本發(fā)明屬于目標(biāo)跟蹤，具體涉及一種面向機(jī)會陣?yán)走_(dá)的似然改進(jìn)svgd交互多模型機(jī)動目標(biāo)跟蹤方法。

背景技術(shù)：

1、機(jī)會陣?yán)走_(dá)（opportunistic?array?radar,oar）是一種多功能、多模式、全時-空-頻域工作的新體制綜合智能雷達(dá)系統(tǒng)，具有“單元機(jī)會布置”與“雷達(dá)機(jī)會工作”兩大特點。一方面，機(jī)會陣?yán)走_(dá)的“隨遇而布”的天線單元可以提供更多、更豐富的組陣方式，這就使得機(jī)會陣?yán)走_(dá)具有靈活的全空域波束形成能力，能夠根據(jù)目標(biāo)的運(yùn)動軌跡和環(huán)境的實時變化調(diào)整波束方向和形狀，實現(xiàn)高精度、穩(wěn)定的機(jī)動目標(biāo)搜索與跟蹤；另一方面，機(jī)會陣?yán)走_(dá)本身具備對環(huán)境的感知、認(rèn)知和評估能力。通過智能學(xué)習(xí)，機(jī)會陣?yán)走_(dá)可以自主發(fā)現(xiàn)有利于雷達(dá)生存的機(jī)會，并根據(jù)雷達(dá)自身的資源狀況，智能地選擇最佳的工作模式。

2、在面對對雷達(dá)自身具有高度威脅的目標(biāo)或是雷達(dá)需要保證較高的隱身性能時，機(jī)會陣?yán)走_(dá)可以實現(xiàn)“主動-被動-主動”的靈活切換，即基于隱蔽性需求的“機(jī)會性跟蹤”：當(dāng)目標(biāo)距離較遠(yuǎn)或威脅度較低時，機(jī)會陣?yán)走_(dá)會作為“主動雷達(dá)”，輻射足夠能量的電磁波對目標(biāo)進(jìn)行搜索與跟蹤；當(dāng)目標(biāo)靠近或?qū)C(jī)會陣?yán)走_(dá)自身產(chǎn)生較大威脅時，為保證安全，機(jī)會陣?yán)走_(dá)能夠自適應(yīng)地轉(zhuǎn)化為“被動雷達(dá)”，降低被目標(biāo)發(fā)現(xiàn)和摧毀的可能性；待目標(biāo)遠(yuǎn)離、確保探測環(huán)境安全后，機(jī)會陣?yán)走_(dá)會再次轉(zhuǎn)化為“主動雷達(dá)”，繼續(xù)對目標(biāo)進(jìn)行持續(xù)跟蹤。

3、這種在主動雷達(dá)和被動雷達(dá)間靈活切換的能力，可以有效地保證機(jī)會陣?yán)走_(dá)的隱蔽性，提高其生存能力。但是，對于單個雷達(dá)節(jié)點而言，這一舉動會導(dǎo)致雷達(dá)量測的中斷，而對機(jī)動目標(biāo)的量測中斷，尤其是在量測中斷期間目標(biāo)做了大幅度的機(jī)動動作時，往往會給跟蹤算法的重收斂帶來極大的困難，甚至導(dǎo)致濾波的發(fā)散，造成目標(biāo)的失跟。

4、在現(xiàn)代雷達(dá)機(jī)動目標(biāo)的跟蹤場景中，考慮到目標(biāo)機(jī)動變化的靈活性、機(jī)動動作的高度非線性和背景噪聲的復(fù)雜性，適用于非線性、非高斯條件下的交互式多模型粒子濾波算法（interacting?multiple?model?particle?filter,immpf）已經(jīng)被廣泛應(yīng)用。而在immpf中，導(dǎo)致上述濾波發(fā)散的主要原因，在于粒子濾波本身存在的粒子退化和粒子貧化問題：隨著算法迭代次數(shù)的增加，粒子權(quán)值的方差逐漸增大，粒子的多樣性會逐漸降低，大部分粒子都集中于目標(biāo)分布附近。此時，面對能夠進(jìn)行頻繁或大幅機(jī)動的目標(biāo)，量測中斷的發(fā)生往往會導(dǎo)致恢復(fù)量測后的目標(biāo)分布附近沒有足夠的有效粒子，從而嚴(yán)重影響算法的精度和濾波的收斂。

