基于径向加速度和速度差分信息的模型快速匹配滤波方法

本发明涉及一种基于径向加速度和速度差分信息的模型快速匹配滤波方法，适用于高/中脉冲重复频率雷达(如机载脉冲多普勒雷达等)对机动目标的跟踪，属于雷达跟踪领域。

背景技术：

1、随着海空战场环境的日益复杂，现代军用飞机和导弹的机动能力大大增强，准确跟踪机动目标一方面可以提前感知目标未来的轨迹信息，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，研究机动目标跟踪技术对海战场态势认知具有重要意义。

2、现阶段的机动目标跟踪方法主要在雷达测量信息(位置、多普勒速度)的基础上，建立运动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，例如ca模型、singer模型和cs模型(当前统计模型)，这些方法具有以下缺陷：当目标在短时间内采用多种模式运动时，单一目标运动模型容易失配，会出现跟踪精度低甚至跟踪发散的问题。

技术实现思路

1、为解决上述现有技术中所存在的问题，本发明提出一种基于径向加速度和速度信息的模型快速匹配滤波方法，该发明基于雷达信号处理阶段基于压缩感知方法得到的目标径向速度和径向加速度信息，将其与残差信息构建机动目标特征向量，利用概率神经网络训练出运动模型决策矩阵，根据该矩阵实时匹配相应的目标运动模型，从而提高动态目标跟踪系统的自适应性能。

2、本发明提出的一种基于径向加速度和速度信息的模型快速匹配滤波方法，其特征在于的包括以下步骤：

3、步骤1：在信号处理阶段获取目标径向加速度和径向速度估计值

4、将雷达接收机接收到的雷达回波信号通过采样器以采样间隔进行采样，变为离散信号；然后将其送入雷达信号处理计算机；在雷达信号处理计算机中利用压缩感知算法估算出目标径向加速度和径向速度值，将得到的目标径向速度ra(k)(k时刻的径向速度)和径向加速度值rv(k)(k时刻的径向加速度)送到雷达数据处理计算机。

5、步骤2：构建机动目标特征向量

6、考虑二坐标雷达数据处理问题，选择cv(匀速)模型、ct(匀速转弯)模型和ca(匀加速)模型作为模型集合。

7、cv模型中，直角坐标系下目标运动模型可表示为：

8、x(k)＝f(k-1)x(k-1)+γ(k-1)ν(k-1)         (1)

9、其中，为k时刻目标状态向量，xk和yk为目标在x轴和y轴方向的位置，和为目标在x轴和y轴方向的速度，ν(k-1)＝[vx,vy]为过程噪声向量，vx,vy分别为目标在x轴和y轴速度的随机变化，而

10、

11、为状态转移矩阵；

12、

13、为过程噪声矩阵，t为采样周期，γ(k-1)ν(k-1)符合零均值方差为γ(k-1)q(k-1)γt(k-1)的高斯白噪声；

14、ca模型中，直角坐标系下目标运动模型同公式(1)，但目标状态向量为和分别表示k时刻目标x方向和y方向的加速度，ν(k-1)＝[vx,vy]为过程噪声向量，相应的状态转移矩阵和过程噪声矩阵分别为：

15、

16、ct模型中，直角坐标系下目标运动模型同公式(1)，但目标状态向量为ω表示k时刻目标转弯的角速度，ν(k-1)＝[vx,vy]为过程噪声向量，相应的状态转移矩阵和过程噪声矩阵分别为：

17、

18、

19、量测方程一步预测为：

20、z(k/k-1)＝h(k)x(k)+w(k)

21、其中，h(k)为量测模型矩阵；w(k)为零均值方差为r(k)的高斯白噪声。

22、cv模型、ca模型和ct模型对应的量测向量为：

23、z(k/k-1)＝[xk yk]t

24、量测矩阵h(k)分别为：

25、

26、

27、

28、残差信息d(k)为：

29、d(k)＝z(k)-z(k|k-1)

