基于交互多模型的粒子滤波导引头机动目标检测技术研究.doc

基于交互多模型的粒子滤波导引头机动目标检测技术研究
摘 要:随着武器装备技术的发展,有人机、无人机等空中飞行器的机动能力大幅提升。目标机动时,由于目标过载未知,其与导引头预置模型间的匹配性下降,通常会导致导引头跟踪性能下降,甚1)、转弯速率为1=6(°)/s(模型2)、转弯速率为2=-6(°)/s(模型3)。本仿真实验为蒙特卡洛100次(G=100)后的平均值,且观测信噪比为0 dB和-8 dB(SNR=0 dB和SNR=-8 dB),信噪比SNR为积累接收到的信号强度与噪声功率的比值,且每次仿真实验的粒子数为1 000(M=1 000)。
采用动态系统的通用状态空间表示,以更好地促进对问题机制的理解。以下为目标在该x-y二维平面上的移动模型:
检测性能及分析
IMM算法模型概率曲线如图2所示。从图中可以看出,当迭代次数小于20次时,模型1的概率比较大,因此雷达目标在做匀速直线运动,此时匀速直线运动模型概率大于左转弯和右转弯模型概率,而且转弯模型的概率不等于零,这是因为只是发生了所谓的模型竞争现象,在这种情况下,转弯模型处于失配中,因而模型概率没有匀速直线模型的高。当雷达目标迭代次数达到20次时,模型2的概率最大,因此雷达目标的轨迹由匀速直线运动转变为左转弯运动,此时匀速直线运动模型概率迅速降低,而左转弯运动模型概率迅速提升,左转弯运动模型概率远大于其余两种模型概率。该仿真也再次证明,当雷达目标真实轨迹发生改变时,模型概率也随之发生改变,交互多模型算法能够很好地跟踪上雷达目标的轨迹。 图3为GPF-IMM算法和GPF算法检测性能对比图。
从图中可以看出,当目标机动较小或者匀速直线运动时,无论是基于交互多模型的粒子滤波算法GPF-IMM还是传统的GPF算法,都能较为确定地对目标进行检测跟踪,但是当目标开始机动时,GPF-IMM仍能维持对目标的稳定跟踪,而传统的GPF算法检测性能下降,甚至丢失目标。这主要是因为GPF-IMM算法中考虑了机动模型的不同状态,自适应动态调整目标运动状态与模型匹配性,从而提高了导引头的检测跟踪性能。
图3描述了在大过载条件下整体导引头检测跟踪结果,为了便于理解,使得检测跟踪结果更加直观,图4给出了导引头回波时频二维R-D图,并详细描述了目标的运动状态及空间状态。
由图4可以看出:回波信号中只有一个目标,可以读出在第60时刻时,目标的距离门在150附近,而速度单元在80周围。
从图5可以看出,当目标运动状态发生较大改变以后,本文提出的基于交互多模型的粒子滤波算法GPF-IMM的位置误差基本没有发生改变,依旧维持在较小值,这证明GPF-IMM算法的目标检测跟踪性能比较好;但是传统的GPF算法的稳态位置误差迅速恶化,这证明GPF算法此时对目标的检测跟踪性能变差,最终将无法检测跟踪到目标。
分析图6可以看出,随着迭代次数增加,GPF算法的稳态速度误差急剧增大。因为目标在运动的过程中轨迹发生较大改变,GPF算法估计出的目标速度与目标真实速度之间的误差达到不可控范围内,最终丢失目标。GPF-IMM速度误差小于GPF算法,并且GPF-IMM随着迭代次数增加,速度误差几乎维持在同一个水平不变,而GPF算法速度误差随着迭代次数增加,速度误差迅速增大,因