[发明专利]基于RAV-NN的目标机动轨迹预测方法及系统

说明书

本发明公开基于RAV‑NN的目标机动轨迹预测方法及系统，包括：获取目标机动的径向加速度估计值和径向速度估计值；构建目标运动模型和量测模型，将径向加速度估计值和径向速度估计值引入至量测模型，得到量测方程；计算动态反馈神经网络的输入特征向量；将输入特征向量输入至动态反馈神经网络中实时学习，并输出修正滤波估计值误差；采用修正误差补偿滤波估计值，得到目标的位置和速度信息。对机动目标跟踪效果好，明显提高了目标轨迹跟踪精度。

技术领域

本发明涉及雷达目标机动跟踪处理领域，特别涉及基于RAV-NN的目标机动轨迹预测方法及系统。

背景技术

随着海空战场环境的日益复杂，电磁对抗的加剧，准确预测目标机动轨迹非常重要。一方面可以提前感知自身未来的轨迹信息，进而分析判断空战态势，从而做出合理的机动决策；另一方面，在激烈的海战场对抗过程中，准确预测目标机动轨迹，获得态势优势，可以提高海空战制胜的可能性。因此，研究目标机动轨迹预测具有重要意义。

目标机动轨迹本质上是一个时间序列非线性预测问题，现阶段的预测跟踪方法主要在雷达测量信息(位置、多普勒速度)的基础上，建立动态模型对目标进行跟踪建模，然后利用各种滤波算法实现对机动目标的跟踪，这种方法具有以下缺陷：

机动模型将加速度建模成时间相关的随机过程的模型，在目标强烈机动时与实际加速度可为任意值的情况不符，并且由于缺少加速度测量信息，会出现跟踪精度低甚至跟踪发散的问题。

发明内容

为解决上述现有技术中所存在的问题，本发明提供基于RAV-NN的目标机动轨迹预测方法及系统，能够根据目标机动情况，利用动态反馈神经网络训练出滤波补偿值，实时修正机动模型的滤波结果，使得机动跟踪模型更加符合目标实际运动情况，从而提高跟踪精度。

一方面，为了实现上述技术目的，本发明提供了基于RAV-NN的目标机动轨迹预测方法，包括以下步骤：

获取目标机动的径向加速度估计值和径向速度估计值；

构建目标运动模型和量测模型，将所述径向加速度估计值和所述径向速度估计值引入至所述量测模型，得到量测方程；

计算动态反馈神经网络的输入特征向量；

将所述输入特征向量输入至所述动态反馈神经网络中实时学习，并输出修正滤波估计值误差；

采用修正误差补偿滤波估计值，得到目标的位置和速度信息。

可选地，所述径向加速度估计值和所述径向速度估计值的获取过程为：

对雷达信号进行稀疏分解，采用压缩感知方法获取目标机动的所述径向加速度估计值和所述径向速度估计值。

可选地，所述目标运动模型为：

X(k)＝Φ(k,k-1)X(k-1)+w(k-1)

其中：

式中，X(k)为状态向量；x_k、和y_k、分别表示k时刻目标x方向和y方向的位置、速度、加速度、加加速度；Φ为状态转移矩阵；w(k-1)为零均值方差为Q的高斯白噪声。

可选地，所述量测方程为：

Z_k＝[r_k θ_k rv ra]^T

其中：

式中，Z_k为k时刻从雷达信号处理阶段获得的量测向量，r_k为距离量测、θ_k为方位角量测、rv为径向速度估计值；ra为径向加速度估计值。

可选地，所述神经网络输入特征向量包括：