一种基于R制造技术

本发明专利技术涉及一种基于R

【技术实现步骤摘要】
一种基于R
é
nyi信息增量的多传感器协同跟踪方法


[0001]本专利技术属于多传感器管理领域，具体涉及一种基于R
é
nyi信息增量的多传感器协同跟踪方法。

技术介绍

[0002]多传感器管理技术是基于目标跟踪的多源协同探测与信息融合的一个重要研究方向。现代战争逐步网络化、信息化，单一的传感器探测设备在战场复杂电磁环境下难以满足对目标跟踪性能的需求，多传感器协同探测应用逐渐广泛。信息融合技术是将多个传感器的探测数据进行综合分析处理，得到更全面、更准确的目标状态估计，从而改善整个探测系统的目标跟踪性能。但是随着传感器数量的增多，会出现信息冗余问题，导致融合系统的计算复杂度增加、实时性下降，因此多传感器管理技术的研究十分重要。在目标跟踪过程中，通过传感器管理不仅仅是对多源信息的简单综合，而是充分利用融合结果有选择地对信息进行处理，对信息获取系统进行反馈控制，从而提高信息融合系统的计算效率。
[0003]目前，国内外学者已经研究了多种传感器管理的方法。传统的传感器管理主要是基于协方差控制，利用当前目标状态下的误差协方差和期望协方差组建的目标函数对传感器资源进行分配，通常能够有效保持目标的跟踪精度，但期望协方差是根据战场情况和经验相结合人为进行设置的，没有涉及量测的相关状态信息即后验信息，因此设置不一定合理，当对目标跟踪精度要求过严时可能出现目标函数无解或不存在最优解的情况。
[0004]近年来，基于信息论的传感器管理方法引起了广泛关注，此方法主要是利用Shannon信息增量、交叉熵、Kullback
‑
Leibler分辨力增益等不同的方式描述量测前后信息的增量，从而实时调整传感器资源，实现不同任务下传感器资源的有效利用。然而，这些方式对量测前后信息增量的计算，比较的只是概率密度函数的某一个特征值，不具有灵活性和普适性，从而影响目标跟踪效果。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于R
é
nyi信息增量的多传感器协同跟踪方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种基于R
é
nyi信息增量的多传感器协同跟踪方法，包括：
[0007]步骤1：建立目标运动模型和传感器量测模型；
[0008]步骤2：根据当前时刻不同传感器的预测量测值，获得在当前时刻每个传感器的R
é
nyi信息增量；
[0009]步骤3：选取所述R
é
nyi信息增量中最大值对应的传感器作为当前时刻的跟踪传感器；
[0010]步骤4：获取所述跟踪传感器在当前时刻的真实量测值，并通过卡尔曼滤波算法进行目标状态估计，得到当前时刻的目标状态估计结果并与其他传感器共享；
[0011]步骤5：重复步骤2
‑
步骤5，进行下一时刻循环，以实现对目标的实时跟踪。
[0012]在本专利技术的一个实施例中，在步骤1中，所述目标运动模型和所述传感器量测模型如下：
[0013][0014]其中，表示k时刻的目标状态向量，(x
k
,y
k
)表示k时刻目标在空间坐标系中的位置，表示k时刻目标在相应方向的速度，T表示转置，F
k
‑1表示目标从k
‑
1时刻到k时刻的状态转移矩阵，w
k
表示k时刻的状态噪声，z
k
表示传感器在k时刻的量测值，H
k
表示k时刻的量测矩阵，v
k
表示k时刻的量测噪声。
[0015]在本专利技术的一个实施例中，步骤2包括：
[0016]步骤2.1：根据k
‑
1时刻的目标状态估计值x
k
‑1和状态估计协方差矩阵P
k
‑1，得到k时刻的先验分布；
[0017]步骤2.2：根据k时刻的先验分布以及传感器量测模型，计算不同传感器的预测量测值，得到每个传感器的后验分布；
[0018]步骤2.3：根据所述先验分布和所述后验分布，计算得到k时刻每个传感器的R
é
nyi信息增量。
[0019]在本专利技术的一个实施例中，R
é
nyi信息增量的计算公式如下：
[0020][0021]其中，α表示p1与p0两个概率密度函数尾部重合程度的参数，p1表示传感器的先验概率密度函数、p0表示传感器的后验概率密度函数，p0和p1均服从高斯分布，p0～G(μ0,∑0),p1～G(μ1,∑1)，其中，μ0表示先验概率密度函数p0的均值，∑0表示先验概率密度函数p0的方差，μ1表示后验概率密度函数p1的均值，∑1表示后验概率密度函数p1的方差，T表示转置。
[0022]在本专利技术的一个实施例中，步骤4包括：
[0023]将k时刻的跟踪传感器的真实量测值发送到融合中心，通过卡尔曼滤波算法进行目标状态估计，得到k时刻的目标状态估计值x
k
和k时刻的状态估计协方差矩阵P
k
，并与其他传感器共享，其中，卡尔曼滤波算法包括预测过程和估计过程，
[0024]其中，预测过程为：
[0025]x
k/k
‑1＝F
k
‑1x
k
‑1，
[0026][0027]估计过程为：
[0028][0029]x
k
＝x
k/k
‑1+K
k
[z
k
‑
H
k
x
k/k
‑1]，
[0030]P
k
＝[I
‑
K
k
H
k
]P
k/k
‑1，
[0031]式中，x
k/k
‑1表示k
‑
1时刻目标状态预测得到的k时刻的目标状态预测值，P
k/k
‑1表示k时刻的状态预测协方差矩阵，x
k
‑1表示k
‑
1时刻的目标状态估计值，P
k
‑1表示k
‑
1时刻的状态估计协方差矩阵P
k
‑1，F
k
‑1表示目标从k
‑
1时刻到k时刻的状态转移矩阵，Q
k
表示状态噪声的协方差矩阵，K
k
表示k时刻的滤波增益矩阵，H
k
表示k时刻的量测矩阵，R
k
表示量测噪声的协方差矩阵，z
k
表示传感器在k时刻的真实量测值，I表示单位矩阵，T表示转置。
[0032]在本专利技术的一个实施例中，步骤5包括：
[0033]根据k时刻的目标状态估计值x
k
和k时刻的状态估计协方差矩阵P
k
...

