本發(fā)明屬于雷達(dá)信號(hào)處理
技術(shù)領(lǐng)域：
，特別涉及一種基于AMD的分布式多傳感器融合算法。
背景技術(shù)：
：隨著戰(zhàn)場(chǎng)環(huán)境的日益復(fù)雜，隱身技術(shù)的發(fā)展和電子戰(zhàn)的不斷升級(jí)，單個(gè)雷達(dá)已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足戰(zhàn)場(chǎng)要求。單傳感器檢測(cè)跟蹤面臨虛警高、漏檢大、跟蹤不連續(xù)等問題，導(dǎo)致國(guó)土防空網(wǎng)出現(xiàn)大范圍防空漏洞，威脅國(guó)家安全。多雷達(dá)協(xié)同探測(cè)系統(tǒng)通過多雷達(dá)傳感器從不同方位、時(shí)間、頻率、極化等多維度下的觀察目標(biāo)，獲得的更豐富多樣且具有一定冗余的目標(biāo)測(cè)量信息，利用這些互補(bǔ)數(shù)據(jù)對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，從而減小系統(tǒng)跟蹤的信息模糊程度和不確定性，達(dá)到提高目標(biāo)跟蹤質(zhì)量目的。另外，由于雷達(dá)傳感器故障或不同雷達(dá)傳感器視角限制等原因，采用多雷達(dá)聯(lián)合跟蹤技術(shù)可擴(kuò)展系統(tǒng)跟蹤的時(shí)間覆蓋能力及提高系統(tǒng)的生存能力。隨著目標(biāo)跟蹤和信息融合技術(shù)的高速發(fā)展,如何將多個(gè)傳感器的數(shù)據(jù)進(jìn)行有機(jī)融合,獲得單一傳感器無法達(dá)到的跟蹤性能,已經(jīng)成為目標(biāo)跟蹤領(lǐng)域中多傳感器數(shù)據(jù)融合技術(shù)研究和關(guān)注的重點(diǎn)。按照多傳感器跟蹤系統(tǒng)的綜合處理層次和數(shù)據(jù)流通方式進(jìn)行劃分,主要包括四種融合系統(tǒng):集中式(量測(cè))融合系統(tǒng)、分布式(航跡)融合系統(tǒng)、混合式融合系統(tǒng)以及多級(jí)式融合系統(tǒng)。集中式融合也稱為量測(cè)融合,將各個(gè)傳感器的回波數(shù)據(jù)全部傳送到融合中心進(jìn)行處理。如果通訊帶寬足夠大且融合節(jié)點(diǎn)有足夠的計(jì)算能力，理論上集中式算法是最優(yōu)的。分布式融合系統(tǒng)中，雷達(dá)將其局部處理結(jié)果傳送給其他傳感器或融合中心，以得到全局估計(jì)。分布式融合算法對(duì)融合中心的處理能力及通信帶寬要求較低,融合速度快,具有較強(qiáng)的生存能力和可擴(kuò)展能力，因此得到廣泛的應(yīng)用。分布式融合主要分為兩步：航跡關(guān)聯(lián)：確定來自不同傳感器的航跡是否屬于同一目標(biāo)；航跡融合：將關(guān)聯(lián)上的航跡融合得到系統(tǒng)航跡。在傳統(tǒng)的分布式融合算法中，航跡關(guān)聯(lián)算法的思想一般是通過兩條航跡之間的距離來判斷航跡是否屬于同一目標(biāo)，判斷門限一般為經(jīng)驗(yàn)值，不具有自適應(yīng)功能。在融合多個(gè)目標(biāo)時(shí)，觀測(cè)距離等因素很可能會(huì)造成的不同目標(biāo)偏差大，可能會(huì)造成航跡融合失敗?