用于被动传感系统对具有非连续特性目标的检测跟踪方法与流程

本发明属于被动传感系统目标检测跟踪领域，特别涉及一种针对具有非连续特性目标的检测跟踪技术。

背景技术：

被动传感系统本身不向外发射信号，只被动地接收来自目标辐射、发射或折射信号所携带的信息，然后经过信号处理和提取来实现对目标的探测和跟踪，具有隐蔽性高、目标识别能力强等多种优点，可以增强系统在电子站中的反侦察、抗干扰、抗软硬杀伤等能力。在未来电子对抗及现代情报等系统中，被动传感机制将扮演越来越重要的角色。

在实际的被动探测系统应用中，由于信号传输通道的阻塞，系统随机的漏检及实际复杂环境等不确定因素的影响，将直接导致系统传感器在随机的某些观测时间内，仅能获得关于噪声杂波的量测，而丢失了目标的量测信息。这种情况下，传感器得到的关于目标的量测序列称为断续量测。对于传统跟踪算法而言，直接利用断续量测进行滤波跟踪将带来跟踪精度衰减、重复起始、航迹分段以及计算量负担等一系列严重问题。目前，国内外学者针对量测的断续现象做了大量的研究，在文献“kalmanfilteringwithintermittentobservations,ieeetransactionsonautomaticcontrol,vol.1,no.9,pp.1453-1464,2004.”中，作者将由于网络传输不稳定性所造成的量测断续建模成一个二元bernoulli随机过程，提出了ikf算法并推导出了影响系统稳定的量测断续概率的边界值。类似的，文献“meansquarestabilityforkalmanfilteringwithmarkovianpacketlosses,automatica,vol.47,no.12,pp.2647-2657,2011.”采用遍历马尔可夫过程对传感器网络的数据丢包率进行了建模，进一步地对系统的丢包率进行了分析。目前这些研究工作大多是基于将目标量测的断续性建模成已知的随机过程这一假设下，以此来评估系统工作的稳定性。

在实际运用中，被动探测系统往往需要利用如隐身目标的雷达、声呐、通信、电子干扰等辐射或特定目标发射的信号对目标自身进行探测识别，对目标的运动性质进行分析，为下一步系统的操作提供可靠的决策指令。而当这些辐射或发射信号是非连续且未知时，称之为目标的非连续特性，被动传感器将接收到断续的目标量测。同时，在实际的无源雷达、被动声呐等探测系统中，分析这类信号的非连续特性对于识别目标的行为特征是至关重要的。针对这类典型的目标量测断续的情况，由于其非连续特性往往是未知且不能用已知的随机过程来建模，因此目前所提出的算法中的量测断续模型并不能直接应用于该类非连续目标的跟踪，更没有考虑对信号的非连续特性进行估计。

技术实现要素：

为解决上述技术问题，本发明提出一种用于被动传感系统对具有非连续特性目标的检测跟踪方法，对接收到的断续量测进行非连续周期划分并结合信号周期滑窗自适应地估计目标的非连续特性。

本发明采用的技术方案为：一种用于被动传感系统对具有非连续特性目标的检测跟踪方法，包括：

s1、非连续信号周期的划分定义为：目标主动发射信号，其连续发射信号的持续时间称为信号脉宽，相邻两次连续信号之间的时间间隔称为一个信号周期；所述脉宽大于或等于一次系统采样时间；

s2、对读取的量测数据按照步骤s1的定义进行周期划分；

s3、对目标状态更新时间间隔序列进行更新；

s4、根据步骤s3得到的目标状态更新时间间隔序列，进行变周期贝叶斯滤波估计。

进一步地，步骤s2之前还包括：步骤s20、初始化非连续信号周期参数与脉宽参数。

更进一步地，步骤s2具体包括以下分步骤：

s21、根据系统采样间隔从被动传感器中读取当前时刻量测数据；

s22、对步骤s21读取的量测数据进行门限检测；

s23、根据记录的过门限的点量测及其相应到达时刻，得到量测时序；

s24、对该量测时序按照步骤s1的定义进行周期划分，得到该量测的周期参数及脉宽参数。

进一步地，步骤s3具体为：

s31、非连续特性参数估计；若此时滑窗内的数据没有占满，则采用上一信号周期的信号周期及脉宽作为当前信号周期的非连续特性参数；否则以步骤s24得到的最新量测的周期参数及脉宽参数更新当前信号周期的非连续特性参数；

