雷達(dá)組網(wǎng)交互多模型自適應(yīng)平方根無(wú)跡濾波算法

丁海龍，徐從東，趙溫波

（解放軍陸軍軍官學(xué)院，安徽合肥230031）

雷達(dá)組網(wǎng)交互多模型自適應(yīng)平方根無(wú)跡濾波算法

丁海龍，徐從東，趙溫波

（解放軍陸軍軍官學(xué)院，安徽合肥230031）

針對(duì)雷達(dá)組網(wǎng)對(duì)空域目標(biāo)濾波估計(jì)時(shí)目標(biāo)機(jī)動(dòng)建模問(wèn)題和系統(tǒng)非線性濾波建模問(wèn)題，提出了交互多模型自適應(yīng)平方根無(wú)跡濾波（IMM-ASQUF）算法，該算法融合了交互多模型算法對(duì)目標(biāo)機(jī)動(dòng)模型的自適應(yīng)機(jī)動(dòng)建模能力和自適應(yīng)平方根無(wú)跡濾波（Adaptive Square Root Unscented Filter，ASQUF）處理非線性高斯噪聲系統(tǒng)良好的濾波估計(jì)性能，避免了UF的Cholesky分解遇到非半正定矩陣容易發(fā)散、不準(zhǔn)確濾波初值造成濾波發(fā)散以及異常擾動(dòng)影響濾波效果等問(wèn)題，較好地解決了機(jī)動(dòng)建模問(wèn)題和非線性濾波建模問(wèn)題。仿真驗(yàn)證表明，構(gòu)造參量的IMM-ASQUF估計(jì)計(jì)算精度高，機(jī)動(dòng)跟蹤自適應(yīng)性強(qiáng)，工程可用性好。

雷達(dá)組網(wǎng)；交互多模型；自適應(yīng)平方根無(wú)跡濾波

0 引言

雷達(dá)組網(wǎng)系統(tǒng)［1-2］為多源數(shù)據(jù)融合系統(tǒng)，按優(yōu)化布站原則配置在不同空間位置的組網(wǎng)雷達(dá)為數(shù)據(jù)源，以提高空域目標(biāo)探測(cè)范圍、空間/時(shí)間分辨率、跟蹤定位精度、抗電磁干擾等性能。現(xiàn)代戰(zhàn)場(chǎng)條件下，空域目標(biāo)機(jī)動(dòng)性強(qiáng)，基于狀態(tài)估計(jì)算法，使用單一、固定的模型很難準(zhǔn)確描述機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)狀態(tài)，這就涉及機(jī)動(dòng)建模問(wèn)題；而且融合中心的目標(biāo)狀態(tài)值與組網(wǎng)雷達(dá)極坐標(biāo)測(cè)量值呈非線性關(guān)系，很難使用卡爾曼濾波（KF）算法進(jìn)行狀態(tài)估計(jì)［3-4］，這涉及濾波建模問(wèn)題。

機(jī)動(dòng)建模是指對(duì)空域目標(biāo)機(jī)動(dòng)建立精確的數(shù)學(xué)模型。早期微分多項(xiàng)式模型，不考慮隨機(jī)干擾因素對(duì)目標(biāo)運(yùn)動(dòng)的影響，已逐漸淡出目標(biāo)狀態(tài)跟蹤應(yīng)用范疇。信息化條件下，勻速（CV）模型、勻加速（CA）模型、協(xié)同轉(zhuǎn)彎（CT）模型、一階時(shí)間相關(guān)模型（Singer模型）和“當(dāng)前”統(tǒng)計(jì)模型等模型相繼出現(xiàn)使用［5］，但由于空域目標(biāo)運(yùn)動(dòng)的復(fù)雜性，使用以上單一、固定的模型很難準(zhǔn)確描述目標(biāo)的可能運(yùn)動(dòng)狀態(tài)，因而，使用多個(gè)模型組合描述目標(biāo)運(yùn)動(dòng)狀態(tài)，為行之有效的解決途徑，相關(guān)學(xué)者稱之為基于馬爾可夫模型的交互多模型（Interacting Mutiple Model，IMM）算法［6-9］。IMM算法通過(guò)多個(gè)模型濾波器并行跟蹤目標(biāo)，實(shí)時(shí)調(diào)整各模型的參與概率，被估計(jì)目標(biāo)的狀態(tài)基于多個(gè)模型概率加權(quán)組合實(shí)現(xiàn)。

