[发明专利]基于最优AR模型的自适应机动目标跟踪方法

说明书

技术领域

本发明属于雷达技术领域，涉及目标跟踪方法，可用于针对机动目标的 自适应跟踪，具体为一种基于最优AR模型的自适应机动目标跟踪方法。

背景技术

机动目标跟踪一直是目标跟踪领域中的一个热点和难点，主要原因在于 目标运动状态的不确定性。对于跟踪者来说，被跟踪目标的准确状态通常是 未知的。即使可以建立目标运动状态的通用模型，但对不同的目标或同一目 标不同时刻的运动状态，跟踪者仍然很难确定状态模型的具体形式和参数以 及噪声的统计特性等。如果所使用的状态模型不准确，跟踪算法往往会产生 很大的跟踪误差，严重时将出现滤波发散。因此，目标状态模型的建立成为 机动目标跟踪的首要问题。一个准确的状态模型甚至比大量的观测数据更为 有效，在观测数据十分有限或观测数据质量很差的情况下，状态模型的作用 显得尤为重要。

长期以来，人们提出了许多目标运动模型。常用的目标运动模型有常速 模型，常加速模型，Singer模型以及"当前"统计模型等。常加速模型常被用 作非机动目标运动模型，而后三个则被用作机动目标运动模型，后三者的区 别在于如何看待目标的机动特性。常加速模型认为加速度的波动是一个严格 的白噪声过程，即各个时刻之间目标的机动是相互独立的，这显然与实际不 符；Singer模型将其改造成色噪声过程，即零均值的一阶Markov过程，认 为当前时刻加速度的变化只与上一时刻的加速度有关；而"当前"统计模型则 认为当前时刻加速度只可能在上一时刻加速度的邻域内变化，其本质是一种 非零均值的一阶Markov模型，其对目标机动的假设比Singer模型更加符合 实际，但是此模型相对应的跟踪算法对于非机动或弱机动目标的跟踪性能较 差。对于空中运动目标，通常非机动和弱机动的飞行时间占有很大比例。因 此，建立一个非机动和机动运动目标统一的状态模型就非常关键。更多的目 标状态模型详见[LiX.Rong,JilkovV.P.,“Surveyofmaneuveringtarget tracking.partI:dynamicmodels”,IEEETransonAerospaceandElectronic Systems,2003,vol.39,no.4，pp:1333-1364.]。总的来说，现有的状态模型都 是基于连续时间微分模型的，即要对目标的距离进行估计，必须预先对目标 的速度、加速度等距离的微分信息进行估计。那么当所估计的速度和加速度 存在较大误差时，估计的距离也同样存在较大误差。而且现有的用于跟踪的 离散时间模型只能利用上一时刻的状态信息，无法利用更多的过去的数据， 这在某种程度上限制了跟踪算法的性能。

现有的机动目标跟踪算法大致可以分为两类：基于机动检测的跟踪算法 和基于多模型的跟踪算法，详见[LiX.Rong,JilkovV.P.,“Asurveyof maneuveringtargettracking.partⅣ:decision-basedmethods,”Proceedingsof SPIEconferenceonSignalandDataProcessingofSmallTargets，April,2002,pp: 4728-4760.]和[LiX.Rong,JilkovV.P.,“Surveyofmaneuveringtarget tracking.partⅤ:multiple-modelmethods,”IEEETransonAerospaceand ElectronicSystems,2005,vol.41,no.4，pp:1255-1321.]。基于机动检测的方法 中，最常用的方法是变维滤波，即实时检测目标是否发生机动，当检测统计 量超过所设定的门限时，使用常加速模型进行滤波估计，否则使用常速模型。 该方法参数设置简单，实用，而且在非机动状态下有着很好的跟踪性能，但 是由于其状态噪声的方差是预先设定的，而不是在线自适应调整的，这一点 影响了其在机动情况下的跟踪性能。基于多模型的跟踪算法中，最具代表性 的是交互多模型算法。该算法由一个常速模型和一个或多个不同状态噪声水 平的常加速模型组成，将各个模型的估计结果进行概率加权作为最终的估计 结果。此算法的处理机制非常适用于机动情况，而对非机动情况的跟踪性能 则有所下降。另外，此算法需要过多的先验信息，需要预先选择状态模型， 设置各个模型的过程噪声方差，以及模型间的转移概率矩阵，这些参数的设 置都会影响算法最终的跟踪性能，而且这些信息在实际应用中几乎是不可能 预先获知的。

发明内容