欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2016108718584
申请人: 杭州电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2024-10-29
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于BCD-VSMM机动目标无源协同定位方法,其特征在于该方法包括以下步骤:步骤(1)、建立机动目标无源协同定位跟踪模型,从m对非同频双基雷达得到的第k时刻信号中提取m组测量 l=1,...,m,并对每一时刻测量的位置状态进行编号;其中 为到达角, 为信号由 经目标OX到达RX与 直达RX时间差乘以雷达传播速度计算所得的距离差,m为发射站总数;

步骤(2)、由于从接收站得到m组量测 与目标状态信息并不是线性关系,为了得到目标位置的估计值,需要进行伪线性处理;故根据测量 发射站与接收站的位置信息,求闭式解得到目标状态的m个伪测量 和 分别为处理后的目标坐标;

步骤(3)、基于梯度下降法对步骤(2)得到的多个伪量测进行优化,得到融合伪测量,具体为:针对分布在伪测量空间的m个伪测量,求出一点到所有伪测量的距离之和最短,故根据 取得最小值,得到融合伪测量步骤(4)、将融合伪测量作为CD-VSMM算法的输入对目标状态进行正向滤波分析;

步骤(5)在正向滤波完成后进行反向平滑,初值由正向滤波得到,并使用一种在反向上模仿上述的CD-VSMM算法进行滞后平滑回溯,得到目标航迹和状态信息。

2.如权利要求1所述的一种基于BCD-VSMM机动目标无源协同定位方法,其特征在于步骤(1)具体是:

1-1建立机动目标多基站PCL,其中 表示第l个非同频外辐射源信号发射站,RX表示接收站,OX表示目标,dOR表示OX到RX的距离, 表示 到OX的距离, 表示 到RX的距离,其中RX的位置表示 的位置表示 目标OX位置表示[xk,yk];

设k时刻目标的状态向量为 其中(xk ,yk)、分别表示目标在X轴、Y轴的位置、速度和加速度;目标的运动方程为:Xk=Fk-1Xk-1+vk-1

其中Fk-1为状态转移矩阵,vk-1为零均值高斯白噪声,其协方差为Qk-1;

1-2.从m对非同频双基雷达得到的第k时刻信号中提取可以得到m对测量并对每一时刻测量的位置状态进行编号;其中 为到达角, 为信号由 经目标OX到达RX与直达RX时间差乘以雷达传播速度计算所得的距离差,表达式如下:

3.如权利要求2所述的一种基于BCD-VSMM机动目标无源协同定位方法,其特征在于步骤(2)m组测量 经过如下闭式求解得到 具体是:可得

4.如权利要求3所述的一种基于BCD-VSMM机动目标无源协同定位方法,其特征在于步骤(4)具体是:

4-1设定有向图切换准则:根据先验信息建立完备模型,并按照组合规律组成有向图,根据关键模型概率进行有向图切换,同时对新激活的模型分配概率;

4-2计算k-1时刻模型的混合概率: i,j=1,...,N其中 为归一化常数,bij为已知模型转移概率, 为已知模型概率,N为最优模型个数,k为当前时刻;

4-3.进行混合得到k-1时刻第j次模型匹配滤波的状态值和协方差矩阵:其中 和 分别为第j次和第i次模型匹配状态值, 为已知的第i次模型匹配滤波协方差;

4-4用基于当前统计的无味卡尔曼滤波方法进行滤波,得到k-1时刻第j次模型匹配滤波的预测状态向量和预测协方差分别如下:新息协方差为:

其中 为伪量测转移矩阵, 为伪量测噪声协方差, 为状态噪声协方差;

状态更新得到k时刻第j次模型匹配滤波的状态向量和协方差分别如下:其中k时刻第j次模型的滤波增益为: 为步骤(3)得到的融合伪测量;

4-5第j次模型k时刻模型概率更新:

其中归一化常数 似然函数

4-6根据4-4和4-5得到的k时刻N个模型概率和状态向量,估计得到k时刻模型的最终状态值和协方差矩阵:

5.如权利要求4所述的一种基于BCD-VSMM机动目标无源协同定位方法,其特征在于步骤(5)具体是:根据步骤(4)获得t时刻的后验密度 其中 为第j次模型高斯密度,第j次模型高斯密度包括模型概率 状态向量 协方差 从而设定t+1时刻平滑后验密度 其中 为第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 状态向量 协方差 k-L≤t≤k,L为滞后时间;

5-1设定有向图切换准则:根据先验信息建立完备模型,并按照一定组合规律组成有向图,根据关键模型概率进行有向图切换,同时对新激活的模型分配概率;

5-2计算t时刻反向模型转移概率:

其中 bji为已知模型转移概率;

5-3计算t+1时刻反向模型的混合概率:

其中

5-4进行混合得到第j次模型匹配的状态向量和协方差:

5-5用基于当前统计的无味卡尔曼滤波方法进行滤波,得到t时刻第j次模型匹配滤波的预测状态向量和预测协方差为:其中 和 为已知t+1时刻第j次模型匹配的状态向量和协方差, 为平滑增益,为已知第j次模型的状态转移矩阵;

5-6第j次反向模型概率更新:

其中归一化常数 似然函数

5-7根据5-6和5-7得到的t时刻N个第j次反向模型概率和状态向量,估计出目标对应的状态向量和协方差,从而得到目标航迹和状态信息: