[发明专利]解距离测量模糊的IMPM‑PPHDF方法

摘要

本发明公开了一种解距离测量模糊的IMPM‑PPHDF方法，适用于距离测量模糊情况下雷达对机动多目标的跟踪。针对基于PPHDF的多目标跟踪方法存在目标漏检时容易丢失目标，不能直接给出目标的航迹信息以及无法直接利用模糊的量测数据对目标进行跟踪的问题，本发明提出了解距离测量模糊的IMPM‑PPHDF机动多目标跟踪方法。实施例的实验仿真结果表明本发明可以直接利用模糊量测数据对机动多目标进行跟踪，在跟踪的同时解决距离量测模糊的问题并直接提供目标的航迹信息，有效的扩大了PPHDF算法的适应范围。因此本发明公开的解距离测量模糊的IMPM‑PPHDF机动多目标跟踪方法具有较强的工程应用价值和推广前景。

主权项

解距离模糊的IMPM‑PPHDF方法，其特征包括以下步骤：步骤1：变量初始化(1)T为雷达扫描周期，T1,T2,...,TM为脉冲重复周期，R1,R2,...,RM为各PRF对应的最大不模糊距离；(2)L0为代表1个目标的粒子数，Jk为搜索新目标的粒子数，Sk为搜索1个消失目标的粒子数，Lk为k时刻滤波器采用的粒子总数；(3)U0为PIN初始分布，D0为目标出现的初始分布，γk为平均目标出现概率，PD为目标检测概率，为初始PIN增量模型概率；(4)λk为平均每帧的杂波个数，为k时刻估计的目标个数；(5)Gk为过程噪声分布矩阵，Qk为过程噪声协方差，Rk为量测噪声协方差，∏m为PIN增量模型概率转移矩阵；步骤2：初始化粒子集，令k＝0和对任意p∈{1,2,…,L0}(1)从初始PIN增量模型概率采样PIN增量模型(2)从PIN初始分布U0中采样PIN初始变量(3)从初始分布D0中采样粒子其中表示粒子代表的目标状态，包含了目标的位置速度以及转弯率信息；(4)赋予粒子权重步骤3：令k＝k+1，获得k时刻的雷达模糊量测(1)设置雷达的工作状态，使雷达依次交替采用某个PRF工作，令c＝mod(k,M)+1表示雷达在k时刻采用的PRF的索引号，mod(x,y)表示x/y的余数；(2)将雷达接收到的信号进行A/D变换，得到k时刻的雷达模糊量测集送雷达数据处理计算机，其中表示k时刻雷达得到的第q个量测，包含了目标的模糊距离量测多普勒速度量测以及方位量测信息，而Mk则表示k时刻雷达得到的量测个数；步骤4：已存在粒子集预测，若直接转步骤5，否则对任意p∈{1,2,…,Lk‑1}(1)根据PIN增量模型和PIN增量模型概率转移矩阵∏m预测得到(2)根据选择相应的PIN增量ΔPINk|k-1p=-1mk|k-1p=10mk|k-1p=21mk|k-1p=3]]>并计算PINk|k-1p=PINk-1p+ΔPINk|k-1p]]>(3)根据计算目标状态状态转移矩阵Fk(ωk-1p)=1sin(ωk-1pT)ωk-1p0-1-cos(ωk-1pT)ωk-1p00cos(ωk-1pT)0-sin(ωk-1pT)001-cos(ωk-1pT)ωk-1p1sin(ωk-1pT)ωk-1p00sin(ωk-1pT)0cos(ωk-1pT)000001]]>(4)利用粒子的状态进行一步预测xk,k-1p=Fk(ωk-1p)xk-1p+Gkvk]]>得到粒子其中Gk=T2/200T000T2/200T000T2/2]]>为过程噪声分布矩阵，vk为过程噪声，其噪声协方差为Qk；(5)赋予粒子权重步骤5：生成搜索新目标的粒子集，对任意p∈{Lk‑1+Ik+1,…,Lk‑1+Ik+Jk}(1)从初始PIN增量模型概率采样PIN增量模型(2)从PIN初始分布U0中采样PIN初始变量(3)根据初始分布D0采样“新生”粒子(4)赋予粒子权重步骤6：生成消失目标预测粒子集(1)若k≤2，令Ik＝0，直接转步骤