CN106646452B - 一种基于摄动多高斯拟合的空间目标跟踪方法 - Google Patents
一种基于摄动多高斯拟合的空间目标跟踪方法 Download PDFInfo
- Publication number
- CN106646452B CN106646452B CN201710103236.1A CN201710103236A CN106646452B CN 106646452 B CN106646452 B CN 106646452B CN 201710103236 A CN201710103236 A CN 201710103236A CN 106646452 B CN106646452 B CN 106646452B
- Authority
- CN
- China
- Prior art keywords
- perturbation
- covariance
- moment
- layer
- perturbation force
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 35
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/70—Radar-tracking systems; Analogous systems for range tracking only
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position Or Direction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于摄动多高斯拟合的空间目标跟踪方法,将空间目标所受的摄动力建模为与目标状态相耦合的未知干扰;在一种双层EM框架下实现由多高斯分布拟合摄动力的均值和协方差,其中第一层EM实现联合状态估计与摄动力一阶矩辨识,第二层EM实现混合多高斯拟合辨识摄动力一二阶矩;然后通过设计联合校正滤波器实现了同时利用摄动力的均值和协方差联合反馈校正空间目标状态估计及协方差。以解决现有技术中由于存在与状态耦合的强非线性摄动力而使跟踪精度不佳的问题。
Description
技术领域
本发明属于空间目标跟踪技术领域,涉及一种基于摄动多高斯拟合的空间目标跟踪方法,
背景技术
空间目标(包括,卫星、航天器以及空间碎片)跟踪技术的研究对于国防建设、经济发展、科学研究等均具有重要意义。(1)随着航空航天技术的蓬勃发展,人类利用空间能力的不断增强,空间在国防、政治、科研等方面的战略地位也日益提高。对空间的利用和控制水平已经成为衡量一个国家综合实力强弱的重要标准;(2)随着地球周边的太空垃圾越来越多,已经严重威胁到了航天器的安全,对于空间目标的跟踪和监视的需求越来越迫切;(3)随着雷达探测威力的增加,空间目标的跟踪受到越来越多的关注。空间目标跟踪是国家空间战略信息获取的重要途径。
空间目标跟踪问题中目标会因为地球非球形、天体引力、气动阻力、太阳辐射等因素而受到摄动力干扰,而摄动力的存在使得空间目标运动轨道方程呈现高度非线性且摄动力与轨道状态高度耦合。传统解决空间目标跟踪的方法通常是将其看作一类非线性状态估计问题,然后由非线性滤波器(如EKF,UKF,CKF等)去近似估计空间目标状态,但这种估计策略需要计算复杂的雅可比矩阵或者摄动的强非线性积分,不仅计算复杂难以实现而且精度无法保证。而现有辨识策略则忽略了摄动强非线性积分的函数特性,突破了传统估计策略需要计算非线性积分的局限性,将摄动力建模为一种未知干扰,通过辨识出摄动力的一阶矩(即均值)特性进而去反馈校正状态估计,提高了空间目标跟踪精度。但空间目标摄动力显然是与轨道状态高度耦合的,即未知干扰与状态是相关的,此时未知干扰和状态具有相同的演化特性,即至少具有前两阶矩,而现有辨识策略因为假设摄动力与状态相互独立而忽略了摄动的协方差特性,因此估计精度提升必然有限。
注意到空间目标跟踪中摄动力与轨道状态高度耦合,若将摄动力建模为与状态相耦合的未知干扰,由多高斯分布拟合辨识摄动力的一二阶矩(即均值和协方差),然后同时利用摄动力的均值和协方差去联合校正空间目标轨道状态及协方差,这样有望能够提高空间目标跟踪精度。因此本发明提出一种基于摄动多高斯拟合的空间目标跟踪方法。
发明内容
本发明的目的是提供一种基于摄动多高斯拟合的空间目标跟踪方法,以解决现有技术中由于存在与状态耦合的强非线性摄动力而使跟踪精度不佳的问题。
