(XXXX研究生数学建模竞赛)机动目标的跟踪与反跟踪.docx
《(XXXX研究生数学建模竞赛)机动目标的跟踪与反跟踪.docx》由会员分享,可在线阅读,更多相关《(XXXX研究生数学建模竞赛)机动目标的跟踪与反跟踪.docx(32页珍藏版)》请在三一办公上搜索。
1、参赛密码 (由组委会填写)全第十一届华为杯全国研究生数学建模竞赛学 校 参赛队号队员姓名1. 2. 3. 32参赛密码 (由组委会填写) 第十一届华为杯全国研究生数学建模竞赛题 目 机动目标的跟踪与反跟踪摘 要:目标跟踪理论在军事、民用领域都有重要的应用价值。本文对机动目标的跟踪与反跟踪相关问题进行了研究,取得了以下几方面的成果。1. 建立了对机动目标的跟踪模型通过对原始数据进行处理,观察到目标运动模式大致为机动与非机动的混合模式,于是决定先采用基于卡尔曼滤波的多模滤波VD算法来建立跟踪模型。当目标处于机动状态时采用普通卡尔曼滤波进行处理,机动模式采用非线性卡尔曼滤波处理。滤波出来的航迹图和拟
2、合出来的航迹匹配很好。然后利用Matlab的拟合工具cftool对目标的各个轴向的运动进行了拟合,分析出了目标的运动方式,大致估计出了目标的航迹。对建立的航迹方程进行预测,成功的估计出了目标的着落点。2. 实现了转换坐标卡尔曼滤波器实际情况下目标的状态往往是在极坐标或者球坐标情况下描述的。状态方程和量测方程不可能同时为线性方程,本文把极坐标系下的测量值经坐标转换到直角坐标系中,用统计方法求出转换后的测量值误差的均值和方差,然后利用标准卡尔曼滤波器进行滤波,精度较高。3. 完成了多目标的数据关联,区分出了相应的轨迹4. 以最近邻法原理为基础,采用线性预估与距离比较的方法制定出了相应的区分规则,
3、成功的将原始数据的两个目标轨迹区分出来。5. 分析各个目标的机动变化规律并成功识别了机动发生的时间利用得到的目标运动轨迹,对位置信息进行二次求导得出了目标的加速度变化曲线,分析三个平面上的加速度变化趋势得到了目标在空间的机动情况,当位置与速度变化剧烈的时候也是机动发生的时候,于是通过对加速度随时间变化的分析,合理的设定加速度变化率的门限,当加速度变化率超过门限即认为目标处于机动状态并通过程序算法对机动点进行标记,结果和对目标的经验判断相符合。在整个过程中对各个时间点目标的加速度大小和方向进行了统计并输出到txt文档中。创新点:1. VD算法模型以及切换条件模型,所查资料中并无具体做法,本组成员
4、进行充分探 究并优化后,应用于题目建模。2. 第2问数据关联算法,是由最近邻法基本原理启发,自行改进后编写的,外界并无相同资料。3. 机动性判别原则和算法均为自创,需要完善的地方还很多,但基本保证了一定的效果和可靠性。4. 先通过滤波,在进行曲线拟合,得到更为平滑精确的运动方程,使得不论是速度、加速度及其变化率,还是落点估计等计算都变得简捷。关键词:目标跟踪,VD算法,卡尔曼滤波器,数据关联,机动,最近邻法1、问题背景目标跟踪是指应用探测器所获得的运动目标量测信息,对目标的运动状态进行滤波估计,是整个雷达系统中一个非常关键的环节,属于雷达数据处理中的一部分。由于实际跟踪中量测信息含有各种干扰噪
5、声,影响对目标真实运动状态的估计,所以有必要对目标量测信息进行处理。从工作流程上讲,目标跟踪是一个滤除噪声、消除误差的数据处理过程;而从广义的角度看,目标跟踪被定义为综合运用随机统计决策、估值理论、最优化算法等信息处理技术跟踪目标运动轨迹的过程。目标跟踪所涉及的问题是控制、指挥、通讯和情报学科发展的前沿问题,是当今国际上研究的热门方向。目标跟踪按照探测器与跟踪目标的个数的不同,可划分为单探测器单目标跟踪、单探测器多目标跟踪、多探测器单目标跟踪、多探测器多目标跟踪四种类型,其中单探测器单目标跟踪为跟踪问题研究的基本问题,其它三种跟踪方式的跟踪算法均由其派生而来,是研究最早、研究者最多、研究成果最
