王樹(shù)亮，畢大平，阮懷林，周陽(yáng)

國(guó)防科技大學(xué) 電子對(duì)抗學(xué)院，合肥 230037

雜波背景下的機(jī)動(dòng)目標(biāo)跟蹤是目標(biāo)跟蹤領(lǐng)域研究的熱點(diǎn)和難點(diǎn)，其關(guān)鍵是解決目標(biāo)機(jī)動(dòng)運(yùn)動(dòng)狀態(tài)和量測(cè)數(shù)據(jù)來(lái)源的不確定性[1]。針對(duì)機(jī)動(dòng)運(yùn)動(dòng)狀態(tài)的不確定性，典型的機(jī)動(dòng)模型構(gòu)建方法[2-3]有Singer模型、Jerk模型、“當(dāng)前”統(tǒng)計(jì)(CS)模型、交互式多模型(IMM)和變結(jié)構(gòu)多模型(VSMM)等。而針對(duì)量測(cè)數(shù)據(jù)來(lái)源不確定性，比較典型的算法[4]有概率數(shù)據(jù)關(guān)聯(lián)(PDA)和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)算法，其中PDA算法容易實(shí)現(xiàn)，但局限于目標(biāo)的關(guān)聯(lián)門(mén)不相交或沒(méi)有回波處于相交區(qū)域的環(huán)境；JPDA算法跟蹤效果比較理想，但當(dāng)目標(biāo)數(shù)目和有效量測(cè)數(shù)增大時(shí)，算法的計(jì)算量呈指數(shù)增長(zhǎng)甚至出現(xiàn)組合爆炸現(xiàn)象，工程上不易實(shí)現(xiàn)。

從工程應(yīng)用角度出發(fā)，將IMM和PDA相結(jié)合的IMM-PDA算法為當(dāng)前雜波背景下機(jī)動(dòng)目標(biāo)跟蹤普遍采用的方法[5]，然而IMM中各個(gè)子濾波器由于使用不同關(guān)聯(lián)波門(mén)可能導(dǎo)致目標(biāo)失跟。為此，潘泉等學(xué)者提出了綜合IMM-PDA[6]算法，算法中各個(gè)子濾波器共享一個(gè)關(guān)聯(lián)門(mén)，即子濾波器的候選回波相同，從而提高了數(shù)據(jù)關(guān)聯(lián)的效率。在數(shù)據(jù)關(guān)聯(lián)算法中，關(guān)聯(lián)波門(mén)的設(shè)計(jì)是影響雷達(dá)計(jì)算資源的重要因素，若關(guān)聯(lián)波門(mén)設(shè)計(jì)過(guò)大，較多量測(cè)落入波門(mén)，計(jì)算消耗較大；若設(shè)計(jì)過(guò)小，當(dāng)目標(biāo)發(fā)生機(jī)動(dòng)變化時(shí)，容易造成目標(biāo)失跟，因此有必要設(shè)計(jì)一種能夠隨目標(biāo)機(jī)動(dòng)動(dòng)態(tài)調(diào)整的自適應(yīng)關(guān)聯(lián)波門(mén)。另外，IMM-PDA算法在應(yīng)用中還存在IMM模型集選取以及傳統(tǒng)PDA算法不適于多交叉目標(biāo)跟蹤等問(wèn)題，需要不斷進(jìn)行研究改進(jìn)。