本发明所采用的技术方案是,一种基于摄动多高斯拟合的空间目标跟踪方法,将空间目标所受的摄动力建模为与目标状态相耦合的未知干扰;在一种双层EM框架下实现由多高斯分布拟合摄动力的均值和协方差,其中第一层EM实现联合状态估计与摄动力一阶矩辨识,第二层EM实现混合多高斯拟合辨识摄动力一二阶矩;然后通过设计联合校正滤波器实现了同时利用摄动力的均值和协方差联合反馈校正空间目标状态估计及协方差。
进一步的,具体按照以下步骤实施:
步骤1、构建空间目标跟踪模型并将摄动力建模为与***状态耦合的未知干扰,此时摄动力显然具有均值和协方差特性;
步骤2、在步骤1所建模的摄动力具有均值和协方差的基础上,利用多高斯分布拟合摄动力的均值和协方差,其中涉及两个EM算法,即联合状态估计与摄动力一阶矩辨识和混合多高斯拟合辨识摄动力一二阶矩;
步骤3、在多传感器***下,基于步骤2所述的两个EM算法而设计了联合校正滤波器,该滤波器实现利用摄动力的均值和协方差联合反馈校正目标状态估计及协方差。
进一步的,步骤1的具体方法为:
对于地球轨道内的空间目标,如果以空间目标的轨道位置和速度为状态量,即空间目标状态量x为:其中,λ,h为目标在东北天三个方向的位置坐标,vλ,vh为目标在东北天三个方向对应的速度信息,则空间目标的运动轨道方程可建模为:
其中,为目标地心矢量长度,μ为地球引力常数,J2为二阶带谐项系数,Re为地球平均赤道半径,
空间目标在东北天三个方向所受的摄动力a(x),b(x),c(x)分别是:
若将摄动力a(x),b(x),c(x)看作与状态耦合的未知干扰θ(t),则空间目标连续时间动态模型为:
其中,为x(t)的一阶微分,θ(t)=[a(x) b(x) c(x)]T,w(t)为非主要摄动因素等效的高斯白噪声,
将连续时间动态模型,即公式(1)通过四阶Runge-Kutta法离散化,则动态方程为:
其中,T为采样周期,k为离散时间,I为单位矩阵,Fk表示k时刻的矩阵F,xk表示k时刻的目标状态,θk为k时刻的摄动力,wk为***噪声;
以雷达量测的空间目标距离信息作为量测量y,则量测方程为:
其中,λ0,h0为量测装置(即雷达)所在位置坐标,λk,hk为k时刻目标所在位置,yk为k时刻雷达的量测,vk为量测噪声;
动态方程和量测方程构成了空间目标跟踪***离散状态空间模型,其中摄动力等效的未知干扰θk与状态xk是相耦合的。
进一步的,步骤2的具体方法为:
步骤2-1、基于EM的联合状态估计与摄动力一阶矩辨识:
以雷达划窗量测区间作为量测数据,其中l为划窗长度,表示k-1时刻至k时刻的量测集合,则在该层EM框架下,E-step计算完全数据的条件期望并估计目标状态,M-step通过最大化条件期望而辨识出摄动力,E-step和M-step依次迭代直至收敛从而通过迭代优化策略实现联合状态估计与摄动力辨识,此处所辨识的仅为摄动力一阶矩特性;
步骤2-2、基于EM的混合多高斯拟合辨识摄动力一二阶矩:
混合多高斯拟合辨识算法以步骤2-1所辨识的摄动力一阶矩作为量测,然后由多高斯分布近似该一阶矩所服从的分布;该层EM框架下,在E-step中推导出完全数据的条件期望表达式,而且因假设隐变量的似然函数服从多高斯分布,在已知前一次迭代后各高斯分项参数值的条件下,容易计算出该似然函数;在M-step中通过最大化条件期望而辨识出各高斯分项的参数值,包括权值、均值及协方差;E-step和M-step依次迭代直至收敛;然后由概率分布拟合各高斯分项参数辨识结果便得到摄动力的一二阶矩拟合辨识结果。
进一步的,步骤3的具体方法为:
在多传感器***下,基于双层EM算法设计联合校正滤波器,其中第一层EM算法为步骤2-1所述的联合状态估计与摄动力一阶矩辨识,第二层EM算法是步骤2-2所述的混合多高斯拟合辨识摄动力一二阶矩,两层EM算法的顺序组合构成该双层EM框架;
第一层EM框架中,每个传感器并行执行第一层EM算法并输出摄动力一阶矩辨识集合;第二层EM以第一层EM输出的摄动力一阶矩集合作为输入,拟合辨识出摄动力的均值和协方差;然后通过一个由均值和协方差联合校正的Kalman滤波,即可实现同时利用摄动力的均值和协方差联合反馈校正目标状态及协方差。
本发明的有益效果是,本发明通过将摄动力建模为与状态耦合的未知干扰,并通过多高斯分布拟合辨识出摄动力的均值和协方差,然后同时利用摄动力的均值和协方差信息去联合反馈校正空间目标的状态及协方差,既突破了传统估计策略需要计算复杂雅可比矩阵或摄动强非线性积分的局限性,又补偿了现有辨识策略因假设摄动力与状态相互独立而忽略的摄动力协方差信息,提高了空间目标跟踪精度。
附图说明
图1是联合状态估计与摄动力一阶矩辨识迭代框架图;
