[发明专利]一种机动目标转弯角速度的解析辨识方法

说明书

本发明公开了一种机动目标转弯角速度的解析辨识技术，通过将机动目标转弯运动的系统状态转移矩阵中每一个关于转弯角速度的非线性函数分量作为一个新的参数，实现新参数与系统状态线性耦合，利用EM框架得到新参数的解析解，并反演解析辨识出转弯角速度。本发明通过将系统状态转移矩阵中每一个关于转弯角速度的非线性函数分量作为一个新的参数，实现新参数与系统状态线性耦合，以突破转弯角速度与系统状态非线性耦合的局限性，利用EM框架得到新参数的解析解，并反演解析辨识出转弯角速度，新技术的实现没有涉及任何近似方法，提高了机动目标转弯角速度的辨识精度，而解析高精度的参数辨识结果又反过来进一步改进了目标状态的估计精度。

技术领域

本发明属于机动目标跟踪领域，涉及一种机动目标转弯角速度的解析辨识方法。

背景技术

目标运动模式的不确定性是机动目标跟踪中面临的最根本的挑战之一，而转弯机动是机动目标的一种很重要的运动形式。由于目标通常具有非合作特性，即为了躲避被跟踪和锁定，目标会进行转弯机动，而对于探测方来说，目标的非合作特性会使得转弯角速度未知且时变，这就迫切要求跟踪技术在估计目标状态的同时，也能够高精度地辨识或估计出未知或时变的目标转弯角速度这一未知参数。

在目标的转弯机动模型中，转弯角速度参数被非线性耦合在线性动态方程的状态转移矩阵中，如果采用传统的状态扩维技术去估计这个参数，那么原来的目标线性模型就变成了非线性系统，自然地，由于现有的非线性动态系统滤波技术，如扩展Kalman滤波(EKF)、容积Kalman滤波(CKF)、无迹Kalman滤波(UKF)等，都是一类近似方法，因此状态和转弯角速度的估计值是近似的而非精确的，估计精度不佳。尽管传统的极大似然(ML)或期望最大化(EM)等辨识技术也可以用来解决这个问题，但转弯角速度参数的非线性耦合特性会使得性能指标的优化变成一个非线性函数最大化过程，这就不得不采用近似技术(如牛顿法)来执行性能指标的优化，进而导致参数的辨识优化结果是近似解而非解析解，这也必然引起较大的状态估计误差。尽管以H-无穷为代表的鲁棒估计技术不需要估计或辨识参数，但它要求已知参数变动所引起的干扰上界，这会导致鲁棒滤波器具有极强的保守性，即估计器的鲁棒性都是以克服这个干扰上界为依据来设计的，而实际上转弯角速度所引起的干扰只会小于等于这个干扰上界，这自然会引起目标状态估计精度变差。

发明内容

本发明的目的在于克服现有机动目标跟踪技术的转弯角速度辨识非解析和状态估计精度不佳等缺点，设计一种机动目标跟踪中转弯角速度的解析辨识方法，以提高目标跟踪的精度。

本发明所采用的技术方案是，一种机动目标转弯角速度的解析辨识方法，其特征在于，通过将机动目标转弯运动的系统状态转移矩阵中每一个关于转弯角速度的非线性函数分量作为一个新的参数，实现新参数与系统状态线性耦合，利用EM框架得到新参数的解析解，并反演解析辨识出转弯角速度。

进一步的，具体按照以下步骤进行：

步骤1、求解转弯角速度解析表达式：

1.1)对机动目标转弯运动的系统模型的动态方程进行非线性参数线性转化；其中，机动目标转弯运动的系统模型如下：即为线性系统(1)，

y_k＝h(x_k)+w_k (1-2)；

其中，公式(1-1)为系统模型的动态方程，公式(1-2)为系统模型量测方程；ξ和η分别表示X和Y方向的位置；和分别表示X和Y方向的速度；T表示采样时间间隔；v_k～N(0,Q)；w_k～N(0,R)；

1.2)将经步骤1.1非线性参数线性转化后的动态方程再转化为x_k＝Φx_k-1+Φ_k-1θ+v_k；