论文部分内容阅读
雷达被广泛应用在对空目标的探测和跟踪中,然而相对于红外传感器而言,雷达具有探测精度不高,获得的量测噪声比较大的缺点。不仅如此,随着战场环境的日益复杂,由于受到电磁、诱饵杂波干扰及气象条件的影响,使得雷达的量测数据中混有大量虚假数据,导致雷达错跟或失跟。受到强杂波战场环境的影响,主动相控阵雷达的发现概率、跟踪能力、命中精度和抗干扰能力大幅下降。所以,提高雷达的探测精度和强杂波下的抗干扰能力是非常重要的研究课题。本文基于提高雷达跟踪精度的需求,通过将红外传感器的高精度的角度量测信息与雷达的探测信息融合,提高雷达的目标精确跟踪能力。首先,对雷达和红外传感器不同的位置,坐标系,采样频率和数据传输率,对雷达红外量测数据进行时空配准。然后,利用雷达量测数据和Unscented Kalman Filter(UKF)对目标的位置和速度进行估计,将结果作为红外目标UKF估计的预测值。最后,将红外UKF的估计结果作为目标最终估计结果。本文提出的雷达红外传感器估计融合的跟踪方法,由于引入了高精度的红外量测信息,弥补了雷达传感器探测性能的不足,提高了雷达目标跟踪性能。同时为了提高单传感器在复杂电磁环境下的抗干扰能力,本文提出一种联合检测-跟踪-学习的目标鲁棒跟踪算法PN Learning-Probability Hypophysis Density(PNL-PHD),该方法在传统PHD算法的基础上,引入属性检测器,将检测结果与跟踪结果一起送入PN学习器,通过PN学习迭代更新检测器,并修正PHD算法的跟踪估计,以此实现在强杂波环境目标鲁棒跟踪的要求。本文提出的PNL-PHD滤波算法与PHD跟踪算法相比,由于在线学习目标属性特征滤除了强杂波环境下的干扰信息,因此提高了目标跟踪准确性及跟踪精度。为了验证提出方法的有效性和准确性,本文开发了一套目标精确跟踪仿真系统。利用相控阵雷达、红外传感器的模拟器生成量测数据,对雷达红外感器融合跟踪算法和目标在线迭代学习跟踪算法,进行复杂环境下的的目标精确跟踪演示与验证。本系统为仿真复杂环境下目标精确跟踪功能和性能提供仿真演示技术基础,为机载跟踪系统精确跟踪能力提供实验依据和技术支持。仿真实验结果表明,雷达红外融合跟踪算法将雷达的位置速度跟踪精度均有提高,大幅提升了雷达的精确跟踪能力。在使得PHD算法跟踪失败的强杂波模拟环境下,本文提出的PNL-PHD算法依然可以正确的跟踪目标。