图2是多高斯分布拟合辨识摄动力一二阶矩迭代框架图;
图3是基于摄动多高斯拟合的空间目标跟踪技术流程图;
图4是空间目标运行轨迹图;
图5是天向摄动力一阶矩辨识结果图;
图6是空间目标天向位置估计RMSE比较图;
图7是空间目标天向速度估计RMSE比较图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于摄动多高斯拟合的空间目标跟踪方法,将空间目标所受的摄动力建模为与目标状态相耦合的未知干扰,此时该未知干扰与状态具有相同的演化特性,即至少具有均值和协方差特性;在一种双层EM框架下实现由多高斯分布拟合摄动力的均值和协方差,其中第一层EM实现联合状态估计与摄动力一阶矩辨识,第二层EM实现混合多高斯拟合辨识摄动力一二阶矩;然后通过设计联合校正滤波器实现了同时利用摄动力的均值和协方差联合反馈校正空间目标状态估计及协方差。
本发明一种基于摄动多高斯拟合的空间目标跟踪方法具体为:
步骤1、空间目标跟踪***模型:
对于地球轨道内的空间目标,其主要摄动源是地球质心引力和引力场摄动二阶带谐项,在仅考虑该摄动项而将其他摄动因素等效为高斯白噪声的情况下,如果以空间目标的轨道位置和速度为状态量,即空间目标状态为:其中,λ,h为目标在东北天三个方向的位置坐标,vλ,vh为三个方向对应的速度信息。则空间目标的运动轨道方程可建模为:
其中,为目标地心矢量长度,μ为地球引力常数,J2为二阶带谐项系数,Re为地球平均赤道半径。空间目标在东北天三个方向所受的摄动力a(x),b(x),c(x)分别是:
若将摄动力a(x),b(x),c(x)看作与状态耦合的未知干扰θ(t),则空间目标连续时间动态模型为:
其中,为x(t)的一阶微分,θ(t)=[a(x) b(x) c(x)]T,w(t)为非主要摄动因素等效的高斯白噪声,
将连续时间动态模型(1)通过四阶Runge-Kutta法离散化为:
其中,T为采样周期,k为离散时间,I为单位矩阵,Fk表示k时刻的矩阵F,xk表示k时刻的目标状态,θk为k时刻的摄动力,wk为***噪声。
若仅使用雷达量测的空间目标距离信息作为量测,则量测方程为:
其中,λ0,h0为量测装置(即雷达)所在位置坐标,λk,hk为k时刻目标所在位置,yk为k时刻雷达的量测,vk为量测噪声。
动态方程(2)和量测方程(3)构成了空间目标跟踪***离散状态空间模型,其中摄动力等效的未知干扰θk与状态xk是相耦合的。
步骤2、多高斯分布拟合摄动力的均值和协方差:
步骤2-1、基于EM的联合状态估计与摄动力一阶矩辨识:
空间目标跟踪中,状态估计与摄动力辨识相互耦合,因此将两者看作联合优化问题,若以状态为隐变量则可在EM框架下通过迭代优化策略解决该联合优化问题。由于摄动力与状态相耦合,显然其是随机时变的,此时仅与其相邻时刻的量测能够准确地反映摄动力的这种时变特性,因此为更多的利用有用信息而剔除无用量测在该层EM算法中本发明采用划窗量测,即若辨识k时刻摄动力,所用量测区间为其中l为划窗长度,为k-l时刻至k时刻量测集合。EM框架下解决该问题的具体过程由图1所示,即,以雷达区间量测作为量测数据,在E-step计算完全数据的条件期望并估计目标状态,在M-step通过最大化条件期望而辨识出摄动力,E-step和M-step依次迭代直至收敛,此时所辨识的仅为摄动力一阶矩(均值)特性。
步骤2-2、基于EM的混合多高斯拟合辨识摄动力一二阶矩:
摄动力与状态相耦合,则摄动力应该具有和状态相同的演化特性,即至少具有前一二阶矩,但是基于EM的联合估计与辨识框架仅能辨识出摄动力的一阶矩特性。混合高斯算法可通过多高斯分布拟合任意分布,在EM框架下混合多高斯拟合辨识摄动力一二阶矩的具体过程如图2所示。混合多高斯拟合辨识算法以步骤2-1所辨识的摄动力一阶矩作为量测,然后由多高斯分布近似该一阶矩所服从的分布。该层EM框架下,在E-step中推导出完全数据的条件期望表达式,而且因假设隐变量的似然函数服从多高斯分布,在已知前一次迭代后各高斯分项参数值的条件下,容易计算出该似然函数;在M-step中通过最大化条件期望而辨识出各高斯分项的参数值,包括权值、均值及协方差;E-step和M-step依次迭代直至收敛。然后由概率分布拟合各高斯分项参数辨识结果便得到摄动力的一二阶矩拟合辨识结果。
步骤3、基于双层EM框架的联合校正滤波器:
