基于最優AR模型的自適應機動目標跟蹤方法技術

本發明專利技術公開了基于最優自回歸(Autoregressive，AR)模型的自適應機動目標跟蹤方法，主要解決現有方法對目標非機動狀態和機動狀態的跟蹤性能不能兼顧以及需要過多的先驗信息等問題，其過程是：(1)設置算法參數，并對目標狀態進行初始化；(2)計算低階AR模型的系數；(3)利用基于低階AR模型的卡爾曼濾波器進行濾波，并在線計算狀態噪聲的協方差；(4)判斷目標是否發生機動，如果發生機動轉至步驟(5)，否則令k增加1并轉至步驟(2)；(5)計算高階AR模型的系數；(6)利用基于高階AR模型的卡爾曼濾波器進行濾波，并在線計算狀態噪聲的協方差；(7)令k增加1并轉至步驟(2)；本發明專利技術能夠兼顧目標的非機動和機動狀態的跟蹤性能，可用于雷達對機動目標的自適應跟蹤。

【技術實現步驟摘要】

本專利技術屬于雷達
，涉及目標跟蹤方法，可用于針對機動目標的自適應跟 蹤，具體為一種基于最優AR模型的自適應機動目標跟蹤方法。
技術介紹
機動目標跟蹤一直是目標跟蹤領域中的一個熱點和難點，主要原因在于目標運動 狀態的不確定性。對于跟蹤者來說，被跟蹤目標的準確狀態通常是未知的。即使可以建立 目標運動狀態的通用模型，但對不同的目標或同一目標不同時刻的運動狀態，跟蹤者仍然 很難確定狀態模型的具體形式和參數以及噪聲的統計特性等。如果所使用的狀態模型不準 確，跟蹤算法往往會產生很大的跟蹤誤差，嚴重時將出現濾波發散。因此，目標狀態模型的 建立成為機動目標跟蹤的首要問題。一個準確的狀態模型甚至比大量的觀測數據更為有 效，在觀測數據十分有限或觀測數據質量很差的情況下，狀態模型的作用顯得尤為重要。 長期以來，人們提出了許多目標運動模型。常用的目標運動模型有常速模型，常 加速模型，Singer模型以及〃當前〃統計模型等。常加速模型常被用作非機動目標運動模 型，而后三個則被用作機動目標運動模型，后三者的區別在于如何看待目標的機動特性。常 加速模型認為加速度的波動是一個嚴格的白噪聲過程，即各個時刻之間目標的機動是相互 獨立的，這顯然與實際不符；Singer模型將其改造成色噪聲過程，即零均值的一階Markov 過程，認為當前時刻加速度的變化只與上一時刻的加速度有關；而"當前"統計模型則認 為當前時刻加速度只可能在上一時刻加速度的鄰域內變化，其本質是一種非零均值的一階 Markov模型，其對目標機動的假設比Singer模型更加符合實際，但是此模型相對應的跟 蹤算法對于非機動或弱機動目標的跟蹤性能較差。對于空中運動目標，通常非機動和弱機 動的飛行時間占有很大比例。因此，建立一個非機動和機動運動目標統一的狀態模型就非 常關鍵。更多的目標狀態模型詳見。總的來說，現有的狀態模型都是基于連續時 間微分模型的，即要對目標的距離進行估計，必須預先對目標的速度、加速度等距離的微分 信息進行估計。那么當所估計的速度和加速度存在較大誤差時，估計的距離也同樣存在較 大誤差。而且現有的用于跟蹤的離散時間模型只能利用上一時刻的狀態信息，無法利用更 多的過去的數據，這在某種程度上限制了跟蹤算法的性能。 現有的機動目標跟蹤算法大致可以分為兩類：基于機動檢測的跟蹤算法和基于 多模型的跟蹤算法，詳見 和。基于機動檢測的方法中，最常用的方法是變 維濾波，即實時檢測目標是否發生機動，當檢測統計量超過所設定的門限時，使用常加速模 型進行濾波估計，否則使用常速模型。該方法參數設置簡單，實用，而且在非機動狀態下有 著很好的跟蹤性能，但是由于其狀態噪聲的方差是預先設定的，而不是在線自適應調整的， 這一點影響了其在機動情況下的跟蹤性能。基于多模型的跟蹤算法中，最具代表性的是交 互多模型算法。該算法由一個常速模型和一個或多個不同狀態噪聲水平的常加速模型組 成，將各個模型的估計結果進行概率加權作為最終的估計結果。此算法的處理機制非常適 用于機動情況，而對非機動情況的跟蹤性能則有所下降。另外，此算法需要過多的先驗信 息，需要預先選擇狀態模型，設置各個模型的過程噪聲方差，以及模型間的轉移概率矩陣， 這些參數的設置都會影響算法最終的跟蹤性能，而且這些信息在實際應用中幾乎是不可能 預先獲知的。
技術實現思路
為了克服上述現有技術的缺點，本專利技術的目的在于提供一種基于最優自回歸 (Autoregressive，AR)模型的自適應機動目標跟蹤方法，在AR模型的基礎上綜合應用變維 濾波和協方差匹配的思想，在模型切換的同時通過滑窗的方法對狀態噪聲的方差進行在線 統計；仿真發現，本專利技術對非機動和機動狀態均具有較好的跟蹤性能。 為了實現上述目的，本專利技術采用的技術方案是： -種基于最優AR模型的自適應機動目標跟蹤方法，包括： (1)設置模型參數：狀態噪聲的初始協方差矩陣Q。，滑窗長度W，狀態變量的維 數M，多項式的階數N，顯著性水平α，并對目標狀態的估計均值xk1|ki和估計誤差協方差 PkUki進行初始化，k表示離散時間的采樣點； (2)基于最小均方誤差準則，在卡爾曼濾波框架下計算低階AR模型的系數； (3)利用基于步驟（2)得到的低階AR模型進行卡爾曼濾波，并在線計算狀態噪聲 的協方差Qk; (4)根據給定的顯著性水平α，利用卡方檢驗判斷目標是否發生機動，如果目標 發生機動，轉至步驟（5)，否則令k增加1，轉至步驟（2); (5)基于最小均方誤差準則，在卡爾曼濾波框架下計算高階AR模型的系數； (6)利用基于步驟（5)得到的高階AR模型進行卡爾曼濾波，并在線計算狀態噪聲 的協方差Qk; (7)令k增加1，轉至步驟（2)。 本專利技術首先將AR模型引入到卡爾曼濾波算法，通過最小均方誤差準則計算出最 優AR模型的系數；然后綜合利用變維濾波和協方差匹配的思想來應對目標運動狀態的變 化，即在低階模型下通過卡方檢驗的方法判斷目標是否發生機動，一旦發生機動，便切換到 高階模型；同時在整個濾波的過程中都利用滑窗的方法在線估計狀態噪聲的協方差，以更 好地適應目標機動的大小。與現有技術相比，本專利技術的優勢在于： (1)本專利技術采用AR模型替換傳統的微分模型，不需要估計目標的速度和加速度等 微分信息，消除了速度和加速度的估計誤差對距離估計的影響。而且其離散形式可以利用 更多的歷史數據對目標的狀態進行估計，克服了傳統離散時間微分模型只能利用上一時刻 的數據的缺點，在目標的運動狀態不變的條件下優于傳統模型。 (2)本專利技術采用AR模型作為目標的運動模型，AR模型系數可以根據噪聲統計特性 的變化進行實時調整，使得最終的跟蹤誤差達到最小。另外在進行模型切換時，不需要改變 目標狀態的維數，實現了模型之間的無縫切換，克服了傳統變維濾波算法中模型重新初始 化時跟蹤性能差的缺點。 (3)本專利技術在整個濾波過程中，根據協方差匹配原理，采用滑窗的方法對狀態噪聲 的協方差進行在線統計，不僅可以較好地擬合目標機動的變化趨勢，而且保證了狀態噪聲 方差的半正定性。【附圖說明】 圖1是本專利技術的流程圖。 圖2是本專利技術中卡爾曼濾波的流程圖。 圖3是本專利技術仿真實驗1中目標的真實加速度。 圖4是本專利技術仿真實驗1得到的距離估計均值對比曲線。 圖5是本專利技術仿真實驗1得到的速度估計均值對比曲線。 圖6是本專利技術仿真實驗1得到的距離估計均方根誤差對比曲線。圖7是本專利技術仿真實驗1得到的速度估計均方根誤差當前第1頁1 2 3 本文檔來自技高網...

