基于M估計的抗野值單站無源定位方法?

(火箭軍工程大學(xué),陜西西安710025)

0 引言

單站無源定位技術(shù)[1-2]是指利用一個觀測平臺上的單個或多個接收機(jī),通過被動接收目標(biāo)輻射源的輻射信息來對其進(jìn)行定位和跟蹤的技術(shù),具有電磁隱蔽性好、設(shè)備相對獨立、作用距離遠(yuǎn)和易于工程實現(xiàn)等優(yōu)點。現(xiàn)有的單站無源定位方法主要有測向定位法、到達(dá)時間定位法、多普勒頻率定位法、方位/到達(dá)時間定位法、相位差變化率定位法和多普勒頻率變化率定位法等,用到的濾波算法主要有擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)[3-4]、無跡卡爾曼濾波(Unscented Kalman Filter,UKF)[5-6]和容積卡爾曼濾波(Cubature Kalman Filter,CKF)[7-8]等。楊曉君等[9]在EKF算法的基礎(chǔ)上,提出了基于相位差、相位差變化率和頻率變化率的單站無源定位方法(PFRC),該方法具有較高的定位精度和較快的收斂速度。

上述大多數(shù)方法都是建立在觀測信息準(zhǔn)確的基礎(chǔ)上。然而,在實際問題中,由于測量設(shè)備本身出現(xiàn)故障或者環(huán)境干擾、目標(biāo)機(jī)動等的影響,觀測數(shù)據(jù)不可避免會出現(xiàn)野值。統(tǒng)計學(xué)家根據(jù)大量數(shù)據(jù)指出,在生產(chǎn)實際和科學(xué)實驗中,野值的出現(xiàn)約占觀測總數(shù)的1%～10%[10]。野值的出現(xiàn)使得觀測數(shù)據(jù)的可靠性和可用性下降,降低了定位精度,甚至無法定位。

目前,已有大量文獻(xiàn)對野值存在時如何保持估計量的最優(yōu)性進(jìn)行了論述,但有關(guān)單站無源定位跟蹤問題的研究中,涉及野值處理問題的文獻(xiàn)較少。例如,文獻(xiàn)[5,11-13]研究了野值存在時如何辨識并剔除的方法;文獻(xiàn)[6,14-16]指出,錯誤的觀測量主要通過新息對濾波精度產(chǎn)生影響,因而對新息進(jìn)行修正能較好地保持濾波精度;文獻(xiàn)[17]將野值剔除法與新息修正法相結(jié)合達(dá)到抗野值效果;文獻(xiàn)[7,18]基于Bayes定理并結(jié)合歸一化受污染正態(tài)模型,根據(jù)野值出現(xiàn)的后驗概率來自適應(yīng)調(diào)整新息的方差陣,以降低野值的影響。本文在單站無源定位PFRC方法基礎(chǔ)上,提出了一種基于 M估計的抗野值單站無源定位方法,該方法通過建立新息的非線性函數(shù)作為權(quán)函數(shù),對新息進(jìn)行權(quán)值修正,較好地消除了野值分量的影響。

1 單站無源定位方法

1.1 單站無源定位模型

單站無源定位系統(tǒng)的狀態(tài)方程和觀測方程可表示為

式中:k是時刻;X(k+1)是目標(biāo)狀態(tài)向量,包含目標(biāo)的位置、速度等信息;Z(k+1)是包含噪聲的觀測向量;f和h分別是非線性狀態(tài)函數(shù)和非線性測量函數(shù);D(k)是激勵矩陣;U(k)為未知加速度;W(k+1)和V(k+1)分別是過程噪聲和測量噪聲,彼此獨立且服從Gauss分布,它們的協(xié)方差矩陣分別為Q(k+1)和R(k+1)。

在PFRC方法中,測量向量包括相位差、相位差變化率、頻率變化率。因此,非線性測量函數(shù)可表示為

濾波過程中的新息定義為

它隱含了當(dāng)前最新觀測值Z(k+1)的信息,是實際觀測值與預(yù)測值(擬合值)之間的差,故又稱為殘差序列。

1.2 野值的影響分析

在單站無源定位理想模型中,當(dāng)濾波達(dá)到穩(wěn)態(tài)時,新息γ(k+1)應(yīng)為零均值的獨立正態(tài)同分布隨機(jī)序列,在這種情況下,卡爾曼濾波器對狀態(tài)的估計值可以達(dá)到很高的精度。但實際情況中,觀測數(shù)據(jù)不可避免會出現(xiàn)野值。不妨假設(shè)k時刻出現(xiàn)野值,并把野值看作疊加于正常觀測數(shù)據(jù)上的一個沖擊分量,則觀測方程變?yōu)?/p>

