基于在线粒子群优化的多观测目标位置估计方法及装置

1.本技术涉及雷达信号处理技术领域，特别是涉及一种基于在线粒子群优化的多观测目标位置估计方法及装置。


背景技术：

2.城市背景下的低空目标探测技术主要分为可见光、红外等光电无源探测技术和雷达有源探测技术两大类，其中雷达具有全天时、全天候的特点，探测性能受时间和天候影响小，且探测范围大、作用距离远，对城市区域监视领域具有重要意义。然而城市环境中楼宇密集会造成不可避免的目标遮挡现象和复杂的多径效应，对雷达低空目标探测提出了严峻挑战。
3.雷达信号在城市环境中会产生反射、绕射等多径效应，会使雷达产生虚假目标。实际上，多径回波为不同传播路径的多个回波分量的叠加，每条回波路径由雷达位置、目标位置以及场景构造来决定，均携带有目标的部分信息，因此将每条路径等效为对目标的一次观测，把多径效应转化成对目标的多观测问题，可以有效提高雷达低空目标探测的性能。
4.雷达接收到目标的多径回波信号后，通过对多观测目标似然函数进行建模，目标未知位置的估计可以通过最大似然估计来获取，但最大似然估计不存在一般形式的闭式解析解。现有方法多针对特定多径场景构建具体的似然函数求解最大似然估计，对场景几何先验的高度依赖很难解决复杂异构场景下目标最大似然求解问题。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够实现高精度的目标位置估计的基于在线粒子群优化的多观测目标位置估计方法及装置。
6.一种基于在线粒子群优化的多观测目标位置估计方法，所述方法包括：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
7.在其中一实施例中，获取所述目标所处场景的几何先验信息，在采用在线粒子群优化算法进行迭代求解时，根据所述场景的几何先验信息对粒子群中各粒子位置进行初始化。
8.在其中一实施例中，所述收敛度表示为：；其中，；在上式中，表示各粒子当前位置集合，表示中心粒子即粒子群历史最优位置，表示在的邻域内包含的粒子，表示粒子群的势。
9.在其中一实施例中，所述则根据收敛度计算结果自适应更新粒子群优化算法的认知因子采用以下公式：；；在上式中，表示所述收敛度计算结果，表示独立个体认知因子，表示社会群体认知因子。
10.在其中一实施例中，在根据收敛度计算结果自适应更新粒子群优化算法的认知因子后，更新各粒子的速度和位置包括：根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，得到对应粒子当前迭代时的移动速度；根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置。
11.在其中一实施例中，所述根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，得到对应粒子当前迭代时的移动速度采用以下公式：；在上式中，表示迭代次数，表示第个粒子在第轮的速度，表示惯性因子，表示第个粒子在第轮的位置，和分别表示所述独立个体认知因子以及所述社会群体认知因子，和分别表示到第次迭代为止第个粒子和粒子群的历史最优位置，和分别表示个体认识权重和社会认知权重。
12.在其中一实施例中，所述根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置采用以下公式：。
13.一种基于在线粒子群优化的多观测目标位置估计装置，所述装置包括：多径回波信号获取模块，用于获取目标的多径回波信号；多观测似然函数构建模块，用于根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求
解；第一迭代计算模块，用于在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；第二迭代计算模块，用于根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；第三迭代计算模块，用于若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；目标位置估计模块，用于根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
14.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
15.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；
若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
16.上述基于在线粒子群优化的多观测目标位置估计方法及装置，通过根据获取的多径回波信号构建目标的多观测似然函数，并采用在线粒子群优化算法对多观测似然函数的最大似然估计值进行迭代求解，在每一次迭代过程中，首先根据各粒子当前位置利用在线射线跟踪计算多径回波参数，并利用该参数对多观测似然函数进行计算得到当前似然函数值，同时依据该函数值对各粒子以及粒子群的历史最优位置进行更新，随后计算该次迭代的收敛度，若收敛度满足收敛条件，则当前得到的多观测似然函数的值为最大似然估计值，停止计算，若收敛度不满足收敛条件，则根据计算得到的收敛度自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次迭代计算，直至收敛。本方法可适用于位于复杂异构多径场景中的目标位置估计，并且本方法中优化后的在线粒子群优化算法中收敛度准则鲁棒性高。
