基于压缩感知的PD雷达序贯扩展卡尔曼滤波跟踪方法

提出一种新的基于压缩感知(Compressive Sensing,CS)处理的序贯扩展卡尔曼滤波(Sequential Extended Kalman Filter,SEKF)方法,以用于脉冲多普勒(Pulse Doppler,PD)雷达机动目标跟踪。利用目标在时延多普勒平面内的稀疏特点建立稀疏量测模型,然后通过压缩采样匹配重构方法获得目标的多普勒量测值,并用SEKF方法进行滤波更新,以改善目标状态的估计性能。在滤波过程中,应用CS处理可改善目标时延和多普勒的估计精度,而应用SEKF则可通过加入伪量测减小多普勒量测和目标运动状态之间的非线性误差。仿真实验结果显示,基于CS辅助SEKF方法的跟踪精度明显高于传统的SEKF方法以及已有基于CS的跟踪方法,所以本文所提出的方法对机动目标有更好的跟踪性能。

通信受限时传感器管理方法研究

在通信受限的情况下,如何进行传感器的管理以满足多目标的跟踪需求,优化完成跟踪任务。针对这一问题,对通信受限这种情形进行了描述,提出了数据获取概率的概念;利用扩展卡尔曼滤波和序贯卡尔曼滤波推出了序贯扩展卡尔曼滤波算法;结合信息论传感器管理方法和协方差控制传感器管理方法的优缺点提出了一种新的传感器分配准则。对比仿真实验表明,这种新的传感器管理方法能对传感器进行良好的管理,减小通信受限所带来的干扰;相比传统的传感器管理方法,传感器分配更为合理。

基于概率数据关联的雷达导引头抗速度拖引干扰算法

针对在速度拖引干扰下,脉冲多普勒雷达导引头无法精确跟踪、制导目标的问题,提出了基于概率数据关联的抗速度拖引干扰算法。对于雷达导引头角度测量信息和Doppler测量信息,采用序贯扩展卡尔曼滤波算法进行目标状态估计。根据Doppler信息强非线性的特点构建了伪量测信息,并提出了在Doppler量测更新滤波估计阶段,采用概率数据关联算法进行抗速度拖引干扰。给出了算法的推导过程,并进行了数值仿真验证。仿真结果表明,采用该算法能够稳定跟踪释放多重速度拖引干扰的目标,有效抑制速度拖引干扰对制导信息估计的影响,改善导弹的制导精度。