雷達(dá)機(jī)動目標(biāo)運(yùn)動模型與跟蹤算法研究.pdf

1、目標(biāo)跟蹤問題是一個隨著跟蹤對象的變化、發(fā)展而不斷發(fā)展、深入研究的問題。通過目標(biāo)跟蹤,實(shí)現(xiàn)對目標(biāo)狀態(tài)的精確估計(jì),從而為后續(xù)的很多信息處理,如目標(biāo)威脅估計(jì)、指揮決策等提供穩(wěn)定的數(shù)據(jù)基礎(chǔ)。由于新型跟蹤目標(biāo)的出現(xiàn)以及對目標(biāo)跟蹤信息的不斷需求,機(jī)動目標(biāo)跟蹤越來越成為當(dāng)前研究熱點(diǎn)。論文結(jié)合863課題:“空天多源信息×××研究”,主要開展雷達(dá)機(jī)動目標(biāo)的運(yùn)動建模與濾波跟蹤算法方面的研究。論文的主要內(nèi)容包括:
　　首先介紹了論文的研究背景,并對機(jī)動

2、目標(biāo)跟蹤中的兩大問題:目標(biāo)運(yùn)動模型、跟蹤算法的研究現(xiàn)狀進(jìn)行了詳細(xì)論述,并介紹了本文的研究內(nèi)容。
　　以參數(shù)“α”和“η”為特征參量,建立了基于α-η參數(shù)的強(qiáng)機(jī)動目標(biāo)運(yùn)動模型。通過詳細(xì)分析Singer模型和Jerk模型的特征,分析了二者在表征目標(biāo)運(yùn)動特征方面的不足。基于此,以參數(shù)α和η為參數(shù)特征,建立了強(qiáng)機(jī)動目標(biāo)的α-η參數(shù)運(yùn)動模型。通過對α-η參數(shù)運(yùn)動模型的離散化處理,推導(dǎo)出α-η參數(shù)運(yùn)動模型的狀態(tài)-測量模型,并詳細(xì)分析了α-η參

3、數(shù)運(yùn)動模型的特征。實(shí)驗(yàn)表明該運(yùn)動模型具有較強(qiáng)的目標(biāo)機(jī)動模式表征能力。
　　提出了一種基于修正不敏卡爾曼濾波的目標(biāo)跟蹤算法。在UKF算法中,濾波增益的計(jì)算主要由兩個協(xié)方差決定:狀態(tài)協(xié)方差、狀態(tài)與測量的協(xié)方差,當(dāng)目標(biāo)作機(jī)動時,濾波增益將滯后于目標(biāo)的機(jī)動狀態(tài),從而使跟蹤誤差變大。因而,在跟蹤過程中,通過實(shí)時估計(jì)噪聲協(xié)方差的修正因子,然后利用修正因子實(shí)時修正預(yù)測狀態(tài)協(xié)方差,利用修正后的預(yù)測協(xié)方差更新狀態(tài)協(xié)方差,進(jìn)而修正濾波增益。采用自適應(yīng)

4、因子修正后的協(xié)方差來計(jì)算濾波增益,使得修正后的濾波增益與目標(biāo)的運(yùn)動相匹配,從而獲得較好的濾波跟蹤精度。實(shí)驗(yàn)表明該算法具有比UKF更好的跟蹤性能。
　　融合UT變換和EKF各自優(yōu)點(diǎn),在提高算法的跟蹤性能和較少運(yùn)算時間方面,提出了兩種目標(biāo)跟蹤算法。(1)不敏擴(kuò)展卡爾曼濾波跟蹤算法。UKF在非線性跟蹤系統(tǒng)中具有比EKF更好的跟蹤性能,但是所需的計(jì)算時間大于EKF的計(jì)算時間。基于此原因,提出了一種融合不敏變換(UT)和擴(kuò)展卡爾曼濾波的目標(biāo)

5、跟蹤方法,該方法主要通過把UKF中狀態(tài)協(xié)方差以及狀態(tài)和測量值的互協(xié)方差的多項(xiàng)矢量相乘轉(zhuǎn)換成多個相加的計(jì)算,從而有效減少算法的運(yùn)算時間。該算法融合UT變換的多樣性Sigma粒子的特點(diǎn)以及EKF的運(yùn)算時間快的特點(diǎn),既保留了較好的濾波跟蹤精度,又具有較少的運(yùn)算時間。(2)自適應(yīng)不敏擴(kuò)展卡爾曼濾波跟蹤算法。在不敏擴(kuò)展卡爾曼濾波過程中,利用殘差信息,采用指數(shù)衰減和遺忘因子的方式實(shí)時估計(jì)和修正兩個噪聲協(xié)方差,實(shí)現(xiàn)噪聲協(xié)方差的自適應(yīng)估計(jì)。實(shí)驗(yàn)表明這兩

6、種算法具有比UKF較好的跟蹤精度,又具有較少的運(yùn)算時間。
　　在提高模型概率估計(jì)準(zhǔn)確性方面,提出了一種基于模型概率修正的交互多模型算法。交互多模算法在計(jì)算濾波后的狀態(tài)信息時,加權(quán)因子(即模型概率)的計(jì)算主要利用兩類信息:新息和模型概率預(yù)測值,該方法沒有利用當(dāng)前時刻狀態(tài)協(xié)方差的有效信息,造成對模型概率估計(jì)的不準(zhǔn)確?；谶@個特性,把狀態(tài)協(xié)方差的信息融合得到另一個加權(quán)因子,利用該加權(quán)因子修正IMM算法中的模型概率估計(jì)值,即:加權(quán)因子的模