[发明专利]一种基于BCD-VSMM机动目标无源协同定位方法

摘要

本发明公开了一种基于BCD‑VSMM机动目标无源协同定位方法。该方法利用求闭式解得到多个伪测量，并用梯度下降法对多个伪量测进行融合优化，将得到的融合伪测量作为CD‑VSMM算法的输入进行正向滤波，并在正向滤波完成后加入反向滞后平滑算法，即在估计目标运动状态中应用CD‑VSMM算法并使用一种在反向上模仿上述的CD‑VSMM算法进行滞后平滑回溯，来跟踪无源协同定位状态下的机动目标，进行滤波与估计，得到目标的状态值。用上述方法对目标的运动状态进行估计，其估计所得到的结果相较于标准交互多模型(IMM)和基于CD‑VSMM算法有更高的精度和增加可接受范围内的计算复杂度。

主权项

1.一种基于BCD‑VSMM机动目标无源协同定位方法，其特征在于该方法包括以下步骤：步骤(1)、建立机动目标无源协同定位跟踪模型，从m对非同频双基雷达得到的第k时刻信号中提取m组测量并对每一时刻测量的位置状态进行编号；其中为到达角，为信号由经目标O_X到达R_X与直达R_X时间差乘以雷达传播速度计算所得的距离差，m为发射站总数，表示第l个非同频外辐射源信号发射站,R_X表示接收站；步骤(2)、由于从接收站得到m组测量与目标状态信息并不是线性关系，为了得到目标位置的估计值，需要进行伪线性处理；故根据测量发射站与接收站的位置信息，求闭式解得到目标状态的m个伪测量和分别为处理后的目标坐标；步骤(2)m组测量经过如下闭式求解得到具体是：可得步骤(3)、基于梯度下降法对步骤(2)得到的多个伪测量进行优化，得到融合伪测量，具体为：针对分布在伪测量空间的m个伪测量，求出一点到所有伪测量的距离之和最短，即根据取得最小值，得到融合伪测量步骤(4)、将融合伪测量作为CD‑VSMM算法的输入对目标状态进行正向滤波分析；步骤(5)在正向滤波完成后进行反向平滑，初值由正向滤波得到，并采用在反向上模仿上述的CD‑VSMM算法进行滞后平滑回溯，得到目标航迹和状态信息；步骤(1)具体是：1‑1建立机动目标多基站PCL模型，其中表示第l个非同频外辐射源信号发射站,R_X表示接收站，O_X表示目标，d_OR表示O_X到R_X的距离，表示到O_X的距离，表示到R_X的距离，其中R_X的位置表示为的位置表示为目标O_X位置表示为[x_k,y_k]；设k时刻目标的状态向量为其中(x_k,y_k)、分别表示目标在X轴、Y轴的位置、速度和加速度；目标的运动方程为：Xk＝Fk‑1Xk‑1+vk‑1其中Fk‑1为状态转移矩阵，vk‑1为零均值高斯白噪声，其协方差矩阵为Qk‑1；1‑2.从m对非同频双基雷达得到的第k时刻信号中提取得到m组测量并对每一时刻测量的位置状态进行编号；其中为到达角，为信号由经目标O_X到达R_X与直达R_X时间差乘以雷达传播速度计算所得的距离差，表达式如下：步骤(4)具体是：4‑1设定有向图切换准则：根据先验信息建立完备模型，并按照组合规律组成有向图，根据关键模型概率进行有向图切换，同时对新激活的模型分配概率；4‑2计算k‑1时刻模型的混合概率：其中为归一化常数，b_ij为已知模型转移概率，为已知模型概率，N为最优模型个数，k为当前时刻；4‑3.进行混合得到k‑1时刻第j次模型匹配滤波的状态值和协方差矩阵：其中和分别为第j次和第i次模型匹配滤波状态值，为已知的第i次模型匹配滤波协方差矩阵；4‑4用基于当前统计的无味卡尔曼滤波方法进行滤波，得到k‑1时刻第j次模型匹配滤波的预测状态向量和预测协方差矩阵分别如下：新息协方差矩阵为：其中为伪量测转移矩阵，为伪量测噪声协方差矩阵，为状态噪声协方差矩阵；状态更新得到k时刻第j次模型匹配滤波的状态向量和协方差矩阵分别如下：其中k时刻第j次模型匹配滤波的滤波增益为：为步骤(3)得到的融合伪测量；4‑5第j次模型k时刻模型概率更新：其中归一化常数似然函数4‑6根据步骤4‑4和步骤4‑5得到的k时刻N个模型概率和状态向量，估计得到k时刻模型的最终状态值和协方差矩阵：步骤(5)具体是：根据步骤(4)获得t时刻的后验密度其中为第j次模型高斯密度，第j次模型高斯密度包括模型概率状态向量协方差矩阵从而设定t+1时刻平滑后验密度其中为第i次反向平滑高斯密度，第i次反向平滑高斯密度包括模型概率状态向量协方差矩阵L为滞后时间；5‑1设定有向图切换准则：根据先验信息建立完备模型，并按照一定组合规律组成有向图，根据关键模型概率进行有向图切换，同时对新激活的模型分配概率；5‑2计算t时刻反向模型转移概率：其中b_ji为已知模型转移概率；5‑3计算t+1时刻反向模型的混合概率：其中5‑4进行混合得到第j次模型匹配滤波的状态向量和协方差矩阵：5‑5用基于当前统计的无味卡尔曼滤波方法进行滤波，得到t时刻第j次模型匹配滤波的预测状态向量和预测协方差矩阵为：其中和为已知t+1时刻第j次模型匹配的状态向量和协方差矩阵，为平滑增益，为已知第j次模型的状态转移矩阵；5‑6第j次反向模型概率更新：其中归一化常数似然函数5‑7根据步骤5‑5和步骤5‑6得到的t时刻N个第j次反向模型概率和状态向量，估计出目标对应的状态向量和协方差矩阵，从而得到目标航迹和状态信息：