認(rèn)知雷達(dá)目標(biāo)跟蹤方法研究.pdf

1、認(rèn)知雷達(dá)(Cognitive Radar)可以通過(guò)對(duì)外部環(huán)境和目標(biāo)的動(dòng)態(tài)不斷地進(jìn)行感知，自適應(yīng)地選擇工作模式、發(fā)射波形、信號(hào)處理算法和數(shù)據(jù)處理算法等，充分利用各種先驗(yàn)信息進(jìn)行智能處理。認(rèn)知雷達(dá)區(qū)別于傳統(tǒng)自適應(yīng)雷達(dá)的方面主要在于，它具有自適應(yīng)的發(fā)射能力和知識(shí)輔助處理能力。在目標(biāo)跟蹤階段，先驗(yàn)信息豐富，更適合進(jìn)行認(rèn)知發(fā)射和知識(shí)輔助處理。本論文面向認(rèn)知雷達(dá)的目標(biāo)跟蹤方面，分別研究了發(fā)射波形優(yōu)化和接收數(shù)據(jù)處理方法，具體包括針對(duì)目標(biāo)跟蹤的發(fā)射波形

2、選擇、機(jī)動(dòng)目標(biāo)跟蹤算法和數(shù)據(jù)關(guān)聯(lián)方法等內(nèi)容?，F(xiàn)將主要工作概括如下：
　　1.分別從單脈沖和多脈沖兩個(gè)方面討論了針對(duì)目標(biāo)跟蹤的發(fā)射波形選擇問(wèn)題。(1)單脈沖情況：首先將矩形脈沖信號(hào)作為基波形，對(duì)其模糊函數(shù)在時(shí)延-多普勒頻移平面分別進(jìn)行伸縮變換和旋轉(zhuǎn)變換，得到線性調(diào)頻(Linear Frequency Modulated，LFM)波形庫(kù)和旋轉(zhuǎn)波形庫(kù)。然后基于卡爾曼濾波(Kalman Filter，KF)算法，分別以最大互信息和最小均方

3、誤差為準(zhǔn)則，在兩個(gè)波形庫(kù)中尋找最優(yōu)的發(fā)射波形。詳細(xì)分析了兩種波形選擇準(zhǔn)則的物理意義和優(yōu)缺點(diǎn)。另外，目標(biāo)距離跟蹤誤差和速度跟蹤誤差在量綱上不一致，而現(xiàn)有的波形選擇方法無(wú)法調(diào)節(jié)二者的權(quán)重。針對(duì)此問(wèn)題，本文提出了加權(quán)最小均方誤差準(zhǔn)則及其變形形式。仿真結(jié)果驗(yàn)證了所提方法的有效性。(2)多脈沖情況：針對(duì)機(jī)動(dòng)目標(biāo)跟蹤的發(fā)射波形選擇，需要兼顧測(cè)距測(cè)速性能與多普勒容忍性。對(duì)比了多脈沖 LFM信號(hào)、V型調(diào)頻(V-Linear Frequency Modu

4、lated，V-LFM)信號(hào)和M序列3種發(fā)射波形估計(jì)目標(biāo)距離和速度的克拉美羅下界(Cramer-Rao Lower Bound，CRLB)與多普勒容忍性。仿真結(jié)果表明，V-LFM信號(hào)在損失較少多普勒容忍性的情況下，可以明顯提高目標(biāo)的跟蹤精度。
　　2.針對(duì)機(jī)動(dòng)目標(biāo)的跟蹤問(wèn)題，提出了基于 AR模型的 KF和交互多模型(Interacting Multiple Model，IMM)濾波相互切換的跟蹤算法。首先介紹了傳統(tǒng)的機(jī)動(dòng)目標(biāo)跟蹤模

5、型和跟蹤算法，詳細(xì)分析了當(dāng)前主流機(jī)動(dòng)目標(biāo)跟蹤算法的基本原理和優(yōu)缺點(diǎn)。然后，將AR模型應(yīng)用于目標(biāo)跟蹤，詳細(xì)介紹了AR模型的構(gòu)建過(guò)程和求解方法。AR模型不僅能滿足目標(biāo)運(yùn)動(dòng)狀態(tài)的多項(xiàng)式約束，還能利用額外的自由度濾除噪聲，屬于一種自適應(yīng)的狀態(tài)模型。最后針對(duì)機(jī)動(dòng)目標(biāo)的跟蹤問(wèn)題，引入了變維濾波的思想，通過(guò)機(jī)動(dòng)檢測(cè)來(lái)切換基于 AR模型的 KF和基于 AR模型的IMM濾波器，以適應(yīng)目標(biāo)的非機(jī)動(dòng)和機(jī)動(dòng)狀態(tài)。從本質(zhì)上說(shuō)，本文所提跟蹤算法是一種變結(jié)構(gòu)的多模型

