丁海龍，趙溫波

(解放軍陸軍軍官學院， 合肥 230031)

?

·信號/數(shù)據(jù)處理·

雷達組網(wǎng)GMPHDF關鍵參數(shù)研究

丁海龍，趙溫波

(解放軍陸軍軍官學院， 合肥 230031)

高斯混合概率假設密度濾波具有嚴密的數(shù)學基礎，適合跟蹤弱信噪比多目標，但其目標分布協(xié)方差P和高斯元素裁剪門限T至今未有合理取值規(guī)則，影響了跟蹤效果，且殘差協(xié)方差S參與增益計算時需要對其進行逆計算，如果S為非正定，會導致計算發(fā)散。針對上述問題，通過概率統(tǒng)計方法推導了參數(shù)P和T的取值規(guī)則，通過Cholesky和QR分解，確定了參數(shù)S的計算規(guī)則。仿真比較分析表明：文中提出的目標分布協(xié)方差P、裁剪門限T和殘差協(xié)方差S的計算規(guī)則用于雷達組網(wǎng)高斯混合概率假設密度濾波跟蹤弱信噪比多目標時，能較高精度地跟蹤到所有目標，且沒有帶來多余計算負擔。

雷達組網(wǎng)；高斯混合概率假設密度濾波；參數(shù)

0 引 言

現(xiàn)代戰(zhàn)爭條件下，反輻射導彈、隱身目標、超低空突防和綜合性電子干擾等裝備廣泛使用，使得雷達系統(tǒng)獲得的目標回波能量大為減少，對目標的檢測跟蹤效果也大為降低，目標信息急劇減少，雜波信息卻迅速增加，這種情況我們稱之為雷達弱信噪比(Weak Signal to Noise Ratio, WSNR)目標檢測跟蹤[1]。雷達組網(wǎng)系統(tǒng)[2-3]為多源數(shù)據(jù)融合系統(tǒng)，一定程度上可以提高空域目標探測的空間/時間分辨率，但WSNR條件下，由于大量測量噪聲和雜波信息的存在，弱信息目標很容易淹沒在雜波虛警當中，當檢測跟蹤目標數(shù)未知的多個目標時，雷達檢測到的數(shù)據(jù)并非就是目標信息，為了準確跟蹤到目標，需要對目標數(shù)目和狀態(tài)同時進行估計。傳統(tǒng)的方法是將雷達測量信息與估計目標進行數(shù)據(jù)關聯(lián)計算，數(shù)據(jù)關聯(lián)會造成大量的計算量，給工程應用帶來不便。概率假設密度濾波(Probability Hypothesis Density Filter, PHDF)[4-5]以隨機有限集和貝葉斯濾波為其理論基礎，借鑒貝葉斯單目標跟蹤辦法，將多目標狀態(tài)和測量信息分別作為有限集來處理，避免了復雜的數(shù)據(jù)關聯(lián)。高斯混合概率假設密度濾波(Gaussian Mixture PHDF, GMPHDF)[6-8]是PHDF的一種解析解實現(xiàn)形式，實現(xiàn)了PHDF的工程實際應用。然而，對于GMPHDF當中多目標方差P和裁剪門限T的選取，至今未提出合理的選取規(guī)則，僅憑經(jīng)驗進行選取，很容易增大跟蹤誤差，甚至造成跟蹤失敗，并且在計算濾波增益K時，需要求殘差協(xié)方差的逆矩陣 ，如果S是非正定矩陣，會造成計算發(fā)散。本文通過數(shù)學分析，推導了P、T合理的選取規(guī)則，通過Cholesky和〗QR分解，解決了計算增益時的發(fā)散問題，并通過成功的雷達組網(wǎng)弱信噪比環(huán)境跟蹤多目標仿真實驗，驗證了P、T選取的合理性和S計算增益的有效性，得到了很好的效果。

1 高斯混合概率假設密度濾波

GMPHDF的理論基礎是隨機有限集和貝葉斯濾波理論，它是在高斯條件下通過傳播多目標隨機有限集的一階矩(概率假設密度)來近似后驗分布，不考慮一階矩以上的統(tǒng)計特性。其對應的迭代等式為

Dk+1|k(X)= ∫ps,k+1(ζ)fk+1|k(X|ζ)Dk(ζ)dζ+

∫βk+1|k(X|ζ)Dk(ζ)dζ+γk+1(X)