5、目前，應(yīng)對粒子退化問題的主流方法有兩種：優(yōu)化重采樣策略與引入智能優(yōu)化算法。這兩種方法本質(zhì)上都是通過增加粒子多樣性來對粒子權(quán)值進(jìn)行二次分配，以降低權(quán)值的方差。現(xiàn)有的優(yōu)化重采樣策略包括自適應(yīng)重采樣、線性優(yōu)化重采樣、分治采樣等，而比較前沿的智能優(yōu)化算法則包括蝠鲼覓食優(yōu)化算法、圍獵改進(jìn)哈里斯鷹優(yōu)化算法、改進(jìn)引力場優(yōu)化算法等。這兩類方法都可以很好地提高粒子多樣性，從而緩解粒子退化和粒子貧化問題。

6、然而，無論是優(yōu)化重采樣策略還是引入智能優(yōu)化算法，都僅限于緩解、而無法從根本上徹底解決粒子退化問題。此外，現(xiàn)有的方法大多沒有考慮過諸如“機(jī)會性跟蹤”中存在的量測中斷情況。在目標(biāo)量測存在暫時中斷的場景中，取決于目標(biāo)機(jī)動的方式，目標(biāo)量測重新出現(xiàn)的位置具有很大的不確定性。面對可能出現(xiàn)在不同距離、不同方位上的恢復(fù)量測，現(xiàn)有的基于特定策略的重采樣方法很難取得穩(wěn)定且良好的預(yù)期效果，而引入的智能優(yōu)化算法則往往需要進(jìn)行多個參數(shù)的調(diào)優(yōu)才能得到僅針對某類恢復(fù)量測的理想結(jié)果，兩者均不具有一般性。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種面向機(jī)會陣?yán)走_(dá)的似然改進(jìn)svgd交互多模型機(jī)動目標(biāo)跟蹤方法，主要應(yīng)用于機(jī)會陣?yán)走_(dá)在基于隱蔽性需求的“機(jī)會性跟蹤”場景下對機(jī)動目標(biāo)的跟蹤問題。

2、該方法在交互式多模型粒子濾波（immpf）的框架下，引入了stein變分梯度下降（stein?variational?gradient?descent,svgd）方法，基于粒子流實現(xiàn)粒子的更新，以徹底解決粒子退化和粒子貧化問題，在提高機(jī)動目標(biāo)跟蹤的精度和魯棒性的同時，避免了進(jìn)行“機(jī)會性跟蹤”時濾波算法的發(fā)散。此外，利用immpf框架下的模型似然度實現(xiàn)svgd學(xué)習(xí)率的自適應(yīng)優(yōu)化，以更好地平衡算法的收斂速度與穩(wěn)定性，并在進(jìn)行“機(jī)會性跟蹤”的過程中，保證算法的快速重收斂。

3、本發(fā)明方法包括如下步驟：

4、步驟1，對機(jī)動目標(biāo)跟蹤問題進(jìn)行建模，構(gòu)建運(yùn)動模型集；

5、步驟2，進(jìn)行輸入狀態(tài)交互：計算各運(yùn)動模型的混合概率，得到初始混合估計，生成初始混合粒子；

6、步驟3，判斷機(jī)會陣?yán)走_(dá)的工作模式，進(jìn)行粒子狀態(tài)的預(yù)測與更新；

7、步驟4，進(jìn)行模型概率更新與狀態(tài)估計融合。

8、步驟1包括：目標(biāo)運(yùn)動的狀態(tài)方程建模為：

9、，

10、其中，和分別為k時刻的目標(biāo)狀態(tài)向量和時刻的目標(biāo)狀態(tài)向量；為狀態(tài)轉(zhuǎn)移矩陣；為控制矩陣；為時刻的系統(tǒng)控制量矩陣（即系統(tǒng)輸入矩陣）；為時刻的系統(tǒng)過程噪聲；

