基于MML?PMHT的多基站單頻網無源協同定位方法與流程

本發明屬于雷達目標跟蹤領域，涉及一種新的極大似然概率多假設(mml-pmht)的多基站單頻網無源協同定位方法。

背景技術：

無源協同定位(passivecoherentlocation，pcl)系統本身沒有發射天線，它利用商用的數字電視(digitalvideobroadcasting-terrestrial，dvb-t)、調頻廣播(fmbroadcasting，fm)、手機基站等作為外輻射源，通過接收天線收到的目標回波信號與參考信號(直達波信號)相干處理，對目標進行無源定位，在抗反輻射導彈、反隱身技術和反電子對抗等方面具有獨特的優勢。多基站pcl系統包含多個外輻射源和接收源，充分利用信號的空間多樣性，進一步提高了無源協同定位的檢測跟蹤性能，受到國內外學者廣泛的關注。

當dab/dvb-t等被選為外輻射源信號時，信號頻率相同，系統工作在單頻網(singlefrequencynetwork,sfn)條件下，此時對低信噪比目標進行檢測和跟蹤需要解決“輻射源-目標-測量”三維數據關聯問題。因此，在目標數目未知及單頻網場景下，如何利用多基站pcl系統實現目標航跡起始及維持問題，是本領域研究的重點。傳統的基于多假設跟蹤(modifyhypothesistracking，mht)方法，將關聯問題劃分成幾個跟蹤階段，以此來減少計算復雜度，mht降低了復雜度，但mht本身帶來了計算負荷。近幾年的研究中，對于目標數目確定的場景，針對多輸入多輸出pcl系統，分析單頻網下的三維數據關聯問題，提出一種兩階段的關聯算法。所述方法一定程度降低了數據的關聯量，但仍存在耗時問題。同樣對于已知目標數目場景，在另一項研究中，其基于正交頻分多路復用技術的dvb多基站雷達網，提出一種“超目標”的概念(一個目標和一個輻射源構成一個“超目標”)，并提出兩種方法解決三維數據關聯問題。第一種方法需采用一系列其他技術減少計算復雜度。第二種方法采用概率多假設跟蹤觀測模型減少計算復雜度，而mht模型本生增加了計算負荷。目前，國內相關研究較少，在不考慮單頻網問題下，最新的研究中提出一種基于擬蒙特卡羅模擬退火極大似然概率多假設跟蹤算法，用來解決目標個數未知時無源協同定位系統低可觀測目標的航跡起始及維持問題，能夠有效減少計算量，提高實時性。但該文獻更側重目標數目未知和低可觀測目標的航跡起始及維持問題，沒有考慮單頻網問題。

本發明提出一種改進的極大似然概率多假設跟蹤(modifiedmaximumlikelihoodprobabilitymulti-hypothesistracker，mml-pmht)方法。該方法對于目標數目未知場景，通過假設法假定目標數目，并結合所有幀測量數據構建對數似然比(log-likelihoodratio，llr)函數，通過優化llr求解目標數目。其次，針對單頻網問題，結合“超目標”概念，對每一個目標和輻射源構成一個“超目標”組合，對接收到的測量數據進行多幀積累，構建“超目標”狀態下的llr函數，將目標跟蹤問題轉換為似然函數的求解問題，極大程度上降低了數據關聯量，大幅提高了實時性。最后，通過滑窗批處理技術，實現低信噪比下航跡的起始及維持。

技術實現要素：

本發明的目的在于解決多基站單頻網無源協同定位中的三位數據關聯問題。同時可減少跟蹤耗時及提高跟蹤精度。

本發明包括以下內容：

步驟1：構建多基站單頻網無源協同定位系統的數學模型。

步驟2：在缺乏目標真實個數的先驗條件下，通過假設法假定目標個數，結合所有幀積累數據，構建關于目標個數的似然比函數，優化求解該似然函數求解目標真實個數。

步驟3：對確定的目標個數，在超目標概念下，構建mml-pmht的對數似然比函數，結合窗口中的測量數據集，優化求解似然函數。

步驟4：由滑窗批處理法實現航跡的維持。

本發明的有益效果是：在復雜的目標跟蹤場景下。第一，本發明對于目標數目未知問題，通過構建關于目標數目的llr函數并優化求解目標真實數目；第二，本發明提出的mml-pmht方法在解決三維數據關聯問題，大幅度降低了關聯量，極大程度降低了方法復雜度。第三，本發明方法在定位精度上有所提升，有效地實現了復雜環境下弱目標的航跡起始及跟蹤問題。

