机动目标变采样周期滤波的IMM算法研究.docVIP

机动目标变采样周期滤波的IMM算法研究 　　摘 要:针对IMM算法,提出一种变采样周期的滤波算法。该算法事先设定一组典型的采样周期,算出各种采样周期下的预测误差协方差,当预测误差协方差大于给定的门限时即进行下一次采样。这种算法相对固定周期采样,不但能够保证跟踪精度,还能有效地减少采样次数,从而达到节省雷达资源的效果。 　　关键词:机动目标跟踪滤波; IMM; 自适应采样周期; 预测误差协方差 　　中图分类号:TP274文献标识码:A 　　文章编号:1004-373X(2010)15-0021-03 　　 　　Research on IMM Algorithm with Maneuvering Targets Variable Sampling Period Filtering 　　LU Jing1, XU Zhao-yang2, XIONG Jian-xin1, GAO Feng2 　　(1.Jiangsu University of Science and Technology, Zhenjiang 212003, China; 2.The 723 Institute of CSIC, Yangzhou 225001, China) 　　Abstract: An alterable sampling period filtering algorithm based on IMM algorithm is proposed. With the alogrithm, ??several?? typical sampling periods are set in advance and then each predictive error covariance is worked out in each given period. The next samlping is carried out once the predictive error covariance goes beyond the limit. The algorithm relative to fixed sampling can not only ensure the tracking accuracy, but aslo reduce the the quantity of the sampling time to save the radar resource. 　　Keywords: maneuvering target tracking filtering; IMM; alterable sampling period; predictive error covariance 　　 　　0 引 言 　　相控阵雷达可以对目标航迹进行变采样跟踪滤波, 适当地控制其波束指向可以有效地提高机动目标的跟踪性能。对于稳定跟踪的目标如果采用较短的采样周期,虽然提高了跟踪精度,但也极大地浪费了计算机花费的时间。相反,当采用较大的采样周期时,跟踪的精度又会下降。因此需要在保证跟踪精度的基础上找到一种适合的采样策略,达到既能增大采样周期又能降低计算机资源和雷达能量资源的目的。 　　本文采用IMM算法的思想,将机动目标“当前”统计模型[1]和CA,CV模型进行交互,对已算出的各模型的更新概率进行比较,确定用哪种模型计算自适应采样间隔。对于稳定跟踪的目标采用较长的采样间隔,对于发生机动的目标采用较短的采样间隔。文中将该变采样周期算法与固定采样周期算法进行了比较,结果表明,本文的方法既能保证跟踪精度,又能反映目标的运动状态,能更有效地利用雷达资源。 　　1 IMM算法 　　1984~1989年,BIom和Bar-Shalom[2]在广义伪贝叶斯算法的基础上,提出了一种具有Markov转移概率的交互式多模型(IMM)算法[3-6]。该算法包含了多个滤波器,每个滤波器对应一种模型,各模型之间用马尔可夫过程进行转换。假设在一个扫描周期内,目标的运动符合其中的一种模型。首先计算出在该周期内目标以各种模型运动的概率值,再将各个模型对应滤波器输出的状态估计进行概率加权求和,得出最终的状态估计。模型的选择与目标的机动性有关,本文即选择CA模型、CV模型与机动目标“当前”统计模型进行交互。 　　文中IMM算法如图1所示。 　　图1 交互式多模型算法示意图 　　在图1中,??LX1(k-1),LX2(k-1),LX3(k-1)作为k-1时刻三个滤波器的输出进行交互,得到??XO1(k-1)??,XO2(k-1),XO3(k-1),输入相应的滤波器,得到三个模型的状态估计LX1(k),LX2(k),LX3(k)。LX(k)为N个模型的状态混合估计,E1,E2