[发明专利]基于当前统计模型的雷达机动目标跟踪优化方法

说明书

本发明公开了一种基于当前统计模型的雷达机动目标跟踪优化方法，思路为：确定雷达，所述雷达检测范围内存在目标；建立当前统计模型，确定目标的初始机动频率α₀，然后分别计算目标状态转移矩阵F和输入控制矩阵G；将k‑1时刻目标的状态估计记为将k时刻目标的机动频率记为α_k，分别计算k时刻目标的状态一步预测和k时刻目标的过程噪声协方差矩阵Q(k)；然后分别计算k时刻目标的量测预测新息v(k)、k时刻目标的卡尔曼增益K(k)和k时刻目标的新息协方差矩阵S(k)；进而分别计算k时刻目标状态的估计值k时刻的误差协方差矩阵P(k|k)和k+1时刻目标的机动频率α_k+1；所述k时刻的误差协方差矩阵P(k|k)、k时刻目标状态的估计值和k+1时刻目标的机动频率α_k+1，为基于当前统计模型的雷达机动目标跟踪优化结果。

技术领域

本发明属于雷达技术领域，特别涉及一种基于当前统计模型的雷达机动目标跟踪优化 方法，适用于雷达对单个机动目标进行实时跟踪。

背景技术

随着现代目标的机动性能的不断提高和目标跟踪环境的日益复杂，以及对机动目标跟 踪性能的要求越来越高，机动目标的运动模型作为机动目标跟踪技术的基础仍然是机动目 标跟踪研究的重点和难点；绝大部分研究者都是从目标加速度的角度出发，提出了许多实 用的模型和算法，如匀加速模型、时间相关模型、Noval统计模型、半马尔科夫模型等。

1970年R.A.Singer提出了Singer模型，该Singer模型假设目标机动加速度是一个零均 值的平稳一阶自相关随机过程；但由于目标在实际的运动中机动加速度均值不为零，因而 机动加速度的零均值假设与实际情况不符，Singer模型的准确性在加速度较大时变得较差。

为了准确描述目标机动时加速度的动态特性，实时结合目标机动的先验知识和动态信 息，1983年周宏仁教授在Singer模型的基础上提出了当前统计模型，其采用修正的瑞利 分布来表征目标机动加速度的特性，并根据目标当前的加速度来估计目标下一时刻的加速 度；当前统计模型本质是均值加速度自适应模型，能真实反映出目标的机动范围和强度变 化，比较接近真实目标的运动特性，是目前应用最为广泛的实用模型之一。

由于当前统计模型中的机动频率一般设为某个常数，若系统的实际机动性能大于该常 数所对应的机动性，系统会出现跟踪延迟，系统跟踪稳定时间长，从而影响跟踪系统的实 时性能；若系统的实际机动性能小于该常数所对应的机动性能，则会引起系统状态误差增 大，进而造成目标的丢失。

发明内容

针对现有技术存在的问题，本发明的目的在于提出一种基于当前统计模型的雷达机动 目标跟踪优化方法，该种基于当前统计模型的雷达机动目标跟踪优化方法能够自适应调整 机动目标的机动频率，能够有效的缩短跟踪延迟的时间，同时提高目标跟踪的精度。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于当前统计模型的雷达机动目标跟踪优化方法，包括以下步骤：

步骤1，确定雷达，所述雷达检测范围内存在目标；建立当前统计模型，确定目标的初始机动频率α₀，然后分别计算目标状态转移矩阵F和输入控制矩阵G；

步骤2，分别将k-1时刻目标的状态估计记为将k时刻目标的机动频率记为α_k，然后根据目标状态转移矩阵F和输入控制矩阵G，分别计算得到k时刻目标的 状态一步预测和k时刻目标的过程噪声协方差矩阵Q(k)；其中，k表示离散时 间变量，k≥1；

步骤3，根据k时刻目标的状态一步预测和k时刻目标的过程噪声协方差矩 阵Q(k)，分别计算k时刻目标的量测预测新息v(k)、k时刻目标的卡尔曼增益K(k)和k时刻目标的新息协方差矩阵S(k)；