6、(Variable Structure Multiple Model，VSMM)算法，而且運(yùn)算量要遠(yuǎn)小于現(xiàn)有的VSMM算法，具有一定的工程應(yīng)用價(jià)值。仿真結(jié)果表明：在相同的參數(shù)條件下，AR模型的跟蹤性能要優(yōu)于傳統(tǒng)的離散時(shí)間微分模型，尤其當(dāng)算法的參數(shù)設(shè)置與目標(biāo)實(shí)際運(yùn)動(dòng)狀態(tài)不匹配時(shí)，優(yōu)勢(shì)則更為明顯，而且所提算法的跟蹤性能也要好于傳統(tǒng)的變維濾波和IMM算法。
　　3.針對(duì)機(jī)動(dòng)目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問(wèn)題，提出了基于綜合交互多模型-概率數(shù)據(jù)關(guān)聯(lián)(In

7、teracting Multiple Model-Probabilistic Data Association，IMM-PDA)算法的自適應(yīng)關(guān)聯(lián)波門(mén)設(shè)計(jì)方法。傳統(tǒng)針對(duì)機(jī)動(dòng)目標(biāo)的關(guān)聯(lián)波門(mén)設(shè)計(jì)方法僅通過(guò)擴(kuò)大波門(mén)來(lái)確認(rèn)有效量測(cè)，而未改善關(guān)聯(lián)概率，容易引起失跟現(xiàn)象。本文在綜合 IMM-PDA算法的框架下，提出一種利用目標(biāo)運(yùn)動(dòng)狀態(tài)的量測(cè)信息進(jìn)行自適應(yīng)關(guān)聯(lián)波門(mén)設(shè)計(jì)的方法。在綜合 IMM-PDA算法的基礎(chǔ)上進(jìn)行關(guān)聯(lián)波門(mén)設(shè)計(jì)，有可能得到最優(yōu)的量測(cè)集合，

8、進(jìn)而可以降低失跟率，提高跟蹤精度。本文提出兩步法設(shè)計(jì)關(guān)聯(lián)波門(mén)：當(dāng)波門(mén)內(nèi)不存在有效量測(cè)時(shí)，首先逐步擴(kuò)大波門(mén)使得有效量測(cè)存在；然后利用觀測(cè)信息，在目標(biāo)狀態(tài)的預(yù)測(cè)范圍內(nèi)以最小均方誤差為準(zhǔn)則對(duì)關(guān)聯(lián)波門(mén)的中心進(jìn)行尋優(yōu)。本文方法利用量測(cè)信息調(diào)整了關(guān)聯(lián)波門(mén)的中心和大小，改善了關(guān)聯(lián)概率，得到了更優(yōu)的量測(cè)集合。仿真結(jié)果表明本文所提方法在跟蹤精度和失跟率等方面均優(yōu)于傳統(tǒng)方法。
　　4.針對(duì)多目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問(wèn)題，提出了基于多維信息的數(shù)據(jù)關(guān)聯(lián)方法。傳統(tǒng)的

9、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(Joint Probabilistic Data Association，JPDA)算法在應(yīng)對(duì)低信噪比情況下的多目標(biāo)跟蹤時(shí)，計(jì)算量非常之大。而且傳統(tǒng)方法僅利用目標(biāo)的位置信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)，在處理多個(gè)目標(biāo)航跡接近或交叉的情況時(shí)，容易產(chǎn)生航跡合并甚至誤跟的現(xiàn)象。本文首先從理論上分析了JPDA算法的計(jì)算量，然后分別討論了多普勒信息和高分辨距離像(High Resolution Range Profile，HRRP)信息在多目標(biāo)

10、跟蹤中的應(yīng)用：（1）多普勒信息的應(yīng)用：脈沖多普勒雷達(dá)可以通過(guò)動(dòng)目標(biāo)檢測(cè)(Moving Target Detection，MTD)技術(shù)同時(shí)獲得多個(gè)目標(biāo)的多普勒信息。本文從航跡起始和航跡維持兩個(gè)方面分別討論了多普勒信息在多目標(biāo)跟蹤中的應(yīng)用。（2）HRRP信息的應(yīng)用：與多普勒信息的不同之處在于，HRRP信息屬于目標(biāo)的特征信息。傳統(tǒng)方法在利用 HRRP信息進(jìn)行數(shù)據(jù)關(guān)聯(lián)時(shí)，并未考慮到它與目標(biāo)運(yùn)動(dòng)狀態(tài)之間的相關(guān)性。本文首先利用 HRRP信息的姿態(tài)敏