【技术保护点】

【技术特征摘要】
1.一种基于R
é
nyi信息增量的多传感器协同跟踪方法，其特征在于，包括：步骤1：建立目标运动模型和传感器量测模型；步骤2：根据当前时刻不同传感器的预测量测值，获得在当前时刻每个传感器的R
é
nyi信息增量；步骤3：选取所述R
é
nyi信息增量中最大值对应的传感器作为当前时刻的跟踪传感器；步骤4：获取所述跟踪传感器在当前时刻的真实量测值，并通过卡尔曼滤波算法进行目标状态估计，得到当前时刻的目标状态估计结果并与其他传感器共享；步骤5：重复步骤2
‑
步骤5，进行下一时刻循环，以实现对目标的实时跟踪。2.根据权利要求1所述的基于R
é
nyi信息增量的多传感器协同跟踪方法，其特征在于，在步骤1中，所述目标运动模型和所述传感器量测模型如下：其中，表示k时刻的目标状态向量，(x
k
,y
k
)表示k时刻目标在空间坐标系中的位置，表示k时刻目标在相应方向的速度，T表示转置，F
k
‑1表示目标从k
‑
1时刻到k时刻的状态转移矩阵，w
k
表示k时刻的状态噪声，z
k
表示传感器在k时刻的量测值，H
k
表示k时刻的量测矩阵，v
k
表示k时刻的量测噪声。3.根据权利要求1所述的基于R
é
nyi信息增量的多传感器协同跟踪方法，其特征在于，步骤2包括：步骤2.1：根据k
‑
1时刻的目标状态估计值x
k
‑1和状态估计协方差矩阵P
k
‑1，得到k时刻的先验分布；步骤2.2：根据k时刻的先验分布以及传感器量测模型，计算不同传感器的预测量测值，得到每个传感器的后验分布；步骤2.3：根据所述先验分布和所述后验分布，计算得到k时刻每个传感器的R
é
nyi信息增量。4.根据权利要求1所述的基于R
é
nyi信息增量的多传感器协同跟踪方法，其特征在于，R
é
nyi信息增量的计算公式如下：其中，α表示p1与p0两个概率密度函数尾部重合程度的参数，p1表示传感器的先验概率密度函数、p0表示传感器的后验概率密度函数，p0和p1均服从高斯分布，p0～G(μ0,∑0),p1～G(μ1,∑1)，其中，μ0表示先验概率密度函数p0的均值，∑0表示先验概率密度函数p0的方...

【专利技术属性】
技术研发人员：刘峥，周硕，谢荣，冉磊，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：