，F(xiàn)有的分布式融合算法還有一個(gè)重要的限制是只能融合單個(gè)目標(biāo)后驗(yàn)概率密度；在文獻(xiàn)“WangY,LiXR.Distributedestimationfusionunderunknowncross-correlation:Ananalyticcenterapproach[C]//InformationFusion.2010:1-8.”中，作者基于CI融合算法給出了融合多個(gè)航跡的方法，但是基于兩兩融合得到的，并沒有給出多目標(biāo)聯(lián)合融合方法。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種在考慮不同傳感器的估計(jì)誤差互相關(guān)的條件下，實(shí)現(xiàn)了多個(gè)目標(biāo)的聯(lián)合融合，具有更高的自適應(yīng)性和更好的魯棒性，有效解決了在傳統(tǒng)跟蹤系統(tǒng)中多目標(biāo)聯(lián)合后驗(yàn)融合的問題的基于AMD的分布式多傳感器融合算法。本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于AMD的分布式多傳感器融合算法，包括以下步驟：S1、初始化系統(tǒng)參數(shù)，初始化時(shí)間幀k＝1；S2、利用恒虛警檢測(cè)器處理雷達(dá)回波信息，得到量測(cè)信息集合：其中，為第k幀的第a個(gè)量測(cè)，1≤a≤n，n為檢測(cè)到的量測(cè)個(gè)數(shù)；S3、基于卡爾曼濾波器獨(dú)立地估計(jì)目標(biāo)狀態(tài)；S4、利用高維高斯分布表征多目標(biāo)聯(lián)合后驗(yàn)概率密度：f(X|Zk)＝f1(x1|Zk)·f2(x2|Zk)·…·fm(xm|Zk)其中，m為目標(biāo)個(gè)數(shù)；X＝(x1,x2,…,xm)為高維狀態(tài)向量；xi為n維狀態(tài)向量，i＝1,2,…,m；S5、對(duì)聯(lián)合后驗(yàn)概率密度進(jìn)行降維操作；S6、將各節(jié)點(diǎn)的AMD發(fā)送給臨近節(jié)點(diǎn)；S7、根據(jù)下式，采用基于廣義交叉協(xié)方差融合算法對(duì)AMD進(jìn)行融合：If(x)=C-1Σi=1NaΣj=1NbγijN(x;ηij,Pij)]]>其中，C是一個(gè)歸一化常數(shù)；N(x；ηij,Pij)為一個(gè)高斯函數(shù)，ηij、Pij分別為融合后均值和估計(jì)誤差協(xié)方差矩陣；γij為權(quán)重；S8、提取目標(biāo)狀態(tài)；S9、令k＝k+1，并判斷k與總觀測(cè)幀數(shù)K值大小，若k＞K則將S8提取的目標(biāo)狀態(tài)作為航跡進(jìn)行輸出；否則返回步驟S2。2.根據(jù)權(quán)利要求1所述的基于AMD的分布式多傳感器融合算法，其特征在于，所述步驟S1初始化的參數(shù)還包括：抽樣間隔T、虛警概率Pfa、過程噪聲功率譜密度qs、觀測(cè)噪聲協(xié)方差R、檢測(cè)概率PD、波門尺寸速度門、航跡終止參數(shù)L、航跡確認(rèn)參數(shù)M/N、航跡關(guān)聯(lián)門限r(nóng)_T；其中：M/N：航跡確認(rèn)參數(shù)，若航跡連續(xù)N幀中M幀關(guān)聯(lián)到量測(cè)，則確認(rèn)航跡為真實(shí)的；L：航跡終止參數(shù)，已經(jīng)確認(rèn)的航跡連續(xù)L幀未關(guān)聯(lián)到量測(cè)則認(rèn)為航跡為虛假的并刪除；波門尺寸，用于航跡和量測(cè)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，量測(cè)到波門中心距離小于波門尺寸，則認(rèn)為關(guān)聯(lián)成功；速度門：用于航跡起始，若相鄰幀的未關(guān)聯(lián)量測(cè)之間的差滿足速度門限制，則起始新航跡。