为解决摄动力影响下的空间目标高精度跟踪问题,本发明在步骤2中由多高斯拟合辨识出摄动力一二阶矩的基础上设计了联合校正滤波器,实现了同时利用摄动力的均值和协方差特性去联合校正目标状态估计及协方差。该滤波器的实现基于双层EM框架,其中,第一层EM算法为步骤2-1所述的联合状态估计与摄动力一阶矩辨识,第二层EM算法是步骤2-2所述的混合多高斯拟合辨识摄动力一二阶矩。由于仅由单个摄动力一阶矩无法拟合其分布,因此在第一层EM中本发明考虑一种多传感器***,在该***内,每个传感器并行执行第一层EM算法。第二层EM以第一层EM输出的摄动力一阶矩集合作为输入,拟合辨识出摄动力的均值和协方差。然后通过一个由均值和协方差联合校正的Kalman滤波即可实现同时利用摄动力的均值和协方差联合反馈校正目标状态及协方差,该联合校正结果提高了空间目标跟踪精度。以上所述过程即为本发明所述的一种基于摄动多高斯拟合的空间目标跟踪方法流程,该过程可由图3直观描述。
在图3中,第一层EM框架内,N个传感器均独立产生量测信息(i=1,2,…,N)并独立作为N个EM算法的输入,其中表示第i个传感器所得的量测区间第一层EM框架的输出为两组数据集,分别是状态估计集合和摄动力一阶矩辨识集合将摄动力一阶矩辨识集合作为第二层EM框架的输入,经混合多高斯算法可拟合辨识出集合的均值和协方差然后经Kalman滤波由摄动力均值和协方差联合校正目标状态估计及协方差。显然,由于辨识策略理论上无精度损失而且该估计值同时利用了摄动力的均值和协方差信息,因此直观上本发明所述的一种基于摄动多高斯拟合的空间目标跟踪方法对空间目标的跟踪精度应该优于传统非线性滤波算法及标准EM算法。
实施例:空间目标跟踪
以动态方程(2)和量测方程(3)构成的空间目标跟踪***模型作为本发明的仿真实例。
假设测量装置(雷达)的位置坐标为(0,0,0),目标真实轨道状态初始值为x0=[4.590×106 4.388×106 3.228×106 -4.612×103 5.014×102 5.876×103]T,状态滤波初值及其协方差为P0=diag(4002 4002 40020.82 0.82 0.82)。
仿真参数设置如下:在第一层EM框架下多传感器***个数为10个,其中每一个EM算法所用划窗量测的窗长为2,迭代次数为5。第二层EM中混合多高斯分项个数为5个,迭代次数为10。
本发明注意到摄动力非线性较强且与状态高度耦合的特性,通过将摄动力建模为与状态耦合的未知干扰从而提出一种基于摄动多高斯拟合的空间目标跟踪方法并应用到空间目标跟踪仿真实例中,将其仿真结果与传统非线性滤波算法EKF,CKF以及仅用摄动力一阶矩校正状态估计的标准EM算法作比较,其结果如下图所示:
图4为近地轨道空间目标运行轨迹,由图可见其轨道为椭圆形,这与实际地球轨道上卫星、航天器等的轨迹相似。图5为第一层EM算法所辨识出的摄动力一阶矩(均值)特性,由图可见,摄动力由于与状态相耦合因此其值是随机时变的,但第一层EM框架中的联合状态估计与摄动力一阶矩辨识算法能够较精确地跟踪这种时变,精确的摄动力一阶矩辨识结果为多高斯拟合摄动力均值和协方差的实现提供了良好基础。图6和图7分别比较了CKF、标准EM以及本发明所提出的双层EM等方法对空间目标在天向的位置和速度估计RMSE,结果表明:与传统非线性滤波方法以及仅用摄动力一阶矩校正状态估计的标准EM相比,本发明所提出的基于摄动多高斯拟合的空间目标跟踪技术由于同时利用摄动力的均值和协方差特性去联合校正状态估计及其协方差,因此得到了更高的目标跟踪精度。
本发明通过将摄动力建模为与状态耦合的未知干扰从而由多高斯分布拟合摄动力的均值和协方差。具体做法是组合现有联合估计与辨识算法与混合多高斯算法,从而设计了基于双层EM框架的联合校正滤波器,该滤波器实现了联合空间目标状态估计与摄动力一二阶矩拟合辨识,并同时利用摄动力的一二阶矩去联合反馈校正空间目标状态估计及协方差。这项技术既突破了传统估计策略需要计算复杂雅可比矩阵或摄动强非线性积分的局限性,又补偿了现有辨识策略因假设摄动力与状态相互独立而忽略的摄动力协方差信息,能够有效提高空间目标跟踪精度。
Claims (1)
1.一种基于摄动多高斯拟合的空间目标跟踪方法,其特征在于,将空间目标所受的摄动力建模为与目标状态相耦合的未知干扰;在一种双层EM框架下实现由多高斯分布拟合摄动力的均值和协方差,其中第一层EM实现联合状态估计与摄动力一阶矩辨识,第二层EM实现混合多高斯拟合辨识摄动力一二阶矩;然后通过设计联合校正滤波器实现了同时利用摄动力的均值和协方差联合反馈校正空间目标状态估计及协方差;
具体按照以下步骤实施:
步骤1、构建空间目标跟踪模型并将摄动力建模为与目标状态耦合的未知干扰,此时摄动力显然具有均值和协方差特性;
