多傳感器數(shù)據(jù)融合中多目標(biāo)跟蹤關(guān)鍵技術(shù)研究.pdf

1、隨著現(xiàn)代跟蹤環(huán)境顯著變化，隱身與反隱身、對(duì)抗與反對(duì)抗措施，強(qiáng)機(jī)動(dòng)、高雜波、低檢測(cè)率和高虛警率等問題出現(xiàn)，使得跟蹤系統(tǒng)設(shè)計(jì)遇到了強(qiáng)勁的挑戰(zhàn)。而且為了得到觀測(cè)對(duì)象更全面、更準(zhǔn)確的信息，各種面向復(fù)雜應(yīng)用背景的多傳感器數(shù)據(jù)融合技術(shù)越來越受到人們關(guān)注，它必將是未來戰(zhàn)爭奪取勝利的關(guān)鍵。多傳感器多目標(biāo)跟蹤是數(shù)據(jù)融合的底層關(guān)鍵技術(shù)。它將多個(gè)傳感器信息有機(jī)合成，估計(jì)目標(biāo)的運(yùn)動(dòng)狀態(tài)，產(chǎn)生比單一傳感器更優(yōu)越的跟蹤性能。本文以多傳感器數(shù)據(jù)融合為背景，研究了多目

2、標(biāo)跟蹤技術(shù)三方面的關(guān)鍵技術(shù)：機(jī)動(dòng)目標(biāo)狀態(tài)估計(jì)、數(shù)據(jù)關(guān)聯(lián)以及特殊情況處理。主要研究內(nèi)容及創(chuàng)新工作如下： 首先針對(duì)固定交互式多模型算法對(duì)目標(biāo)進(jìn)行狀態(tài)估計(jì)時(shí)，對(duì)機(jī)動(dòng)大的目標(biāo)精度難以保證問題，提出基于期望系統(tǒng)噪聲模型的自適應(yīng)多模型算法。該算法自適應(yīng)調(diào)整部分系統(tǒng)噪聲模型，使之接近符合實(shí)際的系統(tǒng)噪聲，提高了跟蹤精度。 其次，對(duì)復(fù)雜環(huán)境下多傳感器多目標(biāo)數(shù)據(jù)關(guān)聯(lián)困難問題，提出兩種數(shù)據(jù)關(guān)聯(lián)算法，均提高了數(shù)據(jù)關(guān)聯(lián)效果。一種是改進(jìn)的基于模糊C

3、-均值聚類算法的數(shù)據(jù)關(guān)聯(lián)算法。傳統(tǒng)的基于FCM算法的數(shù)據(jù)關(guān)聯(lián)，在目標(biāo)和雜波較密集時(shí)容易出現(xiàn)關(guān)聯(lián)錯(cuò)誤。而改進(jìn)算法它采用粗、精關(guān)聯(lián)相結(jié)合方法：先用粗關(guān)聯(lián)排除部分雜波，再用模糊C-均值聚類來實(shí)現(xiàn)精關(guān)聯(lián)。在精關(guān)聯(lián)時(shí)把多傳感器關(guān)聯(lián)轉(zhuǎn)化為多個(gè)單傳感器關(guān)聯(lián)，更有效的實(shí)現(xiàn)多傳感器多目標(biāo)數(shù)據(jù)關(guān)聯(lián)。關(guān)聯(lián)后對(duì)同類量測(cè)融合，達(dá)到很好的狀態(tài)跟蹤；另一種是基于粒子群優(yōu)化算法的S-維分配算法。S-維分配算法的最大問題在于S≥3時(shí)它的求解復(fù)雜度隨著問題規(guī)模的增大呈指數(shù)

