[发明专利]极坐标系下含多普勒量测的机动目标跟踪方法

权利要求书

1.极坐标系下含多普勒量测的机动目标跟踪方法具体步骤如下：

假设k时刻模型q的状态估计为及估计误差协方差为模型总数为M；k+1时刻获取的量测信息Z_k+1包括距离量测方位角量测和多普勒量测距离、方位角和多普勒量测的量测噪声和是零均值加性高斯白噪声，量测方差分别为和

步骤1：计算初始混合概率和输入状态估计交互；

假定k时刻匹配的模型是q，而在k+1时刻匹配的模型是r，在量测数据为Z_k+1的条件下，初始混合概率为：

其中，为归一化常数，π_qr表示Markov模型转移概率，为在k时刻的模型q出现的概率；

交互后得到k+1时刻模型r的输入：

步骤2：计算k+1时刻的无偏量测转换；

引入乘性偏差的补偿因子得到k+1时刻无偏量测转换：

其中，D为方向余弦矩阵：

步骤3：用模型概率得到目标状态一步预测的加权结果；

模型r的一步预测为：

其中为模型r的状态转移矩阵；

目标一步预测的加权结果为：

步骤4：计算基于预测信息的量测误差协方差的逆矩阵；

旋转预测的目标状态和协方差估算出LOS坐标系下的参量：

其中，预测方位为

得到基于预测信息的量测误差协方差逆矩阵

其中为：

R_R的各个元素分别为：

其中为预测方位方差，可通过线性化获得表示的第n个元素，表示矩阵P_R,k+1|k中第i行第j列的元素；

步骤5：对各模型进行信息卡尔曼滤波(以模型r为例)；

由步骤1得到交互后k+1时刻模型r的输入状态估计误差协方差可得模型r的一步预测误差协方差矩阵为：

其中和分别为k+1时刻模型r的状态转移矩阵、过程噪声驱动矩阵和过程噪声矩阵；

模型r的滤波增益为：

其中，H_k+1为量测矩阵，是表达目标状态与量测之间关系的矩阵；

状态更新信息矩阵为：

步骤6：模型概率更新和最终状态估计；

模型r的信息滤波似然函数为：

其中det(·)为矩阵的行列式，为模型r的新息误差矩阵，其逆矩阵表达式如下：

其中，且

模型r的概率更新为：

其中，c为归一化常数：

为模型r的归一化常数；

通过模型概率加权得到最终状态估计和协方差分别为：

。