s32、根据步骤s31估计非连续特性参数，计算目标状态更新时间间隔序列。

更进一步地，步骤s31所述以步骤s24得到的最新量测的周期参数及脉宽参数更新当前信号周期的非连续特性参数，计算式如下：

其中，表示当前信号周期的估计周期参数，k表示滑窗长度，ps(m)表示步骤s24得到的最新量测的周期参数，m表示当前信号周期序号，表示当前信号周期的估计脉宽参数，ws(m)表示步骤s24得到的最新量测的脉宽参数，i＝1，2,...,k。

进一步地，步骤s4包括以下分步骤：

s41、根据上一目标状态更新时刻到当前目标状态更新时刻内的若干个量测，采用贝叶斯滤波准则，计算当前目标状态更新时刻的后验概率密度函数；

s42、采用最小均方误差估计准则从当前目标状态更新时刻的后验概率密度函数中提取目标状态。

更进一步地，步骤s41所述当前目标状态更新时刻的后验概率密度函数，计算式为：

p(x(tk)|z1:k)∝p(zk|x(tk),z1:k-1)p(x(tk)|z1:k-1)

其中，x(tk)表示当前目标状态更新时刻tk对应的目标动力学的状态，z1:k表示tk及以前所有量测数据的集合，z1:k-1表示上一目标状态更新时刻tk-1及以前所有量测数据的集合，p(zk|x(tk),z1:k-1)表示当前目标状态更新时刻的联合似然函数，p(x(tk)|z1:k-1)表示贝叶斯的预测方程，∝表示正比符号。

进一步地，p(zk|x(tk),z1:k-1)计算式为：

其中，nk表示tk-1到tk内的量测数量，τj,k表示tk-1～tk内第j个量测对应的时刻，x(τj,k)对应τj,k时刻的运动状态，x(tk-1)表示上一目标状态更新时刻tk-1对应的目标动力学的状态，z(τj,k)表示τj,k时刻的量测。

本发明的有益效果：本发明针对具有非连续特性目标的检测跟踪问题，将目标的非连续特性带入贝叶斯跟踪流程内，可以实现对非连续运动状态及其信号非连续特性的联合估计；本发明提出的解决框架不必受量测的断续统计模型的限制，结合信号非连续特性推导出自适应变周期贝叶斯跟踪，本发明方法求解过程简单、运用灵活、实用性好；本发明方法可以广泛应用于无源雷达探测、阵列声呐水下目标跟踪、无人机定位跟踪等应用领域。

附图说明

图1是本发明的方案流程图；

图2是本发明实施例提供的第m个信号周期参数的示意图；

图3是本发明实施例提供的断续量测的时序示意图；

图4是本发明实施例提供的目标发射信号的真实非连续特性；

图5是本发明实施例提供的传感器接收的表征量测数据的方位历程图；

图6是本发明实施例提供的本发明方法与其他算法的单次蒙特实验的跟踪效果图；

其中，图6(a)为采用传统处理方法，图6(b)为现有的针对量测断续处理的算法ikf，图6(c)为本发明提出的方法；

图7是本发明实施例提供的本发明方法针对目标跟踪精度的100次蒙特卡罗的结果图；

图8是本发明实施例提供的本发明方法在不同杂波率情况下状态更新时间间隔100次蒙特卡罗的结果图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