步骤2、在步骤1所建模的摄动力具有均值和协方差的基础上,利用多高斯分布拟合摄动力的均值和协方差,其中涉及两个EM算法,即联合状态估计与摄动力一阶矩辨识和混合多高斯拟合辨识摄动力一二阶矩;
步骤3、在多传感器***下,基于步骤2所述的两个EM算法而设计了联合校正滤波器,该滤波器实现利用摄动力的均值和协方差联合反馈校正目标状态估计及协方差;
所述步骤1的具体方法为:
对于地球轨道内的空间目标,如果以空间目标的轨道位置和速度为状态量,即空间目标状态量x为:其中,λ,h为目标在东北天三个方向的位置坐标,vλ,vh为目标在东北天三个方向对应的速度信息,则空间目标的运动轨道方程建模为:
其中,为目标地心矢量长度,μ为地球引力常数,J2为二阶带谐项系数,Re为地球平均赤道半径,
空间目标在东北天三个方向所受的摄动力a(x),b(x),c(x)分别是:
若将摄动力a(x),b(x),c(x)看作与目标状态耦合的未知干扰θ(t),则空间目标连续时间动态模型为:
其中,为x(t)的一阶微分,x(t)为t时刻目标状态,θ(t)=[a(x) b(x) c(x)]T,w(t)为非主要摄动因素等效的高斯白噪声,
将连续时间动态模型,即公式(1)通过四阶Runge-Kutta法离散化,则动态方程为:
其中,T为采样周期,k为离散时间,I为单位矩阵,Fk表示k时刻的矩阵F(t),xk表示k时刻的目标状态,θk为k时刻的摄动力,wk为***噪声;
以雷达量测的空间目标距离信息作为量测量y,则量测方程为:
其中,λ0,h0为量测装置雷达所在位置坐标,λk,hk为k时刻目标所在位置,yk为k时刻雷达的量测,vk为量测噪声;
动态方程和量测方程构成了空间目标跟踪***离散状态空间模型,其中摄动力θk作为未知干扰与状态xk是相耦合的;
所述步骤2的具体方法为:
步骤2-1、基于EM的联合状态估计与摄动力一阶矩辨识:
以雷达划窗量测区间作为量测数据,其中l为划窗长度,表示k-1时刻至k时刻的量测集合,则在该层EM框架下,E-step计算完全数据的条件期望并估计目标状态,M-step通过最大化条件期望而辨识出摄动力,E-step和M-step依次迭代直至收敛从而通过迭代优化策略实现联合状态估计与摄动力辨识,此处所辨识的仅为摄动力一阶矩特性;
步骤2-2、基于EM的混合多高斯拟合辨识摄动力一二阶矩:
混合多高斯拟合辨识算法以步骤2-1所辨识的摄动力一阶矩作为量测,然后由多高斯分布近似该一阶矩所服从的分布;该层EM框架下,在E-step中推导出完全数据的条件期望表达式,而且因假设隐变量的似然函数服从多高斯分布,在已知前一次迭代后各高斯分项参数值的条件下,容易计算出该似然函数;在M-step中通过最大化条件期望而辨识出各高斯分项的参数值,包括权值、均值及协方差;E-step和M-step依次迭代直至收敛;然后由概率分布拟合各高斯分项参数辨识结果便得到摄动力的一二阶矩拟合辨识结果;
所述步骤3的具体方法为:
在多传感器***下,基于双层EM算法设计联合校正滤波器,其中第一层EM算法为步骤2-1所述的联合状态估计与摄动力一阶矩辨识,第二层EM算法是步骤2-2所述的混合多高斯拟合辨识摄动力一二阶矩,两层EM算法的顺序组合构成该双层EM框架;
第一层EM框架中,每个传感器并行执行第一层EM算法并输出摄动力一阶矩辨识集合;第二层EM以第一层EM输出的摄动力一阶矩集合作为输入,拟合辨识出摄动力的均值和协方差;然后通过一个由均值和协方差联合校正的Kalman滤波,即可实现同时利用摄动力的均值和协方差联合反馈校正目标状态及协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103236.1A CN106646452B (zh) | 2017-02-24 | 2017-02-24 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710103236.1A CN106646452B (zh) | 2017-02-24 | 2017-02-24 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106646452A CN106646452A (zh) | 2017-05-10 |
CN106646452B true CN106646452B (zh) | 2019-04-02 |
Family
