[发明专利]一种分布式外辐射源雷达组网探测的航迹融合方法

摘要

一种分布式外辐射源雷达组网探测的航迹融合方法，包括以下步骤(1)外辐射源雷达各分布站点分别探测当前时刻的目标信息，并解析对应的当前时刻的目标状态，外辐射源雷达各分布站点获得其对应的当前时刻的局部航迹；(2)融合中心对所有来自于同一目标的外辐射源雷达分布站点的各个当前时刻的局部航迹进行加权融合，得到当前时刻的加权融合后的航迹；(3)在融合中心设置IMM滤波器，对当前时刻的加权融合后的航迹进行IMM滤波，计算得到当前时刻IMM滤波的交互输出状态向量和交互输出协方差矩阵；(4)如果外辐射源雷达各分布站点继续跟踪目标，则令当前时刻增加1，返回步骤1；否则，IMM滤波结束。

主权项

一种分布式外辐射源雷达组网探测的航迹融合方法，其特征在于，包括以下步骤：步骤1，外辐射源雷达各分布站点分别探测当前时刻的目标信息，并分别解析得到各分布站点对应的当前时刻的目标状态，外辐射源雷达各分布站点获得其对应的当前时刻的局部航迹，该局部航迹包含状态向量和协方差矩阵；外辐射源雷达各分布站点将获得的各个当前时刻的局部航迹传送到融合中心；步骤2，融合中心根据外辐射源雷达每个分布站点传送过来的对应的当前时刻的局部航迹中所包含的状态向量和协方差矩阵，判断外辐射源雷达各分布站点的各个当前时刻的局部航迹是否来自于同一目标，对所有来自于同一目标的外辐射源雷达分布站点的当前时刻的局部航迹进行加权融合，得到当前时刻的加权融合后的航迹，该当前时刻的加权融合后的航迹包含当前时刻的融合状态向量和当前时刻的融合协方差矩阵；步骤3，在融合中心设置IMM滤波器，对步骤2所述当前时刻的加权融合后的航迹进行IMM滤波，计算得到当前时刻IMM滤波的交互输出状态向量和交互输出协方差矩阵；其中，所述步骤3的具体子步骤为：3.1在融合中心设置IMM滤波器，并设定IMM滤波初始时刻，如果当前时刻是IMM滤波初始时刻，初始化目标运动模型集，该目标运动模型集包含常速度模型和常加速度模型，设定IMM滤波初始时刻目标运动模型为常速度模型的概率μ1(0)＝0.5，设定IMM滤波初始时刻目标运动模型为常加速度模型的概率μ2(0)＝0.5；构建常速度模型和常加速度模型的马尔科夫转移概率矩阵p，p的维数为2×2，p中的元素pij表示模型i向模型j转移的概率，i∈{1，2}，j∈{1，2}，1表示常速度模型，2表示常加速度模型，p中的同模型间转移概率，即p中的元素p11和p22在区间[0.8，1]中选取；p中的不同模型间转移概率，即p中的元素p12和p21在区间[0，0.2]中选取；根据IMM滤波初始时刻，目标运动模型分别为常速度模型和常加速度模型的概率μ1(0)和μ2(0)，以及所构建的常速度模型和常加速度模型的马尔科夫转移概率矩阵p，计算IMM滤波初始时刻的归一化马尔科夫转移概率矩阵的维数为2×2，中的元素表示为i∈{1，2}，j∈{1，2}，1表示常速度模型，2表示常加速度模型；将当前时刻记为k时刻；将步骤2.2中所述当前时刻的融合状态向量分别作为IMM滤波初始时刻常速度模型和常加速度模型的卡尔曼滤波输出状态向量和即将步骤2.2中所述当前时刻的融合协方差矩阵分别作为IMM滤波初始时刻常速度模型和常加速度模型的卡尔曼滤波输出协方差矩阵和即并令当前时刻增加1，即令k时刻增加1，返回步骤1；如果当前时刻不是IMM滤波初始时刻，则进行下一步操作；3.2分别计算当前时刻常速度模型和常加速度模型的交互输入条件：即根据上一时刻常速度模型和常加速度模型的卡尔曼滤波输出状态向量、上一时刻常速度模型和常加速度模型的卡尔曼滤波输出协方差矩阵、上一时刻目标运动模型分别为常速度模型和常加速度模型的概率以及上一时刻的归一化马尔科夫转移概率矩阵，分别计算当前时刻常速度模型和常加速度模型的交互输入状态向量，以及当前时刻常速度模型和常加速度模型的交互输入协方差矩阵；具体地，将当前时刻记为k时刻；首先，计算k‑1时刻模型j的归一化常数其中，j∈{1，2}，1表示常速度模型，2表示常加速度模型，的表达式为：c‾j(k-1)=Σi=12pijμi(k-1)]]>其中，pij是常速度模型和常加速度模型的马尔科夫转移概率矩阵p的元素，pij表示模型i向模型j转移的概率，μi(k‑1)表示k‑1时刻目标运动模型为模型i的概率；i∈{1，2}，1