基于目標存在概率斜率的epf-tbd方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于通信雷達技術(shù)領(lǐng)域，特別涉及低信噪比下檢測前跟蹤中的基于粒子濾 波的檢測前跟蹤技術(shù)。
【背景技術(shù)】
[0002] 在現(xiàn)代戰(zhàn)爭中為了能夠盡早發(fā)現(xiàn)敵方目標，為后方指揮和防御系統(tǒng)爭取反應(yīng)時 間，需要雷達能夠在遠距離處監(jiān)測目標，例如天波超視距雷達、遠距離的紅外搜索與跟蹤系 統(tǒng)等。在這種應(yīng)用場景中，往往由于特殊的雷達回波特點造成噪聲和雜波相當復(fù)雜，使得監(jiān) 視目標信噪比很低。檢測前跟蹤（TrackbeforedeteCt，TBD)算法經(jīng)過多幀數(shù)據(jù)積累后按 照某種規(guī)則進行檢測判決，檢測到目標存在就能同時給出跟蹤結(jié)果，這樣可以很好地解決 低信噪比下的目標檢測問題。粒子濾波本質(zhì)上是一種密度估計技術(shù)，這不同于傳統(tǒng)技術(shù)中 直接的狀態(tài)估計，它可以對目標狀態(tài)的估計結(jié)果進行可能性描述，因此可以用于實現(xiàn)貝葉 斯TBD。
[0003] 迄今為止，已出現(xiàn)了眾多TBD的實現(xiàn)方法。遞歸貝葉斯濾波（recursiveBayesian filters)(見 文獻：Track-before-detectmethodsintrackinglow-observable targets:asurvey[J].HadzagicM,MichalskaH,LefebvreE.Sensors&Transducers Magazine(S&Te-Digest)，SpecialIssue, 2005,（8) : 374-380)，與其它TBD算法最大的不 同之處在于通過目標運動模型和傳感器觀測模型，完整地引入了跟蹤的思想和算法。其中 基于蒙特卡羅采樣近似的粒子濾波（particlefilter，PF)算法是最常用的手段，基于粒子 濾波的檢測前跟蹤（particlefilterbasedTBD，PF-TBD)處理，由于實現(xiàn)過程簡單，精度 又可以逼近最優(yōu)估計，是當前弱目標TBD在實現(xiàn)手段方面的研究熱點，非常適合處理低信 噪比情況下的檢測問題。
[0004] 2001年，Salmond等人提出了 一種利用粒子濾波遞歸解決TBD問題的方法 (見文 南犬：Aparticlefilterfortrack-before-detect[C]，SalmondDJ,Birch H.ProceedingsoftheAmericanControlConference,Washington,USA, 25~27Ju ne，2001，5:3755-3760.)，其主要思路是：增加一個用來描述目標存在與否的離散變量，并 使其服從馬爾可夫變換，用轉(zhuǎn)移概率控制它的變化，利用粒子濾波算法對該離散變量和目 標狀態(tài)向量進行混合估計，統(tǒng)計估計結(jié)果中表示目標出現(xiàn)粒子的數(shù)量，將它與粒子總數(shù)的 比值作為目標存在概率的估計結(jié)果，通過比較這個估計值與預(yù)設(shè)門限判斷目標存在與否， 這樣就完成了對目標的檢測前跟蹤。
