專利名稱：基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種目標跟蹤與識別技術(shù)。具體說是基于傳感器網(wǎng)絡(luò)的目標跟蹤 與識別裝置。本發(fā)明還涉及一種目標跟蹤與識別方法。
背景技術(shù)：
目標的跟蹤與識別是傳感器網(wǎng)絡(luò)的主要用途之一，也是一個難點和關(guān)鍵問題，在 許多領(lǐng)域例如交通監(jiān)控、機構(gòu)安全和戰(zhàn)場狀況獲取等方面具有廣闊的應(yīng)用前景。對于單傳感器運動的目標跟蹤與識別已經(jīng)取得了很大的進展，獲得了許多經(jīng)典的 算法，例如最近鄰法(NN)、集合論描述法、廣義相關(guān)法、經(jīng)典分配法、多假設(shè)法、概率數(shù)據(jù)關(guān) 聯(lián)(PDA)法、聯(lián)合數(shù)據(jù)互聯(lián)(JPDA)法、交互多模型(IMM)法等算法。而20世紀70年代興 起了多傳感器信息融合技術(shù)，對多個傳感器數(shù)據(jù)進行多級別、多方面、多層次的處理，產(chǎn)生 了新的有意義的信息，是對目標跟蹤與識別研究的有益補充。但是，由于傳感器節(jié)點存在很 多硬件資源的限制，還經(jīng)常遭受外界環(huán)境干擾的影響，無線鏈路易受到干擾，網(wǎng)絡(luò)拓撲結(jié)構(gòu) 動態(tài)變化，而傳感器網(wǎng)絡(luò)的運動目標跟蹤與識別應(yīng)用具有很強的實時性要求，因此，許多傳 統(tǒng)的跟蹤與識別算法并不適用于傳感器網(wǎng)絡(luò)。因此，需要研究適合傳感器網(wǎng)絡(luò)應(yīng)用的、新的 目標跟蹤與識別算法和裝置。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種具有較高的精度、穩(wěn)定性和可靠性的基于熵權(quán)灰關(guān)聯(lián) 的目標跟蹤與識別裝置。本發(fā)明的目的還在于提供一種基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別 方法。本發(fā)明的目的是這樣實現(xiàn)的本發(fā)明的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置主要由傳感器網(wǎng)絡(luò)1、串口芯片 2、可編程邏輯器件FPGA 3、數(shù)字信號處理器DSP 4和存儲芯片SDRAM 5構(gòu)成；傳感器網(wǎng)絡(luò) 1截獲到來自目標的信息，根據(jù)自目標的信息數(shù)據(jù)分析出目標的狀態(tài)信息和特征信息，將狀 態(tài)信息和特征信息作為數(shù)據(jù)O傳送給串口芯片2，串口芯片2將數(shù)據(jù)0量化后變成數(shù)據(jù)1傳 送給可編程邏輯芯片F(xiàn)PGA 3;可編程邏輯器件FPGA 3對數(shù)據(jù)1進行數(shù)據(jù)預處理；可編程邏 輯器件FPGA 3將處理后的數(shù)據(jù)2傳送給數(shù)字信號處理器DSP 4，數(shù)字信號處理器DSP 4進 行對目標的跟蹤與識別；在目標跟蹤過程中，數(shù)字信號處理器DSP 4對數(shù)據(jù)2進行熵權(quán)化， 得出各特征信息在整個觀測過程中的權(quán)重，利用權(quán)重信息與特征信息獲取目標與識別框架 的熵權(quán)灰關(guān)聯(lián)度，利用熵權(quán)灰關(guān)聯(lián)度來對目標進行狀態(tài)更新；當傳感器出現(xiàn)故障，或者目標 丟失時，利用上一時刻的熵權(quán)灰關(guān)聯(lián)度對目標狀態(tài)進行更新，完成對目標的跟蹤；在目標識 別過程中，數(shù)字信號處理器DSP 4利用所形成的熵權(quán)灰關(guān)聯(lián)度形成傳感器報告，利用凸優(yōu) 化判決方法對目標進行身份識別，最終得出目標的屬性；數(shù)字信號處理器DSP 4將目標跟 蹤的狀態(tài)信息和目標的屬性信息作為數(shù)據(jù)3傳送給存儲器SDRAM 5。