式中,Z(k+1)′為疊加野值分量后的觀測值,B為沖擊形式的野值分量。

則加入野值后得到的新息序列為

由此可見,野值分量的影響主要體現(xiàn)在新息序列上。在野值分量出現(xiàn)的時刻必須采取適當(dāng)?shù)拇胧π孪⑿蛄羞M(jìn)行校正,才能消除野值對估值精度的影響。

在觀測值中,野值的表現(xiàn)形式主要有以下兩種[5]:

1)孤立型野值,表現(xiàn)為k時刻的觀測數(shù)據(jù)為野值時,在k的某一個領(lǐng)域內(nèi)的其他觀測數(shù)據(jù)是正常的,即野值的出現(xiàn)是孤立的。

2)斑點型野值,表現(xiàn)為k,k+1,k+2,…,k+p時刻的觀測值均嚴(yán)重偏離真值,即野值成片出現(xiàn)。

常用的野值處理方法有直接剔除法和新息修正法。直接剔除法能較徹底地消除野值分量的不良影響,但當(dāng)大量孤立型野值出現(xiàn),或者大片斑點型野值出現(xiàn)時,直接剔除受野值污染的觀測值會導(dǎo)致數(shù)據(jù)缺失嚴(yán)重,仍然會降低定位精度,甚至使濾波器發(fā)散。而僅對新息進(jìn)行平滑修正,雖能保留觀測序列的完整性,但當(dāng)野值分量值較大時,難以消除野值的不良影響。本文采用基于M估計法對新息進(jìn)行權(quán)值修正,在考慮野值分量水平的情況下,將觀測值分為正常觀測值、不正常但可以利用觀測值,以及不可利用觀測值這三類,既能保留可利用的觀測值,又可以較徹底地消除野值分量的影響。

2 M估計在單站無源定位中的應(yīng)用

2.1 M估計的定義

抗差估計[19]或稱穩(wěn)健估計是指在粗差不可避免的情況下,選擇適當(dāng)?shù)墓烙嫹椒ㄊ构烙嬃勘M可能減少粗差的影響,得出正常模式下的最佳估值。抗差估計包括M估計、L估計和R估計。其中, M估計是經(jīng)典的極大似然估計的推廣,稱為廣義極大似然型估計。

傳統(tǒng)的極大似然估計(MLE),其估計量T n= T n(x1,x2,…,x n)需滿足

式中,f是隨機(jī)變量(x1,x2,…,x n)的概率密度。

1964年Huber用函數(shù)ρ代替式(6)中的-lnf(·)使其廣義化:

式中,ρ(·)稱為極值函數(shù)。假設(shè)ρ(·)的導(dǎo)數(shù)為是待估參數(shù),它包括定位參數(shù)和尺度參數(shù),于是式(7)可以寫為

式(7)和式(8)均可用于定義M估計,當(dāng)ψ函數(shù)是ρ函數(shù)的導(dǎo)數(shù)時,式(7)和式(8)定義的M估計等價。

常用的ρ函數(shù)是對稱的、凸的或在正半軸上非降的函數(shù),而ψ函數(shù)常取成這種ρ函數(shù)的導(dǎo)數(shù)。當(dāng)然,ψ函數(shù)也可根據(jù)需要適當(dāng)選取。有一個ρ(或ψ)函數(shù)就定義一個M估計,因此M估計實際上是一類估計,故稱為廣義極大似然型估計。顯然,經(jīng)典的極大似然估計是M估計的特例。

2.2 單站無源定位中的M估計

式中,ρ(·)表示適當(dāng)選擇的凸函數(shù),n表示觀測向量維數(shù),γ(k)i表示時刻k新息序列的第i個元素。式(8)定義的M估計則可表示為

式中:ψ(·)也是適當(dāng)選擇的單調(diào)、正半軸非降函數(shù);H(k)i是測量函數(shù)h(X(k),k)的偏導(dǎo)矩陣H(k)的第i行向量。令

則式(10)可寫成

式中,D(γ(k)i)可看成權(quán)函數(shù)。式(12)寫成矩陣形式為

式中,D(γ(k))=diag[D(γ(k)1),D(γ(k)2),…,D(γ(k)n)]。

從式(11)可以看出,權(quán)函數(shù)D(γ(k)i)是新息序列的非線性函數(shù)。所以,M估計的實質(zhì)是用權(quán)函數(shù)去修正新息原有的權(quán),它實現(xiàn)抗差化的基本思想是:

