[发明专利]一种分布式异构自适应粒子滤波直接跟踪方法

说明书

本发明属于信号处理领域，提供一种基于时延和多普勒的分布式异构网络粒子滤波直接跟踪定位方法，将传统同构网络下的基于时延和多普勒的分布式粒子滤波跟踪算法扩展到了异构网络，充分利用了粒子数对粒子滤波器性能的影响，在每个接收机实现粒子数的自适应调整，提高了粒子滤波器的效率，相对于同构网络的分布式粒子滤波直接目标跟踪算法，可以实现更好的跟踪效果，提升了分布式异构粒子滤波目标跟踪方法的有效性；本发明为异构网络开发了一种组合系数自适应变化的方案，可应用于信噪比恶劣的情况，一定程度提升了分布式异构粒子滤波目标跟踪方法的稳健性和鲁棒性。

技术领域

本发明属于信号处理领域，特别是涉及分布式信号处理领域的自适应粒子滤波跟踪技术，具体是一种基于时延和多普勒的分布式异构网络自适应粒子滤波直接跟踪方法。

背景技术

目标跟踪是信号处理领域的重要课题之一，并且已经在许多实际工程领域得到广泛应用。经典的目标跟踪定位方法是采用两步法，第一步测量时差/频差(TDOA/FDOA)，第二步使用测量得到的TDOA/FDOA进行位置解算即定位和跟踪，然而由于两步法TDOA和FDOA的估计是通过忽略所有测量必须与单目标的位置一致的约束而得到的，所以两步法不一定能得到最佳位置估计；对于移动目标来说，两步算法就更难准确的实现目标跟踪。

后来，一种不需要计算出TDOA/FDOA,而是直接利用接收信号估计目标位置的直接定位算法被提出，在接收信号信噪比较低的情况下，这种方法的精度更高，可分为批处理方法和自适应方法两类。对移动的目标需要进行跟踪定位，批处理方法需要对定位区域进行四维的网格式搜索，计算量很大，实时性差；后来提出了用代数方法来估计目标的位置和速度，但是这种方法只有在噪声较小的情况下定位准确；进一步用估计出来的目标的位置和速度作为卡尔曼滤波(KF)的输入，构造动态模型，提升了定位的精确度；后来人们又提出了extended KF(EKF)，可以直接将第一步得到的TDOA/FDOA测量值作为扩展卡尔曼滤波器(EKF)的输入，但是在实际情况中，目标的运动轨迹大部分都是非线性的，即TDOA/FDOA测量值是目标位置/速度的高度非线性函数，但是由于KF和EKF主要解决线性问题，所以EKF滤波器需要非常好的初始化，而这个初始值通常很难得到，即便是EKF滤波器进行了较好的初始化，也可能会偏离甚至失去跟踪能力。

据此，人们又提出了粒子滤波算法，用来解决非线性的跟踪定位问题。如文献《Delay and Doppler Induced Direct Tracking by Particle Filter》(Sidi,A.Y.，Weiss,A.J.)提出了一种基于时延和多普勒的未知确定性信号运动目标的单步定位跟踪方案，在集中式框架下采用粒子滤波的单步策略优于两步策略。然而，这种集中式粒子滤波(CPF)方案由于计算能力和能量存储能力的存在瓶颈以及单个融合中心所导致的低稳健性，可能不适用于大型接收机网络。因此，分布式粒子滤波(DPF)算法已经成为进行大规模目标跟踪的最有前途的方法之一。分布式粒子滤波可以基于共识策略和扩散策略两种策略来实现，通过最近研究显示扩散策略更易于分布式实现，并且在不同场景的定位跟踪中显示了更强的灵活性和鲁棒性。

在过去的几年里，对于分布式同构网络，自适应扩散策略在信号处理中的重要课题比如参数估计、定位、目标跟踪等应用中已经成为有吸引力和具有鲁棒性的解决方案。此外，与使用固定、非自适应性系数的情况相比，具有自适应组合系数的扩散策略可以在接收机间不同噪声分布的情况下对原有算法进行性能改进，提高算法的稳健性。而最近，在文献“Adaptive diffusion schemes for heterogeneous networks”中提出的一种基于异构网络的与扩散最小均方(LMS)参数估计相结合的自适应组合系数的策略被证明在某些情况下优于其他先进的技术。然而，粒子滤波在目标跟踪中扮演着重要的角色，对于分布式异构网络来说，目前还没有替代的方法。

发明内容