3.根據(jù)權(quán)利要求2所述的基于AMD的分布式多傳感器融合算法，其特征在于，所述步驟S3包括以下子步驟：S31、若已起始航跡，將第k幀量測(cè)與航跡進(jìn)行數(shù)據(jù)關(guān)聯(lián)，若量測(cè)落入以目標(biāo)預(yù)測(cè)位置為中心的橢圓波門內(nèi)，則認(rèn)為該量測(cè)屬于該目標(biāo)；其中，Hk為量測(cè)矩陣，為第k幀的狀態(tài)預(yù)測(cè)值；S32、根據(jù)S31數(shù)據(jù)關(guān)聯(lián)結(jié)果，基于卡爾曼濾波器更新航跡狀態(tài)：對(duì)于未關(guān)聯(lián)到量測(cè)的航跡，將第k幀的狀態(tài)預(yù)測(cè)值作為目標(biāo)的更新值；若航跡關(guān)聯(lián)到量測(cè)則更新目標(biāo)狀態(tài)為：x^k=xk-+Gk(zka-Hkxk-)]]>P^k=(I-GkHk)Pk-]]>其中，和分別為第k幀的狀態(tài)估計(jì)和估計(jì)誤差協(xié)方差矩陣，Gk為卡爾曼增益，Hk為量測(cè)矩陣，I為單位矩陣；S33、對(duì)于航跡更新過程沒有用到的量測(cè)，若滿足下式，起始新的航跡；vmin<||zku-zk-1uT||<vmax]]>其中，T為抽樣間隔，為第k幀量測(cè)中航跡更新未用到的量測(cè)，(vmin,vmax)為速度波門大小。4.根據(jù)權(quán)利要求3所述的基于AMD的分布式多傳感器融合算法，其特征在于，所述步驟S5包括以下子步驟：S51、如果無傳感器跟蹤到航跡，則令k＝k+1并跳轉(zhuǎn)至步驟S2，否則進(jìn)行步驟S52；S52、求高維多目標(biāo)聯(lián)合后驗(yàn)概率密度對(duì)應(yīng)的低維的AMD：Is(x)=Σi=1NsαiN(x;μi,Pi)]]>其中，為第i個(gè)分量權(quán)值；Ns為第s個(gè)雷達(dá)觀測(cè)到的目標(biāo)個(gè)數(shù)，s＝{1,2}；N(x；μi,Pi)為一個(gè)高斯分布函數(shù)；μi、Pi為對(duì)應(yīng)均值和估計(jì)誤差協(xié)方差。5.根據(jù)權(quán)利要求4所述的基于AMD的分布式多傳感器融合算法，其特征在于，所述步驟S8包括以下子步驟：S81、根據(jù)局部雷達(dá)估計(jì)目標(biāo)個(gè)數(shù)估計(jì)全局目標(biāo)個(gè)數(shù)：選取所有局部雷達(dá)估計(jì)目標(biāo)個(gè)數(shù)的最小值作為目標(biāo)個(gè)數(shù)Nf：Nf＝min(Na,Nb)其中，Na、Nb分別為傳感器a和傳感器b跟蹤到的目標(biāo)個(gè)數(shù)；S82、從融合得到的高斯混合中提取前Nf個(gè)權(quán)值最大的高斯分量對(duì)應(yīng)的均值和方差作為當(dāng)前目標(biāo)狀態(tài)：{x1,x2,...,xNf}=maxγij(ηij|i=1,2,...Na,j=1,2,...Nb).]]>本發(fā)明的有益效果是：本發(fā)明提出一個(gè)平均概率密度函數(shù)(AMD)來代表多目標(biāo)聯(lián)合后驗(yàn)概率密度，這個(gè)函數(shù)可近似認(rèn)為包含了多目標(biāo)聯(lián)合后驗(yàn)概率密度的全部信息，通過對(duì)AMD進(jìn)行融合實(shí)現(xiàn)了多目標(biāo)融合，實(shí)現(xiàn)了多目標(biāo)聯(lián)合后驗(yàn)概率的融合。