[0005] 在跟蹤部分Boers從理論上證明了最小均方誤差意義下的最優(yōu)估計可以利 用粒子集中估計得到，只要粒子數(shù)目足夠大。在檢測部分Boers證明了可以通過構(gòu)造 似然比來檢測目標（見文獻：Particlefilterbaseddetectionfortracking[C]， BoersY,Driessen.ProceedingsoftheAmericanControlConference,Washington ，USA, 25-27June，2001，6:4393-4397.)，通過他的證明我們可以認為粒子權(quán)重和似然比 在本質(zhì)上是一致的，這樣就能利用粒子的未歸一化權(quán)重來構(gòu)造似然比以進行檢測。在 前人工作的基礎(chǔ)上，2004年Ristic等人系統(tǒng)的闡釋了粒子濾波算法在檢測和跟蹤中的 應(yīng)用。Rutten在瑞利噪聲情況下推導(dǎo)出了EPF-TBD算法（Efficientparticle-based track-before-detectinRayleighnoise[C],M.G.Rutten,N.J.Gordon,S.Maskell Proceedingofthe7thInternationalConferenceofInformationFusion,Stockholm ，Sweden, 2004:693-700.)，這種算法不同于Salmond等人提出的標準的EPF-TBD算法，其忽 略表示目標不存在的粒子的影響，極大地提高了對粒子信息的使用效率。
[0006]EPF-TBD算法實現(xiàn)過稱為：（1)依據(jù)目標存在狀態(tài)將粒子濾波除去死亡粒子得到 存活粒子，其中存活粒子包括繼續(xù)粒子和新生粒子；（2)利用繼續(xù)粒子和新生粒子聯(lián)合估 計目標狀態(tài)，通過歸一化權(quán)重遞歸估計出目標的存在概率；（3)將目標的存在概率與門限 值比較判斷，目標的存在概率大于門限值則表示目標存在，否則表示目標不存在。
[0007]EPF-TBD算法在低信噪比下目標存在狀態(tài)改變時會產(chǎn)生漏檢和虛警問題。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明所要解決的技術(shù)問題是，提供一種檢測性能更優(yōu)的改進的EPF-TBD方法。
[0009] 本發(fā)明為解決上述技術(shù)問題所采用的技術(shù)方案是，基于目標存在概率斜率的 EPF-TBD方法，包括以下步驟：
[0010] 粒子分類步驟：依據(jù)當前時刻的目標存在狀態(tài)將粒子濾波除去死亡粒子得到當前 時刻的存活粒子，其中存活粒子包括繼續(xù)粒子和新生粒子；
[0011] 存在概率計算步驟：利用繼續(xù)粒子和新生粒子聯(lián)合估計當前時刻的目標狀態(tài)，通 過歸一化權(quán)重遞歸估計出當前時刻的目標的存在概率；
[0012] 存在判決步驟：初始時刻，將當前時刻的目標的存在概率與門限值比較判斷，當前 時刻的目標的存在概率大于門限值則表示當前時刻的目標的存在判決為目標存在，否則表 示當前時刻的目標的存在判決為目標不存在；
[0013] 初始時刻之外的其它時刻，判斷判斷當前時刻的目標的存在概率與上一時刻的目 標的存在概率的變化量是否大于閾值，如是，則當前時刻的目標的存在判決與上一時刻的 目標的存在判決結(jié)果不同，否則當前時刻的目標的存在判決與上一時刻的目標的存在判決 結(jié)果相同。
[0014] 本發(fā)明的有益效果是，利用1個單位時間的目標的存在概率的變化量結(jié)合上一時 刻目標的存在判決結(jié)果進行檢測，從而改進EPF-TBD算法，通過仿真結(jié)果表明，較現(xiàn)有的 EPF-TBD方法，本發(fā)明能有效緩解漏檢和虛警問題，檢測性能更優(yōu)。
【附圖說明】
[0015] 圖1信噪比為3dB情況下單次實驗?zāi)繕舜嬖诟怕式Y(jié)果。
[0016] 圖2不同信噪比下現(xiàn)有EPF-TBD算法與本發(fā)明的平均檢測概率結(jié)果。
