1.一种基于自适应量测矩阵的线性序贯雷达目标跟踪方法，具体技术方案如下：假设k‑1时刻的目标状态估计为 相应的估计误差协方差为P(k‑1)。k时刻相控阵雷达获得的量测信息包括距离量测rm(k)、俯仰角θm(k)、方位角 以及径向速度量测其中，量测噪声 和 是零均值加性高斯白噪声，噪声的标准差分别为σr、σθ、 和 距离量测和径向速度量测误差之间的相关系数为ρ。一种基于自适应量测矩阵的线性序贯雷达目标跟踪方法从k‑1时刻到k时刻的滤波步骤如下：步骤1：利用径向速度量测和距离量测构建伪量测。

其中，ηm(k)为所构建的伪量测， 为伪量测的真实值， 为伪量测的量测误差。

步骤2：按如下方式对应进行无偏量测转换和去偏量测转换。

其中，Zuc(k)为经无偏和去偏量测转换后的量测向量，xuc(k)，yuc(k)，zuc(k)为无偏量测转换后的位置项，ηdc(k)为经过去偏量测转换后的伪量测项。

步骤3：按照下式计算k时刻目标的状态预测。

其中， 为由k‑1时刻状态估计得到的预测值，F(k‑1)为k‑1时刻的转移矩阵，为k‑1时刻的状态估计，G(k‑1)为噪声驱动矩阵， 为过程噪声的期望值，xp(k),yp(k),zp(k)分别为在x,y,z方向上的预测位置， 分别为在x,y,z方向上的预测速度， 分别为在x,y,z方向上的预测加速度。

预测估计误差协方差表示为：

T T

Pp(k)＝F(k‑1)P(k‑1)F(k‑1)+G(k‑1)Q(k‑1)G(k‑1) (4)T

其中，(·) 为矩阵的转置运算，Pp(k)为由k‑1时刻误差协方差矩阵得到的预测误差协方差矩阵，P(k‑1)为k‑1时刻的状态估计误差协方差矩阵，Q(k‑1)为过程噪声协方差矩阵。

步骤4：基于位置量测信息的线性卡尔曼滤波。

pos pos T pos ‑1

K (k)＝Pp(k)[H (k)][S (k)] (6)pos pos pos

P (k)＝[I‑K (k)H (k)]Pp(k) (8)pos

其中， 为k时刻位置滤波的目标状态估计结果，P (k)为k时刻位置滤波的目标pos pos状态估计误差的协方差矩阵，S (k)为位置滤波的新息协方差矩阵，K (k)为位置滤波过程的卡尔曼增益， 为无偏量测转换后的位置量测向量， 为去相关无偏量测pos转换后位置量测向量的误差协方差矩阵，H (k)为目标运动状态向量与位置量测之间的线性量测矩阵，具体表达式如下：其中 中各元素的具体表达形式如下式(12)—(17)：其中，rp,θp, 由笛卡尔坐标系的预测值得到，为了推导简洁在表达式中省略掉时刻k，其中预测误差方差 由雅可比变换矩阵和笛卡尔坐标系的预测估计误差协方差矩阵Pp(k)计算得到，其中的预测信息可通过如下方法得到：距离的预测值及其方差：

方位角的预测值及其方差：

俯仰角的预测值及其方差：

径向速度的预测值及其方差：

步骤5：自适应优化可控参数λ。

其中，th是决定选取λ值方式的阈值，当角度量测误差的标准差小于阈值时，来自步骤4的位置信息估计结果足够准确，可以直接在序贯量测矩阵中使用，当标准差超过阈值时，则需要同时考虑来自步骤4的位置信息及速度信息估计结果；f(λ)如下式(28)所示：其中各项元素如下式(29)—(31)所示：位置信息提取矩阵Λ：

T

Λ＝[1 0 0 1 0 0 1 0 0] (29)本发明线性序贯滤波中考虑位置滤波估计误差的自适应量测矩阵其中， 为位置滤波目标状态估计结果中的位置项，为位置滤波目标状态估计结果中的径向速度项。

考虑位置估计误差的误差协方差：

其中， 为考虑位置滤波估计误差后的新误差， 是去相关处理后伪量测项pos的原误差，e (k)为考虑位置滤波估计误差引入的新误差，其表达式如式(32)所示；式(31)中各项元素如下式(33)—(35)所示：pos

其中，式(34)中P (k)各分量如式(43)所示，式(33)中 和 分别如式(36)，(37)所示其中，式(36)中的预测信息可通过式(20)—(26)获得。

步骤6：基于去相关去偏伪量测的线性序贯卡尔曼滤波。

ε ε

其中， 和P (k)为当前时刻k线性序贯卡尔曼滤波的输出结果，S (k)为序贯滤的pos新息协方差，Kε(k)为序贯滤波的卡尔曼增益， 和P (k)为当前k时刻位置滤波的滤波结果，其具体表达式分别如式(42)，(43)所示：其中 为 相对应的量测误差，其均值表达式如式(35)，统计特性的具体表达式如式(31)所示。

步骤7：自适应信息反馈。

其中， 是k时刻目标状态估计的反馈输出，P(k)是k时刻目标状态估计误差协方差矩阵的反馈输出，其作为下一时刻的滤波输入进入下一迭代循环中。