基于最优ar模型的自适应机动目标跟踪方法
【技术领域】
[0001] 本发明属于雷达技术领域，涉及目标跟踪方法，可用于针对机动目标的自适应跟 踪，具体为一种基于最优AR模型的自适应机动目标跟踪方法。
【背景技术】
[0002] 机动目标跟踪一直是目标跟踪领域中的一个热点和难点，主要原因在于目标运动 状态的不确定性。对于跟踪者来说，被跟踪目标的准确状态通常是未知的。即使可以建立 目标运动状态的通用模型，但对不同的目标或同一目标不同时刻的运动状态，跟踪者仍然 很难确定状态模型的具体形式和参数以及噪声的统计特性等。如果所使用的状态模型不准 确，跟踪算法往往会产生很大的跟踪误差，严重时将出现滤波发散。因此，目标状态模型的 建立成为机动目标跟踪的首要问题。一个准确的状态模型甚至比大量的观测数据更为有 效，在观测数据十分有限或观测数据质量很差的情况下，状态模型的作用显得尤为重要。
[0003] 长期以来，人们提出了许多目标运动模型。常用的目标运动模型有常速模型，常 加速模型，Singer模型以及〃当前〃统计模型等。常加速模型常被用作非机动目标运动模 型，而后三个则被用作机动目标运动模型，后三者的区别在于如何看待目标的机动特性。常 加速模型认为加速度的波动是一个严格的白噪声过程，即各个时刻之间目标的机动是相互 独立的，这显然与实际不符；Singer模型将其改造成色噪声过程，即零均值的一阶Markov 过程，认为当前时刻加速度的变化只与上一时刻的加速度有关；而"当前"统计模型则认 为当前时刻加速度只可能在上一时刻加速度的邻域内变化，其本质是一种非零均值的一阶 Markov模型，其对目标机动的假设比Singer模型更加符合实际，但是此模型相对应的跟 踪算法对于非机动或弱机动目标的跟踪性能较差。对于空中运动目标，通常非机动和弱机 动的飞行时间占有很大比例。因此，建立一个非机动和机动运动目标统一的状态模型就非 常关键。更多的目标状态模型详见[LiX.Rong，JilkovV.P·，"Surveyofmaneuvering targettracking,partI:dynamicmodels'，，IEEETransonAerospaceandElectronic Systems, 2003,vol. 39,no. 4,pp: 1333-1364.]。总的来说，现有的状态模型都是基于连续时 间微分模型的，即要对目标的距离进行估计，必须预先对目标的速度、加速度等距离的微分 信息进行估计。那么当所估计的速度和加速度存在较大误差时，估计的距离也同样存在较 大误差。而且现有的用于跟踪的离散时间模型只能利用上一时刻的状态信息，无法利用更 多的过去的数据，这在某种程度上限制了跟踪算法的性能。
[0004] 现有的机动目标跟踪算法大致可以分为两类：基于机动检测的跟踪算法和基于 多模型的跟踪算法，详见[LiX.Rong，JilkovV.P·，"Asurveyofmaneuveringtarget tracking,partIV:decision-basedmethods,'，ProceedingsofSPIEconference onSignalandDataProcessingofSmallTargets,April, 2002,pp:4728-4760.] 和[LiX.Rong,JilkovV.P.,"Surveyofmaneuveringtargettracking, partV:multiple-modelmethods,"IEEETransonAerospaceandElectronic Systems, 2005,vol. 41,no. 4,pp: 1255-1321.]。基于机动检测的方法中，最常用的方法是变 维滤波，即实时检测目标是否发生机动，当检测统计量超过所设定的门限时，使用常加速模 型进行滤波估计，否则使用常速模型。该方法参数设置简单，实用，而且在非机动状态下有 着很好的跟踪性能，但是由于其状态噪声的方差是预先设定的，而不是在线自适应调整的， 这一点影响了其在机动情况下的跟踪性能。基于多模型的跟踪算法中，最具代表性的是交 互多模型算法。该算法由一个常速模型和一个或多个不同状态噪声水平的常加速模型组 成，将各个模型的估计结果进行概率加权作为最终的估计结果。此算法的处理机制非常适 用于机动情况，而对非机动情况的跟踪性能则有所下降。另外，此算法需要过多的先验信 息，需要预先选择状态模型，设置各个模型的过程噪声方差，以及模型间的转移概率矩阵， 这些参数的设置都会影响算法最终的跟踪性能，而且这些信息在实际应用中几乎是不可能 预先获知的。
