1.一种基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,包括如下步骤:
S1:初始化系统参数,读取雷达接收机中第k‑1时刻和第k时刻的原始量测数据;
S2:划分场景,在各自的小场景内利用k‑1时刻的原始量测数据自适应新生目标;
S3:针对k时刻获得的复量测和平方量测数据,分别计算三种幅度波动类型的复似然和幅度似然,给出幅度波动下PHD滤波的SMC实现;
S4:根据后验信息提取目标状态及目标数目;
S5:令k=k+1,判断k>K是否成立,命题成立则算法结束,若不然返S2。
2.如权利要求1所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,所述系统参数包括:
采样间隔T,当前时刻k,目标运动总时间K,雷达在极坐标中扫描区域[rmin,rmax]×[θmin,θmax],雷达接收跟踪场景内的量测数据Zk和Zk‑1,考虑在极坐标中覆盖定义区域的距离和方位监视雷达,对于距离,假设发射的脉冲是带宽B和持续时间Tε的线性调频信号,光速c,距离分辨单元 对于角度,在雷达接受端考虑Na天线的线性相控阵,间隔为其中λ为载波频率的波长,角度分辨率为
3.如权利要求2所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,划分场景,在各自的小场景内利用k‑1时刻的原始量测数据自适应新生目标的步骤中:若Nr×Nθ较大,则将场景Nr×Nθ分为 个场景,考虑在每个场景内生成Nfilter个粒子,则整个场景内的粒子数为n1×n2×Nfilter;
设置量测截断阈值Th截断,将每个场景内的量测降序排列,挑选强度高于阈值Th截断的量测,低于Th截断的量测认为是误检量测,每个量测的位置信息为(nr,nθ);
将每个量测的位置信息(nr,nθ)转化为平面直角坐标系下目标位置,记为(zx,zy);
在每个(zx,zy)附近生成粒子,对于每个粒子在所在的场景上计算似然,然后进行重采样选择该场景内粒子权重较高的粒子,并对选择后的粒子权重进行归一化处理。
4.如权利要求3所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,针对k时刻获得的复量测和平方量测数据,分别计算三种幅度波动类型的复似然和幅度似然,给出幅度波动下PHD滤波的SMC实现的步骤中:计算目标不存在时的幅度似然;
分别计算幅度波动类型为swerling 0,1,3下的幅度似然;
计算目标不存在时的复似然;
分别计算幅度波动类型为swerling 0,1,3下的复似然。
5.如权利要求4所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,在所述k‑1时刻:
用一组带权重 的粒子 代表PHD的后验密度,预测和更新这一组带权重的粒子得到
6.如权利要求4所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,
对于复量测和平方量测,不同幅度波动的似然是不同的,在目标跟踪过程中,目标幅度会影响目标回波强弱,回波强度高的目标往往会抑制强度低的目标,考虑将高于阈值的似然赋为最高似然。
7.如权利要求4所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,
在目标幅度波动类型为swerling 3时,需要对粒子权重计算后进行判断,若粒子权重和无穷大,则保持预测粒子状态,不对粒子进行更新,粒子权重假设为0。
8.如权利要求5所述的基于PHD滤波雷达起伏微弱多目标的检测前跟踪方法,其特征在于,根据后验信息提取目标状态及目标数目的步骤中:计算目标数目,重采样样本;
判断更新后粒子权重 和是否大于0,若大于0,则用K‑means方法对重采样后的粒子进行聚类,删除权重和低于门限Thk‑means的粒子群,将权重和高于门限Thk‑means的粒子群视为估计的目标状态,若小于0,则认为此时场景内没有目标。