高频地波雷达舰船目标跟踪关键技术研究

论文摘要

由于高频地波雷达具有探测距离远,探测范围大等优良特点,在一些领域有着重要的应用;然而其可能会随着目标自身特性或环境背景差异而出现探测概率低、角探测精度低等不足,给目标跟踪带来很大困难。本文面向高频地波雷达跟踪舰船目标要求,提出或改进了数据处理关键问题若干方法,复杂背景下远端舰船目标的航迹起始与跟踪与是本文研究的重点。本文首先介绍了雷达目标跟踪中进行状态估计所需要的基本知识。介绍了目标跟踪中经典的卡尔曼滤波器原理、算法步骤;并分析了传统的非线性问题的滤波方法——扩展卡尔曼滤波,它将非线性问题线性化的近似性方法,从而使卡尔曼滤波应用于非线性领域中,本文指出了这种方法的优点与不足。目标机动时,交互多模型滤波方法是最常用的方法之一,本文介绍了这种方法的原理并提出了新的多模型间转移概率的选取方式,改进了算法性能。地波超视距雷达数据处理过程中,由于远端目标角精度低所引起的切向距离误差更大,导致其航迹的形成往往比较困难。而且,针对远端目标相对较低的探测概率也使数据率变低,增加了航迹起始的不确定性。针对上述问题,基于信息论中的信息熵概念,利用目标探测角度误差与距离误差不相关的特性,本文提出了一种基于信息熵理论的远端航迹起始方法,通过考察目标点迹径向信息(距离、径向速度)与切向信息(角度),将远端航迹起始过程转化成一个从较大信息熵过渡到较小信息熵的过程。并基于贝叶斯估计的理论,引入了信息熵在航迹起始时的计算方法,讨论了信息熵理论框架下暂时航迹、确认航迹、假航迹的确认方法,最后分别通过仿真数据与实际数据验证了这种方法的有效性。地波超视距雷达的量测方程是非线性的,而且其运动方式有时也存在非线性特征。传统的解决非线性滤波思路是对非线性方程进行线性化近似,但这种近似势必带来线性化误差,而误差的积累会使滤波器性能下降,甚至导致其发散;解决此问题的一种替代思想是根据当前状态值进行采样,采样出的“粒子”可以代替当前状态的分布状况,而采样方式可以分成两类:以无味滤波为代表的确定性采样方式和以粒子滤波为代表的随机采样方式。无味滤波(UF)为解决非线性问题提供了一种新的思路;首先介绍了无味滤波的原理——无味变换思想,阐述了无味滤波算法步骤;通过与其与扩展卡尔曼滤波对比,证明与扩展卡尔曼滤波相比,无味滤波在计算量上变化不大,而在性能上有较大优势。粒子滤波(PF)技术通过非参数化的蒙特卡罗模拟方法实现递推贝叶斯滤波,适用于非线性目标运动模型、非高斯噪声背景下的目标跟踪。它的本质是通过寻找一组在状态空间中传播的随机样本对概率密度函数进行近似,因此其初始化精度对滤波效果有较大影响。针对其在应用于雷达目标跟踪时的粒子初始化问题,本文提出了基于竞争机制的粒子初始化方法,根据初始阶段有效粒子数原理选择准确度高的粒子,从而改善其滤波效果。粒子滤波最大的困难是粒子退化,现有两种类型的方法以改善粒子退化问题:优化重要密度函数,重采样;然而它们在使用范围与计算量等方面还有待改善。针对这一情况,本文提出了一种新算法:一步采样粒子滤波方法,该方法与重采样方法出发点相同——即利用新的采样方法改善退化现象,不同点在于:这种方法完全摒弃了“一群粒子在空间中传播”的思维模式,通过滤波均值与方差产生粒子,本方法在计算量与滤波效果方面均优于重采样方法。概率数据互联(PDA)算法是解决目标数据关联的最常用的方法之一,属于贝叶斯的滤波算法。最优的贝叶斯方法需要对当前时刻以前的所有确认量测集合进行研究,并给出每一个量测序列的概率;而PDA只对最新的确认量测集合进行研究,因此是次优的贝叶斯方法。实验证明:与次优的贝叶斯方法相比,最优贝叶斯方法性能更为优越,但计算量也大得多,很难工程化实现。为在计算量容许的情况下进一步提高PDA算法的性能,本文将历史统计得到的目标速度、航向信息引入PDA算法过程中,仿真实验证明新方法可有效提高数据关联精度和可靠性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.1.1 高频地波雷达概述