4、規(guī)模增大。對(duì)此將它作化為組合優(yōu)化問題，給出用粒子群優(yōu)化算法更快速求解的方法。先在S-維算法執(zhí)行前，用跟蹤波門確認(rèn)有效量測(cè)，降低后續(xù)計(jì)算量。再把交叉算子和變異算子引入粒子群優(yōu)化算法，在粒子群初始化步驟以及交叉、變異操作時(shí)充分考慮確認(rèn)備選量測(cè)，縮小優(yōu)化搜索范圍，更快找到最優(yōu)解實(shí)現(xiàn)量測(cè)關(guān)聯(lián)。 再次，針對(duì)傳統(tǒng)的數(shù)據(jù)關(guān)聯(lián)方法只利用那些與目標(biāo)狀態(tài)向量計(jì)算直接相關(guān)的運(yùn)動(dòng)學(xué)信息，用于關(guān)聯(lián)的信息少、質(zhì)量低，從而引起復(fù)雜環(huán)境下關(guān)聯(lián)正確率低的現(xiàn)象，提

5、出三種屬性信息和運(yùn)動(dòng)信息結(jié)合的方案來提高關(guān)聯(lián)性能。方案一：把分類信息和運(yùn)動(dòng)信息相結(jié)合，應(yīng)用到綜合概率關(guān)聯(lián)算法。原綜合概率關(guān)聯(lián)算法，在回波密集時(shí)容易將各目標(biāo)的綜合量測(cè)混淆。因此利用分類混淆矩陣確定分類信息似然函數(shù)，再用它調(diào)節(jié)原算法只用運(yùn)動(dòng)學(xué)信息的似然函數(shù)，構(gòu)造成一個(gè)綜合兩類信息的似然函數(shù)，從而修正互聯(lián)概率，有效提高關(guān)聯(lián)效果；方案二：同樣利用分類信息似然函數(shù)，改造基于圖模型航跡關(guān)聯(lián)算法。針對(duì)原算法在復(fù)雜環(huán)境數(shù)據(jù)關(guān)聯(lián)精度不高問題，同時(shí)利用兩類

6、信息修改頂點(diǎn)兼容函數(shù)和連線兼容函數(shù)，實(shí)現(xiàn)提高多傳感器網(wǎng)絡(luò)的數(shù)據(jù)關(guān)聯(lián)目的；方案三：將多屬性信息和運(yùn)動(dòng)學(xué)信息直接融合，應(yīng)用到改進(jìn)模糊C-均值聚類算法實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。在量測(cè)密集環(huán)境下，僅用運(yùn)動(dòng)學(xué)信息的聚類結(jié)果往往不是正確的關(guān)聯(lián)結(jié)果，對(duì)此在所提算法中，在用運(yùn)動(dòng)信息同時(shí)，直接利用多特征信息計(jì)算聚類關(guān)鍵參數(shù)：樣本間距離、隸屬度，并能調(diào)節(jié)屬性信息的影響度，從而更好的綜合利用多屬性信息實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。這種多信息融合使關(guān)聯(lián)效果顯著提高。最后研究了兩類數(shù)據(jù)融合

7、系統(tǒng)可能遇到的不確定情況：野值和非順序量測(cè)。對(duì)于野值：當(dāng)融合中心存在野值時(shí)，如果不作對(duì)應(yīng)處理，融合數(shù)據(jù)會(huì)出現(xiàn)較大偏差。對(duì)此提出一種具有實(shí)時(shí)剔野能力的多傳感器航跡融合方法。該方法利用模糊C．均值算法對(duì)多傳感器點(diǎn)跡聚類，根據(jù)類內(nèi)緊湊度及各點(diǎn)跡隸屬度，識(shí)別并剔除航跡中的野值。最后用預(yù)測(cè)估計(jì)代替野值進(jìn)行數(shù)據(jù)融合。該方法在實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)同時(shí)有效快速解決野值問題；對(duì)于無序量測(cè)，傳統(tǒng)濾波器無法直接處理。針對(duì)非線性系統(tǒng)中，擴(kuò)展卡爾曼濾波無序?yàn)V波精度不高的