6、为丰富的一种目标跟踪方式,也是本文着重研究的跟踪方式。按照跟踪目标的类型,可将目标跟踪分为非机动目标跟踪和机动目标跟踪。非机动目标跟踪是指,被跟踪的目标做匀速或匀加速直线运动等运动形式简单的运动,此时最基本的跟踪算法就能满足目标跟踪要求。困难的情况是当被跟踪目标发生机动,即目标为执行某种战术意图或由于非预谋的原因,作改变原来规律的运动(如转弯、俯冲、下滑、爬升、蛇形、增速、降速等),此时目标速度的大小和方向发生变化,如果应用一般的跟踪算法跟踪机动目标会产生很大的误差,严重的情况会出现丢失目标的情况,针对这一问题大量学者对其进行了深入研究,进而形成了机动目标跟踪理论目标跟踪处理流程通常可分为航迹
7、起始、点迹航迹关联(数据关联)、航迹滤波等步骤。如果某个时刻某雷达站(可以是运动的)接收到空间某点反射回来的电磁波,它将记录下有关的数据,并进行计算,得到包括目标相对于雷达站的距离、方位角和俯仰角等信息。航迹即雷达站在接收到某一检测目标陆续反射回来的电磁波后记录、计算检测目标所处的一系列空中位置而形成的离散点列.航迹起始即通过一定的逻辑快速确定单个或者多个离散点序列是某一目标在某段时间内首先被检测到的位置.点迹航迹关联也称同一性识别,即依据一定的准则确定雷达站多个回波数据(点迹)中哪几部分数据是来自同一个检测目标(航迹). 航迹滤波是指利用关联上的点迹测量信息采用线性或者非线性估计方法(如卡尔
8、曼滤波、拟合等)提取所需目标状态信息,通常包括预测和更新两个步骤。预测步骤主要采用目标的状态方程获得对应时刻(被该目标关联上的点迹时间)目标状态和协方差预测信息;更新步骤则利用关联点迹的测量信息修正目标的预测状态和预测协方差。2、基本假设 由于3个雷达站距离很近,地理坐标系和大地坐标系的转换过程中不考虑地球曲率的影响; 短时间内地理坐标系不随地球旋转; 雷达测量噪声满足正态分布。3、符号说明符号含义O-XYZ地理坐标系Og-XgYgZg地球坐标系Pi圆周率R地球半径B雷达所在位置的纬度L雷达所在位置的经度h雷达所在位置的高度r雷达探测到的目标距离雷达探测到的目标方位角雷达探测到的目标俯仰角MN
9、N最近邻法4、问题的分析与求解4.1 多个雷达对单机动目标的跟踪4.1.1 问题:根据附件中的Data1.txt数据,分析目标机动发生的时间范围,并统计目标加速度的大小和方向。建立对该目标的跟踪模型,并利用多个雷达的测量数据估计出目标的航迹。4.1.2 坐标变换:跟踪滤波器的设计在很大程度上受目标运动模型、量测模型的影响。两种模型都依赖于所采用的坐标系体制。因此应当选择一个合适的坐标系来调节计算速度与跟踪性能这两个互相矛盾的要求。一般情况下,有两种坐标系可供选择:一种是直角坐标系,另一种是球面坐标系。量测数据的测量值是基于球面坐标的。而目标的状态方程则在直角坐标系中的。实际情况下目标的状态往往
10、是在极坐标或者球坐标情况下描述的。状态方程和量测方程不可能同时为线性方程,本文把极坐标系下的测量值经坐标转换到直角坐标系中,用统计方法求出转换后的测量值误差的均值和方差,然后利用标准卡尔曼滤波器进行滤波,精度较高。在现代跟踪系统中,方便的是同时采用地理坐标系和雷达测量坐标系,即混合坐标系。其好处是地理坐标系(直角坐标系)的参数变化率最小,除在北极附近外,地球转动的影响可以忽略不计,即地理坐标系实际上是惯性坐标系;而且在该坐标系中目标状态方程是线性的,在雷达测量坐标系球面坐坐标中,目标斜距、方位和俯仰等均可独立得到,而且量测方程也是线性的。再利用坐标变换关系,滤波与预测过程便可在地理坐标系中方便