如图1所示为本发明的方案流程图，本发明的一种用于被动传感系统对具有非连续特性目标的检测跟踪方法，包括以下步骤：

s1、非连续信号周期的划分定义如图2所示，给出了第m个信号周期的示意图：非连续信号周期的划分定义为：目标主动发射信号，其连续发射信号的持续时间称为信号脉宽w，相邻两次连续信号之间的时间间隔称为一个信号周期p；所述脉宽大于或等于一次系统采样时间t。

本实施例中初始化系统参数，包括：系统采样间隔t＝1s，跟踪总时间l＝200s，目标初始状态更新时间间隔序列γl＝{t0,t0,…,t0}，其中初始更新时间间隔设为t0＝3s，初始化时间变量t＝1s。考虑到目标发射信号的非连续性，引入一个二元变量f(t)，定义tk为第k次目标状态更新时刻，初始化变量k＝0，初始化目标状态x(t0)，初始非连续信号周期参数p(0)＝3及脉宽参数w(0)＝1，初始化变量m＝0。

s2、对读取的量测数据按照步骤s1的定义进行周期划分；

s21、根据系统采样间隔从被动传感器中读取当前时刻量测数据；

本实施例中设计了一个具有非连续特性的运动目标，并考虑了被动探测系统中常用的纯方位目标跟踪方法。被动传感器接收来自运动目标发射的非连续信号，并从中获取关于目标方位角的量测信息，目标的方位角状态建模成匀速直线运动，量测方程如下：

其中，ht表示量测函数，n(t)表示量测噪声。

在本实施例中，估计的目标状态为其中θ(t),分别代表目标的方位角及其方位角速度。如图4所示，考虑了一种非连续特性时变的情况，分别在1～69s内周期间隔为4s，70～149s内周期间隔为5s，150～200s内周期间隔为3s，单个周期内的持续时间均为1s。相应地，如图5所示的方位历程图表征了多个时刻传感器接收到的量测数据，其断续性也是时变的。

s22、对步骤s21读取的量测数据进行门限检测；

根据系统采样间隔从被动传感器中读取当前时刻t量测数据，并对该接收量测进行门限检测，当量测过门限时，记落在相关波门内的检测后的点量测为z(t)，z(t)表示该点量测所代表的目标状态值；否则，z(t)为空；

s23、根据记录的过门限的点量测及其相应到达时刻，得到量测时序；

s24、对该量测时序按照步骤s1的定义进行周期划分，得到该量测的周期参数及脉宽参数。

对得到的量测时序进行周期划分，得到关于量测断续的伪周期参数。如果没有任何相关的过门限点量测数据，即z(t)为空，信号周期迭代m＝m+1。以划分第m个伪信号周期参数ps(m)及ws(m)为例，其具体的步骤为：将门限检测后得到的量测的时序按信号周期的定义进行周期划分，即可得到关于量测的周期pw及脉宽ws，由于这里的划分是对接收到的量测序列划分得到的，并不完全代表了信号真实的周期，又称之为伪信号周期。

s3、对目标状态更新时间间隔序列进行更新；包括以下分步骤：

s31：非连续特性参数估计

如果m＜k，此时滑窗内的数据还没有占满，则遵循系统初始设置

如果m≥k，则利用最新的量测的伪信号周期参数ps(m)及ws(m)去更新信号周期参数，即递推估计第m个信号周期内的参数

s32：根据估计的非连续特性参数，计算目标状态更新时间间隔序列

进而可以确定下一个目标状态更新时刻：tk+1＝tk+tk+1。

s4、根据步骤s3得到的目标状态更新时间间隔序列，进行变周期贝叶斯滤波估计。

s41：根据步骤s3的结果，判断t值是否等于第k+1次状态更新时间tk+1，若是则继续执行步骤s42；否则执行步骤s5。

s42：迭代目标状态更新次数：k＝k+1，对tk-1～tk时间内的nk个量测进行排序记为其中tk表示第k个目标状态更新的时刻，τj,k,j＝1,2,…,nk表示tk-1～tk时间内第j个量测对应的时刻，其量测的断续分布示意图可参见图3。下面利用这些量测实现对tk时刻的贝叶斯估计，首先根据马尔科夫性质及贝叶斯准则，计算当前更新时刻的联合似然函数