關(guān)于濾波建模問(wèn)題，雷達(dá)組網(wǎng)系統(tǒng)中，每部組網(wǎng)雷達(dá)送達(dá)融合中心的探測(cè)點(diǎn)跡為組網(wǎng)雷達(dá)極坐標(biāo)系下目標(biāo)的斜距、方位角和高低角（或海拔高），極坐標(biāo)下探測(cè)點(diǎn)跡與目標(biāo)跟蹤狀態(tài)呈現(xiàn)非線性關(guān)系，不滿足作為最優(yōu)估計(jì)的KF算法線性化使用要求。針對(duì)此非線性狀態(tài)估計(jì)問(wèn)題，擴(kuò)展卡爾曼濾波（EKF）［10］、無(wú)跡濾波（Unscented Filter，UF）［11-13］和粒子濾波（PF）［14］具有解決該問(wèn)題的潛力，但EKF算法以犧牲非線性狀態(tài)/觀測(cè)方程的二階以上高階項(xiàng)為代價(jià)，難以滿足目標(biāo)跟蹤精度要求。PF算法相關(guān)的基礎(chǔ)理論研究缺乏，尤其在粒子數(shù)選擇、粒子多樣性保持、重要性函數(shù)建模、算法退化解決等方面，缺乏理論依據(jù)，難以滿足工程應(yīng)用。UF算法是一種最優(yōu)估計(jì)算法，使用基于統(tǒng)計(jì)收斂原則的確定性采樣粒子集逼近非線性狀態(tài)/觀測(cè)方程的概率分布，通過(guò)結(jié)合線性最小方差估計(jì)算法形成UF算法，其具有更高的工程適用性。但UF在工程使用時(shí)容易受異常擾動(dòng)、不準(zhǔn)確初值和Cholesky對(duì)非半正定矩陣難以分解的影響而導(dǎo)致發(fā)散，本文使用自適應(yīng)平方根無(wú)跡濾波（Adaptive Square Root Unscented Filter，ASQUF）算法，在解決非線性濾波估計(jì)問(wèn)題的同時(shí)，也解決UF算法以上的幾個(gè)不足，最終解決濾波建模問(wèn)題。

本文結(jié)合IMM的機(jī)動(dòng)建模能力和ASQUF算法的非線性估計(jì)能力，提出雷達(dá)組網(wǎng)交互多模型自適應(yīng)平方根無(wú)跡濾波（IMM-ASQUF）算法，并通過(guò)相關(guān)參量的建模分析，解決雷達(dá)組網(wǎng)系統(tǒng)對(duì)空域機(jī)動(dòng)目標(biāo)跟蹤的機(jī)動(dòng)建模問(wèn)題和濾波建模問(wèn)題。

1 雷達(dá)組網(wǎng)自適應(yīng)平方根無(wú)跡濾波狀態(tài)估計(jì)

1.1 無(wú)跡變換

UT使用統(tǒng)計(jì)收斂確定性采樣方法，采樣一組粒子集描述原空間特性（稱為原始σ點(diǎn)集），經(jīng)由非線性函數(shù)映射目標(biāo)空間，形成目標(biāo)粒子集（目標(biāo)σ點(diǎn)集），再使用統(tǒng)計(jì)學(xué)方法，解算其統(tǒng)計(jì)特性。雷達(dá)組網(wǎng)對(duì)空域機(jī)動(dòng)目標(biāo)狀態(tài)估計(jì)，利用UT非線性概率分布逼近方法，獲取線性最小方差估計(jì)所需的四個(gè)統(tǒng)計(jì)參量。

