基于變結構多模型的機動目標跟蹤方法
【專利摘要】本發明提出了一種基于變結構多模型的機動目標跟蹤方法，主要解決現有技術中目標跟蹤精度低和目標跟蹤不及時的問題。其實現步驟是：(1)對雷達探測到的目標運動狀態進行采樣，得到雷達量測值；(2)根據目標運動特性建立機動目標跟蹤數學模型；(3)根據目標跟蹤數學模型創建機動目標運動模型，并對其初始化；(4)通過模型集合自適應策略，得到每一時刻的目標運動模型集合；(5)根據雷達量測值和目標運動模型集合，運行變結構交互多模型算法，得到機動目標的狀態估計，實現目標的一次跟蹤；(6)重復執行步驟(4)和步驟(5)，直到跟蹤結束。本發明在保證高跟蹤精度的前提下，減小了運算量，提高了機動目標跟蹤的及時性。
【專利說明】基于變結構多模型的機動目標跟蹤方法
【技術領域】
[0001]本發明屬于信號處理【技術領域】，特別涉及機動目標的跟蹤方法。本發明可用于在保證跟蹤精度的同時能夠提高跟蹤的及時性。
【背景技術】
[0002]機動目標跟蹤一直是跟蹤領域研究的熱點。根據所用的目標運動模型數，機動目標跟蹤方法可分為單模型跟蹤和多模型跟蹤。多模型方法主要經歷了三代。
[0003]第一代多模型方法稱為自治多模型AMM，由Magill和Lainiotis首先提出，后來由Maybeck等人廣泛應用并推廣。這種方法的特點是模型個數固定，各個基礎濾波器單獨運行并獨立于其它濾波器，最后對輸出進行融合。由于自治多模型AMM方法沒有考慮模型之間的跳變，而且各個基于模型的濾波器之間沒有交互，因此稱為靜態多模型方法。這種方法只有在真實模式未知并且在每一時刻只用一個模型做估計的情況下才是有效的。
[0004]第二代多模型方法仍然使用固定的模型個數，但各個模型之間存在交互，具有代表性的是Ackerson和Fu于1970年提出的廣義偽貝葉斯方法GPB和Blom于1988年提出的交互多模型方法IMM，由于其在目標跟蹤上的優秀表現為多模型方法贏得了無數的榮譽，Bar-Shalom促進了多模型的普及和進一步的發展。
[0005]前兩代多模型方法都使用固定結構的多模型，而其存在很多固有的局限。因此Li
XR于1992年提出了變結構多模型的思想和模型集的自適應方法，并在文獻中提出了模型群切換方法MGS，它是第一種可普遍應用于一大類混合估計問題的變結構多模型方法，隨后又在相應的文獻中提出了可能模型集方法LMS和期望模型集擴展方法EMA。Lan jian于2011年提出了最好模型擴展方法BMA，將期望模型集擴展方法EMA進行了推廣，使變結構多模型方法可用于模型結構和參數都存在變化的機動過程。
[0006]到目前為止，已經提出了很多變結構多模型方法，但是大部分方法都存在一定的缺陷性。期望模式擴展方法EMA是一種操作相對簡單、計算復雜度相對較小的方法，但是該方法跟蹤精度較低，同時此方法的跟蹤精度對目標的機動方式和模型集合的拓撲結構設計依賴程度較大。實驗表明，如果期望模型太接近基本模型時，則會產生模型間競爭，從而會導致跟蹤性能下降。最好模型集擴展方法BMA可根據KL準則實時產生與模式匹配的最好模型來提高估計的精度。雖然該方法估計精度很高，但是其運算量較大，實現起來較復雜。
【發明內容】
[0007]本發明的目的在于提出一種基于變結構多模型的機動目標跟蹤方法，以在跟蹤精度和計算復雜度上取的一個平衡，即在保持高跟蹤精度的前提下，減小運算量。此變結構多模型方法對于提高機動目標跟蹤精度和降低計算復雜度具有一定的實際意義。
[0008]本發明的技術方案是:利用現有的最好模型擴展方法BMA的候選模型集和現有的期望模式擴展EMA中求期望模型的方法，構成一種新的模型集合自適應策略。利用該模型集合自適應策略實時的、自適應的調節模型集的大小，從而獲得當前時刻的模型集合，并利用通用的變結構交互多模型算法來估計目標的運動狀態，完成對機動目標的實時跟蹤。具體步驟包括如下:
[0009](I)通過雷達探測機動目標的狀態信息即位置信息，對其進行N次采樣，得到一個長度為N的量測值序列{zk}，k = 1，2，3...N ;
[0010](2)建立機動目標跟蹤數學模型:
[0011](2a)用下式對機動目標建立運動狀態方程:
[0012]xk = FkXk-JGkUH+ r k?k-1
[0013]其中xk表示k時刻機動目標的狀態向量，k為采樣時刻；Fk表示k時刻的狀態轉移矩陣表示k-Ι時刻機動目標的狀態向量；Gk表示k時刻的狀態輸入增益矩陣代表k-Ι時刻的狀態輸入； k表示k時刻的過程噪聲增益矩陣表示k-Ι時刻的過程噪聲，其均值和協方差分別為O和Qlrf的高斯白噪聲序列；
[0014](2b)用下式建立機動目標的量測方程:
[0015]zk = Hkxk+vk
[0016]其中Zk代表k時刻的雷達量測值，k為采樣時刻；Hk表示k時刻的量測矩陣；xk表示k時刻機動目標的狀態向量；vk表示k時刻的量測噪聲，其均值和協方差分別為O和Rk的聞斯白噪聲序列；
[0017](3)利用機動目標跟蹤數學模型進行機動目標的狀態估計:
[0018](3a)目標運動模型和模型參數的初始化:
[0019]根據機動目標運動特性選擇m個目標運動模型作為基本模型集M1I j≤m，選擇η個目標運動模型作為候選模型集
Mik( n，基本模型集合和候選模型集合之間相互獨立，每個模型
均能作為步驟(2a)狀態方程中的一種狀態輸入；
[0020]設在每一個采樣周期里均有m+1個運動模型起作用，即每一采樣時刻的模型集合均有m個基本模型和I個候選模型。設置m+1個目標運動模型的轉移概率矩陣π Ji, i =1，2，…m+1, j = 1，2，…m+1 ；
[0021]根據目標運動特性設置目標運動模型的初始狀態、初始協方差以及其他模型參數:
【權利要求】
1.一種基于變結構多模型的機動目標跟蹤方法，包括如下步驟: (1)通過雷達探測機動目標的狀態信息即位置信息，對其進行N次采樣，得到一個長度為N的量測值序列{zk}，k = 1，2，3...N ; (2)建立機動目標跟蹤數學模型: (2a)用下式對機動目標建立運動狀態方程:
2.根據權利要求1所述的基于變結構多模型的機動目標跟蹤方法，其中步驟(3c)所述的運行變結構交互多模型算法VSMM^MkJ，得到k時刻機動目標的狀態估計，按如下步驟進行: (3cl)模型集合的條件初始化 根據k-Ι時刻π^_模型的概率< 和模型轉移概率矩陣π得出k時刻模型的預測概率W1H和混合權重Ujl1:
【文檔編號】G01S13/66GK104020466SQ201410270612
【公開日】2014年9月3日 申請日期:2014年6月17日 優先權日:2014年6月17日
【發明者】吳建設, 焦李成, 婁益茂, 馬文萍, 馬晶晶, 熊濤, 戚玉濤, 劉紅英 申請人:西安電子科技大學