ID=58848206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710103236.1A Active CN106646452B (zh) | 2017-02-24 | 2017-02-24 | 一种基于摄动多高斯拟合的空间目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106646452B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214869B (zh) * | 2020-09-03 | 2022-11-01 | 空气动力学国家重点实验室 | 一种求解欧拉方程的改进型高阶非线性空间离散方法 |
CN112589798B (zh) * | 2020-12-09 | 2021-12-21 | 重庆理工大学 | 基于介电弹性体执行器的软体机器人状态反馈控制方法 |
CN117289256B (zh) * | 2023-11-24 | 2024-01-30 | 成都本原星通科技有限公司 | 一种基于低轨通信卫星的目标远距离高精度追踪方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221238A (zh) * | 2008-01-24 | 2008-07-16 | 上海交通大学 | 基于高斯均值移动配准的动态偏差估计方法 |
EP2098881A2 (en) * | 2008-03-04 | 2009-09-09 | Fujitsu Ltd. | Detection and ranging device and detection and ranging method |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN105183703A (zh) * | 2015-10-27 | 2015-12-23 | 北京航空航天大学 | 一种基于矩阵摄动理论的复模态随机特征值直接方差求解方法 |
CN105446292A (zh) * | 2015-11-24 | 2016-03-30 | 江南大学 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
CN105549105A (zh) * | 2015-12-08 | 2016-05-04 | 清华大学 | 一种短基线相对轨道摄动重力场测量性能的评估方法 |
-
2017
- 2017-02-24 CN CN201710103236.1A patent/CN106646452B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221238A (zh) * | 2008-01-24 | 2008-07-16 | 上海交通大学 | 基于高斯均值移动配准的动态偏差估计方法 |
EP2098881A2 (en) * | 2008-03-04 | 2009-09-09 | Fujitsu Ltd. | Detection and ranging device and detection and ranging method |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN103308896A (zh) * | 2013-05-07 | 2013-09-18 | 北京工商大学 | 一种适于非引擎机动目标的高精度跟踪方法 |
CN105183703A (zh) * | 2015-10-27 | 2015-12-23 | 北京航空航天大学 | 一种基于矩阵摄动理论的复模态随机特征值直接方差求解方法 |
CN105446292A (zh) * | 2015-11-24 | 2016-03-30 | 江南大学 | 一种基于变量时段分解的间歇过程无模型摄动优化方法 |
CN105549105A (zh) * | 2015-12-08 | 2016-05-04 | 清华大学 | 一种短基线相对轨道摄动重力场测量性能的评估方法 |
Non-Patent Citations (1)
Title |
---|
摄动条件下空间目标天基光学跟踪方法研究;李骏等;《电子与信息学报》;20090930;第31卷(第9期);2088-2092 |
Also Published As
Publication number | Publication date |
---|---|