進(jìn)行比例采樣，計(jì)算目標(biāo)狀態(tài)σ點(diǎn)集表達(dá)式及其相應(yīng)權(quán)重

其中參量λ的表達(dá)式為：λ=α2（ n +κ）—n。

1.2 狀態(tài)預(yù)測(cè)建模

生成目標(biāo)狀態(tài)預(yù)測(cè)σ點(diǎn)集及其統(tǒng)計(jì)特性

1.3 觀測(cè)預(yù)測(cè)建模

生成觀測(cè)預(yù)測(cè)σ點(diǎn)集

1.4 平方根建模

雷達(dá)組網(wǎng)無(wú)跡濾波，需要對(duì)估計(jì)誤差方差進(jìn)行Cholesky分解，如果方差是負(fù)定矩陣，Cholesky分解容易發(fā)散，通過(guò)QR分解和Cholesky因子更新計(jì)算狀態(tài)預(yù)測(cè)方差PXXk/k—1、觀測(cè)預(yù)測(cè)方差PZZk/k—1的Cholesky分解因子SXXk/k—1、SZZk/k—1，用各自的Cholesky分解因子替代估計(jì)誤差方差直接參與迭代，避免了對(duì)Pk進(jìn)行Cholesky分解造成發(fā)散［15］。

令

對(duì)ET進(jìn)行QR分解

計(jì)算狀態(tài)預(yù)測(cè)方差PXXk/k—1

計(jì)算殘差

1.5 自適應(yīng)建模

無(wú)跡濾波對(duì)選取的初值很敏感，初值存在的誤差將直接影響濾波估計(jì)，不恰當(dāng)?shù)某踔颠x取甚至?xí)斐蔀V波發(fā)散，即使初值選取合理，但如果采樣的觀測(cè)預(yù)測(cè)點(diǎn)存在很大的誤差，也會(huì)影響濾波精度，甚至造成濾波發(fā)散。通過(guò)權(quán)衡觀測(cè)預(yù)測(cè)信息和觀測(cè)信息來(lái)設(shè)定自適應(yīng)因子，從而控制異常擾動(dòng)對(duì)觀測(cè)預(yù)測(cè)信息的影響，保證濾波能正常收斂。

利用觀測(cè)信息計(jì)算自適應(yīng)調(diào)節(jié)因子δk

1.6 狀態(tài)估計(jì)建模

直接用Cholesky分解因子進(jìn)行迭代，則增益、估計(jì)誤差協(xié)方差和估計(jì)狀態(tài)為：

其中Sk是估計(jì)誤差方差的Cholesky分解因子Pk=（Sk）TSk。進(jìn)行序列cholupdate，更新Pk的Cholesky分解因子Sk：

1.7 σ點(diǎn)集采樣

2 雷達(dá)組網(wǎng)交互多模型自適應(yīng)平方根無(wú)跡濾波狀態(tài)估計(jì)

2.1 模型輸入交互建模

交互多模型無(wú)跡濾波用于雷達(dá)組網(wǎng)目標(biāo)狀態(tài)濾波估計(jì)時(shí)，針對(duì)每個(gè)測(cè)量點(diǎn)跡更新迭代時(shí)刻，模型組全體成員均需參與濾波估計(jì)，但是，并非簡(jiǎn)單繼承前一時(shí)刻濾波結(jié)果，需要重新啟動(dòng)濾波估計(jì)初始化過(guò)程，即重新計(jì)算模型成員的初始狀態(tài)估計(jì)和協(xié)方差估計(jì)，通過(guò)模型成員前一時(shí)刻濾波估計(jì)情況、固有狀態(tài)轉(zhuǎn)移情況、參與使用程度交互加權(quán)計(jì)算實(shí)現(xiàn)。

2.2 模型狀態(tài)預(yù)測(cè)建模

基于統(tǒng)計(jì)學(xué)方法，生成狀態(tài)預(yù)測(cè)

2.3 模型觀測(cè)預(yù)測(cè)建模

利用式（22）生成模型j的預(yù)測(cè)σ點(diǎn)集，基于濾波器觀測(cè)方程，生成觀測(cè)預(yù)測(cè)σ點(diǎn)集，利用統(tǒng)計(jì)學(xué)方法，獲取觀測(cè)預(yù)測(cè)σ點(diǎn)集均值

