本发明属于雷达通信。
背景技术：
1、受天气等因素的影响，在高海况条件下，海面海浪起伏变化大，海面上的非合作机动目标如无人船等的运动具有随机性、不可预测性等特点。对于传统雷达来说，如何有效跟踪目标，精准获得目标状态是一大难点。目前解决简单情况下机动目标的跟踪问题的方法包括卡尔曼滤波（kf）、扩展卡尔曼滤波（ekf）等（如：一种基于扩展卡尔曼滤波预测的无人艇目标跟踪方法，中国舰船研究设计中心；cn202310369926.7，2023.07.04.）。对于复杂非线性滤波方法以粒子滤波（pf）（如：基于交互式多模型粒子滤波算法的机动目标跟踪研究，任玉；电子科技大学，2023）最具代表性，但其也存在一些不足之处，如粒子退化以及计算复杂度高的问题。现有多数针对机动目标跟踪波形设计的研究，如宋登雄、赵彬、王翠杰的《认知雷达目标跟踪时的波形优化选择方法》；《电子设计工程》；王鹏峥的论文《面向协同跟踪优化的认知雷达波形参数选择与资源调度》；公开号为cn202310229391.3的专利文献，使用传统滤波方法与准则优化波形设计，仅能跟踪运动较为简单的机动目标，对于复杂混合状态下的跟踪目标，存在误差大、鲁棒性差等问题，通过波形设计对误差和精度的影响也可以得到进一步的提高。
2、另外加之杂波干扰的影响，目标信号极易淹没在强海杂波信号中，严重限制了传统雷达对海上目标的检测、跟踪能力，使海上机动目标的跟踪更加困难。当前的目标跟踪波形设计算法存在缺陷，很少有考虑到杂波干扰的影响，尤其是对于高海况海杂波背景下的目标跟踪，难以有效利用观测值估计目标的非线性运动状态并通过波形设计提高跟踪精度（如：cn202310761706.9，2023.06.26）。对于高海况下的杂波干扰问题，一般采用数据关联算法。最近邻域标准滤波（nnsf）是最基础也是最早的数据关联算法，该算法原理简单、在干扰较小或信噪比较高时效果较好，但抗干扰能力差。一种具有全邻思想的概率数据关联算法（pda）能解决此问题，在杂波环境中能够有效可靠地实现目标跟踪（如：一种海杂波背景下的目标跟踪数据关联方法，陈晓，李亚安，蔚婧；鱼雷技术，2016）；为了解决量测落入跟踪门重叠区域的归属问题，联合概率数据关联算法（jpda）被认为是解决复杂环境下多目标数据关联问题的经典算法；另外还有基于“全邻”最优滤波器和聚概念的思想，并用假设树来描述目标与量测之间的关联的多假设多目标跟踪算法（mht）（如：基于联合概率数据互联的多假设跟踪算法，闫龙，王曙曜，黄磊等；雷达与对抗，2021）。
3、综上所述，应选择合适的数据关联算法来解决高海况海杂波背景下的单目标跟踪问题。以上提出的卡尔曼滤波（kf）、扩展卡尔曼滤波（ekf）等技术对于复杂非线性状态下的目标跟踪误差较大，精度较差，跟踪结果均不理想，而粒子滤波（pf）技术的计算量较大。
技术实现思路
1、本发明是为了解决现有滤波方法不适用于复杂非线性状态下的目标跟踪的问题，现提供一种应对高海况海面机动目标跟踪的雷达波形设计方法。
2、一种应对高海况海面机动目标跟踪的雷达波形设计方法，包括：
3、利用rao-blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪，获得目标的关联量测值；
4、利用卡尔曼滤波算法对目标进行状态更新，获得线性估计误差协方差矩阵；
5、基于目标的线性估计误差协方差矩阵，使用q学习方法对发射波形库进行更新，将更新后发射波形库中累积折扣奖励最大的发射波形参数形成雷达波形；
6、所述发射波形参数包括雷达量测误差协方差矩阵中的脉冲长度和扫频。
7、进一步的，上述利用rao-blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪，获得目标的关联量测值，包括：
8、对目标的线性估计状态向量进行卡尔曼量测更新；
9、在rao-blackwellized粒子滤波框架内计算目标的预测量测值；
10、将落在所述预测量测值有效区域内的随机变量作为杂波，所述杂波为数量呈泊松分布的虚警，将杂波与来自目标的状态量测值组成雷达接收回波中所有粒子的量测值矩阵；
11、计算所述量测值矩阵中有效量测值来自目标的概率；
12、利用所述有效量测值来自目标的概率计算关联量测值。
13、进一步的，根据下式对目标的线性估计状态向量进行卡尔曼量测更新：
14、；
15、根据下式计算目标的预测量测值；
16、；
17、根据下式计算所述量测值矩阵中有效量测值来自目标的概率：
18、；
19、根据下式计算关联量测值：
20、；
21、为时刻的线性预测状态向量，为时刻的线性估计状态向量，为时刻的线性状态转移矩阵，表示的转置矩阵，为时刻高斯过程噪声的协方差矩阵，为时刻的线性预测误差协方差矩阵，为时刻的线性估计误差协方差矩阵，为时刻的预测量测值，表示非线性函数，为时刻的预测状态向量且有，为时刻的非线性预测状态向量且有，表示目标非线性状态的转移函数，为时刻的非线性量测状态向量，为时刻的非线性高斯噪声，为时刻的量测噪声，为来自目标的概率，为时刻量测值矩阵中第个有效量测值，，为量测值矩阵中有效量测值的总数，为时刻的关联量测值，中间变量和表达式分别为：
22、；
23、；
24、为的残差，表示的转置矩阵，为残差协方差矩阵，为杂波密度，为时刻的目标检测概率，为选通概率。
25、进一步的，上述量测值矩阵中有效量测值的判断方法包括：
26、将量测值矩阵中符合下式的元素称为有效量测值：
27、；
28、其中，为有效阈值。
29、进一步的，上述利用卡尔曼滤波算法对目标进行状态更新，获得线性估计误差协方差矩阵，包括：
30、结合概率数据关联算法，对机动目标的线性预测状态向量进行卡尔曼时间更新，获得线性估计误差协方差矩阵：