本發(fā)明在考慮不同傳感器的估計(jì)誤差互相關(guān)的條件下，實(shí)現(xiàn)了多個(gè)目標(biāo)的聯(lián)合融合，實(shí)現(xiàn)簡(jiǎn)單；由于航跡關(guān)聯(lián)過程內(nèi)嵌，理論上更完備；相比傳統(tǒng)采用固定門限航跡關(guān)聯(lián)的分布式融合算法具有更高的自適應(yīng)性，魯棒性更好；有效解決了在傳統(tǒng)跟蹤系統(tǒng)中多目標(biāo)聯(lián)合后驗(yàn)融合的問題。附圖說明圖1為本發(fā)明的航跡檢測(cè)系統(tǒng)結(jié)構(gòu)示意圖；圖2為本發(fā)明的分布式多傳感器融合算法流程圖；圖3為本發(fā)明與傳統(tǒng)CI融合算法跟蹤到的目標(biāo)個(gè)數(shù)對(duì)比；圖4為本發(fā)明與傳統(tǒng)CI的1000次蒙特卡洛試驗(yàn)下跟蹤精度(OSPA)的對(duì)比。具體實(shí)施方式下面對(duì)本發(fā)明中出現(xiàn)的一些術(shù)語進(jìn)行解釋：恒虛警檢測(cè)：一種致力于在實(shí)際干擾環(huán)境下提供可預(yù)知的檢測(cè)和虛警，從而可以準(zhǔn)確地設(shè)定檢測(cè)門限的一種技術(shù)，具有這種特性的檢測(cè)器稱為恒虛警檢測(cè)器。交叉協(xié)方差(CI)融合：交叉協(xié)方差融合算法,一種考慮了互相關(guān)但不需要計(jì)算互相關(guān)信息的數(shù)據(jù)融合算法。廣義交叉協(xié)方差(GCI)融合算法：一種可用于非高斯概率密度的廣義的CI融合算法，核心公式為：pω(xk|Z1:k1,Z1:k2)=p(xk|Z1:k1)1-ωp(xk|Z1:k2)ω∫p(xk|Z1:k1)1-ωp(xk|Z1:k2)ωdxk]]>AMD：平均邊緣概率密度，一個(gè)高維概率密度的邊緣概率密度函數(shù)求和然后除以邊緣概率密度函數(shù)的個(gè)數(shù)，類似于求算數(shù)平均，因此稱之為平均邊緣概率密度?？柭鼮V波器：包括兩個(gè)主要過程：預(yù)測(cè)與更新。預(yù)測(cè)過程：利用預(yù)測(cè)方程建立對(duì)當(dāng)前狀態(tài)和誤差協(xié)方差矩陣的先驗(yàn)估計(jì)；更新過程：在當(dāng)前先驗(yàn)估計(jì)值及當(dāng)前量測(cè)的基礎(chǔ)上利用更新方程對(duì)當(dāng)前狀態(tài)的后驗(yàn)估計(jì)。本發(fā)明主要采用計(jì)算機(jī)仿真的方法進(jìn)行驗(yàn)證，所有步驟、結(jié)論都在MATLAB-R2013b上驗(yàn)證正確。下面結(jié)合附圖進(jìn)一步說明本發(fā)明的技術(shù)方案。如圖1所示，本發(fā)明以包括傳感器a和傳感器b兩個(gè)傳感器的航跡檢測(cè)系統(tǒng)進(jìn)行說明。當(dāng)檢測(cè)系統(tǒng)采用多個(gè)傳感器進(jìn)行航跡檢測(cè)時(shí)，采用序貫式兩兩融合的方法進(jìn)行融合，第一個(gè)傳感器和第二個(gè)傳感器進(jìn)行融合結(jié)果再和第三個(gè)融合，以此類推。