1)對于正常觀測值采取保權(quán)處理,即令D(γ(k)i)=1,此時,M估計退化為最小二乘估計。

2)對于非正常但又可以利用的觀測值采取降權(quán)處理,即令D(γ(k)i)＜1。

3)對于野值超過一定范圍的、不可用的觀測值,使其權(quán)為0,予以淘汰,即令D(γ(k)i)=0。

因此,抗差化的關(guān)鍵就在于建立恰當(dāng)?shù)臋?quán)函數(shù)。本文中,權(quán)函數(shù)D(γ(k)i)由IGG法[19]確定:

式中,c為一選定的常數(shù)。

2.3 基于M估計的單站無源定位方法

本文在文獻(xiàn)[9]提出的PFRC方法基礎(chǔ)上,通過建立新息的非線性函數(shù)作為權(quán)函數(shù),對新息序列進(jìn)行權(quán)值修正,實現(xiàn)了PFRC算法的抗野值能力。基于M估計的單站無源定位方法步驟如下:

1)時間更新

① 設(shè)定初始值

② 一步預(yù)測

③ 一步預(yù)測均方誤差

④ 濾波增益

2)測量更新

① 計算測量新息

② 狀態(tài)估計

③ 估計均方誤差

3 仿真實驗

為了檢驗基于M估計的單站無源定位方法的抗野值能力,通過改變野值的水平和式(14)中常數(shù)c的值,分別針對孤立型野值和斑點型野值進(jìn)行Monte-Carlo仿真實驗。

不失一般性,仿真以二維單站無源定位情況為例,假設(shè)固定觀測站位于坐標(biāo)原點,目標(biāo)輻射源作勻速直線運動,觀測周期為Ts=1 ms,取1 500個觀測點,初始狀態(tài)X(0)=[200 m,549 m,-300 m/s,0 m/s],在觀測時間內(nèi)目標(biāo)輻射源的頻率保持f=200 M Hz不變。

本文采用相對定位誤差(RPE)和相對速度誤差(RVE)來描述單站無源定位的性能,其定義為

3.1 孤立型野值仿真實驗

選取不同的常數(shù)c值,在第600個觀測時刻,對相位差觀測量添加大小不同的野值。圖1和圖2分別展示了c=0.1和c=1.5的情況下,野值的大小為B=2和B=10時的仿真結(jié)果。

圖1 基于100次Monte-Carlo實驗的相對位置誤差值

圖2 基于100次Monte-Carlo實驗的相對速度誤差值

通過圖1和圖2可以看出:

1)當(dāng)觀測量中未出現(xiàn)野值時,兩種算法的定位精度一樣。

2)當(dāng)觀測量中存在單個野值的時候,PFRC方法的定位精度受到了比較嚴(yán)重的影響,這是由于觀測新息突然增大,導(dǎo)致濾波增益也隨之變大,使得估計結(jié)果較大地偏離了真實值;而基于M估計的抗野值PFRC方法,能根據(jù)新息變化自適應(yīng)地調(diào)整權(quán)函數(shù)值,通過對新息的權(quán)值修正克服野值分量的影響。

3)當(dāng)常數(shù)c取值越小時,抗野值PFRC方法的穩(wěn)定性就越好,濾波系統(tǒng)也收斂得更快,表現(xiàn)出了較強(qiáng)的魯棒性。

4)當(dāng)野值分量越大時,抗野值PFRC方法的優(yōu)越性體現(xiàn)得越明顯。

3.2 斑點型野值仿真實驗

選取常數(shù)c=0.1,從第600個觀測時刻開始,連續(xù)添加大小為B=2的野值分量。圖3和圖4分別展示了連續(xù)5個時刻、10個時刻添加野值時的仿真結(jié)果。

通過圖3和圖4可以看出,當(dāng)觀測量連續(xù)出現(xiàn)野值時,PFRC方法的濾波精度受到很大影響,甚至導(dǎo)致濾波器發(fā)散;而基于 M 估計的抗野值PFRC方法保持了較好的穩(wěn)定性,濾波器依舊可以收斂到正常狀態(tài),具有較強(qiáng)的魯棒性。