表示常速度模型，2表示常加速度模型；然后，根据k‑1时刻模型j的归一化常数计算k‑1时刻的归一化马尔科夫转移概率矩阵中的元素的表达式为：μ‾ijk-1=1c‾j(k-1)pijμi(k-1)]]>最后，根据k‑1时刻的归一化马尔科夫转移概率矩阵计算k时刻模型j的交互输入状态向量以及k时刻模型j的的交互输入协方差矩阵其中，j∈{1，2}，1表示常速度模型，2表示常加速度模型，和的表达式分别为：xj*(k|k)=Σi=12x^i(k-1|k-1)μ‾ijk-1]]>pj*(k|k)=Σi=12μ‾ijk-1{p^i(k-1|k-1)+[x^i(k-1|k-1)-xj*(k|k)]*[x^i(k-1|k-1)-xj*(k|k)]T}]]>其中，表示k‑1时刻模型i的卡尔曼滤波输出状态向量，表示k‑1时刻模型i的卡尔曼滤波输出协方差矩阵，i∈{1，2}，1表示常速度模型，2表示常加速度模型，上标T表示矩阵转置；3.3将步骤2.2中所述当前时刻的融合状态向量分别作为当前时刻常速度模型和常加速度模型的输入观测向量x1(k|k)和x2(k|k)，即将步骤2.2中所述当前时刻的融合协方差矩阵分别作为当前时刻常速度模型和常加速度模型的输入观测方差矩阵p1(k|k)和p2(k|k)，即结合步骤3.2所述当前时刻常速度模型和常加速度模型的交互输入条件，对常速度模型和常加速度模型分别进行卡尔曼滤波，即分别计算得到当前时刻常速度模型和常加速度模型的卡尔曼滤波输出状态向量和以及当前时刻常速度模型和常加速度模型的卡尔曼滤波输出协方差矩阵和3.4根据当前时刻常速度模型和常加速度模型的输入观测向量x1(k|k)和x2(k|k)、当前时刻常速度模型和常加速度模型的输入观测方差矩阵p1(k|k)和p2(k|k)、步骤3.1所述常速度模型和常加速度模型的马尔科夫转移概率矩阵p，以及步骤3.2所述当前时刻常速度模型和常加速度模型的交互输入条件，分别计算当前时刻常速度模型和常加速度模型的似然函数Λ1(k)和Λ2(k)；再根据当前时刻常速度模型和常加速度模型的似然函数Λ1(k)和Λ2(k)，计算当前时刻目标运动模型分别为常速度模型和常加速度模型的概率μ1(k)和μ2(k)；具体地，将当前时刻记为k时刻；首先，计算k时刻模型j的似然函数Λj(k)，其中，j∈{1，2}，1表示常速度模型，2表示常加速度模型，Λj(k)的表达式为：Λj(k)=p{xj(k|k)|Mj(k),xj*(k|k),pj*(k|k)}]]>其中，Mj(k)表示k时刻模型j有效，xj(k|k)表示k时刻模型j的输入观测向量，表示k时刻模型j的交互输入状态向量，表示k时刻模型j的交互输入协方差矩阵；然后，根据k时刻模型j的似然函数Λj(k)，计算k时刻似然函数的归一化常数c(k)，c(k)的表达式为：c(k)=Σj=12Λj(k)c‾j(k-1)]]>其中，表示k‑1时刻模型j的归一化常数；最后，根据k时刻似然函数的归一化常数c(k)，计算k时刻目标运动模型为模型j的概率μj(k)，μj(k)的表达式为：μj(k)=1c(k)Λj(k)c‾j(k-1);]]>3.5根据步骤3.3所述当前时刻常速度模型和常加速度模型的卡尔曼滤波输出状态同量和以及当前时刻常速度模型和常加速度模型的卡尔曼滤波输出协方差矩阵和并结合步骤3.4所述当前时刻目标运动模型分别为常速度模型和常加速度模型的概率μ1(k)和μ2(k)，加权求得当前时刻IMM滤波的交互输出结果，即加权求得当前时刻IMM滤波的交互输出状态向量和交互输出协方差矩阵具体地，将当前时刻记为k时刻；首先，计算k时刻IMM滤波的交互输出状态向量的表达式为：x^*(k|k)=Σj=12x^j(k|k)μj(k)]]>其中，表示k时刻模型j的卡尔曼滤波输出状态向量，μj(k)表示k时刻目标运动模型为模型j的概率；然后，计算k时刻IMM滤波的交互输出状态向量的表达式为：p^*(k|k)=Σj=12μj(k){p^j(k|k)+[x^j(k|k)-x^*(k|k)]*[x^j(k|k)-x^*(k|k)]T}]]>其中，表示k时刻模型j的卡尔曼滤波输出协方差矩阵；步骤4，如果外辐射源雷达各分布站点继续跟踪目标，则令当前时刻增加1，返回步骤1；否则，IMM滤波结束，保存步骤3所得当前时刻IMM滤波的交互输出状态向量和交互输出协方差矩阵。