(1)

Dk+1(X)= [1-pD,k+1(X)]Dk+1|k(X)+

(2)

式中：X為目標狀態(tài)的隨機有限集；Z為測量值的隨機有限集；ps,k+1(ζ)為k時刻狀態(tài)為ζ的目標在當前k+1時刻存活的概率；fk+1|k(X|ζ)為狀態(tài)轉(zhuǎn)移概率密度；βk+1|k(X|ζ)為k時刻狀態(tài)為ζ的目標在k+1時刻衍生的目標概率假設密度；γk+1(X)為k+1時刻新生目標概率假設密度；pD,k+1(X)為當前k+1時刻檢測到目標狀態(tài)X的概率；Lk+1(Z|X)為似然函數(shù)；κk+1(Z)為雜波隨機有限集密度。

根據(jù)參考文獻[6-8]，GMPHDF濾波流程為

(3)

(4)

(5)

(6)

(7)

Dk+1|k(x)=Dγ,k+1|k(x)+Dβ,k+1|k(x)+

DS,k+1|k(x)

(8)

Dk+1(x)= (1-pD)Dk+1|k(x)+

(9)

(10)

(11)

(12)

(13)

(14)

式(3)～式(5)分別為計算當前K+1時刻新生、衍生、存在目標的預測概率假設密度(Probability Hypothesis Density, PHD)，式(6)、式(7)分別為計算衍生、存在目標的預測協(xié)方差矩陣，式(8)是新生、衍生、存在目標預測PHD的高斯混合，式(9)為計算更新后所有目標高斯元素的PHD，式(10)是被檢測到的更新后高斯元素，式(11)～式(14)分別計算高斯元素PHD更新時用到的權值、狀態(tài)值、協(xié)方差、增益。

濾波更新以后高斯元素會大量增加，導致過重的計算負擔，需要對更新后的高斯元素進行裁剪與合并

(15)

(16)

式中：T為PHD裁剪門限，U為合并門限。將不滿足式(15)的高斯元素裁剪掉，不參與下一步計算，再將滿足式(15)的高斯元素根據(jù)式(16)進行合并。

最后，提取權值大于0.5的元素為估計的目標數(shù)與狀態(tài)。

2 高斯混合概率假設密度濾波參數(shù)研究

GMPHDF實現(xiàn)了PHDF的工程實踐應用，但至今未給出GMPHDF裁剪處理當中門限T和新生、衍生目標分布協(xié)方差Pλ、Pβ具體取值規(guī)則，多是由經(jīng)驗進行取值。裁剪門限T取值過大會丟失有用信息，容易導致檢測跟蹤失敗，取值過小會引入過量高斯元素(包括大量雜波高斯元素)參與下一步高斯元素合并計算，增大計算量，同時影響合并計算精度。GMPHDF各高斯元素服從高斯分布N(x;m,P)，裁剪門限T用于與高斯元素PHD進行比較，因此，T具體取值決定于高斯元素的PHD，各元素PHD受分布協(xié)方差P影響。從這個意義上說，同樣需要先確定各高斯元素分布協(xié)方差的取值。

2.1 確定目標分布方差取值規(guī)則

新生、衍生、存在目標的分布協(xié)方差Pλ、Pβ、PS描述高斯元素在均值附近的發(fā)散情況，以更準確地表示真實目標狀態(tài)分布，由于存在目標分布協(xié)方差PS與過程噪聲有關，取決于狀態(tài)運動方程，下面主要是確定新生、衍生目標分布協(xié)方差Pλ、Pβ的選取規(guī)則。

式(14)中，參與計算狀態(tài)更新增益的殘差協(xié)方差為

(17)

2.2 確定裁剪門限T取值規(guī)則

新生、衍生目標方差Pλ、Pβ數(shù)量級與測量方差R相關，令其對應標準差為σ，則高斯元素m服從高斯分布N(x;m,σ2)，其概率密度為

(18)

在高斯元素裁剪處理過程中，當高斯元素概率假設密度滿足式(19)時，此元素就被裁剪，不參與下一步計算

D=ωN(x;m,σ2)

(19)