7，否则定义集合Xdis,k-2=Δ{xdis,k-2n|n=1,2,...,Ndis,k-1}]]>PINdis,k-2=Δ{PINdis,k-2n|n=1,2,...,Ndis,k-1}]]>其中表示k‑2时刻存在而k‑1时刻消失的第n个目标，为该目标对应的PIN，Ndis,k‑1表示消失的目标数；(2)若令Ik＝0，直接转步骤7，否则令Ik＝Ndis,k‑1Sk，对任意根据估计的目标转弯率和相应的状态转移方程进行一步预测xpre,k-1n=Fk-1(ω^k-2,n)xdis,k-2n]]>(3)对任意n∈{1,2,...,Ndis,k‑1}和任意p∈{Lk‑1+(n‑1)Sk+1,…,Lk‑1+nSk}，令和从初始PIN增量模型概率采样PIN增量模型然后利用进行一步预测xk|k-1p=Fk(ω^k-2,n)xpre,k-1n+Gkvk]]>得到粒子并赋予该粒子权重步骤7：粒子权重更新(1)对任意p∈{1,2,…,Lk‑1+Ik+Jk}，根据模糊量测方程zamb,k|k-1p=ramb,k|k-1pdk|k-1pθk|k-1p=(xk|k-1p-xs)2+(yk|k-1p-ys)2-Rc·PINk|k-1p(xk|k-1p-xs)x·k|k-1p+(yk|k-1p-ys)y·k|k-1p(xk|k-1p-xs)2+(yk|k-1p-ys)2arctan(yk|k-1p-ysxk|k-1p-xs)]]>得到模糊预测量测其中Rc表示k时刻雷达所采用PRF对应的最大不模糊距离，(xs,ys)为雷达的位置；(2)对任意p∈{1,2,…,Lk‑1+Ik+Jk}和任意m∈{1,2,…,Mk}，计算新息vk,mp=zamb,km-zamb,k|k-1p]]>并计算ψk,m(zamb,k|k-1p)=12π|Rk|PDexp{-(vk,mp)TRk-1vk,mp}]]>其中Rk为量测噪声协方差；(3)对任意m∈{1,2,…,Mk}，计算Ck(zamb,km)=Σp=1Lk-1+Ik+Jkψk,m(zamb,k|k-1p)wk|k-1p]]>(4)对任意p∈{1,2,…,Lk‑1+Ik+Jk}，计算粒子权重wk|kp=[1-PD+Σzamb,km∈Zamb,kψk,m(zamb,k|k-1p)λk+Ck(zamb,km)]wk|k-1p]]>步骤8：目标个数和目标状态初步估计(1)计算所有粒子的权重和N^k|k=Σp=1Lk-1+Ik+Jkwk|kp]]>(2)对粒子集进行重采样，得到新的粒子集其中Round(x)表示取与x最接近的整数；(3)若直接转步骤9，否则根据粒子包含的目标位置信息，采用聚类分析的方法将粒子集划分为个类，得到估计的目标状态集其中表示第n个类的中心，包含了目标的位置估计速度估计和转弯率步骤9：“航迹‑状态”关联，PIN估计(1)若且上一时刻没有形成任何航迹，直接转步骤10；(2)若且Trk‑1＝0，对任意起始一条新航迹；(3)若且Trk‑1>0，终结所有暂时航迹，对确认航迹进行一步预测后将其定义为暂时航迹；(4)若且Trk‑1>0，计算任意航迹和任意估计值之间的统计距离，利用离某一航迹最近的估计值对该航迹进行更新，形成确认航迹；(5)对没有与任何估计值关联上的航迹进行一步预测，并将该航迹定义为暂时航迹；(6)将没有与航迹关联上的估计值作为新的航迹头，进行航迹起始；(7)若在上述步骤中有航迹被更新，利用更新后的航迹对估计的目标数和目标状态进行修正，得到修正的目标个数估计和目标状态估计(8)估计目标的PINPI^Nk,n=Floor((x^k,n-xs)2+(y^k,n-ys)2Rc),n=1,2,...,N^k]]>其中Floor(x)表示取小于或等于x最大整数；步骤10：重复步骤3～步骤9，直至雷达关机。