[发明专利]基于有限步记忆的卡尔曼滤波方法

说明书

本发明公开了一种基于有限步记忆的卡尔曼滤波方法，主要解决现有技术中目标跟踪准确性与稳定性低的问题。其技术方案是：由传统卡尔曼滤波方法得到目标航迹的前N步状态及状态协方差；按当前状态向后回溯N步，得到目标航迹的参考状态；根据参考状态判断目标的机动性，若发生机动，则对上一帧滤波的速度作修正；再根据参考状态判断当前量测的有效性，若无效，则对新息加一个小于1的权值，得到新的新息；根据上一时刻的状态协方差得到一步预测协方差，再计算增益矩阵；根据预测状态和增益矩阵及新的新息更新当前的状态；根据一步预测协方差和增益矩阵更新状态协方差，完成目标跟踪。本发明提高了目标跟踪的准确性与稳定性，可用于雷达数据处理。

技术领域

本发明属于雷达数据处理技术领域，主要涉及慢速运动目标的跟踪滤波技术，可用于对地面与海面目标的稳定跟踪。

背景技术

雷达对运动目标的跟踪即是跟踪滤波的过程，这是雷达跟踪的核心内容，它的作用是对目标运动状态作出估计和预测。跟踪的任务是通过相关和滤波处理建立目标的运动轨迹。雷达系统根据在建立目标轨迹过程中对目标运动状态作出的估计和预测来评估目标运动的安全态势和机动性的安全效果。因此，雷达跟踪环节工作性能的优劣直接影响到雷达系统的安全效能。

鉴于目标跟踪在增进雷达效能中的重要作用，各国在军用和民用等领域中一直非常重视发展这一雷达技术。机动目标跟踪理论有了很大的发展，尤其是在跟踪算法的研究上，理论更是日趋成熟。在跟踪算法中，主要有线性自回归滤波，两点外推滤波，维纳滤波，加权最小二乘滤波，α-β滤波和卡尔曼滤波，其中卡尔曼滤波算法在目标跟踪理论中占据了主导地位。

传统的标准卡尔曼滤波算法是一种叠代最小均方RLS滤波技术，其是把目标的位置，速度和加速度作为目标状态矢量，通过目标的动力学方程来描述目标状态的变化，利用递推的计算方法，估计目标的状态，以建立目标的航迹。卡尔曼滤波算法虽具有收敛速度快、运算量小的特点。但该方法普遍存在的问题就是跟踪误差大，跟踪结果可能不收敛甚至有丢失目标的状况，即它的稳定性不高。

发明内容

本发明的目的在于针对传统的标准卡尔曼滤波算法的不足，提出一种基于有限步记忆的卡尔曼滤波方法，以减小跟踪误差，提高目标跟踪的准确性与稳定性。

实现本发明目的的技术方案，包括如下：

(1)根据已知目标航迹的前N步滤波状态和预测状态以及状态协方差P(k-1|k-1)，按照目标航迹的当前状态向后回溯N步，得到目标航迹的参考状态其中，k＝1,2,…,N表示时刻；

(2)根据目标航迹的参考状态判断目标是否发生机动：

2a)根据参考状态到当前时刻预测状态的位移a和当前时刻预测状态到量测状态Z(k)的位移c，计算这两个位移之间的夹角θ：

其中，<a,c>表示a与c之间的内积。

2b)根据角度θ判断目标是否发生机动：

若则表示量测在当前目标航迹方向的±45°范围内，目标没有发生机动，直接执行步骤(4)；

若则表示目标发生了机动，此时对当前量测的速度加一个权值w_X和对上一时刻滤波的速度加一个权值w_Z：

2c)根据当前量测的速度的权值w_X和上一时刻滤波的速度的权值w_Z修正上一时刻的滤波，得到更新后的滤波从而得到更新后的预测再根据当前时刻的预测计算当前时刻预测的量测

(3)根据目标航迹的参考状态判断当前量测Z(k)的可靠性：

3a)根据参考状态到当前时刻预测状态的位移a和参考状态到量测状态Z(k)的位移b，计算这两个位移之间的夹角α：