[发明专利]一种基于权值自适应的粒子滤波方法和雷达系统

说明书

本申请涉及一种基于权值自适应的粒子滤波方法，粒子滤波方法包括：获取至少具有一组测量数据的雷达测量回波，并初始化；对当前k时刻的粒子进行粒子权值归一化；对粒子权值进行排序分裂高权值的粒子、舍弃低权值粒子；对m个粒子进行聚类得到每个粒子的权值；对第一类神经元进行求和，以及对第二类神经元求和，根据第二类神经元与第一类神经元相除获得输出权值；根据输出权值求得有效粒子权值，并与有效粒子数阈值比对，若小于1则重采样，若大于1则计算状态估计值。本申请的基于权值自适应的粒子滤波方法及雷达系统通过动态构建状态方程，提高先验概率密度分布估计合理性，优化预测效果，改善粒子滤波的鲁棒性与实时性。

技术领域

本申请属于雷达技术领域，特别涉及一种基于权值自适应的粒子滤波方法、装置和雷达系统。

背景技术

对于机动目标跟踪是雷达探测领域重点关注的问题。常规的卡尔曼滤波算法要求系统是线性高斯型的,因而不能直接用于解决非线性、非高斯问题。扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)是对非线性系统进行局部线性化,从而间接利用卡尔曼滤波算法进行状态估计,该算法的跟踪精度会随着非线性化程度的严重而显著降低；

粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波,是解决非线性和非高斯问题的一种行之有效的滤波算法。粒子滤波主要通过粒子集来表示概率，可以在任何形式的状态空间模型上使用。其核心思想是从后验概率中抽取随机状态粒子来表示其分布情况，是一种序贯重要性采样方法，该方法的最大问题就是粒子退化现象，在经过若干次迭代后，粒子重要性权值的方差会随时间逐渐增大，使得少数粒子的权值很大而大多数粒子的权值很小，以至于可以忽略不计，这样就不能有效地表达后验概率密度函数粒子滤波，有时会出现比较严重的退化现象，只有少数样本具有较大的权重，而使其他样本几乎成为无效样本，降低了粒子滤波的估计性能。

发明内容

本申请的目的是提供了一种基于权值自适应的粒子滤波方法及雷达系统，以解决或减轻现有技术中的至少一个问题。

在一方面，本申请提供了一种基于权值自适应的粒子滤波方法，所述粒子滤波方法包括：

步骤一：获取雷达测量回波，所述雷达测量回波中至少具有一组测量数据，根据测量数据确定测量数据的均值和方差的高斯分布，根据高斯分布产生N个粒子，自N个粒子中随机抽取M个粒子，并赋予权值1/M；

步骤二：以k-1时刻的粒子作为条件，对k时刻的粒子概率密度状态转移分布进行采样，确定当前k时刻的粒子权值，并对当前k时刻的粒子进行粒子权值归一化；

步骤三：对粒子权值进行排序获得高权值和低权值的粒子，分裂高权值的粒子为两个权值减半的粒子，舍弃低权值粒子，再次对粒子权值进行排序，取其中最小的m个粒子，并调整粒子的权值；

步骤四：对m个粒子进行聚类，把回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值；

步骤五：利用广义神经网络对第一类神经元进行求和，以及利用广义神经网络对第二类神经元求和，根据第二类神经元与第一类神经元相除获得输出权值；

步骤六：根据输出权值求得有效粒子权值，并与有效粒子数阈值比对，若比值小于1，则重采样，若比值大于1，则计算状态估计值，通过状态估量值评价目标跟踪的稳健性。

在本申请的步骤二中，所述k时刻的粒子概率密度状态转移分布采样方法为

式中，为k时刻的样本点，为k-1时刻的样本点。

在本申请的步骤二中，当前k时刻粒子非归一化权重为

在本申请的步骤二中，当前k时刻粒子i＝1:N归一化粒子权重为

在本申请的步骤四中，所述回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值有