傳感器a檢測(cè)到的量測(cè)數(shù)據(jù)通過局部濾波器a進(jìn)行濾波后進(jìn)行降維操作，得到低維的AMD：I1(x)；傳感器b檢測(cè)到的量測(cè)數(shù)據(jù)通過局部濾波器b進(jìn)行濾波后再進(jìn)行降維操作，得到低維的AMD：I2(x)；然后將I1(x)于I2(x)進(jìn)行GCI融合，然后對(duì)融合數(shù)據(jù)進(jìn)行狀態(tài)提取，得到航跡。本發(fā)明的具體計(jì)算方法如圖2所示，一種基于AMD的分布式多傳感器融合算法，包括以下步驟：S1、初始化系統(tǒng)參數(shù)，初始化時(shí)間幀k＝1；本步驟初始化的參數(shù)還包括：抽樣間隔T、虛警概率Pfa、過程噪聲功率譜密度qs、觀測(cè)噪聲協(xié)方差R、檢測(cè)概率PD、波門尺寸速度門、航跡終止參數(shù)L、航跡確認(rèn)參數(shù)M/N、航跡關(guān)聯(lián)門限r(nóng)_T；其中：M/N：航跡確認(rèn)參數(shù)，若航跡連續(xù)N幀中M幀關(guān)聯(lián)到量測(cè)，則確認(rèn)航跡為真實(shí)的；L：航跡終止參數(shù)，已經(jīng)確認(rèn)的航跡連續(xù)L幀未關(guān)聯(lián)到量測(cè)則認(rèn)為航跡為虛假的并刪除；波門尺寸，用于航跡和量測(cè)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，量測(cè)到波門中心距離小于波門尺寸，則認(rèn)為關(guān)聯(lián)成功；速度門：用于航跡起始，若相鄰幀的未關(guān)聯(lián)量測(cè)之間的差滿足速度門限制，則起始新的航跡；觀測(cè)噪聲協(xié)方差初始化為：R=1001]]>本實(shí)施例初始化的參數(shù)如表一所示：表一S2、利用恒虛警檢測(cè)器處理雷達(dá)回波信息，得到量測(cè)信息集合：其中，為第k幀的第a個(gè)量測(cè)，1≤a≤n，n為檢測(cè)到的量測(cè)個(gè)數(shù)；S3、基于卡爾曼濾波器獨(dú)立地估計(jì)目標(biāo)狀態(tài)；具體包括以下子步驟：S31、若已起始航跡，將第k幀量測(cè)與航跡進(jìn)行數(shù)據(jù)關(guān)聯(lián)，若量測(cè)落入以目標(biāo)預(yù)測(cè)位置為中心的橢圓波門內(nèi)，則認(rèn)為該量測(cè)屬于該目標(biāo)；其中，Hk為量測(cè)矩陣，為第k幀的狀態(tài)預(yù)測(cè)值；S32、根據(jù)S31數(shù)據(jù)關(guān)聯(lián)結(jié)果，基于卡爾曼濾波器更新航跡狀態(tài)：對(duì)于未關(guān)聯(lián)到量測(cè)的航跡，將第k幀的狀態(tài)預(yù)測(cè)值作為目標(biāo)的更新值；若航跡關(guān)聯(lián)到量測(cè)則更新目標(biāo)狀態(tài)為：x^k=xk-+Gk(zka-Hkxk-)]]>P^k=(I-GkHk)Pk-]]>其中，和分別為第k幀的狀態(tài)估計(jì)和估計(jì)誤差協(xié)方差矩陣，Gk為卡爾曼增益，Hk為量測(cè)矩陣，I為單位矩陣；S33、對(duì)于航跡更新過程沒有用到的量測(cè)，若滿足下式，起始新的航跡；vmin<||zku-zk-1uT||<vmax]]>其中，T為抽樣間隔，為第k幀量測(cè)中航跡更新未用到的量測(cè)，(vmin,vmax)為速度波門大小。