基于集中式MIMO雷达的多目标认知跟踪方法

摘要

本发明属于雷达系统多目标跟踪技术领域，公开了复杂环境下基于集中式MIMO雷达的多目标认知跟踪方法。该基于集中式MIMO雷达的多目标认知跟踪方法包括以下步骤：设定第q个目标在k时刻的状态以及其概率密度函数；设定观测矩阵，得出观测矩阵的条件概率密度；计算k时刻的贝叶斯信息矩阵；得出k时刻与k+1时刻BIM之间的递推关系式，在给定发射功率的假设下，计算k+1时刻第q目标跟踪误差的贝叶斯克拉美罗下界；建立功率分配模型，并进行求解，根据求解结果在k+1时刻向第q个目标发射具有对应功率的波束。

主权项

基于集中式MIMO雷达的多目标认知跟踪方法，其特征在于，包括以下步骤：S1：所述多目标为第1个目标至第Q个目标，Q为大于1的自然数；将第q个目标在k时刻的状态表示为q取1至Q，k为大于0的自然数；将第q个目标在k时刻的状态的概率密度表示为S2：设定观测矩阵Z_q,k，其中，为观测向量，m_q,k表示第q个目标在k时刻跟踪波门内检测到的点数；m_q,k的概率密度为p(m_q,k)；根据Z_q,k、p(m_q,k)、以及得出观测矩阵Z_q,k的条件概率密度S3：k时刻第q个目标状态的贝叶斯信息矩阵表示为并用概率数据互联方法获取第q个目标在k时刻目标状态的估计；S4：根据p(m_q,k)、以及得出与之间的递推关系式；设置初始时刻每个波束的发射功率，并根据所述初始时刻第q个波束的发射功率得出初始时刻第q个目标的状态的贝叶斯信息矩阵预测出第q个目标在k+1时刻的跟踪误差的贝叶斯克拉美罗下界P_q,k+1表示k+1时刻集中式MIMO雷达第q个波束的发射功率；S5：建立如下功率分配模型：$\underset{P_{k+1}}{\min }F\left(P_{k+1}\right)$$s.t.{\bar{P}}_{qmin}\le P_{q,k+1}\le {\bar{P}}_{qmax},q=1,2,...,Q$$\underset{q=1}{\overset{Q}{\Sigma }}{P}_{q,k+1}=P_{total}$其中，$F\left(P_{k+1}\right)=\underset{q}{max}\sqrt{Tr\left(\right[C_{CRLB}\left(P_{q,k+1}\right){|}_{{\xi }_{k+1}^q}\left]\right)},$F(P_k+1)表示精度最差的目标的跟踪误差；P_k+1表示k+1时刻各个波束的发射功率；表示第q个波束的设定最小发射功率，表示第q个波束的设定最大发射功率；P_total为集中式MIMO雷达各波束设定的总发射功率；S6：通过求解所述功率分配模型，得出k+1时刻各个波束的发射功率P_k+1；在k+1时刻向各目标发射具有对应功率的波束；S7：重复执行步骤S4至步骤S6，集中式MIMO雷达对每个目标进行持续的跟踪，直到目标超出雷达的跟踪范围；在步骤S1中，其中，表示第q个目标在k时刻的位置，表示第q个目标在k时刻的速度；为第q个目标在k时刻的雷达散射截面积；T表示观测时间间隔；目标运动模型表示为：其中，为与第q个目标对应的状态转移矩阵，表示零均值的高斯白噪声，其协方差矩阵为在步骤S2中，若跟踪波门内的观测值来源于目标时，$z_{q,k}^j=h_{q,k}\left({\xi }_k^q\right)+w_{q,k}$其中，h_q,k(·)为观测函数，w_q,k为零均值的高斯白噪声，其协方差矩阵为Σ_q,k；反之，当跟踪波门内的观测值来源于虚警时，$z_{q,k}^j={\upsilon }_{q,k};$虚警在跟踪波门内服从均匀分布，其个数服从泊松分布。