近年來(lái)，結(jié)合認(rèn)知科學(xué)和仿生學(xué)的相關(guān)思想，加拿大學(xué)者Haykin等首先明確提出了認(rèn)知雷達(dá)的概念[7-8]，其本質(zhì)特征是融入人類“記憶、注意”等認(rèn)知過(guò)程，通過(guò)對(duì)目標(biāo)和環(huán)境特性的實(shí)時(shí)感知，自適應(yīng)調(diào)整雷達(dá)發(fā)射端波形結(jié)構(gòu)以及接收端數(shù)據(jù)處理模型[9-14]，從而增強(qiáng)了雷達(dá)智能化處理能力。人類“視覺(jué)注意”[15-19]的選擇性“過(guò)濾器”信息處理機(jī)制決定了人類能夠從眾多視覺(jué)信息中快速地選擇那些最重要、最有用、與當(dāng)前行為最相關(guān)的感興趣的視覺(jué)信息，而視覺(jué)分析中的“特征整合”理論又能夠幫助人類快速對(duì)目標(biāo)進(jìn)行識(shí)別。將人類視覺(jué)注意機(jī)制應(yīng)用到復(fù)雜背景下機(jī)動(dòng)目標(biāo)跟蹤的目的，就是通過(guò)設(shè)計(jì)自適應(yīng)的關(guān)聯(lián)波門(mén)使雷達(dá)保持對(duì)目標(biāo)不失跟的前提下使雷達(dá)計(jì)算資源耗費(fèi)較小，并且通過(guò)“特征整合”理論將不同關(guān)聯(lián)波門(mén)交叉區(qū)域公共量測(cè)進(jìn)行分類，增強(qiáng)傳統(tǒng)PDA算法的環(huán)境適應(yīng)性。

基于以上文獻(xiàn)研究成果，本文重點(diǎn)結(jié)合人類“視覺(jué)注意”機(jī)制，以綜合IMM-PDA算法為基礎(chǔ)，研究雜波背景下雷達(dá)接收端數(shù)據(jù)處理模型的改進(jìn)，① 采取假設(shè)目標(biāo)最大機(jī)動(dòng)水平已知的CS模型和勻速運(yùn)動(dòng)(CV)模型作為IMM的模型集，關(guān)聯(lián)波門(mén)中心和大小隨目標(biāo)機(jī)動(dòng)變化動(dòng)態(tài)調(diào)整，從而使雷達(dá)計(jì)算資源消耗和跟蹤成功率得到兼顧；② 在傳統(tǒng)利用目標(biāo)位置特征基礎(chǔ)上，進(jìn)一步提取目標(biāo)運(yùn)動(dòng)特征，在計(jì)算量增加不大的情況下，增強(qiáng)了傳統(tǒng)PDA算法的環(huán)境適應(yīng)性。

1 雷達(dá)跟蹤模型

目標(biāo)運(yùn)動(dòng)的離散狀態(tài)方程表示為

X(m)(k)=F(m)(k|k-1)X(m)(k-1)+

(1)

pmn(k-1)?p{Mn(k)|Mm(k-1)}

(2)

目標(biāo)的量測(cè)方程為

Y(k)=h(X(k))+V(k)

(3)

(4)

2 自適應(yīng)關(guān)聯(lián)門(mén)

注意的選擇性過(guò)濾器模型認(rèn)為信息的加工需要經(jīng)歷“感覺(jué)記憶、過(guò)濾器、探測(cè)器和記憶”4個(gè)階段，如圖1所示[20]

過(guò)濾器能夠根據(jù)刺激的物理特性來(lái)識(shí)別注意到的信息，同時(shí)僅讓注意到的信息進(jìn)入下一個(gè)階段的探測(cè)器，從而節(jié)約人類感知資源。雜波背景下的目標(biāo)跟蹤實(shí)質(zhì)上也是一個(gè)特殊的信息加工過(guò)程，雷達(dá)接收機(jī)對(duì)掃描區(qū)域內(nèi)獲取的大量包含目標(biāo)和雜波的數(shù)據(jù)進(jìn)行處理，根據(jù)目標(biāo)的運(yùn)動(dòng)特性設(shè)置一個(gè)類似“過(guò)濾器”的關(guān)聯(lián)波門(mén)，對(duì)落入關(guān)聯(lián)門(mén)內(nèi)的量測(cè)按照一定的數(shù)據(jù)關(guān)聯(lián)算法(類似探測(cè)器的加工過(guò)程)對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，最后將結(jié)果進(jìn)行存儲(chǔ)(類似于人類“記憶”)，以形成目標(biāo)的軌跡。