30、其中z(k)为k时刻从雷达信号处理阶段获得的量测信息，rk为距离量测、θk为方位角量测，θk＝arctan(yk/xk)；

31、根据机动目标状态特性，选择速度的差分、加速度差分和残差信息作为特征向量，s(i,k)进行训练。s(i,k)为：

32、s(i,k)＝[δrv(i,k) δra(i,k) δx(i,k) δy(i,k)]

33、其中，s(i,k)为第i个样本在k时刻的输入向量，i＝1,2,…,n，i为样本数，δrv(i,k)＝rv(i,k)-rv(i,k-1)为第i个样本k时刻速度的差分，rv(i,k)为第i个样本k时刻速度，rv(i,k-1)为第i个样本k-1时刻速度，δra(i,k)＝ra(i,k)-ra(i,k-1)为第i个样本k时刻加速度的差分，ra(i,k)为第i个样本k时刻加速度，ra(i,k-1)为第i个样本k-1时刻加速度，δx(i,k)和δy(i,k)分别为第i个样本k时刻在x轴和y轴的残差。

34、步骤3：基于概率神经网络的机动模型快速匹配滤波算法

35、本发明的概率神经网络训练时间短，不易产生局部最优，分类正确率高，可获得贝叶斯准则下的最优解。该网络由输入层、模式层、求和层、输出层组成，其计算图如图2所示。具体计算如下：

36、(1)假设产生n个机动轨迹训练样本，其中匀速轨迹样本为个，匀加速轨迹样本为个，转弯轨迹样本为个，将机动目标的特征向量s(1,k),s(2,k),…,s(n,k)作为训练样本，归一化后进行输入网络输入层，输入层神经元的个数为4kn，对应网络输入为x＝[x1,x2,…,x4kn]t。

37、(2)输入层将输入变量传递给模式层，该层神经元数量等于训练样本的数量n，模式层计算输入特征向量与各个模型的匹配关系，该层每个模式单元的输出为

38、

39、其中wi为连接层与模式层的权值；σ为平滑因子。

40、(3)求和层的每个神经元代表一个模型类别，神经元数量等于模型类别数量，因此求和层的神经元个数为3。该层的每个神经元只与模式层里同类的神经元建立联系，对同类神经元的概率进行求和，进而得到模型类型概率密度函数估计式

41、

42、式中，xmi为模型分类的第i个训练样本，m＝1时为cv模型，m＝2时为ca模型，m＝3时为ct模型，φ1(x)为cv模型概率密度函数，φ2(x)为ca模型概率密度函数，φ3(x)为ct模型概率密度函数。

43、(4)第四层输出决策层由阈值辨别器组成，其作用是在三个运动模型的估计概率密度φm(x)中选择一个具有最大后验概率密度函数的神经元作为整个系统的输出。输出决策层神经元个数等于运动模型种类的个数，它接受从求和层输出的各类概率密度函数，概率密度函数最大的那个神经元输出为1，所对应的那一类运动模型为输出运动模型。当概率神经网络输出为m1＝[1 0 0]时，表示选择cv模型，输出为m2＝[0 1 0]时，表示选择ca模型，输出为m2＝[0 0 1]时，表示选择ct模型。然后采用kalman滤波方法对目标状态进行滤波更新。

44、本发明的有益效果：本发明与传统singer模型、cs模型相比，在匀速直线运动过程中，由于目标处于非机动的运动状态，运动的速度是恒定的，三种模型在跟踪较稳定不会出现较大的偏差。在匀加速运动阶段和匀速转弯运动阶段，目标处于速度和加速大小和方向发生变化的机动状态，这对于模型精度提出了较高的要求，传统的singer模型、cs模型的加速度信息都是通过先验确定的，在机动较大的运动过程中，位置和速度、加速度估计值会产生较大误差，本发明将机动目标速度的差分、加速度差分和残差信息作为特征向量，利用概率神经网络可以在极短时间内匹配出最接近目标运动模型，在目标跟踪轨迹精度、位置估计误差、速度估计误差和加速度估计误差方面都有了明显的改善。