附图说明
17.图1为一个实施例中基于在线粒子群优化的多观测目标位置估计方法的流程示意图；图2为一个仿真实验中城市多径场景俯视示意图；图3为一个仿真实验中粒子群随即初始状态仿真结果示意图；图4为一个仿真实验中粒子群第24次迭代的仿真结果示意图图5为一个仿真实验中粒子群第45次迭代的仿真结果示意图图6为一个仿真实验中粒子群第80次迭代算法终止的仿真结果示意图图7为一个仿真实验中基于pso算法粒子群收敛度随迭代次数变化曲线示意图图8为一个仿真实验中自适应认知因子调整pso算法粒子群收敛度随迭代次数变化曲线示意图；图9为一个仿真实验中似然函数最大值随迭代次数变化曲线示意图；图10为一个仿真实验中目标位置估计误差随迭代次数变化曲线示意图；图11为另一个实施例中基于在线粒子群优化的多观测目标位置估计方法的流程框架示意图图12为一个实施例中基于在线粒子群优化的多观测目标位置估计装置的结构框图；图13为一个实施例中计算机设备的内部结构图。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
19.针对城市复杂多径场景下雷达目标位置估计问题，如图1所示，提供了一种基于在
线粒子群优化的多观测目标位置估计方法，包括以下步骤：步骤s100，获取目标的多径回波信号；步骤s110，根据多径回波信号构建目标的多观测似然函数，并采用在线粒子群优化算法对多观测似然函数的最大似然估计值进行迭代求解；步骤s120，在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各多径回波参数对多观测似然函数进行计算,得到当前似然函数值，同时依据当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；步骤s130，根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则当前似然函数值为最大似然估计值；步骤s140，若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；步骤s150，根据多观测似然函数最大似然估计值得到目标位置的最大似然估计。
20.在本实施例中，针对城市复杂多径场景下雷达目标位置估计这一问题，从求解多观测目标似然函数的最大似然估计这一角度入手，利用基于在线粒子群优化（pso）的方法对其进行求解，在求解过程中以多观测似然函数作为粒子群算法的适应度函数，还通过在线射线跟踪多径预测和自适应认知因子粒子群优化算法，实现快速求解目标位置的最大似然估计。
21.在本实施例中，将目标多径效应抽象为目标多观测问题，构建目标的多观测似然函数，基于在线射线跟踪多径预测和自适应认知因子调整pso算法，迭代寻优求解似然函数的最大似然估计作为最终的目标位置估计。
22.在步骤s100中，利用雷达对位于已知城市复杂环境中的目标进行探测，并接收目标的多径回波信号。其中，目标所处的环境是已知的，这里的已知是指环境的几何信息。
23.在步骤s110中，将目标的全部多径回波参数抽象成一个关于雷达位置和目标位置的函数，并结合路径的漏检情况表示成对应的观测似然函数，还根据雷达测量集（多径回波信号）中各多径量测和杂波量测的相互独立性，进一步构造多径观测关联假设矢量，得到目标的多观测似然函数。
24.具体的，根据多径回波信号对目标的多观测似然函数进行建模包括：首先，假设已知雷达的位置为，对于位置为的目标，目标的全部多径回波参数可以抽象成一个函数：（1）在公式（1）中，表示目标的双程多径回波数量，表示第条双程回波路径的雷达测量参数矢量，具体形式由雷达传感器形式来决定，例如可以表示雷达接收到的多径回波时延和到达角度。雷达多径回波信号可以等效为对应镜像虚拟雷达对目标的观测，可以通过射线跟踪方法计算得到。
25.结合实际雷达量测中可能会出现的回波漏检情况，第条多径的量测值用伯努利
，对应的似然函数表示为。再结合来自杂波的量测集，雷达全部量测构成的集合可表示为：（2）在公式（2）中，表示雷达全部量测，也就是多径回波信号，该量测集中来自杂波的量测与来自各多径分量的量测相互独立，该量测集的似然函数为各分量的乘积。
26.进一步的，构造多径观测关联，假设矢量，根据获取的多径回波信号构建目标的多观测似然函数，在这里将目标的对应观测集的一种子集划分，对关联假设集合中所有有效关联假设下的似然概率求和，可得到目标的多观测似然函数为：（3）接着，采用优化后的pso算法对目标的多观测似然函数的最大似然估计值进行求解，其最大似然估计值也就是目标位置的最大似然估计。而其求解过程为步骤s120到步骤s140中的内容。
27.粒子群优化（pso）算法是一种典型的基于群体智能寻优的无梯度搜索算法，起源于鸟群捕食过程，算法核心是通过群体最有信息共享约束整个群体在目标求解空间中的运动方向，从而获取问题的最优解。