11、地完成。关于状态变量的选取,一般的原则是选择维数少且能全面反映目标动态特性的一组变量,以防止计算量随状态变量数目的增加而增加。状态变量与跟踪坐标系的选择是直接相关的。如果采用一个适当选择的坐标系,状态估计问题的计算代价可以大大减小。另外,速度量测的引入是改善跟踪精度的一种有效手段。本题中涉及到地球坐标系,空间直角坐标系,空间极坐标系。地球坐标系如图4.1.1所示:图4.1.1 地球坐标系其中圆点为地球地心,轴为地心指向春分点方向,轴为地心指向北极点方向,构成右手系。地理坐标系(空间直角坐标系)如图4.1.2所示:图4.1.2 地理坐标系其中坐标原点为雷达所在位置,方向为雷达传感器中心点与当地纬
12、度切线方向指向东,方向为雷达传感器中心点与当地经度切线方向指向北,轴为地心与雷达传感器中心连线指向天向。空间极坐标系如图4.1.3所示:图4.1.3 空间极坐标系其中坐标原点O为雷达所在位置,为东北天直角坐标系,r为雷达与探测到的目标距离,为方位角(方位角指北向顺时针夹角,即从y轴正向向x轴正向的夹角,范围为0到360),为俯仰角(俯仰角指传感器中心点与目标连线和地平面的夹角,即与平面的夹角,通常范围-90到90)。空间极坐标系到空间直角坐标系的转换如下:(1)(2)(3)分别以雷达2,3为原点建立的直角坐标系可以转换到以雷达1为原点建立的直角坐标系中,坐标系的平移变换如图4.1.4所示:图4
13、.1.4 空间直角坐标系平移两个空间直角坐标系和,其中在中的坐标为,点P在两坐标系中的坐标分别为和,坐标变换满足如下关系:(4)(5)(6)根据地球坐标系到地理坐标系的转换关系:(7)(8)(9)其中R为地球半径(取6.37106m),B为雷达所在维度,L为雷达所在经度,h为雷达所在高度。根据三个雷达在地球坐标系中的位置:表4.1.1 三个雷达的位置雷达标号L()B()h(m)1122.140.502122.441.503122.740.90可以得到雷达2,3坐标系转换到雷达1坐标系中的转换参数如表4.1.2所示:表4.1.2 不同雷达坐标系转换参数转换参数雷达2到雷达125362111177
14、0雷达3到雷达15072410005904.1.3问题分析:将雷达探测到的距离、方位角、俯仰角从Data1.txt中读取出来,根据极坐标系到直角坐标系间的转换关系可以得到机动目标在直角坐标系中的位置,用Matlab画出雷达探测到的各个目标点的位置。滤波前雷达探测到的目标位置在xoy平面上的投影如图4.1.5所示:图4.1.5 机动目标的位置在xoy平面投影图中圆点表示雷达1探测到的目标位置,“*”为雷达2探测到的目标位置,菱形点为雷达3探测到的目标位置。滤波前雷达探测到的目标位置在xoz平面上的投影如图4.1.6所示:图4.1.6 机动目标的位置在xoz平面投影从xoy平面上的投影可以推测雷达