31、；
32、其中，为时刻的线性估计误差协方差矩阵，为所述预测量测值有效区域内没有来自目标的量测值的概率，为时刻的线性预测误差协方差矩阵，中间变量和表达式为：
33、；
34、；
35、为卡尔曼增益矩阵，表示的转置矩阵，为残差协方差矩阵，为的残差，表示的转置矩阵，为时刻量测值矩阵中第个有效量测值，，为量测值矩阵中有效量测值的总数，为来自目标的概率，为时刻目标的组合残差且有，为的转置矩阵。
36、进一步的，利用卡尔曼滤波算法获得线性估计状态向量；
37、利用粒子滤波算法获得非线性估计状态向量；
38、将所述线性估计状态向量和非线性估计状态向量结合，获得整体状态估计向量；
39、根据所述整体状态估计向量判断目标是否到达终点，是则结束雷达波形设计，否则使用q学习方法对雷达波形进行设计。
40、进一步的，通过下式获得线性估计状态向量：
41、；
42、通过下式获得非线性估计状态向量：
43、；
44、所述整体状态估计向量表达式为：
45、；
46、为时刻的整体状态估计向量，和分别为时刻的线性和非线性估计状态向量，为时刻的线性预测状态向量，表示概率密度函数，为时刻的非线性量测状态向量，为1至时刻的关联量测值，为的归一化结果，为第个粒子的重要性权值，，为rao-blackwellized粒子滤波框架中的粒子总数，为狄拉克函数，为时刻第个粒子的非线性量测状态向量。
47、进一步的，根据下式计算粒子滤波框架中各粒子的重要性权值：
48、；
49、其中，为第个粒子0至时刻的非线性量测状态向量，为1至时刻的关联量测值，为时刻的关联量测值；
50、对各粒子的重要性权值进行归一化，获得粒子的重要性权值归一化结果：
51、；
52、其中，为的归一化结果，为第个粒子的重要性权值。
53、进一步的，上述使用q学习方法对发射波形库进行更新，包括：
54、利用线性估计误差协方差矩阵计算熵态，通过熵态计算获得即时奖励，根据所述即时奖励计算每个波形的累积折扣奖励，实现对发射波形库的更新。
55、进一步的，根据下式计算熵态：
56、；
57、根据下式计算获得即时奖励：
58、；
59、根据下式计算每个波形的累积折扣奖励：
60、；
61、更新后发射波形库中累积折扣奖励最大的发射波形参数表示为：
62、；
63、和分别为时刻和时刻的熵态，为时刻目标的估计误差协方差矩阵，为的行列式，为时刻的即时奖励，和均为发射波形库中的发射波形参数组合且和不同，和分别为时刻和对应的累积折扣奖励，为时刻对应的累积折扣奖励，为学习率，为折扣因子且有，表示发射波形库。
64、本发明与现有技术相比较，有益效果如下：
65、本发明所提设计方法可对高海况下海面复合线性及非线性状态的机动目标进行有效的跟踪，应对高海况下海杂波干扰的影响，克服采用kf、ekf对复杂混合系统状态的跟踪失效问题，及粒子滤波计算复杂度高的问题，所设计的波形能够增强跟踪的稳健性、精确度，更有利于机动目标的跟踪，其优点如下：
66、（1）对于高海况海杂波背景，本发明采用概率数据关联算法，计算雷达接收器接收回波中的有效量测值来自目标的概率，并获得关联量测值，应用于滤波算法，能够增强目标跟踪的抗干扰能力，有效解决高海况下海杂波干扰的问题，提高跟踪的精确度。
67、（2）对于滤波算法，本发明采用rao-blackwellized粒子滤波算法与概率数据关联算法相结合，利用从海杂波中分析得到的关联量测值，通过边缘化目标状态中的线性状态，使粒子只需要存在于低维的非线性状态空间，相比现有技术为跟踪复杂运动目标这一难题提供了一种解决思路，同时也解决了传统粒子滤波算法计算复杂度高的问题。
68、（3）对于波形参数优化，本发明采用通过q学习的方法选择波形参数的方式，能够更好地适应跟踪场景，相比使用单一固定波形或准则优化方法进行波形选择，能够降低跟踪误差，获得更高的跟踪精度。
1.一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，包括：
2.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，所述利用rao-blackwellized粒子滤波框架及概率数据关联算法对目标进行跟踪，获得目标的关联量测值，包括：
3.根据权利要求2所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，
4.根据权利要求3所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，所述量测值矩阵中有效量测值的判断方法包括：
5.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，所述利用卡尔曼滤波算法对目标进行状态更新，获得线性估计误差协方差矩阵，包括：
6.根据权利要求5所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，
7.根据权利要求6所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，通过下式获得线性估计状态向量：
8.根据权利要求7所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，根据下式计算粒子滤波框架中各粒子的重要性权值：
9.根据权利要求1所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，所述使用q学习方法对发射波形库进行更新，包括：
10.根据权利要求9所述的一种应对高海况海面机动目标跟踪的雷达波形设计方法，其特征在于，根据下式计算熵态：