2.4 模型狀態(tài)估計(jì)建模

利用式線性最小方差估計(jì)，針對(duì)模型成員j，基于式（16）—式（19）計(jì)算模型j濾波增益、估計(jì)誤差協(xié)方差和估計(jì)狀態(tài)

2.5 模型概率建模

基于貝葉斯法則，模型概率可以表示為：

綜合式（30）—式（32），k時(shí)刻模型j的概率（既模型概率）為如式（33）所示。

2.6 狀態(tài)估計(jì)輸出交互建模

目標(biāo)狀態(tài)的最終估計(jì)為基于所有模型成員以模型概率加權(quán)輸出。

3 仿真驗(yàn)證與分析

為了驗(yàn)證本文算法的有效性與實(shí)用性，采用Matlab軟件仿真的方法來(lái)測(cè)試驗(yàn)證。仿真硬件環(huán)境為：Pentium（R）Dual-Core CPU，hp E5200，主頻2.5 GHz，2.00 G的內(nèi)存。仿真場(chǎng)景如下：組網(wǎng)雷達(dá)兩部，分別為雷達(dá)1和雷達(dá)2，其掃描周期都為10 s，雷達(dá)1的距離測(cè)量精度為150 m，方位測(cè)量精度為0.3°，俯仰角測(cè)量精度為0.2°，配置位置為［118° 29° 120］T。雷達(dá)2的距離測(cè)量精度為100 m，方位角測(cè)量精度為0.2°，俯仰角測(cè)量精度為0.1°，雷達(dá)2的配置位置為［117° 31° 170］T。融合中心的配置位置為［117° 30° 20］T。為了計(jì)算的簡(jiǎn)便性，仿真中特別假定兩組網(wǎng)雷達(dá)對(duì)目標(biāo)等間隔探測(cè)，則在組網(wǎng)融合中心，則每5 s為收到1個(gè)采樣點(diǎn)，全程共300個(gè)觀測(cè)采樣點(diǎn)跡。交互多模型組包括CV模型、ACT模型和CCT模型。仿真目標(biāo)前500 s作勻速直線運(yùn)動(dòng)，航速為200 m/s，飛行航向角為70°，飛行起點(diǎn)位置為［117.5° 30° 6 000］T，然后，仿真目標(biāo)作角速度為0.007 rad/s的逆時(shí)針轉(zhuǎn)彎運(yùn)動(dòng)500 s，最后，仿真目標(biāo)以角速度—0.007 rad/s作順時(shí)針轉(zhuǎn)彎運(yùn)動(dòng)500 s，全程飛行高度6 000 m不變。

仿真初始化：1）馬爾可夫轉(zhuǎn)移概率

狀態(tài)噪聲σx=0.8，σy=0.8；2）初始模型概率μ0=［0.95+0.05/3 0.05/3 0.05/3］T；3）初始估計(jì)

初始觀測(cè)協(xié)方差矩陣

圖1—圖7的仿真結(jié)果均為跟蹤坐標(biāo)系（融合中心直角坐標(biāo)系）。圖1為兩部雷達(dá)組網(wǎng)仿真場(chǎng)景。圖2—圖4是IMM-ASQUF位置估計(jì)與真值點(diǎn)跡和噪聲化測(cè)量點(diǎn)跡的對(duì)比圖，包括近區(qū)、中間區(qū)域和遠(yuǎn)區(qū)三部分的放大圖，圖5和圖6是IMM-ASQUF位置估計(jì)在X、Y方向100次重復(fù)試驗(yàn)估計(jì)誤差均值圖，X方向估計(jì)誤差均方根為59 m，Y方向估計(jì)誤差均方根為23 m。圖1—圖6坐標(biāo)系為跟蹤坐標(biāo)系，圖1五角星為雷達(dá)1位置，六角星為雷達(dá)2位置，虛曲線為目標(biāo)全程真實(shí)運(yùn)動(dòng)軌跡。從圖2可以看出，本文構(gòu)造的初始化策略用于IMM-ASQUF算法收斂性很好，沒(méi)有造成較大的初始波動(dòng)；由于組網(wǎng)雷達(dá)測(cè)量噪聲影響，測(cè)量點(diǎn)跡對(duì)比真值，波動(dòng)較大，但使用本文構(gòu)造參量的IMM-ASQUF算法，估計(jì)誤差較小，能夠逼近目標(biāo)真值；但在目標(biāo)機(jī)動(dòng)轉(zhuǎn)彎處，估計(jì)誤差有些起伏跳動(dòng)，幾幀后，濾波趨于平穩(wěn)。圖7是目標(biāo)運(yùn)動(dòng)各階段的模型概率變化圖，可以看出，IMM-ASQUF算法能夠自適應(yīng)地選擇接近實(shí)際運(yùn)動(dòng)的模型，準(zhǔn)確概率能達(dá)到0.9以上，仿真結(jié)果表明與機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)模型是一致的。