[0017] 圖3不同信噪比下現(xiàn)有EPF-TBD算法與本發(fā)明的平均虛警概率結(jié)果。
【具體實施方式】
[0018]本發(fā)明主要是通過當前時刻和上一時刻的目標存在概率計算當前時刻對應(yīng)的目 標存在概率的斜率，由于是以1個單位時間的斜率，因此1個單位時間的變化量就能表示斜 率。
[0019] 為描述方便，首先對現(xiàn)有術(shù)語進行如下說明：
[0020] 粒子濾波（ParticleFilter，PF):粒子濾波是一種利用蒙特卡洛積分思想獲得貝 葉斯估計中的積分運算的近似結(jié)果的統(tǒng)計濾波方法。其主要思想是在狀態(tài)空間中獲得一組 可以近似描述目標狀態(tài)的后驗概率分布的隨機樣本，這些樣本被稱為粒子，根據(jù)蒙特卡洛 積分思想利用粒子均值代替積分運算即可獲得最小均方誤差意義下的目標狀態(tài)估計結(jié)果。
[0021] 檢測前跟蹤（Trackbeforedetect，TBD) :TBD的主體思路是非相參積累，觀測數(shù) 據(jù)直接來源于原始傳感器，通過建立目標跟蹤模型，所有的信息在被使用的同時隨時間完 成累積，在處理過程的最后才進行檢測，檢測到目標存在就能同時給出跟蹤結(jié)果。
[0022] 平均檢測概率和平均虛警概率：平均檢測概率Pd和平均虛警概率PF定義如下：
[0025] 其中，Nni。表示蒙特卡洛仿真次數(shù)，MMlst表示單次蒙特卡洛仿真中真實目標存在的 采樣間隔次數(shù)，Md(k)表示第k次蒙特卡洛仿真中目標真實存在過程中檢測到目標存在的次 數(shù)，Mncital^t表示單次蒙特卡洛仿真中真實目標不存在的采樣間隔次數(shù)，MncidGO表示第k次 蒙特卡洛仿真中真實目標不存在過程中檢測到目標存在的次數(shù)。
[0026] 本發(fā)明方法包括以下步驟：
[0027] 步驟1初始化粒子狀態(tài)時根據(jù)先驗信息采樣得到N。個表示目標存在的粒子，k時 刻產(chǎn)生Nb個新生粒子，新生粒子狀態(tài)為：
[0028] - (6(?.)Eh = = 0：,Zi)
[0029] 其中，（b)i表示第i個新生粒子，i= 1,…，Nb，Nb表示新生粒子總數(shù)，Ek= 1表示 k時刻目標存在，Eki= 0表示k-1時刻目標不存在，zk表示k時刻觀測值序列，函數(shù)q()表 產(chǎn)生新生粒子的重要密度函數(shù)，~表示新生粒子服從函數(shù)q()的分布；
[0030] 未歸一化粒子權(quán)重利用似然比計算
[0035] 步驟2按下面的重要度函數(shù)采樣繼續(xù)粒子
[0036] x(；], -gix.lx^E^hE,^=1,?)
[0037] 未歸一化粒子權(quán)重
[0041] (c)i表示第i個繼續(xù)粒子，i=1，…，N。，N。表示繼續(xù)粒子總數(shù)；
[0042] 步驟3兩類粒子的混合概率遍^和1^:分別用未歸一化權(quán)重的和以及上一時刻的目 標存在概率來計算
[0051] 將兩個粒子集聯(lián)合為一個大的粒子集
[0052] =
[0053] 步驟5從上式的NJNb個粒子中重采樣得到N。個粒子，即降采樣，從而得到k時刻 濾波后的粒子集為{(?，I/OU' = 1，?.…D"。
[0054] 步驟6計算當前時刻的目標存在概率惠。
[0056] 上述步驟1-6與現(xiàn)有EPT-TBD方法相同。
[0057] 步驟7用爲(表示k時刻的目標存在狀態(tài)的估計結(jié)果，k=1時刻，當汽 > 心時，判 斷目標存在狀態(tài)氣=1，否則爲=0 :;當4-4=〇時，若4-41>%，則4 = 1，否則4=〇 ; 當矣=1時，若4 -為i<知，則總=〇，否則A=丨，當4=1時同時給出目標狀態(tài)估計結(jié) 果：