• 1.1.2 高频地波雷达的优势
• 1.1.3 高频地波雷达数据处理问题的研究意义
• 1.2 高频地波雷达跟踪发展概述
• 1.2.1 航迹起始理论
• 1.2.2 非线性滤波
• 1.2.3 数据关联理论
• 1.3 本文研究内容
• 第2章 目标跟踪中的状态估计
• 2.1 卡尔曼滤波与扩展卡尔曼滤波
• 2.1.1 经典卡尔曼滤波
• 2.1.2 扩展卡尔曼滤波
• 2.2 交互式多模型（IMM）滤波器
• 2.2.1 基本交互式多模型（IMM）滤波器算法
• 2.2.2 关于模型转移矩阵的确定
• 2.3 本章小结
• 第3章 基于信息熵的远端航迹起始方法研究
• 3.1 现有航迹起始方法
• 3.1.1 直观法
• 3.1.2 逻辑法
• 3.1.3 Hough 变换
• 3.1.4 改进Hough 变换
• 3.2 远端目标点迹起始波门选择
• 3.2.1 径向信息与切向信息
• 3.2.2 径向信息的优化
• 3.2.3 角度波门的设置
• 3.3 基于信息熵的远端航迹起始方法
• 3.3.1 信息熵简介
• 3.3.2 信息熵的计算
• 3.3.3 基于信息熵理论的航迹属性的认定
• 3.3.4 基于信息熵概率数据关联
• 3.4 实验结果演示
• 3.4.1 仿真数据
• 3.4.2 实际数据
• 3.5 工程应用中存在的问题
• 3.6 本章小结
• 第4章 无味滤波在雷达目标跟踪中的应用
• 4.1 无味变换的基本思想
• 4.1.1 均值和协方差的非线性变换
• 4.1.2 无味变换的基本算法过程
• 4.1.3 无味变换σ点集的选取方式
• 4.2 无味卡尔曼滤波
• 4.2.1 无味卡尔曼滤波的基本形式
• 4.2.2 UKF 算法仿真
• 4.3 本章小结
• 第5章 粒子滤波在雷达目标跟踪中的应用
• 5.1 非高斯观测噪声
• 5.2 基本粒子滤波算法
• 5.2.1 蒙特卡洛采样（Monte Carlo Sampling）
• 5.2.2 贝叶斯重要性采样（Bayesian Important Sampling）
• 5.2.3 顺序重要性采样（Sequential Importance Sampling（SIS））
• 5.2.4 粒子集的退化与重采样
• 5.2.5 标准粒子滤波算法描述及其仿真
• 5.3 初始化粒子的选取方法研究
• 5.4 优化重要性密度函数粒子滤波算法
• 5.4.1 最优重要性密度函数的近似
• 5.4.2 MCMC（Markov Chain Monte Carlo）移动步骤
• 5.4.3 OIPF 算法描述
• 5.4.4 仿真
• 5.5 进化粒子滤波算法（EPF）
• 5.5.1 进化规划
• 5.5.2 进化粒子滤波算法
• 5.5.3 仿真
• 5.6 基于新的采样方法的一种改进型粒子滤波
• 5.7 NPF 算法仿真试验
• 5.7.1 高斯背景非机动目标
• 5.7.2 非高斯背景不机动目标
• 5.7.3 高斯机动情况
• 5.7.4 非高斯机动情况
• 5.7.5 非高斯机动飞机目标
• 5.8 NPF 算法实际数据验证
• 5.9 本章小结
• 第6章 速度-航向信息辅助数据关联方法研究
• 6.1 概率数据关联
• 6.2 联合概率数据关联
• 6.2.1 模型
• 6.2.2 关联区的定义和有效矩阵的建立
• 6.2.3 JPDA 算法的的局限性
• 6.3 速度信息辅助的JPDA
• 6.4 仿真分析
• 6.4.1 交叉目标
• 6.4.2 近距离平行目标
• 6.5 交互式多模型概率数据关联算法
• 6.5.1 交互输入
• 6.5.2 子模型滤波
• 6.5.3 模型概率更新
• 6.5.4 组合输出
• 6.6 航向信息辅助IMMPDA
• 6.6.1 IMMPDA 算法缺点
• 6.6.2 航向信息辅助IMMPDA 算法
• 6.6.3 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 个人简历