本發(fā)明的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法為
由傳感器網(wǎng)絡(luò)1、串口芯片2、可編程邏輯器件FPGA3、數(shù)字信號處理器DSP4和存儲 芯片SDRAM5組成基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置；當傳感器網(wǎng)絡(luò)1截獲到來自目標的信息時，傳感器網(wǎng)絡(luò)1根據(jù)目標數(shù)據(jù)分析出目 標的狀態(tài)信息和特征信息，將狀態(tài)信息和特征信息作為數(shù)據(jù)O傳送給串口芯片2，串口芯片 2將數(shù)據(jù)0量化后變成數(shù)據(jù)1傳送給可編程邏輯芯片F(xiàn)PGA3，所述目標的狀態(tài)信息包括方位 角、俯仰角，所述特征信息包括脈寬、脈內(nèi)特征、脈沖重復周期、中心頻率；可編程邏輯器件FPGA3對數(shù)據(jù)1進行數(shù)據(jù)預處理，即對數(shù)據(jù)1進行野值剔除；可編程邏輯器件FPGA3將處理后的數(shù)據(jù)2傳送給數(shù)字信號處理器DSP4，數(shù)字信號 處理器DSP4進行對目標的跟蹤與識別，在目標跟蹤過程中，數(shù)字信號處理器DSP4對數(shù)據(jù)2 進行熵權(quán)化，得出各特征信息在整個觀測過程中的權(quán)重，利用權(quán)重信息與特征信息獲取目 標與識別框架的熵權(quán)灰關(guān)聯(lián)度，利用熵權(quán)灰關(guān)聯(lián)度來對目標進行狀態(tài)更新，當傳感器出現(xiàn) 故障或者目標丟失時，利用上一時刻的熵權(quán)灰關(guān)聯(lián)度對目標狀態(tài)進行更新，完成對目標的 足艮S宗；在目標識別過程中，數(shù)字信號處理器DSP4利用所形成的熵權(quán)灰關(guān)聯(lián)度形成傳感 器報告，利用凸優(yōu)化判決方法對目標進行身份識別，最終得出目標的屬性；數(shù)字信號處理器DSP4將目標跟蹤的狀態(tài)信息和目標的屬性信息作為數(shù)據(jù)3傳送 給存儲器SDRAM (5)。本發(fā)明是一個高精度、高穩(wěn)定性、高可靠性的目標跟蹤與識別裝置，利用傳感器網(wǎng) 絡(luò)提供的目標特征信息，得出熵權(quán)灰關(guān)聯(lián)度，進行對目標的狀態(tài)更新和身份識別，在傳感器 出現(xiàn)故障，或者目標丟失的情況下，仍然保持對目標的跟蹤與識別。本發(fā)明的方法在傳感器網(wǎng)絡(luò)中，利用多個傳感器獲得關(guān)于目標的若干特征信息， 目標跟蹤與識別裝置利用這些特征信息得到目標與識別框架的熵權(quán)灰關(guān)聯(lián)度，根據(jù)凸二次 規(guī)劃算法可以識別出所要跟蹤的目標。利用熵權(quán)灰關(guān)聯(lián)度算法進行狀態(tài)更新，完成對目標 的精確跟蹤。該裝置利用了多個傳感器提供的目標的多個特征，可以保證對目標有效、可 靠、穩(wěn)定的跟蹤與識別。另外，如果某個傳感器出現(xiàn)故障，或者目標丟失等情況，該算法仍然 可以通過遞推更新繼續(xù)對目標進行跟蹤，在一段時間內(nèi)保證不丟失目標。


