本發(fā)明涉及一種基于反向平滑的當(dāng)前統(tǒng)計(jì)有向圖切換變結(jié)構(gòu)多模型(Backward Smoothing Current Statistics Digraph Switch Variable Structure Multiple Model，BCD-VSMM)機(jī)動目標(biāo)無源協(xié)同定位(Passive Coherent Location，PCL)方法。

背景技術(shù)：

現(xiàn)代戰(zhàn)爭中，雷達(dá)作為參戰(zhàn)方的“千里眼”起到的舉足輕重乃至事關(guān)成敗的作用。而隨著電子技術(shù)、超大規(guī)模集成電路和計(jì)算機(jī)技術(shù)的飛速發(fā)展，結(jié)合對近年來多次局部戰(zhàn)爭和武裝沖突的研究可以看出，對大多數(shù)的擔(dān)負(fù)預(yù)警或防空任務(wù)的傳統(tǒng)雷達(dá)而言，隱身突防、低空超低空突防、電子干擾和反輻射彈技術(shù)對雷達(dá)系統(tǒng)構(gòu)成嚴(yán)重的威脅。針對這些日趨先進(jìn)的高科技手段，每個致力于國防現(xiàn)代化的國家都積極研發(fā)對抗手段以確保己方雷達(dá)能夠應(yīng)對威脅從而有效檢測目標(biāo)。無源雷達(dá)系統(tǒng)利用外輻射源而本身并不需要發(fā)射電磁波信號，且商業(yè)調(diào)頻廣播電臺或電視臺發(fā)射的信號均在VHF頻段，因此，它既具有較強(qiáng)的戰(zhàn)場生存能力又具備常規(guī)低頻雷達(dá)的優(yōu)點(diǎn)。作為常規(guī)有源雷達(dá)的一種有效補(bǔ)充，該類雷達(dá)具有廣闊的發(fā)展前景和重要的實(shí)用價值。

BCD-VSMM方法，該方法將CD-VSMM算法作為正向?yàn)V波方法并進(jìn)行反向平滑，即在估計(jì)目標(biāo)運(yùn)動狀態(tài)中應(yīng)用當(dāng)前統(tǒng)計(jì)和有向圖切換方法進(jìn)行正向?yàn)V波并進(jìn)行反向平滑來跟蹤無源協(xié)同定位狀態(tài)下的機(jī)動目標(biāo)，得到目標(biāo)的狀態(tài)向量。該方法基于一個假設(shè)：在無源系統(tǒng)定位場景中，單個目標(biāo)在二維空間內(nèi)做近似勻速直線運(yùn)動或者近似協(xié)同轉(zhuǎn)彎運(yùn)動，在每一段運(yùn)動中速度為近似恒定，我們用上述方法對目標(biāo)的運(yùn)動狀態(tài)進(jìn)行估計(jì)。現(xiàn)有的標(biāo)準(zhǔn)交互多模型(IMM)方法，基于CD-VSMM方法，基于HG-VSMM方法及基于A-VSMM方法，在多基站多測量的處理上一般使用最小二乘進(jìn)行處理，對多測量進(jìn)行融合計(jì)算復(fù)雜，定位不準(zhǔn)確，并且上述方法并沒有在逆向上進(jìn)行平滑回溯濾波，濾波精度不高，不能較好的跟蹤機(jī)動目標(biāo)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對現(xiàn)有技術(shù)的不足，提供一種基于BCD-VSMM機(jī)動目標(biāo)無源協(xié)同定位方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案具體包括如下步驟：

步驟(1)建立機(jī)動目標(biāo)無源協(xié)同定位跟蹤模型，從多對非同頻雙基雷達(dá)得到的第k時刻信號中提取得到多對方位角和距離差，并進(jìn)行編號；

步驟(2)根據(jù)測量值求閉式解可以得到目標(biāo)狀態(tài)的多個偽測量；

步驟(3)基于梯度下降法對多個偽量測進(jìn)行優(yōu)化，得到融合偽測量；

步驟(4)將融合偽測量作為CD-VSMM算法的輸入對目標(biāo)狀態(tài)進(jìn)行正向?yàn)V波分析；

步驟(5)在正向?yàn)V波完成后進(jìn)行反向平滑，其中使用一種在反向上模仿上述的CD-VSMM算法進(jìn)行平滑回溯，得到目標(biāo)航跡和狀態(tài)信息。

本發(fā)明有益效果如下：

1)能夠解決在多基站無源協(xié)同定位場景下，通常在多基站多測量的情況下一般采用最小二乘方法來優(yōu)化測量，在本方法中使用梯度下降法來優(yōu)化偽測量得到融合偽測量，算法簡單，計(jì)算簡便，且定位更準(zhǔn)確；

2)將CD-VSMM方法用于正向?yàn)V波并加入反向平滑，在反向上模仿CD-VSMM方法進(jìn)行平滑回溯，使估計(jì)軌跡更加接近目標(biāo)軌跡，并且最終得到目標(biāo)的狀態(tài)估計(jì)信息相較于單純的正向?yàn)V波(IMM，CD-VSMM，HG-VSMM及A-VSMM方法)所得的狀態(tài)信息更加精確，更好地跟蹤機(jī)動目標(biāo)。

附圖說明

圖1為本發(fā)明流程圖。

圖2多基站PCL示意圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例、附圖對本發(fā)明做進(jìn)一步的分析。

本發(fā)明是一種基于BCD-VSMM機(jī)動目標(biāo)無源協(xié)同定位方法，如圖1所示，詳細(xì)包括以下步驟：

步驟(1)、建立機(jī)動目標(biāo)無源協(xié)同定位跟蹤模型，從m對非同頻雙基雷達(dá)得到的第k時刻信號中提取可以得到m對方位角和距離差m為發(fā)射站總數(shù)；具體如下：