因此，門限T的取值要保證絕大多數(shù)(99.7%)有效高斯元素能參與計算。但門限T不能太小，否則會引入大量權值小的雜波元素，雜波元素參與下一步元素合并計算將影響其精度，并且增大計算量；T也不能太大，太大則造成只有少數(shù)高斯元素參與計算，丟失有用信息。式(18)概率密度f對應的概率函數(shù)可轉(zhuǎn)換為標準正態(tài)分布的概率函數(shù)[10]

(20)

T取值要保證99.7%高斯元素參與計算，因此

(21)

查標準正態(tài)分布函數(shù)值表可得高斯元素狀態(tài)x取值范圍為x∈(m-3σ,m+3σ)，如圖1所示。

圖1 高斯元素取值范圍

將狀態(tài)x取值范圍代入式(19)，因此可確定裁剪門限T取值規(guī)則

(22)

2.3 殘差協(xié)方差分解計算

在式(14)、(17)中的殘差協(xié)方差S如果是非正定矩陣，其參與增益K的計算時會導致計算發(fā)散，造成濾波失敗，為解決這個問題，可對其進行Cholesky和QR分解，令

(23)

再對其進行QR分解

QrCholS=qr(CholS)

(24)

則殘差協(xié)方差可轉(zhuǎn)換為

(25)

增益就可通過下式進行計算

(26)

由于QrCholS是經(jīng)過QR分解得到的正定上三角矩陣，不會造成計算發(fā)散，因此，解決了計算增益K時的發(fā)散問題。

3 仿真實驗與分析

為了驗證本文推導的正確性，采用Matlab軟件仿真的方法來測試驗證。仿真硬件環(huán)境為：Pentium(R) Dual-Core CPU，HP E5200，主頻2.5 GHz，2.00 GB的內(nèi)存。仿真場景如下：組網(wǎng)雷達兩部，分別為雷達1和雷達2，雷達1的距離精度為130 m，方位角精度為0.3°，俯仰角精度為0.2°，配置位置為[118° 29° 120 m]T。雷達2的距離精度為90 m，方位角精度為0.4°，俯仰角精度為0.1°，配置位置為[117° 31° 20 m]T。融合中心的配置位置為[117° 30° 170 m]T。為了驗證計算的簡便性，特別假定兩組網(wǎng)雷達對目標進行等間隔(1 s)探測，融合中心每秒能接收到一次探測數(shù)據(jù)，全程探測時間為100 s，所探測的目標處于強雜波環(huán)境，并且目標數(shù)量未知，探測目標全程飛行高度6 000 m不變，探測區(qū)域為二維區(qū)域[-105, 105]×[-105105]，目標存活概率PS=0.99，存活目標服從線性高斯分布，狀態(tài)轉(zhuǎn)移矩陣和過程噪聲方差分別為

(27)

(28)

式中：時間間隔Δt=1s；過程噪聲標準差σ=5m/s2。新生、衍生目標都服從泊松分布，其高斯混合形式分別為

(29)

βk+1|k(x|ζ)=0.05N(x;ζ,Qβ)

(30)

Kk(z)=λcVu(z)

(31)

在26s時目標1衍生出目標3，目標3做勻速直線運動，速度為V3=[-100 -20]T，濾波裁剪合并高斯元素過程中合并門限U=4，允許參與計算的最多高斯元素J=100。下面，分別對5種取值情況進行仿真比較，每種情況殘差協(xié)方差S均應用本文的分解處理。跟蹤開始時，將目標1、2作為新生目標處理，跟蹤以后，跟蹤點跡與目標真實點跡誤差用最優(yōu)子分配(Optimal Subpattern Assignment, OSPA)距離來度量，OSPA距離計算參考文獻[11-12]，實驗中距離上限設置為200 m。為了克服隨機因素影響，進行100次仿真統(tǒng)計計算。

(1)根據(jù)本文取值規(guī)則，新生、衍生目標分布協(xié)方差取值與融合中心測量噪聲虛擬方差R一致，裁剪門限T根據(jù)式(22)計算

Pγ=diag([105, 105, 25, 25]T)

(32)

Pβ=diag([105, 105, 400, 400]T)

(33)

T=10-7

(34)