圖1是基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置的組成框圖。圖2是野值剔除過程中卡爾曼濾波的流程圖。圖3是目標跟蹤流程圖。圖4是目標識別流程圖。圖5是凸二次規(guī)劃算法流程圖。
具體實施例方式下面結(jié)合附圖舉例對本發(fā)明做更詳細地描述圖1是基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置實現(xiàn)框圖。熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置由傳感器網(wǎng)絡(luò)1、串口芯片2、可編程邏輯器件 FPGA3、數(shù)字信號處理器DSP4和存儲芯片SDRAM5等組成。
當傳感器網(wǎng)絡(luò)1截獲到來自目標的信息時，傳感器網(wǎng)絡(luò)1根據(jù)目標數(shù)據(jù)分析出目 標的狀態(tài)信息(如方位角、俯仰角)和特征信息(如脈寬、脈內(nèi)特征、脈沖重復周期、中心頻 率)，將狀態(tài)信息和特征信息作為數(shù)據(jù)0傳送給串口芯片2，串口芯片2將數(shù)據(jù)0量化后變 成數(shù)據(jù)1傳送給可編程邏輯芯片F(xiàn)PGA3?？删幊踢壿嬈骷﨔PGA3對數(shù)據(jù)1進行數(shù)據(jù)預處理， 這里數(shù)據(jù)預處理是指對數(shù)據(jù)1進行野值剔除?？删幊踢壿嬈骷﨔PGA3將處理后的數(shù)據(jù)2傳 送給數(shù)字信號處理器DSP4，數(shù)字信號處理器DSP4進行對目標的跟蹤與識別。在目標跟蹤 過程中，數(shù)字信號處理器DSP4對數(shù)據(jù)2進行熵權(quán)化，得出各特征信息在整個觀測過程中的 權(quán)重，利用權(quán)重信息與特征信息獲取目標與識別框架的熵權(quán)灰關(guān)聯(lián)度，利用熵權(quán)灰關(guān)聯(lián)度 來對目標進行狀態(tài)更新。當傳感器出現(xiàn)故障，或者目標丟失時，利用上一時刻的熵權(quán)灰關(guān)聯(lián) 度仍然可以對目標狀態(tài)進行更新，完成對目標的跟蹤。在目標識別過程中，數(shù)字信號處理器 DSP4利用所形成的熵權(quán)灰關(guān)聯(lián)度形成傳感器報告，利用凸優(yōu)化判決方法對目標進行身份識 別，最終得出目標的屬性。數(shù)字信號處理器DSP4將目標跟蹤的狀態(tài)信息和目標的屬性信息 作為數(shù)據(jù)3傳送給存儲器SDRAM5。圖2是野值剔除過程中卡爾曼濾波的流程圖。在目標跟蹤與識別過程中，會不可避免的引入噪聲和出現(xiàn)野值，噪聲和野值的存 在可能導致后面的狀態(tài)更新無法進行，所以在對數(shù)據(jù)進行熵權(quán)化之前在可編程邏輯器件 FPGA3內(nèi)對數(shù)據(jù)1進行野值剔除。野值剔除方法采用卡爾曼濾波算法，通過卡爾曼濾波得到 第k時刻目標的狀態(tài)估計值，這樣就能剔除野值和噪聲，即
X(k) X{k + /k +1)卡爾曼濾波的模型為
