本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，特別涉及一種基于代價參考粒子濾波的MIMO雷達(dá)目標(biāo)檢測前跟蹤方法，在動態(tài)系統(tǒng)的噪聲統(tǒng)計特性未知的情況下仍能進(jìn)行目標(biāo)檢測和估計，適用性強(qiáng)。

背景技術(shù)：

雷達(dá)在對機(jī)動弱目標(biāo)的探測過程中，由于回波信號的信噪比低，且目標(biāo)存在機(jī)動性，導(dǎo)致雷達(dá)對目標(biāo)的檢測與跟蹤十分困難。為提高回波信號的信噪比，可以利用增加觀測時間以達(dá)到積累增益，但是目標(biāo)的機(jī)動性導(dǎo)致無法用簡單匹配濾波模型進(jìn)行相干積累。因此，我們需要用一個復(fù)雜的分段模型來描述目標(biāo)的機(jī)動性。對于一個分辨單元，雷達(dá)接收的信號含有目標(biāo)反射的雷達(dá)信號、雜波、相干信號以及噪聲，在檢測之前，雖然進(jìn)行干擾抑制和雜波消除，但是仍然存在部分干擾、雜波以及噪聲，另外，動態(tài)系統(tǒng)還會產(chǎn)生動態(tài)噪聲，這就使得對動目標(biāo)的檢測與跟蹤更加困難。

技術(shù)實現(xiàn)要素：

為克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于代價參考粒子濾波的MIMO雷達(dá)目標(biāo)檢測前跟蹤方法，能夠在動態(tài)系統(tǒng)的噪聲統(tǒng)計特性未知的情況下仍能進(jìn)行目標(biāo)的檢測和估計，同樣適用于噪聲統(tǒng)計特性未知的動態(tài)系統(tǒng)。

按照本發(fā)明所提供的設(shè)計方案，一種基于代價參考粒子濾波的MIMO雷達(dá)目標(biāo)檢測前跟蹤方法，包含如下步驟：

步驟1、初始化，產(chǎn)生初始粒子序列N表示粒子數(shù)，每個粒子的初始代價形成初始的粒子-代價集合

步驟2、計算k時刻的所有粒子的風(fēng)險和重采樣權(quán)值；

步驟3、利用重采樣權(quán)值，選取重采樣粒子形成新的粒子-代價集合

步驟4、從粒子-代價集合Θ_k中產(chǎn)生第k＝k+1時刻的粒子，對于每個粒子

步驟5、跳轉(zhuǎn)至步驟2執(zhí)行，循環(huán)至k＝K，K表示迭代次數(shù)，得到每一時刻的代價狀態(tài)。

上述的，步驟2具體包含如下內(nèi)容：k時刻粒子的風(fēng)險由其代價和k+1時刻的觀測值決定，表示為：其中，λ表示遺忘因子，0≤λ≤1，表示增量代價；根據(jù)k時刻所有粒子的風(fēng)險，計算重采樣權(quán)值：

上述的，步驟4中的第k＝k+1時刻的粒子產(chǎn)生如下：

其中，表示多維高斯分布，其均值為m，協(xié)方差矩陣為

上述的，步驟5中每一時刻的代價狀態(tài)：為每一時刻的平均代價狀態(tài)估計，其具體表示為：或為每一時刻的最小代價狀態(tài)估計，具體表示為：

本發(fā)明的有益效果：

本發(fā)明通過利用目標(biāo)狀態(tài)估計值與真實值之間的誤差計算得到粒子代價，進(jìn)而得到粒子權(quán)重，實施粒子濾波，無需動態(tài)系統(tǒng)的統(tǒng)計特性，在動態(tài)特性未知的情況下仍能進(jìn)行目標(biāo)的檢測和估計，經(jīng)仿真試驗驗證，其檢測跟蹤性能明顯優(yōu)于傳統(tǒng)的粒子濾波算法。