跟蹤效果圖如圖2、圖3所示。

圖2 GMPHDF跟蹤、目標真實點跡與當前時刻測量值

圖2是跟蹤點跡與真實點跡的OSPA距離圖，OSPA距離均方根為25m，全程計算耗時89.18s。從圖2可以看出，在第26s從目標1衍生出目標3，在強雜波環(huán)境下，選用本文參數(shù)取值規(guī)則的GMPHDF跟蹤多目標，經(jīng)過一定點跡信息積累以后，能跟蹤到繼續(xù)存在目標和新衍生目標，從圖3可以看出，本文GMPHDF跟蹤誤差較小，且在一定時間內(nèi)，跟蹤誤差方差(OSPA均方根)隨時間增長越來越小，適合于工程實際應用。

圖3 X、Y方向GMPHDF跟蹤點跡與測量值

(2)與條件(1)相比，只增大裁剪門限T，其他條件相同：T=10-6。

與跟蹤條件(1)相比，當裁剪門限T取值大于本文取值規(guī)則確定的值時，從圖4可以看出，GMPHDF不能跟蹤到繼續(xù)存在目標和新衍生目標，跟蹤失敗。

圖4 GMPHDF跟蹤、目標真實點跡與當前時刻測量值

(3)只減小裁剪門限T，其他條件與(1)相同：T=10-8。

從圖5可以看出，與條件(1)相比，當裁剪門限T減小時，同樣能跟蹤到所有目標，但由圖6可知，由于裁剪掉的高斯元素變少，進入裁剪以后濾波計算的高速元素增加，其中，包括大量雜波元素，增大了計算負擔，計算耗時與條件(1)的89.18s相比，增加到185.61s，并且影響了計算精度，圖6中OSPA距離均方根增加到30m，跟蹤誤差方差并未像條件(1)隨時間增加而減小。其結果與本文分析一致。

圖5 GMPHDF跟蹤、目標真實點跡與當前時刻測量值

圖6 跟蹤點跡與真實目標點跡OSPA距離

(4)只增大新生、衍生目標分布協(xié)方差Pγ、Pβ，其他條件與(1)相同

Pγ=diag([106, 106, 25,25]T)

(35)

Pβ=diag([106, 106, 400, 400]T)

(36)

此種條件下，同樣導致跟蹤失敗，其跟蹤效果圖如圖4、圖5所示。

(5)只減小新生、衍生目標分布協(xié)方差 ，其他條件與(1)相同

Pγ=diag([104, 104, 25,25]T)

(37)

Pβ=diag([104, 104, 400, 400]T)

(38)

從圖7可以看出，目標分布方差減小時，經(jīng)過一定點跡信息積累以后，只能跟蹤到繼續(xù)存在目標，不能檢測跟蹤到新衍生目標。

圖7 GMPHDF跟蹤、目標真實點跡與當前時刻測量值

4 結束語

針對GMPHDF弱信噪比環(huán)境下跟蹤多目標時，目標分布方差和裁剪門限按經(jīng)驗選取，影響跟蹤效果，以及殘差協(xié)方差參與增益計算容易導致計算發(fā)散問題，從概率統(tǒng)計角度確定了分布方差和裁剪門限選值規(guī)則，通過Cholesky和QR分解保證了殘差協(xié)方差正定性，避免了取逆計算時發(fā)散問題。5種情況仿真對比實驗表明，本文確定的參數(shù)方差P、裁剪門限T、殘差協(xié)方差S計算規(guī)則用于GMPHDF跟蹤弱信噪比多目標時，能成功跟蹤到新生、衍生和存在目標，跟蹤精度較高，OSPA距離均方根誤差25 m，且均方根誤差一定時間內(nèi)隨濾波步數(shù)增長，越來越小。因此，本文確定的GMPHDF參數(shù)取值規(guī)則科學合理，適用于跟蹤弱信噪比多目標。

[1] 戰(zhàn)立曉，湯子躍，朱振波. 雷達微弱目標檢測前跟蹤算法綜述[J]. 現(xiàn)代雷達, 2013, 35(4): 45-52，57. Zhan Lixiao, Tang Ziyue, Zhu Zhenbo. An overview on track-before-detect algorithms for radar weak targets[J]. Modern Radar,2013,35(4): 45-52,57.