{X{k +1) = Φ(Α +1 / k)X(k) + G(k)w(k)=+ v(幻其中，X (k)為k時刻的η維狀態(tài)矢量；Φ (k+1/k)為k到k+Ι時刻的一步轉(zhuǎn)移矩陣 (nXn階)；G(k)是系統(tǒng)噪聲的加權(quán)噪聲；w(k)為k時刻的系統(tǒng)噪聲；Z(k)是k時刻的m維 量測矢量；H(k)為k時刻的量測矩陣(mXn階)；v(k)為k時刻的m維量測噪聲。w(k)和 v(k)是互不相關(guān)的零均值的白噪聲序列。卡爾曼濾波計算步驟首先根據(jù)k時刻的狀態(tài)矢量X(k)得出對k+Ι時刻狀態(tài)矢量的預測值XOt+1/幻義(眾+ 1/幻=少(眾+ 1/免)文(眾/幻同時預測k+Ι時刻協(xié)方差矩陣的預測值P (k+1/k)P(k+l/k) = Φ (k+l/k) P (k/k) ΦT (k+l/k) +G (k) Q (k) Gt (k)根據(jù)k+1時刻協(xié)方差矩陣的預測值P (k+1/k)計算k+1時刻的增益矩陣K(k+1)K (k+1) = P (k+l/k) Ht (k+1) X [H (k+1) X P (k+l/k) Ht (k+1) +R (k+1) ]對k+1時刻的狀態(tài)矢量進行狀態(tài)估計X(k + /k + \) = X{k + /k) + K(k + \)[Z{k +1) - H (Jc + \)X{k + 1/A:)]同時對k+1時刻的協(xié)方差矩陣進行估計P(k+l/k+l) = [I-K(k+1) XH(k+1)]P(k+l/k)
其中，Q(k)和R(k)分別為系統(tǒng)噪聲和量測噪聲的方差矩陣。圖3是目標跟蹤流程圖。目標跟蹤過程也即不斷的對目標的狀態(tài)進行更新的過程。目標跟蹤過程分為兩部 分，即(1)狀態(tài)更新過程，依據(jù)卡爾曼濾波和關(guān)聯(lián)概率來對目標進行狀態(tài)更新；(2)關(guān)聯(lián)概 率獲取過程，依據(jù)熵權(quán)灰關(guān)聯(lián)度來獲得關(guān)聯(lián)概率。目標狀態(tài)更新的過程為狀態(tài)估計為 協(xié)方差估計為 其中 K (k) = P (k/k-1) Ht (k) X [H (k) X P (k/k_l) Ht (k) +R (k) ]P (k/k-1) = Φ (k/k-1) P (k-l/k-1) ΦT (k/k-1) +G (k_l) Q (k_l) Gt (k_l)P，(k|k) = [I-K(k)H(k)]P(k|k-l) β Jk)為第i個量測與參考目標的關(guān)聯(lián)概率。目標關(guān)聯(lián)概率的獲取過程為傳感器網(wǎng)絡(luò)獲取目標的多個特征信息，如狀態(tài)信息(S)、中心頻率(f)、脈沖重復 周期⑴、脈寬(τ)、脈內(nèi)特征(C)等，紅外傳感器能夠獲取目標的幅度、大小、形狀等特征。 設(shè)比較數(shù)列Xi = (Xi (j) I j = 1，2. . .，Μ}，i = 1，2. . . m(k)表示k時刻有m(k)個量測數(shù) 列。參考數(shù)列Xtl= (X0U) Ij = 1,2...,M}為參考目標的特征信息。1、計算指標絕對差Ai(J)指標絕對差Δ i (j) = {X0 (j) -Xi (j)}表示X0與Xi第j個指標的絕對差。2、計算關(guān)聯(lián)系數(shù)Ii(J) 其中為所有量測所有指標差中的最小值，’，Ai(Z)為所有量測
所有指標差中的最大值。P稱為分辨系數(shù)，取值范圍為w，l]，通常取P =0.5。3、計算熵權(quán)各個特征的權(quán)重反應(yīng)了各個特征在整個觀測過程中的重要程度。一般權(quán)重由專家 主觀經(jīng)驗給出，沒有科學可靠性。熵權(quán)可以自適應(yīng)的根據(jù)特征信息給出特征的權(quán)重。其計 算過程如下(1)確定好初始數(shù)據(jù)矩陣ΔΔ = (Aij)mxn= [Δη, Ai2,... Ain]其中，i = l，2....m;j = 1,2,...η, Δ為第i個量測第j個特征的特征值。(2)計算第j項指標下第i單元的指標值比重Pij
(3)計算第j個特征值的輸出熵每個判別特征的熵值為 用熵值的最大值為Emax = Inm對Ej進行歸一化，得到表征第j個特征相對重要性 確定程度的熵值ej = Ej/Efflax(4)計算第j個特征的變異度DjDj = 1-ej (j = 1,2, ... η)(5)計算第j個特征的權(quán)重α j 4、計算灰關(guān)聯(lián)度Yi 5、計算關(guān)聯(lián)概率Pi (k) 圖4是目標識別流程圖。目標識別是確認目標身份的過程。目標識別過程根據(jù)熵權(quán)的灰關(guān)聯(lián)度形成傳感器 報告，之后利用凸優(yōu)化二次規(guī)劃算法對傳感器報告進行判決，最終確定目標屬性。由灰關(guān)聯(lián)度形成傳感器報告的過程如下定義識別框架1 為目標識別知識數(shù)據(jù)庫中所有目標集合，即及=“，氏,_"~1， Ri (i = 1,2,…，mk)為具體的某一個目標。傳感器報告中各證據(jù)形成如下 'm(i ) = l-max(^) (_/ = l,2’...，iV) 其中m(R)為不確定性目標的基本概率賦值函數(shù)，Y i為第i個量測與目標識別框 架的灰關(guān)聯(lián)度。圖5是凸二次規(guī)劃算法流程圖。根據(jù)傳感器報告，使用凸二次規(guī)劃算法進行目標屬性判決。一般情況下對傳感器 報告的判決都使用DS證據(jù)理論合成算法。但該算法無法解決沖突情況的證據(jù)，而且要求傳 感器所提供的證據(jù)必須是互斥的。將凸二次規(guī)劃算法引入到目標識別中，是很少見的。凸二 次規(guī)劃算法不僅能夠很好的解決目標沖突的問題，而且證據(jù)之間可以是非互斥的。凸二次 規(guī)劃算法采用內(nèi)點算法。凸優(yōu)化算法的基本思想是求得一個最接近目標真實概率的一個概率分布，從而使代價函數(shù)最小。代價函數(shù)越小，所得到的概率分布越接近真實概率分布。 從最終獲得的概率分布中選取概率值最大的命題作為最終的判決結(jié)果。算法具體計算步驟為給定嚴格初始內(nèi)點ρεΩ」#0，以及允許誤差ε >0，U1 e (0,1),^e(O5I), β e (0,1), k = I0B(pk,凡)-B(pk +akdk^k)> -aakdkTVB(pk,μΙ )則轉(zhuǎn)2，否則令 =^ak，轉(zhuǎn)1。1、Pk+1 = Pk+ α kdk，μ k+1 = β μ k。3丄=1^+1，用？1;求解得4，若IIdkII < ε，則停止迭代，此時所得的ρ = Pk即為 所求的最優(yōu)概率分布，從中選擇最大的概率所對應(yīng)的目標型號作為目標的屬性。否則，則轉(zhuǎn)其中C/二(V2JS)-1-(V2JS)-1 Z(^(V2JS)-1Z)-1 W(V2JS)-1WB = VB(p, u) = C+ Qp- μΡ'χεV2B = V2B(p, u) = Q + μΡ~2P = Diag(ρ1, ρ2, ...，pn)，e=(l，l，…，1)τ e Rn。A = (1，1，...，l)GRn。
權(quán)利要求
