经典雷达资料-第8章 自动检测、自动跟踪和多传感器融合-5.docVIP

跟踪滤波器 最简单的跟踪滤波器是( -( 滤波器，它由下列三式表示： （8.24） （8.25） （8.26） 式中，xs(k)是经过平滑后的位置；Vs(k)是经过平滑处理后的速度；xp(k)是预测的位置；xm(k)是测量的位置；T是扫描周期（二次检测之间的时间）；( 和( 是系统增益。 若运动方程已知，作为进行跟踪所用的最小均方误差（MSE）滤波器是Kalman滤波器，这种滤波器首先是由Kalman进行研究[42]，然后Kalman和Bucy一起研究[43]。对雷达来说，Kalman滤波器是应用广泛的滤波器，并且是一种递归滤波器，它能使MSE达到最小。在xy坐标中，一个匀速运动目标的状态方程表达式为 （8.27） 其中 （8.28） 及 （8.29） X(t)是t时刻的状态矢量，它包括位置和速度分量；t+1是下一个观测时间；T是两次观测的时间间隔；和是具有协方差矩阵的随机加速度。观测方程为 （8.30） 其中 （8.31） Y(t)是t时刻的测量值，它包括位置参数xm(t)和ym(t)；V(t)是零均值噪声，其协方差矩阵为。 首先假设t时刻的解可由t-1时刻的递归形式表示。这里规定，假设在t-1时刻最佳检测为，并且它的误差协方差矩阵P(t-1|t-1)已知，其中表达式中的符号“(”表示的是一种估计值，整个表达式表示进行到Y(s)的观测时对X(t)的估计。在递归算法中包含了六个步骤： （1）计算一步预测 （8.32） （2）计算一步预测的协方差矩阵 （8.33） （3）计算预测的观测值 （8.34） （4）计算滤波器增益矩阵 （8.35） （5）计算新的平滑过的估计值 （8.36） （6）计算新的协方差矩阵 （8.37） 总之，递归算法从一个估计值及其协方差矩阵开始，获得一个新的观测值和在递归算法中的这六个量后，就可以得到一个新的估计值及其协方差矩阵。 已经证明[44] ，对于一个随机加速度为0，测量值协方差矩阵为0或一个恒定值时，在第k次扫描中，-滤波器通过如下设置能等效为Kalman滤波器 （8.38） 和 （8.39） 这样，随着扫描时间的增大，( 和( 趋近于0，就给新的样本提供一个很好的平滑作用。通常，通过假设与一个1-g机动接近的随机加速度不为0的Q(t)，限制( 和( 不为0是相当重要的。前面叙述的Kalman滤波器的方法对于直线航迹的处理是最佳的（相对于MSE来说），但跟踪机动目标时必须对滤波器进行修正。 机动跟随逻辑 Benedict和Bordner注意到，在TWS系统中，良好的跟踪噪声减少（要求小的( 和(）和良好的机动跟踪能力（要求大的( 和(）这两者之间的矛盾[45]。虽然总是要求折中考虑，但平滑方程应建立在对于期望跟踪噪声衰减的最佳折中上。Benedict和Bordner定义了一种瞬时跟踪能力的方法，并将( 和( 的关系表示为 （8.40） 这样，可以选择满足式（8.40）的((,( )对，以便使跟踪滤波器跟随一个特定的g变化。当目标正在做一个特定的g变化时，Cantrell计算了目标检测结果落在预定目标位置中心的相关区域内的概率[46]。他得到用满足式（8.40）的((,( )，会产生最小的相关区域的方法。然而，如果必须跟踪高的g变化，那么减少噪声的性能就很差。 一种可以替换的方法是用一个转换检测器，这种检测器由两个相关区域组成，如图8.28所示。当目标在作1-g机动时，内部的非机动门通常要设置成使落在门内的目标检测概率大于0.99。如果检测是在非机动相关区域内进行，滤波器工作正常，滤波器的增益按照式（8.35）或式（8.38）和式（8.39）减小。当目标检测值落在非机动门之外，但在机动门之内，表明有一个机动目标存在，并且滤波器的带宽要增加（( 和( 增加），Quigley和Holmes[41]依靠减小式（8.38）和式（8.39）中的k来增加带宽。在大的机动门中，为了避免由于目标衰减引起漏检和因大机动而