28.在本实施例中，通过目标状态空间中的随即粒子对多观测似然函数进行采样，记录各粒子的历史最优位置和粒子群的历史最优位置，在不断迭代更新粒子位置过程中，粒子群整体不断向全局最优位置移动，从而实现对目标位置最大似然估计的逼近，直至所有粒子的位置收敛于目标位置。
29.具体的，在步骤s120中，获取目标所处场景的几何先验信息，在采用在线粒子群优化算法进行迭代求解时，根据场景的几何先验信息对粒子群中各粒子位置进行初始化。
30.在对在线粒子群优化算法的迭代求解过程进行说明时，可结合根据本方法进行的仿真实验。如图2所示，展示了一仿真实验的多径场景，图中的矩形块状体表示场景中的建筑物，其关键点的坐标已在图像标出，这些关键点的坐标就是已知的场景几何先验信息。雷达r的位置坐标，其主瓣宽度为，中心方向为x轴方向逆时针旋转，目标t的位置坐标。首先初始化粒子群，粒子数设置为50，最大迭代次数设置为200，用点
“•ꢀ”
表示各粒子的当前位置，箭头表示各粒子的速度，星号
“”
表示各粒子的个体历史最优位置。
31.如图3所示，为pso算法的随机初始状态，可见图像随机初始状态存在一个局部最优，此时大部分粒子都向局部最优运动。对于粒子群中的每个粒子，通过在线射线跟踪实时计算得到对应的多径回波参数，再根据各粒子计算得到的多径回波参数对多观测似然函数进行计算，在本方法中将多观测似然函数作为pso算法的适应度函数。
32.在本实施例中，在每一次迭代计算中，先根据上一次迭代得到的各粒子位置即各
粒子的当前位置利用在线射线跟踪实时计算多径回波参数，根据各多径回波参数对多观测似然函数进行计算,得到当前似然函数值，同时依据当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置。
33.接着在步骤s130中，根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，采用以下公式：（4）其中，；
34.在公式（4）中，表示粒子群集合，表示中心粒子即粒子群历史最优位置，表示在的邻域内包含的粒子，表示粒子群的势。
35.在本实施例中，基于中心粒子邻域范围内包含的粒子数来定义收敛度，也就是说收敛度（简写为）表征了粒子群在中心粒子附近的集中程度，其变化趋势反映pso算法的收敛程度，粒子集中程度越高则算法越接近收敛。
36.基于本收敛度的定义，当存在局部最优时，基本pso算法会在中心粒子附近发生震荡，降低算法收敛速度。因此，为解决震荡问题，提出基于收敛度的自适应认知因子调整pso算法，根据粒子群的收敛度实时调整个体认知因子和社会认知因子，来控制粒子群的整体移动方向。
37.在步骤s130中，根据计算得到的收敛度与预设的阈值进行对比，若小于阈值则说明此时算法已收敛，可停止迭代计算，且当前得到的似然函数值为最大似然估计值。
38.若收敛度大于阈值，则继续下一次迭代计算，再此之前根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置。
39.理想的pso算法在开始阶段应该有较好的广域搜索性能，随着迭代次数的增加，粒子群能够快速向中心粒子收敛，因此自适应个体认知因子应随着迭代次数趋向0，自适应社会认知因子应随着收敛度增大而增大。
40.在本实施例中，根据收敛度计算结果对计算粒子速度时采用的认知因子进行更新采用以下公式：（5）（6）在公式（5）和公式（6）中，表示收敛度计算结果，表示独立个体认知因子，表示社会群体认知因子。
41.接着，根据更新后的认知因子对各粒子的移动速度和位置进行更新，包括：根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，得到对应粒子当前迭代时的移动速度，再根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置。
42.具体的，根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，得到对应粒子当前迭代时的移动速度采用以下公式：
（7）在公式（7）中，表示迭代次数，表示第个粒子在第轮的速度，表示惯性因子，表示第个粒子在第轮的位置，和为认知因子，分别表示独立个体认知因子以及社会群体认知因子，和分别表示到第次迭代为止第个粒子和所有粒子的历史最优位置，和分别表示个体认识权重和社会认知权重。
43.具体的，根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置采用以下公式： （8）具体的，每次迭代计算中，更新各粒子的个体最优位置与种群最优位置并计算出当前粒子群的收敛度，若算法达到收敛阈值条件或达到最大迭代次数，则终止算法并输出当前的种群最优值位置为最大似然估计结果。否则，自适应更新pso算法的认知因子和，同时更新各粒子的速度和位置，并进行下一次迭代循环，直至满足收敛条件得到目标位置的最大似然估计。
44.如图4所示，为第24次迭代时的粒子状态，其中的中心粒子为局部最优值，有小一部分粒子在中心粒子附近，大部分粒子仍距离较远，粒子群的收敛度较低。图5为第45次迭代时的粒子状态，经过一段时间迭代后，粒子群找到新的中心粒子，大部分粒子向新的中心粒子收敛，尽管粒子在向中心粒子运动，但是大部分粒子的个体历史最优位置没有运动。图6为第80次迭代时的状态，此时所有粒子收敛于中心粒子附近，算法终止。