附圖說明

圖1為本發明的流程圖。

具體實施方式

以下結合圖1對本發明mml-pmht方法原理進行詳細說明。

下文所指代的“狀態”表示直角坐標平面x方向上的位置、x方向上速度、y方向上的位置及y方向上的速度信息。

步驟1具體建立目標個數未知場景下，多基站單頻網無源協同定位系統的數學模型。

假設第k幀在監視區域內有nk個目標，其中nk是未知的。第i個目標在第k幀的狀態為t表示向量轉置，并假設運動模型如下式：

其中，fk為目標狀態轉移矩陣。輻射源的狀態是已知的，第j個輻射源在第k幀的狀態用表示。接收源在第k幀的狀態是已知的，用表示。

k幀原始距離差和多普勒測量集為mk為第k幀測量的總個數。對于雜波，其在測量空間服從均勻分布，而且期望的雜波個數服從泊松分布。對目標的原始測量模型如下：

其中，wk服從均值為0，方差為rk的高斯分布。考慮到角度信息的低可信度，假設接收源只提供距離差和多普勒測量，即其中

其中pr,k＝[xr,k,yr,k]^t分別是目標、輻射源和接收源的位置矢量，分別是目標、輻射源和接收源的速度矢量。

步驟2具體為針對目標個數未知的場景，通過假設法假定目標個數，構建對數似然比(llr)函數：

其中，nk為目標假定個數，范圍為[0,nk,max]，最小值為0，表示在探測區域內沒有目標，最大值為nk,max。

其中，pd為檢測概率，nt為外輻射源數目，mk,max表示k幀原始測量集合中單幀測量的最大個數，為上取整函數。

由于每個目標在探測區域內均能被其他輻射源照射并接收，且具有相同的檢測概率pd。對目標假定數目nk，定義“超目標”sx為目標和輻射源的狀態組合，“超目標”數目ns如下：

ns＝ntnk(7)

“超目標”在第k幀的狀態定義為目標個數i＝1,...,nk，輻射源個數j＝1,...,nt，超目標個數n＝1,...,ns。表示假定目標個數下的“超目標”狀態集。測量幀數目k＝0,1,...,k，超目標數目n＝0,1,...,ns，假定的目標數目i＝1,...,nk，輻射源數目j＝1,...,nt，表示“超目標”狀態序列。其中表示第i個目標在第k幀的狀態，表示第j個輻射源在第k幀的狀態。π0表示測量源自雜波的先驗概率，πn表示測量源值第n個“超目標”的概率，且有v是傳感器探測范圍大小，是測量源自“超目標”的似然函數：

其中，是測量方程。

步驟3具體為優化llr函數來估計目標數目：

其中，為真實目標個數。

步驟4具體為構建“超目標”狀態下mml-pmht的llr函數：

其中，表示超目標真實個數。對于給定的目標數目llr可達到最大值。因此，“超目標”狀態估計問題轉化為優化llr函數問題：

在確定性運動(見公式(1)和(2))下，上式的狀態估計問題可簡化為如下的參數估計問題：

由于每一個“超目標”都包含一個目標和一個輻射源，同時輻射源的狀態已知，在公式(11)中的估計參數取決于起始狀態目標的個數。公式(12)中的優化問題可表示為：

因此對于給定的目標數目llr可達到最大值，用表示，目標狀態估計值代替目標狀態x0。

步驟5具體為采用滑窗批處理法實現航跡維持

在第k幀，給定滑窗寬度為w，滑窗步長為1，使用接收源的第k幀到第k+w-1幀量測信息來估計目標第k幀的狀態，當得到第k+w幀的量測信息后，采用滑窗方式移除w幀量測中的第k幀，將新接收到的量測作為滑窗中w幀的最后一幀。然后依據新窗口中的w幀量測信息來估計目標第k+1幀的狀態，依次循環遞推，實現航跡維持。假設接收源接收的w幀測量集為zk:k+w-1，則目標第k幀的運動狀態為：

整個滑窗批處理結束后，繼而得到k幀下目標運動狀態集，從而實現對目標的檢測跟蹤。