圖1 注意過(guò)濾器模型[20]Fig.1 Filtering model of attention[20]

2.1 IMM模型集的選取

IMM所包含的模型集，可以隨目標(biāo)機(jī)動(dòng)進(jìn)行切換，然而其在模型集的選擇上存在這樣一個(gè)困境，即為了提高濾波精度需要盡可能多地增加模型，但是太多的模型除了增加計(jì)算量之外，反而降低了估計(jì)器的性能[21]。于是很多學(xué)者嘗試將適于強(qiáng)機(jī)動(dòng)目標(biāo)的速度自適應(yīng)濾波模型和CV模型作為IMM的模型集來(lái)取得跟蹤性能的折衷[12,21],本文正是基于這種思想，將速度自適應(yīng)的CS模型和CV模型作為模型集，由此帶來(lái)的好處是CS模型可以為了確保能及時(shí)地追蹤戰(zhàn)場(chǎng)目標(biāo)的“機(jī)動(dòng)”變化，而取較大的加速度極限值，所帶來(lái)的弱機(jī)動(dòng)目標(biāo)跟蹤精度不高的問(wèn)題通過(guò)CV模型的交互競(jìng)爭(zhēng)予以彌補(bǔ)。

2.2 基于傳統(tǒng)IMM-PDA的關(guān)聯(lián)波門(mén)

關(guān)聯(lián)波門(mén)當(dāng)前k時(shí)刻波門(mén)中心和大小，分別由運(yùn)動(dòng)模型的一步預(yù)測(cè)中心zk|k-1和新息協(xié)方差陣Sk來(lái)決定，落入波門(mén)的有效量測(cè)集合可表示為[22]

(5)

式中：zk為量測(cè)；γ為門(mén)限。傳統(tǒng)IMM-PDA算法中各模型使用各自的預(yù)測(cè)中心和新息協(xié)方差陣所形成的關(guān)聯(lián)波門(mén)。

1) 基于CV模型的關(guān)聯(lián)波門(mén)

CV模型結(jié)構(gòu)簡(jiǎn)單，當(dāng)目標(biāo)始終保持勻速運(yùn)動(dòng)，無(wú)機(jī)動(dòng)時(shí)，可以有效跟蹤目標(biāo)，且計(jì)算資源消耗較小。然而，當(dāng)目標(biāo)發(fā)生機(jī)動(dòng)時(shí)，這種簡(jiǎn)單處理可能會(huì)導(dǎo)致關(guān)聯(lián)門(mén)內(nèi)無(wú)任何量測(cè)，從而引起目標(biāo)失跟。圖2為CV模型跟蹤示意圖(目標(biāo)在k-2時(shí)刻至k-1時(shí)刻勻速直線運(yùn)動(dòng)，k-1時(shí)刻至k時(shí)刻做轉(zhuǎn)彎?rùn)C(jī)動(dòng))。

圖2 CV模型跟蹤示意圖Fig.2 Diagram of tracking with CV model

2) 基于CS模型的關(guān)聯(lián)波門(mén)

CS模型是一種參數(shù)自適應(yīng)機(jī)動(dòng)模型[23]，基本思想是在每一種具體的戰(zhàn)術(shù)場(chǎng)合，人們所關(guān)心的僅是機(jī)動(dòng)加速度的“當(dāng)前”概率密度，即目標(biāo)機(jī)動(dòng)的當(dāng)前可能性，并認(rèn)為其概率密度近似服從修正的瑞利分布。

“當(dāng)前”加速度a(k)為正時(shí)，有

(6)

“當(dāng)前”加速度a(k)為負(fù)時(shí)，有

(7)