CN106646452A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Learning-based bias correction for time difference of arrival ultra-wideband localization of resource-constrained mobile robots | |
CN106352876B (zh) | 一种基于h∞和ckf混合滤波的机载分布式pos传递对准方法 | |
Zhou et al. | Reinforcement learning based data fusion method for multi-sensors | |
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN106646452B (zh) | 一种基于摄动多高斯拟合的空间目标跟踪方法 | |
CN109631913A (zh) | 基于非线性预测强跟踪无迹卡尔曼滤波的x射线脉冲星导航定位方法及*** | |
CN110543184B (zh) | 一种刚性飞行器的固定时间神经网络控制方法 | |
CN110543183B (zh) | 一种考虑执行器受限问题的刚体飞行器固定时间姿态跟踪控制方法 | |
CN109188910B (zh) | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 | |
Chang et al. | A new fuzzy strong tracking cubature Kalman filter for INS/GNSS | |
CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
CN111291471A (zh) | 一种基于l1正则无迹变换的约束多模型滤波方法 | |
CN113587926A (zh) | 一种航天器空间自主交会对接相对导航方法 | |
CN111912295A (zh) | 一种弹道落点预测*** | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
Zhu et al. | Accurate position estimation of mobile robot based on cyber-physical-social systems (CPSS) | |
CN111931368A (zh) | 一种基于gru粒子滤波的uuv目标状态估计方法 | |
CN106931966B (zh) | 一种基于泰勒高阶余项拟合的组合导航方法 | |
Chen et al. | Multi-frequency data fusion for attitude estimation based on multi-layer perception and cubature kalman filter | |
Guan et al. | A new integrated navigation system for the indoor unmanned aerial vehicles (UAVs) based on the neural network predictive compensation | |
Li et al. | Cooperative positioning algorithm of swarm UAVs based on posterior linearization belief propagation | |
Bi et al. | ELM‐Assisted Particle Filter for INS/UWB‐Integrated Quadrotor Positioning | |
Wang et al. | A line-of-sight rate estimation method for roll-pitch gimballed infrared seeker | |
Yuqi et al. | Time-varying parameters estimation with adaptive neural network EKF for missile-dual control system | |
Wang et al. | Fuzzy Adaptive Variational Bayesian Unscented Kalman Filter. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |