雷达数据处理及应用（第四版） 课件 第5章 量测数据预处理技术

于洪波雷达数据处理及应用雷达数据处理及应用

第5章量测数据预处理技术一、时间配准二、空间配准三、野值剔除四、误差配准五、数据压缩一、时间配准(1)时间配准（TimeRegistration）：又称时间同步，是指将多个作战单元经时间对准后剩余的时间偏差控制在容许的范围内的处理过程。包括与天文时间的同步(绝对配准)和与高精度主时钟的同步(相对配准)。数据链雷达****1.坐标系(1)笛氏直角坐标系

地心直角坐标系局部直角坐标系缺点：球(极)坐标系下的观测值转换为直角坐标系下；观测误差存在耦合。优点：滤波和预测可以在线性动态模型下进行；当θ不为零或nπ/2时，σxy将不为零。二、空间配准(2)空间球(极)坐标系缺点：由于非线性原因，即使是匀速运动也可能引起“伪加速度”。优点：跟踪和测量在同一坐标系下完成；(3)地球(理)坐标系(4)NED坐标系

(5)载体坐标系(6)雷达天线坐标系(7)目标视线坐标系二、空间配准①平移变换：只改变原点的位置而不改变轴的方向。

ZYOPabXO'Z'X'Y'c新原点O’关于旧坐标系的坐标是(a,b,c)，又目标位置(P点)关于旧坐标系和新坐标系的坐标分别是(x,y,z)和(x',y',z')二、空间配准②旋转变换：只改变轴的方向而不改变原点的位置YXX'0ZY'x(x,y)(x’,y’)xyy’当坐标绕Z轴逆时针旋转时二、空间配准其中二、空间配准二、空间配准(1)无偏转换测量卡尔曼滤波器（UCMKF）2.几种常用坐标系中的跟踪问题

若雷达在极坐标系下的距离和方位角测量数据为*二维情况其中：

z和

z分别为目标真实的距离和方位角数据；

和

为相应的测量误差，且二、空间配准通过极-直坐标转换可得直角坐标系下量测值

其中其中CMKF(P75)式(4.26)-式(4.35)该转换测量值是无偏转换吗？

？？问题：可得转换测量值、通常不是无偏转换。补偿后的目标x轴位置数据为

其中：(4.36)补偿后的目标y轴位置数据为补偿后的量测噪声协方差的各元素分别为其中：

若雷达在极坐标系下的距离、方位角和俯仰角测量数据为

通过极－直坐标转换可得直角坐标系下的量测值z(k)

*三维情况补偿后的目标位置数据为

其中：

补偿后的量测噪声协方差的各元素分别为其中：3.应用举例

3D雷达跟踪问题：目标为飞机，假设在该雷达跟踪时间段在高度为8公里的水平面内做速度大小360m/s的匀速直线运动，运动方向和y轴负方向沿顺时针方向的夹角为60度；目标和3D雷达间的初始距离为32公里，3D雷达的位置假设在原点，且固定不动。距离测量误差的标准差为60米，方位和俯仰角测量误差的标准差均为1度，采样间隔1秒。（1）转换测量卡尔曼滤波（2）扩展卡尔曼滤波（3）UKF（4）无偏转换测量卡尔曼滤波目标的动态方程为

其中：过程噪声v(k)为零均值的高斯白噪声，其方差

量测方程其中系统的初始状态初始协方差阵为卡尔曼滤波器径向距离、方位和俯仰角测量误差标准差分别为100米、1度和5度，100次蒙特卡洛实验100次蒙特卡洛实验5度100次蒙特卡洛实验1度径向距离、方位和俯仰角测量误差标准差分别为100米、1度和1度，100次蒙特卡洛实验UKF相对而言对过程噪声较敏感，而量测噪声的变化对其影响相对较小；EKF相对而言对量测噪声较敏感，而过程噪声的变化对其影响相对较小；UCMKF在测角误差较大、目标距离较远的情况下性能要明显优于CMKF；CMKF和UCMKF稳定性较好；野值的定义、成因及分类