其中：α為機(jī)動(dòng)頻率常數(shù)；Q0為一對(duì)稱矩陣，詳見(jiàn)文獻(xiàn)[23]實(shí)際應(yīng)用時(shí)為了確保對(duì)機(jī)動(dòng)目標(biāo)的有效跟蹤，往往取較大的加速度極限值，所帶來(lái)的問(wèn)題是對(duì)弱機(jī)動(dòng)目標(biāo)的跟蹤精度反而下降，且關(guān)聯(lián)波門(mén)體積維持在一個(gè)相對(duì)較大的水平。圖3為CS模型跟蹤示意圖。

通過(guò)對(duì)CV模型和CS模型的跟蹤機(jī)制分析，可以看出基于傳統(tǒng)IMM-PDA算法框架，可能存在的問(wèn)題有：① 在目標(biāo)發(fā)生機(jī)動(dòng)時(shí)，由于CV模型預(yù)測(cè)波門(mén)內(nèi)無(wú)有效量測(cè)，導(dǎo)致跟蹤失敗；② 在目標(biāo)處于勻速運(yùn)動(dòng)或弱機(jī)動(dòng)時(shí)，由于CS模型取較大的關(guān)聯(lián)波門(mén)可能使落入波門(mén)內(nèi)的量測(cè)過(guò)多，一方面容易造成關(guān)聯(lián)跟蹤精度下降，另一方面對(duì)雷達(dá)計(jì)算資源消耗較大。

圖3 CS模型跟蹤示意圖Fig.3 Diagram of tracking with CS model

2.3 基于綜合IMM-PDA的自適應(yīng)關(guān)聯(lián)門(mén)設(shè)計(jì)

綜合IMM-PDA算法[6]，首先，對(duì)各個(gè)子濾波器k-1時(shí)刻的狀態(tài)進(jìn)行輸入交互；然后，對(duì)各個(gè)子濾波器執(zhí)行一步預(yù)測(cè)，獲取各子濾波器的量測(cè)預(yù)測(cè)值和新息方差；最后，根據(jù)模型預(yù)測(cè)概率進(jìn)行加權(quán)。采取CS模型和CV模型作為模型集的綜合量測(cè)預(yù)測(cè)值(即關(guān)聯(lián)門(mén)中心):

(8)

(9)

Vk=cnzγnz/2|Sk|

(10)

式中：nz為目標(biāo)量測(cè)向量維數(shù)；cnz為與量測(cè)向量維數(shù)有關(guān)的一個(gè)常量。由式(8)～式(10)容易看出，關(guān)聯(lián)門(mén)的中心位置和大小取決于兩個(gè)模型的實(shí)時(shí)預(yù)測(cè)概率、預(yù)測(cè)位置及新息協(xié)方差矩陣。若當(dāng)前目標(biāo)處于高度機(jī)動(dòng)狀態(tài)，則在綜合IMM-PDA的模型交互中，CS模型占主導(dǎo)地位，模型交互后的綜合新息方差較大，即波門(mén)擴(kuò)大；反之當(dāng)目標(biāo)處于弱機(jī)動(dòng)或勻速運(yùn)動(dòng)時(shí)，其波門(mén)相應(yīng)縮小，由此實(shí)現(xiàn)了關(guān)聯(lián)門(mén)的自適應(yīng)，圖4為自適應(yīng)關(guān)聯(lián)波門(mén)原理示意圖(目標(biāo)在k-1時(shí)刻至k+1時(shí)刻轉(zhuǎn)彎?rùn)C(jī)動(dòng)，k+1時(shí)刻至k+2時(shí)刻做勻速直線運(yùn)動(dòng))。

圖4 自適應(yīng)關(guān)聯(lián)波門(mén)原理示意圖Fig.4 Diagram of adaptive association gate principle