1-1.建立機(jī)動目標(biāo)多基站PCL示意圖，如圖2，其中表示第l個非同頻外輻射源信號發(fā)射站,R_X表示接收站，O_X表示目標(biāo)，d_OR表示O_X到R_X的距離，表示到O_X的距離，表示到R_X的距離，其中R_X的位置表示的位置表示目標(biāo)O_X位置表示[x_k,y_k]；

設(shè)k時刻目標(biāo)的狀態(tài)向量為其中(x_k,y_k)、分別表示目標(biāo)在X軸、Y軸的位置、速度和加速度。目標(biāo)的運(yùn)動方程為：

X_k＝F_k-1X_k-1+v_k-1

其中，F(xiàn)_k-1為狀態(tài)轉(zhuǎn)移矩陣，v_k-1為零均值高斯白噪聲，其協(xié)方差為Q_k-1。

1-2.從m對非同頻雙基雷達(dá)得到的第k時刻信號中提取可以得到m對測量并對每一時刻測量的位置狀態(tài)進(jìn)行編號；其中為到達(dá)角，為信號由經(jīng)目標(biāo)O_X到達(dá)R_X與直達(dá)R_X時間差乘以雷達(dá)傳播速度計(jì)算所得的距離差，表達(dá)式如下：

步驟(2)、由于從接收站得到m組測量與目標(biāo)狀態(tài)信息并不是線性關(guān)系，為了得到目標(biāo)位置的估計(jì)值，我們需要進(jìn)行偽線性處理。根據(jù)測量發(fā)射站與接收站的位置信息，求閉式解得到目標(biāo)狀態(tài)的m個偽測量和分別為處理后的目標(biāo)坐標(biāo)；

在得到m組測量經(jīng)過如下閉式求解得到

可得：

步驟(3)、采用梯度下降法對目標(biāo)狀態(tài)的m個偽測量進(jìn)行融合計(jì)算，具體是對分布在偽測量空間的m個偽測量，求出一點(diǎn)到所有偽測量的距離之和最短，即將取得最小值時的并將其作為融合偽測量

步驟(4)、將目標(biāo)的融合偽測量作為CD-VSMM算法輸入，進(jìn)行正向?yàn)V波分析；具體步驟如下：

4-1.設(shè)定有向圖切換準(zhǔn)則：根據(jù)先驗(yàn)信息建立完備模型，并按照一定組合規(guī)律組成有向圖，根據(jù)關(guān)鍵模型概率進(jìn)行有向圖切換，同時對新激活的模型分配概率。

4-2.計(jì)算混合概率：

這里為歸一化常數(shù)，其中b_ij為已知模型轉(zhuǎn)移概率，為已知模型概率，N為最優(yōu)模型個數(shù)，k為當(dāng)前時刻。

4-3.混合：第j次模型匹配濾波的狀態(tài)值和協(xié)方差矩陣如下：

其中和分別為第j次和第i次模型匹配狀態(tài)值，為已知協(xié)方差。

4-4.用基于當(dāng)前統(tǒng)計(jì)的無味卡爾曼濾波方法進(jìn)行濾波，得到預(yù)測狀態(tài)向量和預(yù)測協(xié)方差為：

新息協(xié)方差為：

其中為偽量測轉(zhuǎn)移矩陣，為偽量測噪聲協(xié)方差，為狀態(tài)噪聲協(xié)方差。

狀態(tài)更新：

其中濾波增益為：為融合偽測量。

4-5.模型概率更新：

其中，歸一化常數(shù)似然函數(shù)

4-6.估計(jì)得到最終狀態(tài)值和協(xié)方差矩陣：

步驟5中，在正向?yàn)V波完成后進(jìn)行反向平滑，該方法是在反向上模仿步驟(4)CD-VSMM正向?yàn)V波方法進(jìn)行平滑回溯，初值由正向?yàn)V波得到。根據(jù)步驟(4)給定t時刻的后驗(yàn)密度其中為第j次模型高斯密度，第j次模型高斯密度包括模型概率狀態(tài)向量協(xié)方差故可知t+1時刻平滑后驗(yàn)密度其中為第i次反向平滑高斯密度，第i次反向平滑高斯密度包括模型概率狀態(tài)向量協(xié)方差L為滯后時間。

具體步驟如下：

5-1.設(shè)定有向圖切換準(zhǔn)則：根據(jù)先驗(yàn)信息建立完備模型，并按照一定組合規(guī)律組成有向圖，根據(jù)關(guān)鍵模型概率進(jìn)行有向圖切換，同時對新激活的模型分配概率。

5-2.計(jì)算反向模型轉(zhuǎn)移概率：

其中b_ji為已知模型轉(zhuǎn)移概率。

5-3.計(jì)算反向混合概率：

其中

5-4.進(jìn)行混合得到第j次模型匹配的狀態(tài)向量和協(xié)方差：

5-5.用基于當(dāng)前統(tǒng)計(jì)的無味卡爾曼濾波方法進(jìn)行濾波，得到預(yù)測狀態(tài)向量和預(yù)測協(xié)方差為：

其中和為已知第j次模型匹配的狀態(tài)向量和協(xié)方差，為平滑增益，表達(dá)式為：

其中為已知第j次模型的狀態(tài)轉(zhuǎn)移矩陣。

5-6.反向模型概率更新：

其中，歸一化常數(shù)似然函數(shù)

5-7.估計(jì)出目標(biāo)對應(yīng)的狀態(tài)向量和協(xié)方差，計(jì)算得到目標(biāo)航跡和狀態(tài)信息：