[2] 王文星，印士波，張 幟,等. 雷達組網(wǎng)應用的體系結構研究[J]. 現(xiàn)代雷達, 2014,36(5): 26-30. Wang Wenxing, Yin Shibo, Zhang Zhi,et al. A study on radar network application architecture[J]. Modern Radar, 2014, 36(5): 26-30.

[3] 楊躍輪，李洪梅. 分布式干擾下雷達組網(wǎng)探測效能分析[J]. 指揮控制與仿真, 2012,34(3): 41-43，66. Yang Yuelun, Li Hongmei. Analysis of radar nets' operational effectiveness on the condition of distributed jammers[J]. Command Control & Simulation,2012,34(3): 41-43,66.

[4] Mahler R P S. Multitarget bayes filtering via first-order multitarget moments[J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4): 1152-1178.

[5] 吳 偉, 黃 冶. 目標起始和維持規(guī)則輔助的SMC-PHD濾波方法[J]. 現(xiàn)代雷達, 2013,35(9): 24-29,35. Wu Wei, Huang Ye. An improved SMC-PHD algorithm assisted by target initiation and continuity rules[J]. Modern Radar, 2013, 35(9): 24-29,35.

[6] Vo B N, Ma W K. The Gaussian mixture probability hypothesis density filter[J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4091-4104.

[7] Li W L, Jia Y M. Gaussian mixture PHD filter for jump Markov models based on best-fitting Gaussian approximation[J]. Signal Processing, 2011, 91(4): 1036-1042.

[8] 劉宗香，謝維信，王 品，等. 一種具有信息保持能力的GM-PHD濾波器[J]. 電子學報, 2013, 41(8): 1603-1608. Liu Zongxiang, Xie Weixin,Wang Pin, et al. A gaussian mixture PHD filter with the capability of information hold[J]. Acta Electronica Sinica, 2013, 41(8): 1603-1608.

[9] 趙溫波，都基焱. 組網(wǎng)雷達噪聲慣性坐標系誤差統(tǒng)計特性研究[J]. 炮兵學院學報, 2010(5): 91-95. Zhao Wenbo, Du Jiyan. Study on statistical properties of radar network noise in inertial coordinate system[J]. Journal of Artillery Academy, 2010(5): 91-95.

[10] 龍永紅. 概率論與數(shù)理統(tǒng)計[M]. 北京：高等教育出版社, 2000. Long Yonghong. Probability theory and mathematical statistics[M]. Beijing: Higher Education Press, 2000.

[11] Hoffman J R, Mahler R P S. Multitarget miss distance via optimal assignment[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part A: Systems and Humans, 2004, 34(3): 327-336.

[12] Schuhmacher D, Vo B T, Vo B N. A consistent metric for performance evaluation of multi-object filters[J]. IEEE Transactions on Signal Processing, 2008,56(8): 3447-3457.

丁海龍 男，1987年生，碩士研究生。研究方向為雷達數(shù)據(jù)處理。

趙溫波 男，1972年生，副教授，碩士生導師。研究方向為統(tǒng)計信號處理。

A Study on Some Key Parameters of GMPHDF in Radar Network

DING Hailong，ZHAO Wenbo

(Amy Officer Academy of PLA, Hefei 230031, China)

Gaussian mixture probability hypothesis density filter(PHDF), which is suitable for tracking weak signal to noise ratio(WSNR) multi-target, has rigorous mathematical foundation. But there is no reasonable calculation rules about distribution covariancePand truncation thresholdTof Gaussian elements in PHDF as yet, which bring bad influence to PHDF. Because the residual covarianceSwill be inverse calculated when it is involved in the gain calculation. IfSis non-positive definite, it would lead to divergence calculation. Probability statistics derivation is used to determine thePandTcalculation rules. Cholesky and QR decomposition is used to solve theScalculation problem. The simulation comparison demonstrates that PHDF in radar network, using the proposed calculation rules ofP,TandS, can precisely track WSNR multi-target, containing exist, birth and spawn targets, and bring no extra calculation burden.

radar network; Gaussian mixture probability hypothesis density filter; parameter

10. 16592/ j. cnki. 1004-7859. 2015. 09. 011

國家自然科學基金資助項目(61273001)；安徽省自然科學基金資助項目(11040606M130)

丁海龍 Email：656797226@qq.com

2015-04-26

2015-05-27

TN953

A

1004-7859(2015)08-0044-06