15、1探测到的目标运动为直线运动,之后为机动转弯,再进入到直线运动。雷达2,3探测到的目标运动为椭圆盘旋。从xoz平面上的投影可以看出z轴方向上测量数据基本相当于白噪声,原因是雷达测量数据中俯仰角误差和俯仰角测量值处于同一数量级,降低了数据的有效性。根据投影图,我们可以先假设机动目标在第一阶段做匀速直线运动或匀加速直线运动,第二阶段做匀速圆周运动,第三阶段做匀速直线运动或匀加速直线运动,第四、五阶段做匀速圆周运动。4.1.4机动模型建立目标跟踪分为单目标跟踪与多目标跟踪,单目标跟踪为多目标跟踪的理论基础。其中单目标跟踪的原理图如图4.1.7所示:图4.1.7 单机动目标跟踪原理图图中目标动态特性由
16、包含位置、速度和加速度的状态向量 X 表示,观测量 Y 被假定为含有量测噪声 V 的状态向量的线性组合(HX+V);残差向量 d 为观测量 Y 与状态预测量HXk+1,k之差,一般情况下,单机动目标跟踪为一个自适应滤波过程。首先由观测量 Y 和状态预测量 HXk+1,k构成残差(新息)向量d,然后根据 d 的变化进行机动检测或机动辨识,其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性,最后由滤波算法得到目标的状态估计值和预测值,从而完成单目标跟踪功能。组成机动目标跟踪的要素主要包括以下部分:量测数据的形成、机动目标模型、机动检测与机动辨识、滤波与预测:一般情况下离散系统
17、机动目标跟踪模型可由目标状态方程与目标量测方程表示:(10)(11)其中:Xk为目标状态向量、 Zk为目标量测向量、 Wk为状态噪声、Vk 为量测噪声; Fk+1,k为状态转移矩阵、Hk为观测矩阵、Gk为输入矩阵。机动目标模型的一般原则是所建立的模型既要符合机动实际,又要便于数学处理。当目标做非机动运动时,这种动态模型容易建立,但对于做机动运动的目标来说,建立理想的模型则变得十分困难。因为在大多数情况下,我们对目标机动的先验知识了解很少,而且机动过程中由于人为作用力的影响,很难用数学公式准确描述,只能在各种假设条件下用近似方法描述。实际情况中,由于缺乏有关目标运动的精确数据以及存在着许多不可预
18、测的现象,需要引入状态噪声的概念,通过状态噪声 W (k ) 反应目标机动情况。在机动目标跟踪算法中,需要首先建立目标运动模型,每一个模型对应一个不同的机动水平。在二维平面内,设采样间隔为T,目标检测概率为,且无虚警存在,在直角坐标系中建立机动模型和非机动模型(假定采样时刻为k)。非机动模式(cv模型):(12)式中:(13)(14)(15)(16)其中、分别为相互独立的零均值方差和的高斯白噪声。量测模型为:(17)(18)(19)其中、是相互独立的高斯白噪声,均值为0,方差为。机动模型(CA模型):(20)式中:上标m表示机动(21)(22)(23)(24)其中:、分别为相互独立的零均值方差
19、与之和的高斯白噪声。量测模型与非机动模型的量测模型一样,但模型中的矩阵C变成:(25)4.1.5 VD滤波算法VD滤波算法是在二维卡尔曼滤波基础上采用两种模型,即非机动模型和机动模型,无机动时滤波器处于正常模式,用一机动检测器监视机动,一旦检测到机动,模型中立即增加一个状态变量,用机动模型跟踪直到下一次判决而退回至正常的非机动模型。机动检测:滤波器开始工作于正常模式(非机动模式),其输出的新息序列为v(k),令(26)(27)其中:是的协方差矩阵,由于是零均值高斯随机变量,所以服从(量测维数)为自由度的分布,也服从分布,且,取作为检测机动的有效窗口长度,机动检测的方法为:如果,则认为目标在开始
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- XXXX 研究生 数学 建模 竞赛 机动 目标 跟踪
链接地址:https://www.31ppt.com/p-1749094.html