3 基于“特征整合”的優(yōu)化PDA

Treisman和Gormican[19]在視覺(jué)分析過(guò)程中提出了特征整合理論。圖5給出了客體被知覺(jué)的過(guò)程圖。

在Treisman的理論中，客體圖像加工過(guò)程的第一步是前注意階段，此時(shí)客體(如一個(gè)紅色的滾動(dòng)的圓球)被分解為獨(dú)立的特征，如顏色、形狀、運(yùn)動(dòng)方式等，然后在集中注意階段，各獨(dú)立的特征經(jīng)過(guò)特征整合成為一個(gè)完整的客體。

本文基于Treisman的特征整合理論，綜合考慮目標(biāo)位置特征和運(yùn)動(dòng)特征，得到一種優(yōu)化的PDA(OPDA)算法。算法步驟為

步驟1位置特征

圖5 Treisman理論的特征整合Fig.5 Treisman’s theory of feature integration

(11)

若目標(biāo)第k時(shí)刻的距離、方位新息方差為Sk,則第g個(gè)有效回波量測(cè)隸屬于目標(biāo)i的隸屬度為

(12)

步驟2運(yùn)動(dòng)特征

(13)

(14)

圖6 目標(biāo)運(yùn)動(dòng)方向制約圖Fig.6 Direction restriction of target motion

4 仿真實(shí)驗(yàn)

進(jìn)行M次Monte Carlo仿真實(shí)驗(yàn)，算法性能評(píng)價(jià)指標(biāo)選?。孩?距離、跟蹤速度均方根誤差(RMSE)；② 目標(biāo)跟蹤失敗率，若第L(L≤M)次跟蹤時(shí)某采樣時(shí)刻距離估計(jì)偏離真實(shí)位置大于或等于3σr(其中σr為雷達(dá)傳感器的距離測(cè)量誤差標(biāo)準(zhǔn)差)，就認(rèn)為第L次跟蹤失?。虎?計(jì)算耗時(shí)。

1) 目標(biāo)運(yùn)動(dòng)軌跡

目標(biāo)1初始位置為(1.25×104,1.5×104) m，初始速度為(-100，-50) m/s，目標(biāo)在前17 s做勻速直線運(yùn)動(dòng)，從第18～43 s做角速度ω=4.77 (°)/s的勻角速度左轉(zhuǎn)彎運(yùn)動(dòng)，第44～53 s繼續(xù)做勻速直線運(yùn)動(dòng)，第54～80 s做角速度ω=4.77 (°)/s的勻角速度右轉(zhuǎn)彎運(yùn)動(dòng)，從第81～100 s再做勻速直線運(yùn)動(dòng)。

目標(biāo)2初始位置為(1.0×104,1.5×104) m，初始速度為(100，-50) m/s，目標(biāo)在前17 s做勻速直線運(yùn)動(dòng)，從第18～43 s做角速度ω=4.77 (°)/s的勻角速度右轉(zhuǎn)彎運(yùn)動(dòng)，第44～53 s繼續(xù)做勻速直線運(yùn)動(dòng)，第54～80 s做角速度ω=4.77 (°)/s的勻角速度左轉(zhuǎn)彎運(yùn)動(dòng)，從第81～100 s再做勻速直線運(yùn)動(dòng)。

2) 模型參數(shù)

假設(shè)CS模型最大加速度為30 m/s2，機(jī)動(dòng)頻率常數(shù)選為1/60。IMM算法中兩模型的初始概率為1/2，模型轉(zhuǎn)移概率矩陣為

(15)

3) 關(guān)聯(lián)波門(mén)參數(shù)

假設(shè)目標(biāo)的檢測(cè)概率為1，門(mén)概率為0.99，選取橢圓波門(mén)，關(guān)聯(lián)門(mén)限取4個(gè)Sigma點(diǎn)。

4) 量測(cè)參數(shù)

假設(shè)距離、速度和方位的測(cè)量精度分別為50 m，5 m/s和0.1°，雜波密度為ρ(每單位體積內(nèi)的虛假量測(cè)數(shù)，本文中單位取每平方千米)。