11、設(shè)定目標(biāo)在運(yùn)動過程中無額外輸入量，得到：；

12、目標(biāo)運(yùn)動的觀測方程建模為：

13、，

14、其中，為時刻的觀測向量；為狀態(tài)觀測矩陣；為時刻的系統(tǒng)觀測噪聲。

15、步驟2包括：混合概率的表達(dá)式為：

16、，

17、其中，為混合概率；由狀態(tài)轉(zhuǎn)移矩陣得到，表示機(jī)動目標(biāo)模型集中第個運(yùn)動模型轉(zhuǎn)移至第個運(yùn)動模型的轉(zhuǎn)移概率；表示在第輪濾波中，第個運(yùn)動模型的更新概率；為歸一化常數(shù)，用于確?；旌细怕手蜑?，。

18、步驟2中，所述初始混合估計包含混合狀態(tài)估計與對應(yīng)的誤差協(xié)方差矩陣，混合狀態(tài)估計的表達(dá)式為：

19、，

20、其中，表示在第輪濾波中，第個運(yùn)動模型的混合狀態(tài)估計；?表示在第輪濾波中，第個運(yùn)動模型中得到的目標(biāo)狀態(tài)估計；

21、誤差協(xié)方差矩陣的表達(dá)式為：

22、，

23、其中，表示在第輪濾波中，第個運(yùn)動模型的混合狀態(tài)估計對應(yīng)的誤差協(xié)方差矩陣；表示在第輪濾波中，第個運(yùn)動模型的目標(biāo)狀態(tài)估計對應(yīng)的誤差協(xié)方差矩陣；

24、采樣得到的個初始混合粒子表示為。與常規(guī)immpf及其改進(jìn)算法不同的是，此處得到的初始混合粒子僅具有粒子狀態(tài)和模型標(biāo)簽，而不具有權(quán)值。

25、步驟3包括：

26、步驟3-1，在各運(yùn)動模型內(nèi)部，用狀態(tài)轉(zhuǎn)移方程對初始混合粒子進(jìn)行預(yù)測，得到粒子的預(yù)測狀態(tài)：

27、在第個運(yùn)動模型中，第個粒子的預(yù)測狀態(tài)表達(dá)式為：

28、?，

29、其中，表示在第輪濾波中，第個運(yùn)動模型下的第個粒子的預(yù)測狀態(tài)；表示第個運(yùn)動模型對應(yīng)的狀態(tài)轉(zhuǎn)移矩陣；表示在第輪濾波中，第個運(yùn)動模型下的第個初始混合粒子的粒子狀態(tài)；表示系統(tǒng)過程噪聲；

30、步驟3-2，根據(jù)機(jī)會陣?yán)走_(dá)的工作狀態(tài)決定后續(xù)算法的執(zhí)行：如果此時機(jī)會陣?yán)走_(dá)處于被動模式，則基于當(dāng)前的預(yù)測粒子和模型概率進(jìn)行狀態(tài)融合，并跳轉(zhuǎn)至步驟2；如果此時機(jī)會陣?yán)走_(dá)處于主動模式，則用獲取的觀測值計算每個預(yù)測粒子的似然度，并進(jìn)一步計算模型似然度；

31、在第個運(yùn)動模型中，第個預(yù)測粒子的粒子似然度表達(dá)式為：，

32、其中，表示第輪濾波中的系統(tǒng)觀測值；為觀測向量的維度；表示在第輪濾波中，第個預(yù)測粒子的新息；表示在第輪濾波中，第個運(yùn)動模型的新息協(xié)方差；表示行列式的計算；exp是自然指數(shù)函數(shù)；t表示矩陣轉(zhuǎn)置；

33、在svgd框架下，粒子沒有權(quán)值，因此不同于常規(guī)的模型似然度計算方法，對模型似然度進(jìn)行修改：

34、；

35、其中為第個運(yùn)動模型的模型似然度；

36、步驟3-3，用模型似然度優(yōu)化svgd算法的學(xué)習(xí)率，并在各運(yùn)動模型中用svgd更新各粒子的狀態(tài)：

37、在第個運(yùn)動模型中，基于似然度改進(jìn)的svgd學(xué)習(xí)率表達(dá)式為：，

38、其中，表示在第輪濾波中，第個運(yùn)動模型的svgd學(xué)習(xí)率；表示全局學(xué)習(xí)率；表示歸一化模型似然度；為衰減因子，其中，為衰減系數(shù)，表示首輪濾波時各模型似然度之和，表示第至第輪濾波中，各運(yùn)動模型似然度之和的最大值；