一種基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置，主要由傳感器網(wǎng)絡(luò)(1)、串口芯片(2)、可編程邏輯器件FPGA(3)、數(shù)字信號處理器DSP(4)和存儲芯片SDRAM(5)構(gòu)成；其特征是傳感器網(wǎng)絡(luò)(1)截獲到來自目標的信息，根據(jù)自目標的信息數(shù)據(jù)分析出目標的狀態(tài)信息和特征信息，將狀態(tài)信息和特征信息作為數(shù)據(jù)0傳送給串口芯片(2)，串口芯片(2)將數(shù)據(jù)0量化后變成數(shù)據(jù)1傳送給可編程邏輯芯片F(xiàn)PGA(3)；可編程邏輯器件FPGA(3)對數(shù)據(jù)1進行數(shù)據(jù)預處理；可編程邏輯器件FPGA(3)將處理后的數(shù)據(jù)2傳送給數(shù)字信號處理器DSP(4)，數(shù)字信號處理器DSP(4)進行對目標的跟蹤與識別；在目標跟蹤過程中，數(shù)字信號處理器DSP(4)對數(shù)據(jù)2進行熵權(quán)化，得出各特征信息在整個觀測過程中的權(quán)重，利用權(quán)重信息與特征信息獲取目標與識別框架的熵權(quán)灰關(guān)聯(lián)度，利用熵權(quán)灰關(guān)聯(lián)度來對目標進行狀態(tài)更新；當傳感器出現(xiàn)故障，或者目標丟失時，利用上一時刻的熵權(quán)灰關(guān)聯(lián)度對目標狀態(tài)進行更新，完成對目標的跟蹤；在目標識別過程中，數(shù)字信號處理器DSP(4)利用所形成的熵權(quán)灰關(guān)聯(lián)度形成傳感器報告，利用凸優(yōu)化判決方法對目標進行身份識別，最終得出目標的屬性；數(shù)字信號處理器DSP(4)將目標跟蹤的狀態(tài)信息和目標的屬性信息作為數(shù)據(jù)3傳送給存儲器SDRAM(5)。
2.一種基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法，其特征是由傳感器網(wǎng)絡(luò)(1)、串口芯片(2)、可編程邏輯器件FPGA(3)、數(shù)字信號處理器DSP(4)和 存儲芯片SDRAM(5)組成基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置；當傳感器網(wǎng)絡(luò)(1)截獲到來自目標的信息時，傳感器網(wǎng)絡(luò)(1)根據(jù)目標數(shù)據(jù)分析出目 標的狀態(tài)信息和特征信息，將狀態(tài)信息和特征信息作為數(shù)據(jù)0傳送給串口芯片(2)，串口芯 片(2)將數(shù)據(jù)0量化后變成數(shù)據(jù)1傳送給可編程邏輯芯片F(xiàn)PGA (3)，所述目標的狀態(tài)信息包 括方位角、俯仰角，所述特征信息包括脈寬、脈內(nèi)特征、脈沖重復周期、中心頻率； 可編程邏輯器件FPGA (3)對數(shù)據(jù)1進行數(shù)據(jù)預處理，即對數(shù)據(jù)1進行野值剔除； 可編程邏輯器件FPGA (3)將處理后的數(shù)據(jù)2傳送給數(shù)字信號處理器DSP (4)，數(shù)字信號 處理器DSP (4)進行對目標的跟蹤與識別，在目標跟蹤過程中，數(shù)字信號處理器DSP (4)對數(shù) 據(jù)2進行熵權(quán)化，得出各特征信息在整個觀測過程中的權(quán)重，利用權(quán)重信息與特征信息獲 取目標與識別框架的熵權(quán)灰關(guān)聯(lián)度，利用熵權(quán)灰關(guān)聯(lián)度來對目標進行狀態(tài)更新，當傳感器 出現(xiàn)故障或者目標丟失時，利用上一時刻的熵權(quán)灰關(guān)聯(lián)度對目標狀態(tài)進行更新，完成對目 標的跟蹤；在目標識別過程中，數(shù)字信號處理器DSP (4)利用所形成的熵權(quán)灰關(guān)聯(lián)度形成傳感器 報告，利用凸優(yōu)化判決方法對目標進行身份識別，最終得出目標的屬性；數(shù)字信號處理器DSP(4)將目標跟蹤的狀態(tài)信息和目標的屬性信息作為數(shù)據(jù)3傳送給 存儲器SDRAM (5)。
