高频地波雷达舰船目标跟踪关键技术研究

【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。