附圖說明：

圖1為本發(fā)明的流程示意圖；

圖2為仿真實驗(1)的檢測性能圖；

圖3為仿真實驗(1)的跟蹤對比圖；

圖4為仿真實驗(1)的跟蹤誤差圖；

圖5為仿真實驗(2)的檢測性能圖；

圖6為仿真實驗(2)的跟蹤對比圖；

圖7為仿真實驗(2)的跟蹤誤差圖；

圖8為仿真實驗(3)的不同p值下的檢測性能圖；

圖9為仿真實驗(3)的不同v值下的檢測性能圖。

具體實施方式：

下面結(jié)合附圖和技術(shù)方案對本發(fā)明作進(jìn)一步詳細(xì)的說明，并通過優(yōu)選的實施例詳細(xì)說明本發(fā)明的實施方式，但本發(fā)明的實施方式并不限于此。

實施例一，參見圖1所示，一種基于代價參考粒子濾波的MIMO雷達(dá)目標(biāo)檢測前跟蹤方法，包含如下步驟：

步驟1、初始化，產(chǎn)生初始粒子序列N表示粒子數(shù)，每個粒子的初始代價形成初始的粒子-代價集合

步驟2、計算k時刻的所有粒子的風(fēng)險和重采樣權(quán)值；

步驟3、利用重采樣權(quán)值，選取重采樣粒子形成新的粒子-代價集合

步驟4、從粒子-代價集合Θ_k中產(chǎn)生第k＝k+1時刻的粒子，對于每個粒子

步驟5、跳轉(zhuǎn)至步驟2執(zhí)行，循環(huán)至k＝K，K表示迭代次數(shù)，得到每一時刻的代價狀態(tài)。

本發(fā)明利用目標(biāo)狀態(tài)估計值與真實值之間的誤差計算得到粒子代價，進(jìn)而得到粒子權(quán)重，實施粒子濾波，無需動態(tài)系統(tǒng)的統(tǒng)計特性，在動態(tài)特性未知的情況下仍能進(jìn)行目標(biāo)的檢測和估計。

實施例二，參見圖1～9所示，一種基于代價參考粒子濾波的MIMO雷達(dá)目標(biāo)檢測前跟蹤方法，包含如下內(nèi)容：

步驟1、初始化，產(chǎn)生初始粒子序列該序列按照概率分布從Ω₀中隨機(jī)產(chǎn)生或有規(guī)則地采樣產(chǎn)生，每個粒子的初始代價形成初始的粒子-代價集合

步驟2、計算k時刻的所有粒子的風(fēng)險和重采樣權(quán)值，k時刻粒子的風(fēng)險由其代價和k+1時刻的觀測值決定，表示為：其中，λ表示遺忘因子，0≤λ≤1，表示增量代價，假設(shè)是第k時刻的真實狀態(tài)，當(dāng)λ＝0時，風(fēng)險僅由增量代價決定，是無記憶的，當(dāng)λ＝1時，前一時刻的代價將全部累積到下一時刻，風(fēng)險是全記憶的，當(dāng)0<λ<1時，先前時刻的風(fēng)險將逐漸被遺忘；在狀態(tài)估計過程中，粒子的風(fēng)險越小越重要。根據(jù)k時刻所有粒子的風(fēng)險，計算重采樣權(quán)值：

步驟3、利用重采樣權(quán)值，選取重采樣粒子重采樣前每個粒子的代價被添加到重采樣的粒子中，形成新的粒子-代價集合：

步驟4、從粒子-代價集合Θ_k中產(chǎn)生第k＝k+1時刻的粒子，對于每個粒子第k＝k+1時刻的粒子產(chǎn)生如下：

其中，表示多維高斯分布，其均值為m，協(xié)方差矩陣為

步驟5、跳轉(zhuǎn)至步驟2執(zhí)行，循環(huán)至k＝K，得到每一時刻的代價狀態(tài)，該代價狀態(tài)為每一時刻的平均代價狀態(tài)估計，其具體表示為：或為每一時刻的最小代價狀態(tài)估計，具體表示為：

為了驗證所提發(fā)明的有效性，下面通過仿真實驗對本發(fā)明做進(jìn)一步說明：

仿真條件：假設(shè)目標(biāo)在1000×1000的二維平面內(nèi)作機(jī)動運動，目標(biāo)的初始位置為[100 200]^T，速度為[11 10]^T，K取值20，分布式MIMO雷達(dá)包含2個發(fā)射天線和3個接收天線。在給定的場景下，仿真產(chǎn)生MIMO雷達(dá)2×3個接收通道的信號。目標(biāo)的運動模型已給出，其中v_k是零均值高斯白噪聲，其協(xié)方差矩陣為：