其中，p(x(τj,k)|x(tk-1),x(tk))表示x(τj,k)所服从的函数分布，p(z(τj,k)|x(τj,k))表示量测z(τj,k)的似然函数，x(tk)表示tk时刻目标动力学的状态，x(τj,k)对应τj,k时刻的运动状态，z1:k-1＝{z(i),1≤i≤tk-1}代表tk-1及以前的所有量测数据集合。

本实施例中，采取的具体贝叶斯实现算法为kalman算法，具体实现方式为：在线性高斯的假设下，利用第j,j＝1,2,…,nk个子量测单独进行卡尔曼滤波分别得到状态一步预测协方差一步预测量测协方差sj,k，增益kj,k。得到nk个量测的卡尔曼子估计结果后，执行步骤s43。

s43：根据贝叶斯滤波准则，计算tk时刻目标状态的后验概率密度函数

p(x(tk)|z1:k)∝p(zk|x(tk),z1:k-1)p(x(tk)|z1:k-1)(5)

其中，p(x(tk)|z1:k-1)表示贝叶斯的预测方程，可以由状态方程及chapman-kolmogorov方程求得，∝表示正比符号。

然后，利用最小均方误差估计准则从目标状态后验概率密度函数中提取目标状态：

在线性高斯假设下，前一个状态更新时刻的状态后验概率密度函数和预测密度函数分别为：

其中，代表服从均值为x，方差为p的高斯分布函数，即μk|k-1、pk|k-1代表前状态更新时刻状态后验密度函数的高斯参数。μk|k-1、pk|k-1代表预测密度函数的高斯参数。

进而根据式(5)计算当前更新时刻的目标状态的后验概率密度函数

其中，

进而目标状态的最小均方误差估计为

s5、迭代t＝t+t；如果t＞l，则算法结束；否则，返回执行步骤s2。

通过上面的步骤，就可以实现对非连续目标的动力学状态及信号的非连续特性的联合估计。

图4给出了本实施例中传感器所接收到的关于目标的断续量测，图中可以明显看出在目标没有发射信号的时刻，相应的目标量测是丢失的。

图6分别提供了传统跟踪算法、现有的针对量测断续处理的算法ikf和本发明方法的单次蒙特实验跟踪效果图，由图可知，现有方法会造成多次起始、航迹分段、非连续特性丢失等问题，而本发明方法可以有效地避免这些问题。

图7给出了本发明算法进行100次蒙特卡罗实验统计的目标状态估计误差精度结果。随着算法的迭代，估计误差rmse(估计误差，rootmeansquareerror)呈逐渐收敛的趋势，说明估计算法在起作用。图7中单位“°”是本实施例中目标状态方位角的单位。

图8是本发明实施例中是对跟踪过程中目标状态更新时间间隔的100次蒙特卡罗实验统计结果，结果表明本发明的方法可以准确地估计目标的非连续特性。另外，为了体现算法的稳健性，本发明还给出了不同杂波率下的结果，在复杂杂波存在的背景下，本发明的方法仍然可以很好的进行估计。由于数据滑窗的存在，在非连续特性时变的情况下，存在一段估计时延。在实际应用中，假设非连续特性是缓慢时变的情况下，这些时延往往可以忽略不计，最终始终能正确拟合估计真实的发射特性。图8中杂波率用单位区域内泊松分布参数β来表征。

综上所述，本发明可以很好的实现对具有非连续特性目标的稳定检测和持续跟踪，在实现对目标轨迹的正确跟踪的同时，还可以准确估计目标信号的非连续特性，这对于实际探测系统的目标跟踪及识别决策具有重大意义。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。