45.图7和图8分别给出基本pso算法和本发明提出的自适应认知因子调整pso算法的收敛度随迭代次数变化曲线图。在图7中，基本pso算法当粒子收敛到中心粒子附近时，如果此时其个体最优位置较远，则固定的会导致粒子速度大，导致每次在中心粒子附近震荡运动，在收敛度曲线上表现为当前粒子的收敛度起伏波动且最优粒子无法收敛。而在图8中，本方法中提出的自适应认知因子避免了上述问题，在搜索阶段设置较大的个体认知因子，发挥其随机搜索作用，对应图中较平缓的收敛度变化；在收敛阶段减小，加快粒子群向中心收敛速度，能迅速收敛到中心粒子。
46.图9和图10为估计性能随迭代次数变化曲线，其中图9为每次迭代所有粒子中的似然函数最大值，图10为最大似然值对应的粒子位置与真实值的误差。可以看出基本pso的收敛速度快于本文提出的方法（简称本方法），然而由于其面临收敛度震荡问题，难以满足收敛终止条件。本方法在迭代次数为24时，陷入图4所示局部最优，图9和图10中其似然函数与位置估计均在局部最优驻留，按照基本pso算法的收敛条件，在目标函数值经过一定迭代次数不变后，应终止算法并输出结果。然而在图8可以得知，此时算法收敛度很低，因此不满足收敛条件，继续迭代后，算法脱离了局部最优，并最终正确收敛到目标位置。
47.从仿真实验结果也可以说明相较于传统通过目标函数差值和迭代次数判定pso算法，本方法的收敛度准则更加鲁棒，能够正确识别局部最优与全局最优，避免算法陷入局部最优。
48.在其中一实施例中，本方法的流程如图11所示。
49.上述基于在线粒子群优化的多观测目标位置估计方法中，通过利用在远场条件下，雷达信号的多径传播过程可以用几何光学近似，从而通过射线跟踪技术可以实现对已
知城市环境中雷达到任意目标位置的传播路径计算。将城市环境中目标的多径效应建模成雷达对目标的多观测问题，通过构建目标多观测似然函数，将目标状态估计问题转化为最大似然估计问题。本方法提出自适应认知因子调整粒子群优化（pso）算法，首先粒子群对目标状态空间采样，对各粒子进行在线射线跟踪多径预测，计算各粒子的多观测似然函数值，然后基于所提出的收敛度来自适应更新调节pso算法的认知因子，不断更新各粒子的速度和位置，最后经过不断的迭代循环，直至收敛到全局最优，即求解出多观测函数的最大似然估计，得到目标的最优位置估计。现有方法多基于特定的多径场景，而本方法能够适应复杂异构的多径场景，在雷达位置移动以及场景参数不稳定或发生变化的情况下，仍能实现对目标位置的有效估计。与基于目标函数差值和迭代次数判定收敛的传统pso算法相比，本方法中提出的收敛度准则更具鲁棒性，能够正确识别局部虽有和全局最优，避免算法陷入局部最优。基于上述的收敛度准则，本方法提出自适应认知因子调整pso算法，使得算法在收敛度较低时由较大的认知因子发挥随机搜索作用，在收敛度较高时减小认知因子以加速粒子群向中心收敛的速度，避免了基本pso算法会在收敛到中心粒子附近时产生震荡的问题。
50.应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
51.在一个实施例中，如图12所示，提供了一种基于在线粒子群优化的多观测目标位置估计装置，包括：多径回波信号获取模块200、多观测似然函数构建模块210、第一迭代计算模块220、第二迭代计算模块230、第三迭代计算模块240和目标位置估计模块250，其中：多径回波信号获取模块200，用于获取目标的多径回波信号；多观测似然函数构建模块210，用于根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；第一迭代计算模块220，用于在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；第二迭代计算模块230，用于根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；第三迭代计算模块240，用于若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；目标位置估计模块250，用于根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
52.关于基于在线粒子群优化的多观测目标位置估计装置的具体限定可以参见上文
中对于基于在线粒子群优化的多观测目标位置估计方法的限定，在此不再赘述。上述基于在线粒子群优化的多观测目标位置估计装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
53.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于在线粒子群优化的多观测目标位置估计方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
54.本领域技术人员可以理解，图13中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