其中，σ＝1.5表示目標(biāo)機(jī)動性的大小。

具體分為兩種情形進(jìn)行論證：

一)，動態(tài)統(tǒng)計特性已知的情形，設(shè)觀測噪聲為已知的零均值復(fù)高斯白噪聲，對比CRPF檢測器與PF檢測器。設(shè)觀測噪聲的方差為則接收信號的信噪比定義為：

把存在概率的平均值作為檢驗統(tǒng)計量。三個檢測器的虛警概率設(shè)為0.001，虛警概率的門限由100000次僅有觀測噪聲的Monte-Carlo實驗決定，每個SNR值，進(jìn)行1000次實驗計算檢測概率。圖2是粒子數(shù)N＝2000時三種檢測器的檢測概率隨信噪比的變化情況，圖3是SNR＝5dB時，兩種PF算法和本發(fā)明跟蹤效果圖，圖4是三種算法跟蹤誤差隨信噪比的變化情況。由圖2-4可以看出，粒子濾波器[6]性能最好，p＝1的CRPF檢測器雖然沒有利用噪聲的統(tǒng)計特性，但其性能仍然接近于粒子濾波器[6]性能，PF檢測器[2]性能最差，該算法優(yōu)勢在于計算復(fù)雜度小，粒子的選取依靠接收信號傅里葉頻譜的峰值決定，這就造成其存在概率的平均值不一定是二元判決的最佳檢驗統(tǒng)計量。

二)，動態(tài)統(tǒng)計特性未知的情形，觀測噪聲為形狀參數(shù)v＝0.5的零均值廣義復(fù)高斯隨機(jī)數(shù)，假設(shè)噪聲的統(tǒng)計特性未知。由于兩個PF檢測器需要噪聲統(tǒng)計特性，假設(shè)噪聲為零均值復(fù)高斯白噪聲，方差由絕對中位差估計器對時間序列傅里葉變換進(jìn)行估計得到。CRPF檢測器中檢驗統(tǒng)計量的參數(shù)p取值1,在實驗一的條件下，三個檢測器的檢測跟蹤性能如圖5-7?？梢钥闯?，由于CRPF檢測器無需噪聲統(tǒng)計特性，其性能最好，而兩個PF檢測器由于假設(shè)噪聲的統(tǒng)計特性與真實噪聲的統(tǒng)計特性不匹配，所以其檢測性能明顯下降，證明了CRPF檢測器能夠有效處理噪聲統(tǒng)計特性未知的情況。

從前邊的分析可以看出，當(dāng)p＝v＝0.5時，對于形狀參數(shù)為0.5的廣義高斯白噪聲，CRPF檢測器的性能最佳，因為此時CRPF檢測器等同于GLRT檢測器。對于統(tǒng)計特性未知的噪聲，我們希望CRPF檢測器對參數(shù)p不敏感。實驗三驗證了不同參數(shù)下CRPF檢測器的檢測性能。對于形狀參數(shù)v＝0.5的廣義高斯噪聲，當(dāng)p＝0.25,0.5,0.75,1，粒子數(shù)N＝2000，虛警概率為0.001時檢測性能如圖8；當(dāng)p＝0.5，v＝0.25,0.5,0.75,1時，檢測性能結(jié)果如圖9。

由此可以看出，當(dāng)p＝v時，CRPF檢測器才能實現(xiàn)最好的檢測性能，當(dāng)兩者不匹配時，檢測性能會下降，但這個損失在可承受范圍內(nèi)。這就說明擁有可調(diào)參數(shù)(如p＝0.5或1)的CRPF檢測器在形狀參數(shù)v不可調(diào)的情況下仍能表現(xiàn)出很好的檢測性能。

本發(fā)明不局限于上述具體實施方式，本領(lǐng)域技術(shù)人員還可據(jù)此做出多種變化，但任何與本發(fā)明等同或者類似的變化都應(yīng)涵蓋在本發(fā)明權(quán)利要求的范圍內(nèi)。