3.根據(jù)權(quán)利要求2所述的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法，其特征是所述野值 剔除的方法為采用卡爾曼濾波算法，通過卡爾曼濾波得到第k時刻目標的狀態(tài)估計值，即X(k) ^ >X(k + Vk +1)卡爾曼濾波的模型為 X(k +1) = Φ(Α +1 / k)X(k) + G(k)w(k) {Z(k) = H(k)X(k) + v(k)其中，x(k)為k時刻的η維狀態(tài)矢量；Φθ +1/k)為k到k+Ι時刻的一步轉(zhuǎn)移矩陣，為 nXn階；G(k)是系統(tǒng)噪聲的加權(quán)噪聲；w(k)為k時刻的系統(tǒng)噪聲；Z(k)是k時刻的m維 量測矢量；H(k)為k時刻的量測矩陣，為mXn階；v(k)為k時刻的m維量測噪聲；w(k)和 v(k)是互不相關(guān)的零均值的白噪聲序列； 卡爾曼濾波的具體步驟為首先根據(jù)k時刻的狀態(tài)矢量X(k)得出對k+Ι時刻狀態(tài)矢量的預測值 同時預測k+Ι時刻協(xié)方差矩陣的預測值P(k+l/k) P (k+1/k) = φ (k+1/k) P (k/k) φT (k+l/k) +G (k) Q (k) Gt (k) 根據(jù)k+1時刻協(xié)方差矩陣的預測值P(k+1/k)計算k+Ι時刻的增益矩陣K(k+1) K (k+1) = P (k+l/k) Ht (k+1) X [H (k+1) X P (k+l/k) Ht (k+1) +R (k+1) ] 對k+1時刻的狀態(tài)矢量進行狀態(tài)估計 同時對k+1時刻的協(xié)方差矩陣進行估計P(k+l/k+l) = [I-K (k+1)X H(k+1)]P(k+l/k)其中，Q(k)和R(k)分別為系統(tǒng)噪聲和量測噪聲的方差矩陣。
4.根據(jù)權(quán)利要求3所述的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法，其特征是所述目標 跟蹤過程分為兩部分，即(1)狀態(tài)更新過程，依據(jù)卡爾曼濾波和關(guān)聯(lián)概率來對目標進行狀 態(tài)更新；(2)關(guān)聯(lián)概率獲取過程，依據(jù)熵權(quán)灰關(guān)聯(lián)度來獲得關(guān)聯(lián)概率； 目標狀態(tài)更新的過程為 狀態(tài)估計為 協(xié)方差估計為 其中: K (k) =P (k/k-1) Ht (k) X [H (k) X P (k/k-1) Ht (k) +R (k) ]P(k/k-l) = Φ (k/k-1) P (k-l/k-1) ΦT (k/k-1) +G (k-1) Q (k-1) Gt (k-1)P，(k|k) = [I-K (k) H(k)]P (k I k-1) β i (k)為第i個量測與參考目標的關(guān)聯(lián)概率； 目標關(guān)聯(lián)概率的獲取過程為傳感器網(wǎng)絡(luò)獲取目標的多個特征信息，包括狀態(tài)信息(S)、中心頻率(f)、脈沖重復周 期⑴、脈寬(τ)、脈內(nèi)特征(C)，紅外傳感器獲取目標的幅度、大小、形狀特征；比較數(shù)列Xi =(Xi (j) I j = 1，2. . .，Μ}，i = 1，2. . . m(k)表示k時刻有m(k)個量測數(shù)列；參考數(shù)列Xtl =(X。(j)|j = l，2...