55.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
56.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在
线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。
57.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
58.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
59.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.基于在线粒子群优化的多观测目标位置估计方法，其特征在于，所述方法包括：获取目标的多径回波信号；根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。2.根据权利要求1所述的多观测目标位置估计方法，其特征在于，获取所述目标所处场景的几何先验信息，在采用在线粒子群优化算法进行迭代求解时，根据所述场景的几何先验信息对粒子群中各粒子位置进行初始化。3.根据权利要求2所述的多观测目标位置估计方法，其特征在于，所述收敛度表示为：；其中，；在上式中，表示各粒子当前位置集合，表示中心粒子即粒子群历史最优位置，表示在的邻域内包含的粒子，表示粒子群的势。4.根据权利要求3所述的多观测目标位置估计方法，其特征在于，所述则根据收敛度计算结果自适应更新粒子群优化算法的认知因子采用以下公式：；；在上式中，表示所述收敛度计算结果，表示独立个体认知因子，表示社会群体认知因子。5.根据权利要求4所述的多观测目标位置估计方法，其特征在于，在根据收敛度计算结果自适应更新粒子群优化算法的认知因子后，更新各粒子的速度和位置包括：根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，得到对应粒子当前迭代时的移动速度；根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置。6.根据权利要求5所述的多观测目标位置估计方法，其特征在于，所述根据上一次迭代得到的各粒子位置即当前各粒子所在位置以及上一次迭代时各粒子的移动速度进行计算，
得到对应粒子当前迭代时的移动速度采用以下公式：；在上式中，表示迭代次数，表示第个粒子在第轮的速度，表示惯性因子，表示第个粒子在第轮的位置，和分别表示所述独立个体认知因子以及所述社会群体认知因子，和分别表示到第次迭代为止第个粒子和粒子群的历史最优位置，和分别表示个体认识权重和社会认知权重。7.根据权利要求6所述的多观测目标位置估计方法，其特征在于，所述根据各粒子当前迭代时的移动速度进行计算，对应得到各粒子的移动后的位置，即下一次迭代时各粒子的所处位置采用以下公式：。8.基于在线粒子群优化的多观测目标位置估计装置，其特征在于，所述装置包括：多径回波信号获取模块，用于获取目标的多径回波信号；多观测似然函数构建模块，用于根据所述多径回波信号构建所述目标的多观测似然函数，并采用在线粒子群优化算法对所述多观测似然函数的最大似然估计值进行迭代求解；第一迭代计算模块，用于在每一次迭代计算中，根据上一次迭代得到的各粒子位置即当前粒子位置利用在线射线跟踪实时计算多径回波参数，根据各所述多径回波参数对所述多观测似然函数进行计算,得到当前似然函数值，同时依据所述当前似然函数值更新各粒子历史最优位置以及粒子群历史最优位置；第二迭代计算模块，用于根据更新后的粒子群历史最优位置以及当前各粒子位置进行收敛度计算，若计算结果满足预设的收敛条件，则所述当前似然函数值为所述最大似然估计值；第三迭代计算模块，用于若计算结果不满足预设的收敛条件，则根据收敛度计算结果自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，并进行下一次的迭代计算，直至收敛度计算结果满足预设的收敛条件；目标位置估计模块，用于根据所述多观测似然函数最大似然估计值得到所述目标位置的最大似然估计。

技术总结
本申请涉及一种基于在线粒子群优化的多观测目标位置估计方法及装置，通过多径回波信号构建目标的多观测似然函数，采用在线粒子群优化算法对多观测似然函数的最大似然估计值进行迭代求解，在每一次迭代过程中，根据各粒子当前位置利用在线射线跟踪计算多径回波参数，进而计算得到当前似然函数值，同时依据该函数值对各粒子以及粒子群的历史最优位置进行更新，计算收敛度，若收敛度满足收敛条件，则得到最大似然估计值停止计算，若收敛度不满足收敛条件，则根据收敛度自适应更新粒子群优化算法的认知因子，同时更新各粒子的速度和位置，继续迭代计算直至收敛。本方法可提高对位于复杂异构多径场景中的目标进行位置估计的准确度。准确度。准确度。


技术研发人员：蒋李兵 王壮 丁瑞 任笑圆 刘晓郡 杨庆伟 郑舒予 赵英健
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.06.08
技术公布日：2023/7/12