4.1 自適應(yīng)關(guān)聯(lián)波門(mén)算法驗(yàn)證

比較傳統(tǒng)IMM-PDA和綜合IMM-PDA算法性能。圖7給出了綜合IMM-PDA算法中CS模型和CV模型的實(shí)時(shí)概率，圖8為橢圓關(guān)聯(lián)波門(mén)隨時(shí)間變化的面積曲線。

表1給出了兩種算法在不同雜波密度背景下，500次跟蹤中的失敗跟蹤次數(shù)，圖9給出了3種雜波密度背景下(雜波密度1、2、3分別對(duì)應(yīng)ρ=0.01,ρ=0.10和ρ=0.50)的計(jì)算時(shí)間直方圖對(duì)比。

由表1可知，當(dāng)取雜波密度ρ=0.10時(shí)，傳統(tǒng)IMM-PDA算法的目標(biāo)失跟率達(dá)到了72.2%，已嚴(yán)重失效，從圖9計(jì)算時(shí)間耗費(fèi)來(lái)看，傳統(tǒng)IMM-PDA算法中由于兩個(gè)模型分別在各自關(guān)聯(lián)波門(mén)內(nèi)進(jìn)行量測(cè)關(guān)聯(lián)，計(jì)算量較大。本文基于綜合IMM-PDA框架下波門(mén)自適應(yīng)算法，能夠根據(jù)目標(biāo)機(jī)動(dòng)自適應(yīng)改變預(yù)測(cè)中心和新息協(xié)方差(如圖7所示，兩模型概率隨目標(biāo)機(jī)動(dòng)調(diào)整，圖8為其關(guān)聯(lián)波門(mén)面積變化曲線)，使目標(biāo)保持了較好跟蹤效果(失跟率為1.8%)，且由于兩模型共用同一個(gè)波門(mén)內(nèi)量測(cè)，計(jì)算耗時(shí)明顯較低。

圖7 綜合IMM-PDA模型的實(shí)時(shí)概率Fig.7 Real time probability of integrated IMM-PDA

圖8 橢圓關(guān)聯(lián)波門(mén)的面積曲線Fig.8 Curve of area of association gate of ellipse

表1 目標(biāo)跟蹤失敗次數(shù)Table 1 Number of target tracking loss

圖9 兩種算法的計(jì)算耗時(shí)直方圖Fig.9 Histogram of computing time of two algorithms

4.2 OPDA算法驗(yàn)證

4.2.1 OPDA算法和傳統(tǒng)PDA算法性能比較

表2為綜合IMM-PDA和綜合IMM-OPDA算法在不同雜波密度背景下，500次跟蹤中的失敗跟蹤次數(shù)，圖10給出了相應(yīng)的計(jì)算耗時(shí)直方圖對(duì)比(雜波密度1、2、3分別對(duì)應(yīng)ρ=0.01,ρ=0.10和ρ=0.50)。圖11和圖12給出了兩種算法在雜波密度為1時(shí)，目標(biāo)不失跟情況下的距離估計(jì)RMSE對(duì)比曲線和速度估計(jì)RMSE對(duì)比曲線。

傳統(tǒng)PDA算法在跟蹤交叉機(jī)動(dòng)目標(biāo)時(shí)，由于關(guān)聯(lián)波門(mén)重疊，貝葉斯全概率公式應(yīng)用前提被破壞，由表2看出，在雜波密度為ρ=0.50時(shí)，其目標(biāo)失跟率高達(dá)18.4%。OPDA算法提取目標(biāo)運(yùn)動(dòng)特征，并基于特征整合理論對(duì)重疊區(qū)域公共量測(cè)進(jìn)行分類，由表2看出，其跟蹤失敗率得到明顯改善，而且由圖11和圖12距離、速度估計(jì)RMSE對(duì)比可以看出，在穩(wěn)定不失跟情況下，其跟蹤精度也明顯優(yōu)于PDA算法。