圖1 雷達(dá)組網(wǎng)仿真場(chǎng)景Fig.1 radar networking simulation scenarios

圖2 IMM-ASQUF位置估計(jì)/真值點(diǎn)跡/噪聲化點(diǎn)跡對(duì)比圖（近區(qū)）Fig.2 IMM-ASQUF position plots estimation/true plots/ noise plots（near area）

圖3 IMM-ASQUF位置估計(jì)/真值點(diǎn)跡/噪聲化點(diǎn)跡對(duì)比圖（逆時(shí)針轉(zhuǎn)彎區(qū)）Fig.3 IMM-ASQUF position plots estimation/true plots/noise plots（turn counterclockwise area）

圖4 IMM-ASQUF位置估計(jì)/真值點(diǎn)跡/噪聲化點(diǎn)跡對(duì)比圖（順時(shí)針轉(zhuǎn)彎區(qū)）Fig.4 IMM-ASQUF position plots estimation/true plots/noise plots（turn clockwise area）

圖5 IMM-ASQUF位置估計(jì)誤差（X方向）Fig.5 IMM-ASQUF error curve of position estimation（X direction）

圖6 IMM-ASQUF位置估計(jì)誤差（Y方向）Fig.6 IMM-ASQUF error curve of position estimation（Y direction）

圖7 模型概率變化情況Fig.7 Change of model probability

4 結(jié)論

本文提出了IMM-ASQUF算法，該算法融合了IMM算法對(duì)目標(biāo)機(jī)動(dòng)模型的自適應(yīng)機(jī)動(dòng)建模能力和ASQUF算法處理非線性高斯噪聲系統(tǒng)良好的濾波估計(jì)性能，避免了UF的Cholesky分解遇到非半正定矩陣容易發(fā)散、不準(zhǔn)確濾波初值造成濾波發(fā)散以及異常擾動(dòng)影響濾波效果等問(wèn)題，較好地解決了雷達(dá)組網(wǎng)系統(tǒng)對(duì)空域機(jī)動(dòng)目標(biāo)跟蹤的機(jī)動(dòng)建模問(wèn)題和濾波建模問(wèn)題。從仿真結(jié)果來(lái)看，基于交互多模型和無(wú)跡濾波算法構(gòu)造的IMM-ASQUF算法，X、Y方向估計(jì)誤差均方根分別能達(dá)到59 m、23 m，計(jì)算精度高、計(jì)算速度快，能夠解決雷達(dá)組網(wǎng)空域機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題。盡管在機(jī)動(dòng)轉(zhuǎn)彎起始時(shí)，IMMASQUF算法的估計(jì)誤差跳動(dòng)不大，能夠滿足工程應(yīng)用需求，但還遠(yuǎn)沒(méi)有達(dá)到理想效果，下一步將著重進(jìn)行自適應(yīng)馬爾可夫轉(zhuǎn)移矩陣建模研究。

［1］Merrill I Skolnik.雷達(dá)手冊(cè)［M］.北京：電子工業(yè)出版社，2004：347-354.

［2］葉朝謀，丁建江，呂金建，等.基于模式化的雷達(dá)組網(wǎng)資源管控功能模型［J］.系統(tǒng)工程與電子技術(shù)，2013，35（9）：1979-1982.

［3］Kalman R E.A new approach to linear filter and prediction problems［J］.Transactions of the ASME-Journal of Basic Enginearing.1960，82：34-45.