39、最終得到的自適應(yīng)優(yōu)化方法為：用模型總和似然度進(jìn)行全局學(xué)習(xí)率的調(diào)整，得到整體學(xué)習(xí)率，隨著迭代次數(shù)的增加，整體學(xué)習(xí)率逐漸下降；在每一次迭代內(nèi)部，基于歸一化的模型似然度對整體學(xué)習(xí)率進(jìn)行調(diào)整，得到各個運(yùn)動模型的svgd學(xué)習(xí)率。

40、在第個運(yùn)動模型中，對第個粒子用svgd更新粒子狀態(tài)：

41、，

42、其中，表示在第輪濾波中，第個運(yùn)動模型下的第個粒子的更新狀態(tài)；為粒子更新的移動方向，表達(dá)式為：

43、，

44、其中，為粒子數(shù)，為rbf核函數(shù)，此處采用的是高斯核函數(shù)，為核寬度；表示目標(biāo)分布；表示在第輪濾波中，第個運(yùn)動模型下的第個粒子的預(yù)測狀態(tài)；無具體含義，僅僅用來表示公式中的自變量；表示在函數(shù)中，求解在處關(guān)于各分量的梯度；表示在函數(shù)中，求解在處關(guān)于各分量的梯度。

45、步驟4包括：

46、步驟4-1，根據(jù)模型概率轉(zhuǎn)移矩陣和當(dāng)前的模型概率，計算各運(yùn)動模型的預(yù)測概率，并用模型似然度對預(yù)測的模型概率進(jìn)行歸一化處理，實現(xiàn)模型概率的更新；

47、模型預(yù)測概率的計算公式為：

48、，

49、其中，表示在第輪濾波中，第個運(yùn)動模型的預(yù)測概率；

50、模型概率更新的表達(dá)式為：

51、，

52、其中，表示在第輪濾波中，第個運(yùn)動模型的更新概率；為模型預(yù)測概率；為歸一化常數(shù)，確保更新后的模型概率之和為1，；

53、步驟4-2，計算各運(yùn)動模型中的目標(biāo)狀態(tài)估計和誤差協(xié)方差矩陣，用更新后的模型概率對其進(jìn)行加權(quán)融合，得到最終的濾波輸出結(jié)果；

54、第個運(yùn)動模型的目標(biāo)狀態(tài)估計表達(dá)式為：

55、；

56、其中，表示在第輪濾波中，第個運(yùn)動模型得到的目標(biāo)狀態(tài)估計；表示在第輪濾波中，第個運(yùn)動模型下的第個粒子的更新狀態(tài)；

57、誤差協(xié)方差矩陣的表達(dá)式為：

58、，

59、其中，表示在第輪濾波中，第個運(yùn)動模型的目標(biāo)狀態(tài)估計對應(yīng)的誤差協(xié)方差矩陣；

60、在第輪濾波中，基于似然改進(jìn)svgd交互多模型機(jī)動目標(biāo)跟蹤算法的最終輸出結(jié)果為：

61、，

62、其中，表示第輪濾波得到的目標(biāo)狀態(tài)估計。

63、本發(fā)明還提供了一種電子設(shè)備，包括處理器和存儲器，所述存儲器存儲有程序代碼，當(dāng)所述程序代碼被所述處理器執(zhí)行時，使得所述處理器執(zhí)行所述的方法的步驟。

64、本發(fā)明還提供了一種存儲介質(zhì)，存儲有計算機(jī)程序或指令，當(dāng)所述計算機(jī)程序或指令在計算機(jī)上運(yùn)行時，執(zhí)行所述的方法的步驟。

65、本發(fā)明具有如下有益效果：（1）將svgd應(yīng)用到immpf框架中，通過粒子流將粒子更新至高似然區(qū)域，完全回避了粒子權(quán)值的使用，從根本上解決了粒子退化和粒子貧化問題，提高了機(jī)動目標(biāo)跟蹤的精度與魯棒性，避免了基于隱蔽性需求的“機(jī)會性跟蹤”場景下濾波的發(fā)散；（2）利用模型似然度實現(xiàn)對svgd學(xué)習(xí)率的自適應(yīng)優(yōu)化，無論是在單次迭代還是在整個迭代過程中，都很好地平衡了算法的收斂速度與穩(wěn)定性，同時保證了機(jī)會陣?yán)走_(dá)執(zhí)行“機(jī)會性跟蹤”功能時算法的快速重收斂。