将雷达探测到的距离、方位角、俯仰角从Data2.txt中读取出来，根据极坐标系到直角坐标系间的转换关系可以得到机动目标在直角坐标系中的位置，用Matlab画出雷达探测到的各个点的位置。
滤波前雷达探测到的目标位置的点迹在xoy平面上的投影如图4.2.1所示：
图4.2.1 目标位置在xoy平面上的投影
滤波前雷达探测到的目标位置的点迹在xoz平面上的投影如图4.2.2所示：
图4.2.2 目标位置在xoz平面上的投影
从这两张投影图可以看出雷达2探测到的数据是两个机动目标在各自的高度平面上做类正弦运动，且他们的运动轨迹在水平面上的投影有周期性的交点。而两目标的高度变化误差均值基本为0，所以主要考虑在xoy平面上的数据关联和航迹。
4.2.4 数据关联算法
查阅众多资料之后，我们以最近邻法（MNN）原理为启发，结合题目模型和自身能力，创新出一套新的简便分类算法。
基本原理如下：
两个目标各选取N个融合度很低的连续点为初始点（我们假定N=4），然后利用各自的4个点联合估计第5个点的位置，共得到2个新的预估点。观察data2.txt数据可知，原始
数据可以分为2个点一组，其中1个点为A目标，则另外1个为B目标，但先后顺序不固定。
我们的算法是，每次从data2中取连续的1对点数据（此对数据与上对被取的数据是相邻的），将他们与2个预估点做距离计算，如图，S1、S2为取的数据点，G1、G2为2个预估点。若点S1与点G1的距离r1比S1与G2的距离r2小，则将S1归类到A目标类中，S2归类到B目标类中。另外，为了提高在融合度较高处做到精确分类，当r1与r2之差小于一定值时，再考虑以S2到两预估点的距离为基准分类。
图4.2.3 数据关联的判断
分类完毕后，S1、S2点将与各自类中前3个点组成新的4个点，来预估下一对点。 通过对原始数据data2.txt的观察，发现在首段，两个目标数据融合度太高（如图X），很难分辨，而在末段（如下图）可以清楚的分辨数据属于两个不同目标。
图4.2.4 data2.txt首段数据
图4.2.5 data2.txt末段数据
于是在算法中我们采用按照时间倒序的方式取点，并进行数据关联。仿真实验证明，该方法大部分概率关联算法（如PDA、JPDA等）相比计算量较少，但关联精度较低，在此题模型中，排除个别奇点之后，基本可以满足关联要求。
4.2.5数据关联结果及航迹
进行过数据关联后得到雷达探测到的两个机动目标在xoy平面上的位置如图4.2.6，4.2.7所示：
图4.2.6 雷达探测到的目标A的位置
图4.2.7 雷达探测到的目标B的位置
得到雷达探测到的两个机动目标的运动轨迹如图4.2.8所示：
图4.2.8 两个机动目标的运动轨迹
对其进行滤波和平滑处理后得到两个机动目标在xoy平面的运动轨迹如图4.2.9所示：
图4.2.9 两个机动目标的航迹
可以看出经过滤波之后可以得到两个机动目标的航迹，且误差较小。
当出现雷达一段时间只有一个回波点迹的状况时，若时间较短，该方法通过多个预估点可以保证航迹延续；但由于是线性估计，当只有一个回波点迹的时间较长时，跟踪误差线性累积，会导致跟踪丢失。
4.3单雷达对快速机动目标的跟踪
4.3.1问题：
根据附件中Data3.txt的数据，分析空间目标的机动变化规律(目标加速度随时间变化)。若采用第1问的跟踪模型进行处理，结果会有哪些变化？
4.3.2 坐标变换及误差传递
建立与4.1中相同的空间极坐标系和空间直角坐标系，故坐标变换及误差传递与4.1中的分析相同。
4.3.3 问题分析：
将雷达探测到的距离、方位角、俯仰角从Data3.txt中读取出来，根据极坐标系到直角坐标系间的转换关系可以得到机动目标在直角坐标系中的位置，用Matlab画出雷达探测到的各个目标点的在O-XYZ坐标系中的位置。
滤波前雷达探测到的机动目标位置如图4.3.1所示：
图4.3.1 机动目标位置三维图
雷达探测到的目标位置的横坐标x与时间t的关系如图4.3.2所示：
图4.3.2 目标位置的横坐标x随t的变化
相关推荐：
loading