［4］Kai Xiong，Tang Lianga，Lei Yongiuna.Multiple model Kalman filter for attitude determination of precision pointing spacecraft［J］.Acta Astronauautica，April-May 2011，68（7）：843-852.

［5］韓崇昭，朱洪艷，段戰(zhàn)勝.多源信息融合［M］.北京：清華大學(xué)出版社，2010（9）：127-139.

［6］Blom H A，Bar-Shalom Y.The interacting multiple model algorithm for systems with Markovian switching coefficients［J］.IEEE Trans.on Automatic Control，1988，33（8）：780-783.

［7］Foo P H，G W Ng.Combining the interacting multiple model method with particle filters for manoeuvring target tracking［J］.IET Radar Sonar Navig，2011，5（3）：234-255.

［8］Fu Xiaoyan，Jia Yingmin，Liu Xiaohe.Optimal set integer programming algorithm for multiple maneuvering targets tracking in clutter［J］.Journal of Systems Engineering and Electronics，2013，24（4）：555-563.

［9］劉德虎，周希辰，匡華星.一種修正的自適應(yīng)網(wǎng)格交互多模型算法［J］.火力與指揮控制，2014，39（1）：79-82.

［10］Wang Zidong，Liu Xiaohui，Liu Yurong，et al.An extended Kalman filtering approach to modeling nonlinear dynamic gene regulatory networks via short gene expression time series［J］.IEEE/ACM Transactions on Computational Biology and Bioinformatics，July-September 2009，6（3）：410-419.

［11］Simon Julier，Jeffrey Uhlmann，Hugh F Durrant-Whyte.A new method for the nonlinear transformation of means and covariances in filters and estimators［J］. IEEE Transactions on Automatic Control，2000，45（3）：477-482.

［12］Liu Changyun，Shui Penglang，Li Song.Unscented extended Kalman Filter for target Curve Tracking［J］. Journal of Systems Engineering Electronics，2011，22（2）：188-192.

［13］朱立新，馬春來(lái).UKF改進(jìn)算法在組合導(dǎo)航INS誤差校正中的應(yīng)用［J］.現(xiàn)代雷達(dá)，2014，36（2）：35-41.

［14］Bi Haiyun，Ma Jianwen，Qin Sixian，et al.Simultaneous estimation of soil moisture and hydraulic parameters using residual resampling particle filter［J］.Science China（Earth Sciences），2014，57（4）：824-838.

［15］Rudolph van der Merwe，Eric A Wan.The square-root unscented Kalman filter for state and parameter estimation［J］.Proc.IEEE Ine′l Conf.Acoustics，Speech，and Signal Processing，2001（6）：3461-3464.

Interacting Mutiple Model-adaptive Square Root Unscented Filter Algorithm of Radar Networking

DING Hailong，XU Congdong，ZHAO Wenbo
（Amy Officer Academy of PLA，Hefei 230031，China）

To solve the problem of modeling maneuvering target and nonlinear filtering while tracking airspace target with radar networking system（RNS），an interacting multiple model-adaptive square root unscented filter（IMM-ASQUF）was proposed，which combined the modeling adaptability for maneuvering target of interacting multiple algorithm with good performance of adaptive square root unscented filter（ASQUF）in dealing with nonlinear relationship.ASQUF avoided the problems that Cholesky decomposition in UF without dealing with nonpositive semidefinite matrix，and inaccurate initial value may cause filter divergence，and then disturbance may interfere with filter result in RNSstate estimation.Simulation results demonstrated that constructed-parameter IMM-ASQUF proposed had high precision of state estimation，strong adaptability in tracking maneuvering target and good usability engineering.

radar networking；interacting mutiple model；adaptive square root unscented filter

TN953

A

1008-1194（2015）05-0073-06

2015-04-22

國(guó)家自然科學(xué)基金項(xiàng)目資助（61273001）；安徽省自然科學(xué)基金項(xiàng)目資助（11040606M130）

丁海龍（1987—），男，安徽合肥人，碩士，研究方向：目標(biāo)跟蹤。E-mail：656797726@qq.com。