表2 目標(biāo)跟蹤失敗次數(shù)Table 2 Number of target tracking loss

圖10 不同雜波密度計(jì)算耗時(shí)直方圖Fig.10 Histogram of computing time of different clutter density

圖11 兩種算法距離估計(jì)RMSE曲線Fig.11 Curves of range estimation RMSE of two algorithms

圖12 兩種算法速度估計(jì)RMSE曲線Fig.12 Curves of velocity estimation RMSE of two algorithms

由圖10算法在不同雜波背景下的計(jì)算耗時(shí)直方圖對(duì)比，可以看出綜合IMM-OPDA算法相比綜合IMM-PDA算法的計(jì)算量增加不大?？梢哉J(rèn)為本文提出的綜合IMM-OPDA算法是一種在計(jì)算代價(jià)和穩(wěn)定有效跟蹤之間的折衷選擇。

4.2.2 采樣周期T(或數(shù)據(jù)率)對(duì)算法性能影響

圖13為綜合IMM-OPDA算法在不同雜波密度背景下，隨采樣周期T的跟蹤失敗次數(shù)對(duì)比曲線。圖14給出了不同采樣周期(采樣周期1，2，3分別對(duì)應(yīng)T=0.5、1.0和1.5 s)下的跟蹤計(jì)算耗時(shí)直方圖對(duì)比。

圖13 跟蹤失敗次數(shù)隨采樣周期的變化曲線Fig.13 Curves of number of tracking loss vs sampling period

圖14 不同采樣周期對(duì)應(yīng)計(jì)算耗時(shí)直方圖Fig.14 Histogram of computing time of different sampling period

OPDA算法應(yīng)用的關(guān)鍵是基于“目標(biāo)運(yùn)動(dòng)方向在短時(shí)間內(nèi)變化應(yīng)該不會(huì)太大”這一思想，如果采樣周期較大(如采樣周期3時(shí))，在雜波密度較小(ρ=0.01和ρ=0.10)時(shí)，其跟蹤失敗率仍能保持在10%以內(nèi)，但當(dāng)雜波密度較大(ρ=0.50)時(shí)，其跟蹤失敗率達(dá)到32.4%。然而如果采樣周期過(guò)小(如采樣周期1時(shí))，如圖14所示，其計(jì)算代價(jià)也較高，因此在實(shí)際工程應(yīng)用時(shí)要綜合考慮精度、時(shí)間等要求進(jìn)行折衷選擇。

5 結(jié) 論

當(dāng)前，雷達(dá)正在向智能化方向發(fā)展，本文提出的基于視覺(jué)注意機(jī)制的雷達(dá)數(shù)據(jù)處理算法正是對(duì)這一趨勢(shì)的階段性探索。主要研究結(jié)論有：

1) 基于注意選擇性“過(guò)濾器”信息處理機(jī)制，通過(guò)CS模型與CV模型實(shí)時(shí)交互的綜合IMM-PDA算法，能夠根據(jù)目標(biāo)機(jī)動(dòng)的變化自適應(yīng)調(diào)整關(guān)聯(lián)波門(mén)，不僅提高了跟蹤成功率，而且使雷達(dá)計(jì)算耗時(shí)明顯降低。

2) 基于注意“特征整合”理論，提取目標(biāo)位置特征和運(yùn)動(dòng)特征，將關(guān)聯(lián)門(mén)交叉區(qū)域內(nèi)的量測(cè)進(jìn)行分類，優(yōu)化了傳統(tǒng)PDA算法，在計(jì)算資源消耗沒(méi)有太大增加的基礎(chǔ)上，使算法的環(huán)境適應(yīng)性得到明顯增強(qiáng)，可以認(rèn)為其是一種在計(jì)算代價(jià)和穩(wěn)定有效跟蹤間的折衷選擇。

3) 綜合IMM-OPDA算法在工程應(yīng)用時(shí)要根據(jù)需要盡可能選擇合適的采樣周期，以平衡跟蹤精度和雷達(dá)計(jì)算耗時(shí)。