【发明内容】
[0005] 为了克服上述现有技术的缺点，本发明的目的在于提供一种基于最优自回归 (Autoregressive，AR)模型的自适应机动目标跟踪方法，在AR模型的基础上综合应用变维 滤波和协方差匹配的思想，在模型切换的同时通过滑窗的方法对状态噪声的方差进行在线 统计；仿真发现，本发明对非机动和机动状态均具有较好的跟踪性能。
[0006] 为了实现上述目的，本发明采用的技术方案是：
[0007] -种基于最优AR模型的自适应机动目标跟踪方法，包括：
[0008] (1)设置模型参数：状态噪声的初始协方差矩阵Q。，滑窗长度W，状态变量的维 数M，多项式的阶数N，显著性水平α，并对目标状态的估计均值xk1|ki和估计误差协方差 PkUki进行初始化，k表示离散时间的采样点；
[0009] (2)基于最小均方误差准则，在卡尔曼滤波框架下计算低阶AR模型的系数；
[0010] (3)利用基于步骤（2)得到的低阶AR模型进行卡尔曼滤波，并在线计算状态噪声 的协方差Qk;
[0011] (4)根据给定的显著性水平α，利用卡方检验判断目标是否发生机动，如果目标 发生机动，转至步骤（5)，否则令k增加1，转至步骤（2);
[0012] (5)基于最小均方误差准则，在卡尔曼滤波框架下计算高阶AR模型的系数；
[0013] (6)利用基于步骤（5)得到的高阶AR模型进行卡尔曼滤波，并在线计算状态噪声 的协方差Qk;
[0014] (7)令k增加1，转至步骤（2)。
[0015] 本发明首先将AR模型引入到卡尔曼滤波算法，通过最小均方误差准则计算出最 优AR模型的系数；然后综合利用变维滤波和协方差匹配的思想来应对目标运动状态的变 化，即在低阶模型下通过卡方检验的方法判断目标是否发生机动，一旦发生机动，便切换到 高阶模型；同时在整个滤波的过程中都利用滑窗的方法在线估计状态噪声的协方差，以更 好地适应目标机动的大小。
[0016]与现有技术相比，本发明的优势在于：
[0017] (1)本发明采用AR模型替换传统的微分模型，不需要估计目标的速度和加速度等 微分信息，消除了速度和加速度的估计误差对距离估计的影响。而且其离散形式可以利用 更多的历史数据对目标的状态进行估计，克服了传统离散时间微分模型只能利用上一时刻 的数据的缺点，在目标的运动状态不变的条件下优于传统模型。
[0018] (2)本发明采用AR模型作为目标的运动模型，AR模型系数可以根据噪声统计特性 的变化进行实时调整，使得最终的跟踪误差达到最小。另外在进行模型切换时，不需要改变 目标状态的维数，实现了模型之间的无缝切换，克服了传统变维滤波算法中模型重新初始 化时跟踪性能差的缺点。
[0019] (3)本发明在整个滤波过程中，根据协方差匹配原理，采用滑窗的方法对状态噪声 的协方差进行在线统计，不仅可以较好地拟合目标机动的变化趋势，而且保证了状态噪声 方差的半正定性。
【附图说明】
[0020] 图1是本发明的流程图。
[0021] 图2是本发明中卡尔曼滤波的流程图。
[0022] 图3是本发明仿真实验1中目标的真实加速度。
[0023] 图4是本发明仿真实验1得到的距离估计均值对比曲线。
[0024] 图5是本发明仿真实验1得到的速度估计均值对比曲线。
[0025] 图6是本发明仿真实验1得到的距离估计均方根误差对比曲线。
[0026]图7是本发明仿真实验1得到的速度估计均方根误差