野值是指测量数据集合中严重偏离大部分数据所呈现趋势的小部分数据点。三、野值剔除

工程测量中得到的大群数据通常存在5%-10%的野值，1977年Huber证明当1000个服从高斯分布的测量数据中出现2个3倍于其方差的野值时最小二乘估计将失去其最优性。1.野值的定义2.野值产生的主要原因：观测设备的突然故障或失效。外部突发性干扰，例如，异常干扰、偶然性的人为错误、雷电冲击、大气层不稳定等。数据汇集和计算机有效字长在递推估计中产生的的野值某些服从长尾分布的随机变量(例如，服从t分布的随机变量)作用产生的异常数据。(1)孤立型野值特点：某一采样时刻处的测量数据是否为野值与前一时刻及后一时刻数据的质量无必然联系。(2)野值斑点简称斑点，是指成片出现的异常数据。它的基本特征是在当前时刻出现的野值，也可能带动后续时刻均严重偏离真值。3.野值的分类野值的判别方法对斑点型野值，因涉及到误差的前后相依性，判别方法并不是很多，实现起来也比较复杂。设Z(1)、Z(2)、…、Z(k)对状态X(k+1)的预测值为，预测残差是均值为零的高斯随机量，其协方差矩阵为：

利用预测残差的上述统计性质可对Z(k+1)的每个分量进行判别若上式成立，判别zi(k+1)为正确观测量，反之则为野值。递推滤波中的残差对野值的判别能力取决于预测精度，即取决于的大小，预测精度越高判别野值的能力就越强。动态测量数据中判别野值：目前尚无高效率方法，其主要原因在于动态测量中野值的判别与系统状态估计的精度有关，依赖于具体的滤波算法，有些看似“异常”的值，实际上是系统状态方程本身造成的。测量系统误差（MeasurementSystemError）：目标测量与其真实状态（时间、位置、速度等）的确定偏差，又称为对目标的测量对准误差，其均值为相对固定值（非零）。系统误差依赖于测量设备的性能、原理、状态，以及目标状态与测量环境产生的可观测性等因素。四、误差配准测量随机误差（MeasurementRandomError）：测量与目标真实状态的随机偏差，由测量噪声和目标状态噪声引起，通常认为是均值为零的独立白噪声序列，且与状态独立，测量精度主要由随机误差确定。其中：对于系统偏差则可以描述为其中：整个系统离散的状态方程可以表示为其中：(u(k),v(k))为k时刻雷达B相对雷达A的坐标。其中：五、数据压缩

数据压缩技术可有效解决滤波精度与数据量之间的矛盾。（1）数据压缩分类单雷达数据压缩，即将雷达不同时刻的数据压缩成一个时刻的数据。其又分为等权平均量测预处理和变权平均量测预处理两种方法。多雷达数据压缩，即将多部雷达的数据压缩成单部雷达数据。目标的离散状态方程和量测方程分别为

①等权平均量测预处理

(2)单雷达数据压缩压缩成一个这M次量测的等权平均残差为

设k到k+1时刻内对目标进行M次测量

卡尔曼滤波器这M次量测的等权平均残差为

等权平均量测噪声协方差矩阵为

等权平均残差中随机测量噪声的影响已大大减小。

②变权平均量测预处理

M次量测的变权平均残差为

变权平均量测噪声

(3)多雷达系统中的数据压缩

点迹合成将多部雷达在同一时间对同一目标的点迹合并起来，将多个探测数据合成一个数据。串行合并将多雷达数据组合成类似单雷达的探测点迹。

①点迹合成

假设同一目标同一时刻的测量向量分别为z1、z2…zN，相对应的测量误差协方差分别为R1、R2…

RN，则可采用如下的公式进行数据压缩：合并后点迹不仅提高了精度，而且也减少了运算量。对于非同步采样的多雷达系统可