，M}為參考目標的特征信息； (1)、計算指標絕對差Ai(J)指標絕對差Ai(J) = (X0(J)-Xi(J)I 表示Xtl與Xi第」個指標的絕對差;(2)、計算關(guān)聯(lián)系數(shù)ξ,α) 其中為所有量測所有指標差中的最小值 為所有量測所有指標差中的最大值，P為分辨系數(shù)、取值范圍為W，l]；(3)、計算熵權(quán)其計算過程如下(a)確定好初始數(shù)據(jù)矩陣Δ 其中，i = l，2，...m;j = 1,2,...η, Δ u為第i個量測第j個特征的特征值；(b)計算第j項指標下第i單元的指標值比重Pij (C)計算第j個特征值的輸出熵 每個判別特征的熵值為 用熵值的最大值為Emax = Inm對E^進行歸一化，得到表征第j個特征相對重要性確定 程度的熵值 (d)計算第j個特征的變異度Dj Dj = l-ej (j = 1，2，· · ·η)(e)計算第j個特征的權(quán)重αj (4)、計算灰關(guān)聯(lián)度Yi )(5)、計算關(guān)聯(lián)概率PiGO PM=Yj^JiJ = I,2…m{]c)。J=I
5.根據(jù)權(quán)利要求4所述的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法，其特征是所述由灰 關(guān)聯(lián)度形成傳感器報告的過程如下識別框架R為目標識別知識數(shù)據(jù)庫中所有目標集合，即及= ·^Λ，···凡j，Ri(i 二 1，[2，…，mk)為具體的某一個目標； 傳感器報告中各證據(jù)形成如下 其中m(R)為不確定性目標的基本概率賦值函數(shù)，Yi為第i個量測與目標識別框架的 灰關(guān)聯(lián)度。
6.根據(jù)權(quán)利要求5所述的基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別方法，其特征是所述凸優(yōu) 化判決方法的具體計算步驟為給定嚴格初始內(nèi)點 。。^c75以及允許誤差ε >0，P1G (0，l)，ae(0，i)， (1 (2)、pk+1= pk+ α kdk，μ k+1 = β μ k ；⑶^二！^，用^求解得‘若IIdkII < ε，則停止迭代，此時所得的ρ = Pk即為所求的最優(yōu)概率分布，從中選擇最大的概率所對應(yīng)的目標型號作為目標的屬性；否則，則轉(zhuǎn) ⑴；其中
全文摘要
本發(fā)明提供的是基于熵權(quán)灰關(guān)聯(lián)的目標跟蹤與識別裝置及方法。由傳感器網(wǎng)絡(luò)、串口芯片、可編程邏輯器件FPGA、數(shù)字信號處理器DSP和存儲芯片SDRAM組成。數(shù)字信號處理器DSP對數(shù)據(jù)進行熵權(quán)化、灰關(guān)聯(lián)、目標狀態(tài)更新和目標識別?？删幊踢壿嬈鱂PGA對串口芯片傳來的數(shù)據(jù)進行數(shù)據(jù)預處理，并且控制數(shù)字信號處理器DSP和串口芯片的通信。串口芯片將傳感器網(wǎng)絡(luò)的數(shù)據(jù)傳送給可編程邏輯器件FPGA。存儲器SDRAM負責存儲目標跟蹤與識別的結(jié)果。本發(fā)明利用傳感器網(wǎng)絡(luò)提供的目標特征信息，得出熵權(quán)灰關(guān)聯(lián)度，進行對目標的狀態(tài)更新和身份識別，在傳感器出現(xiàn)故障，或者目標丟失的情況下，仍然保持對目標的跟蹤與識別。
文檔編號H04W64/00GK101883425SQ20101019130
公開日2010年11月10日 申請日期2010年6月4日 優(yōu)先權(quán)日2010年6月4日
發(fā)明者司錫才, 楊慧, 林云, 郜麗鵬 申請人:哈爾濱工程大學