【技術保護點】
一種基于最優AR模型的自適應機動目標跟蹤方法，其特征在于，包括：(1)設置模型參數：狀態噪聲的初始協方差矩陣Q0，滑窗長度W，狀態變量的維數M，多項式的階數N，顯著性水平α，并對目標狀態的估計均值xk?1|k?1和估計誤差協方差Pk?1|k?1進行初始化，k表示離散時間的采樣點；(2)基于最小均方誤差準則，在卡爾曼濾波框架下計算低階AR模型的系數；(3)利用基于步驟(2)得到的低階AR模型進行卡爾曼濾波，并在線計算狀態噪聲的協方差Qk；(4)根據給定的顯著性水平α，利用卡方檢驗判斷目標是否發生機動，如果目標發生機動，轉至步驟(5)，否則令k增加1，轉至步驟(2)；(5)基于最小均方誤差準則，在卡爾曼濾波框架下計算高階AR模型的系數；(6)利用基于步驟(5)得到的高階AR模型進行卡爾曼濾波，并在線計算狀態噪聲的協方差Qk；(7)令k增加1，轉至步驟(2)。

【技術特征摘要】

【專利技術屬性】
技術研發人員：靳標，郭交，糾博，蘇濤，何學輝，朱學衛，
申請(專利權)人：西北農林科技大學，
類型：發明
國別省市：陜西;61