S4、利用高維高斯分布表征多目標(biāo)聯(lián)合后驗(yàn)概率密度：f(X|Zk)＝f1(x1|Zk)·f2(x2|Zk)·…·fm(xm|Zk)其中，m為目標(biāo)個(gè)數(shù)；X＝(x1,x2,…,xm)為高維狀態(tài)向量；xi為n維狀態(tài)向量，i＝1,2,…,m；S5、對(duì)聯(lián)合后驗(yàn)概率密度進(jìn)行降維操作；具體包括以下子步驟：S51、如果無傳感器跟蹤到航跡，則令k＝k+1并跳轉(zhuǎn)至步驟S2，否則進(jìn)行步驟S52；S52、求高維多目標(biāo)聯(lián)合后驗(yàn)概率密度對(duì)應(yīng)的低維的AMD：Is(x)=Σi=1NsαiN(x;μi,Pi)]]>其中，為第i個(gè)分量權(quán)值；Ns為第s個(gè)雷達(dá)觀測(cè)到的目標(biāo)個(gè)數(shù)，s＝{1,2}；N(x；μi,Pi)為一個(gè)高斯分布函數(shù)；μi、Pi為對(duì)應(yīng)均值和估計(jì)誤差協(xié)方差。S6、將各節(jié)點(diǎn)的AMD發(fā)送給臨近節(jié)點(diǎn)；S7、根據(jù)下式，采用基于廣義交叉協(xié)方差融合算法對(duì)AMD進(jìn)行融合：If(x)=C-1Σi=1NaΣj=1NbγijN(x;ηij,Pij)]]>其中，C是一個(gè)歸一化常數(shù)；N(x；ηij,Pij)為一個(gè)高斯函數(shù)，ηij、Pij分別為融合后均值和估計(jì)誤差協(xié)方差矩陣；γij為權(quán)重；S8、提取目標(biāo)狀態(tài)；具體包括以下子步驟：S81、根據(jù)局部雷達(dá)估計(jì)目標(biāo)個(gè)數(shù)估計(jì)全局目標(biāo)個(gè)數(shù)：選取所有局部雷達(dá)估計(jì)目標(biāo)個(gè)數(shù)的最小值作為目標(biāo)個(gè)數(shù)Nf：Nf＝min(Na,Nb)其中，Na、Nb分別為傳感器a和傳感器b跟蹤到的目標(biāo)個(gè)數(shù)；S82、從融合得到的高斯混合中提取前Nf個(gè)權(quán)值最大的高斯分量對(duì)應(yīng)的均值和方差作為當(dāng)前目標(biāo)狀態(tài)：{x1,x2,...,xNf}=maxγij(ηij|i=1,2,...Na,j=1,2,...Nb).]]>S9、令k＝k+1，并判斷k與總觀測(cè)幀數(shù)K值大小，若k＞K則將S8提取的目標(biāo)狀態(tài)作為航跡進(jìn)行輸出；否則返回步驟S2。圖3為本發(fā)明與傳統(tǒng)CI融合算法跟蹤到的目標(biāo)個(gè)數(shù)對(duì)比，圖4為本發(fā)明與傳統(tǒng)CI的1000次蒙特卡洛試驗(yàn)下跟蹤精度(OSPA)的對(duì)比。從圖3中可以看出，本發(fā)明的基于AMD的分布式多傳感器融合算法成功跟蹤的目標(biāo)概率比傳統(tǒng)CI高，計(jì)算結(jié)果更精確。從圖4中可以看出，本發(fā)明的算法的誤差度量明顯小于傳統(tǒng)CI融合算法。特別是當(dāng)量測(cè)噪聲增大的時(shí)候，本發(fā)明相對(duì)傳統(tǒng)CI融合算法的性能優(yōu)勢(shì)更明顯，可見本發(fā)明魯棒性更好。本領(lǐng)域的普通技術(shù)人員將會(huì)意識(shí)到，這里所述的實(shí)施例是為了幫助讀者理解本發(fā)明的原理，應(yīng)被理解為本發(fā)明的保護(hù)范圍并不局限于這樣的特別陳述和實(shí)施例。本領(lǐng)域的普通技術(shù)人員可以根據(jù)本發(fā)明公開的這些技術(shù)啟示做出各種不脫離本發(fā)明實(shí)質(zhì)的其它各種具體變形和組合，這些變形和組合仍然在本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁1 2 3