踪装置，包括处理器和存储器，所述存储器中存储有计算机指令，其特征在于，所述计算机指令在所述处理器执行时能实现上述任一项一种针对雷达航迹跟踪的噪声自适应估计方法。
13、本专利技术与现有技术相比，具有如下的优点和有益效果：
14、本专利技术提供一种针对雷达航迹跟踪的噪声自适应估计方法及系统，在卡尔曼滤波算法的基础上改进；本方法利用观测数据在进行递推滤波的同时修正噪声的统计特性，从而动态调整过程噪声协方差q和观测噪声协方差r。由于q和r的计算需要使用从滤波开始时刻至当前时刻所有的观测数据，因此引入时变衰减因子动态调整预测协方差矩阵,以减少历史数据对q和r计算的影响，提高了噪声估计的自适应性；同时增加滤波收敛准则进行判断，仅在滤波器未满足收敛条件时更新噪声协方差矩阵，降低了算法时间复杂度，同时又可在目标发生机动，引起噪声的统计特性出现变化时，对噪声协方差矩阵进行准确估计，以完成对运动轨迹突然发生变化的目标进行准确跟踪。本专利技术解决了在采用卡尔曼滤波跟踪雷达航迹时，由于噪声难以估计导致跟踪效果不佳的问题。
本文档来自技高网...【技术保护点】
1.一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，包括：
2.根据权利要求1所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，建立飞机动态模型以获取当前时刻的航迹预测值，表示为：
3.根据权利要求2所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，更新卡尔曼滤波器的预测协方差矩阵，计算所述预测协方差矩阵时引入时变衰减因子，表示为，
4.根据权利要求3所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
5.根据权利要求4所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
6.根据权利要求5所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
7.根据权利要求6所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，获得经过自适应噪声滤波后的航迹预测值X(k+1)，表示为：
8.根据权利要求7所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，在式(18)获取所述航迹预测值后，更新预测协方差矩阵P，用于下一次迭代计算，表示为：
...【技术特征摘要】
1.一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，包括：
2.根据权利要求1所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，建立飞机动态模型以获取当前时刻的航迹预测值，表示为：
3.根据权利要求2所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，更新卡尔曼滤波器的预测协方差矩阵，计算所述预测协方差矩阵时引入时变衰减因子，表示为，
4.根据权利要求3所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
5.根据权利要求4所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
6.根据权利要求5所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，
7.根据权利要求6所述的一种针对雷达航迹跟踪的噪声自适应估计方法，其特征在于，获得经过自适应噪声滤波后的航迹预测值x(k+1)，表示为：...
【专利技术属性】
技术研发人员：罗军，李璐，陈世洪，
申请(专利权)人：四川九洲空管科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。