4 結(jié)束語

圖3 基于100次Monte-Carlo實驗的相對位置誤差值

圖4 基于100次Monte-Carlo實驗的相對速度誤差值

在實際情況中,單站無源定位過程中出現(xiàn)野值是不可避免的,野值的存在會影響定位的精度和系統(tǒng)的穩(wěn)定性,以致嚴(yán)重失真和誤判。本文通過建立新息的非線性函數(shù)作為權(quán)函數(shù),對新息進(jìn)行自適應(yīng)權(quán)值修正,提出了一種新的基于M估計的抗野值單站無源定位方法。通過對孤立型野值和斑點型野值進(jìn)行仿真實驗,結(jié)果表明,本文的算法能很好地克服野值影響,具有較強(qiáng)的魯棒性和較高的定位精度。并且當(dāng)不存在野值時,該算法能保持原PFRC算法的精度。

以往在單站無源定位研究中,考慮到野值問題的文獻(xiàn)較少,本文所提方法較好地解決了單站無源定位中的野值問題,具有一定的實用性。

[1]孫仲康,郭福成,馮道旺,等.單站無源定位跟蹤技術(shù)[M].北京:國防工業(yè)出版社,2008.

[2]楊曉君,陸芳,郭金庫,等.模糊單站無源定位方法[J].清華大學(xué)學(xué)報(自然科學(xué)版),2011,51(1):25-29.

[3]李炳榮,丁善榮,馬強(qiáng).擴(kuò)展卡爾曼濾波在無源定位中的應(yīng)用研究[J].中國電子科學(xué)研究院學(xué)報,2011,6 (6):622-625.

[4]孟祥飛.基于擴(kuò)展卡爾曼濾波算法的無源定位效果分析[J].電子科技,2012,25(3):25-27.

[5]張怡,廉晶晶,黃文剛.抗野值性能的無跡卡爾曼濾波算法的研究[J].計算機(jī)工程與應(yīng)用,2012,48(33): 153-156.

[6]張學(xué)峰,周超,劉文超.抗野值滑動平均-UKF算法在組合導(dǎo)航中的應(yīng)用[J].數(shù)字技術(shù)與應(yīng)用,2015(2): 133-134.

[7]霍光,李冬海,李晶.單站無源定位中的抗野值魯棒CKF算法[J].雷達(dá)科學(xué)與技術(shù),2013,11(4):419-423. HUO Guang,LI Donghai,LI Jing.An Outlier Rejecting Robust CKF Algorithm for Single Observer Passive Location[J].Radar Science and Technology, 2013,11(4):419-423.(in Chinese)

[8]霍光,李冬海.基于后向平滑容積卡爾曼濾波的單站無源定位算法[J].信號處理,2013,29(1):68-74.

[9]YANG X,LIU G,GUO J.A Single Observation Passive Location Algorithm Based on Phase-Difference and Doppler Frequency Rate of Change[C]∥2008 IEEE International Conference on Systems,Man and Cybernetics,Budapest,Hungary:IEEE,2008: 1309-1313.

[10]HUBER P J.Robust Statistics[M].New York:Wiley,1981.

[11]楊軍玲.無源定位跟蹤中野值的檢測與剔除方法[J].電子科技,2016,29(6):51-53.

[12]盧元磊,何佳洲,安瑾.目標(biāo)預(yù)測中的野值剔除方法研究[J].計算機(jī)與數(shù)字工程,2013,41(5):722-725.

[13]張強(qiáng),孫紅勝,胡澤明.目標(biāo)跟蹤中野值的判別與剔除方法[J].太赫茲科學(xué)與電子信息學(xué)報,2014,12 (2):256-259.

[14]武昱,曹鑫,錢克昌,等.一種魯棒的Kalman濾波方法[J].計算機(jī)與數(shù)字工程,2013,41(5):716-718.

[15]戴文舒,陳新華,孫長瑜,等.等價權(quán)修正的Kalman抗野值濾波算法[J].應(yīng)用聲學(xué),2013(5):409-412.

[16]朱占龍,單友東,楊翼,等.基于新息正交性自適應(yīng)濾波的慣性/地磁組合導(dǎo)航方法[J].中國慣性技術(shù)學(xué)報,2015,23(1):66-70.

[17]李廣軍,李忠,崔繼仁.新型抗野值的Kalman濾波器研究[J].計算機(jī)應(yīng)用與軟件,2013,30(1):136-138.

[18]賈浩正.抗野值的航跡數(shù)據(jù)Kalman濾波[J].測控技術(shù),2014,33(9):26-28.

[19]周江文,黃幼才,楊元喜,等.抗差最小二乘法[M].武漢:華中理工大學(xué)出版社,1997.