【技术实现步骤摘要】
本专利技术涉及信息融合，特别是涉及一种多源异构传感器航迹融合方法。
技术介绍
1、多传感器信息融合技术指的是将来自多传感器或多源的信息和数据，在一定的准则下加以分析和综合，以完成所需要的决策和估计而进行的信息处理过程。复杂电磁环境具备电磁辐射源种类多，辐射强度差别大，信号分布密集，信号形式多样等特点，单一传感器在应对复杂电磁环境时能力不足的问题逐渐显露。多源异构传感器数据融合技术具备充分利用多传感器的互补性和冗余性将多源信息组合起来以最大限度地获取目标的可靠信息的特点，通过借助日益发展成熟的数据链技术，能够完成高质量的信息处理。
2、现有技术中的多源异构传感器数据融合技术大多都采用了目标跟踪，数据关联与航迹管理三个子问题开环序贯顺序估计框架。然而，目标跟踪，数据关联与航迹管理三个子问题高度耦合，任意一个子问题的估计精度不足都会严重降低其余子问题的精确度，进而导致融合时包括航迹连续率、航迹稳定跟踪率、平均距离均方根误差、数据关联正确率以及mospa距离等结果不佳。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种多源异构传感器航迹融合方法，能够有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题，优化融合结果。
2、本专利技术提供了一种多源异构传感器航迹融合方法，包括以下步骤：
3、根据多源异构传感器进行目标跟踪时的特点选定隐变量，其中，隐变量包括全局隐变量与局部隐变量，全局隐变量包括目标存在状态和目标运动状态，局部隐变量为数
4、根据隐变量的条件关系，利用变分贝叶斯方法建立隐变量的联合后验概率密度函数模型；
5、基于联合后验概率密度函数模型定义变量节点与因子节点；
6、根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图；
7、初始化目标存在状态置信和目标运动状态置信；
8、根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的k个时刻的传感器量测进行联合处理，获得多源异构传感器量测融合后的目标航迹。
9、在其中一个实施例中，全局隐变量与传感器无关，局部隐变量则与传感器有关。
10、在其中一个实施例中，隐变量的条件关系为：
11、在k时刻下，给定目标运动状态以及传感器的数据关联，不同传感器的航迹条件独立，传感器的数据关联与目标存在状态有关，给定传感器的数据关联，目标运动状态与目标存在状态条件独立，数据关联矩阵的先验概率在时序上符合一阶马尔可夫模型；
12、其中，数据关联满足两个约束：
13、任一传感器的每一条航迹至多来自同一个目标；
14、每一个目标在任一传感器中至多产生一条航迹。
15、在其中一个实施例中，联合后验概率密度函数模型为
16、
17、其中，表示联合后验概率密度函数，v1:k表示1到k时刻所有目标存在状态集合，x1:k表示1到k时刻所有目标运动状态集合，a1:k表示1到k时刻所有数据关联集合，y1:k表示1到k时刻所有航迹状态估计集合，表示每一个目标在任一传感器中至多产生一条航迹，表示任一传感器的每一条航迹至多来自同一个目标。
18、在其中一个实施例中，因子节点定义为：其中，yk表示为k时刻航迹状态估计集合，xk表示为k时刻目标运动状态集合，ak表示为k时刻数据关联集合，xi,k表示为k时刻的目标运动状态集合，xi,k-1表示为k-1时刻的目标运动状态集合，vi,k表示为k时刻目标存在状态，vi,k-1表示为k-1时刻目标存在状态，表示为k时刻传感器s的数据关联，表示为k-1时刻传感器s的数据关联，vk表示为k时刻的目标存在状态集合，
19、变量节点集合为因子节点集合为f(·)表示(·)的因子节点。
20、在其中一个实施例中，根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图为将联合后验概率密度函数中的每个隐变量与因子图中的一个变量节点相关联，将定义在随机变量上的每个函数与因子图中的一个因子节点相关联，如果后者是前者的函数,则将变量节点与因子节点相连。
21、在其中一个实施例中，初始化目标运动状态置信通过局部航迹确认，初始化目标存在状态置信为初始目标存在概率。
22、在其中一个实施例中，根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的k个时刻的传感器量测进行联合处理为循环迭代计算目标运动状态置信、目标存在状态置信和数据关联置信，直至连续两次迭代的置信小于设定阈值或达到最大迭代次数迭代结束。
23、在其中一个实施例中，设定阈值为10-6～10-3，最大迭代次数为2～4。
24、本专利技术的有益效果：本专利技术将多源异构传感器航迹融合问题的统计模型表示为联合概率密度函数，并将其建模为目标运动状态，目标存在状态和数据关联的贝叶斯估计问题，充分考虑了目标运动状态，目标存在状态和数据关联间的条件关系。将联合概率密度函数的因子化形式表示为因子图，并将其分解为置信传播区域和平均场近似区域，在因子图上运行结合置信传播与平均场近似的近似目标运动状态，目标存在状态和数据关联的后验概率密度函数，通过闭环迭代架构进行优化，即利用前一次迭代中的目标运动状态估计与目标存在状态估计来改善数据关联，能够提高数据关联的精度，然后用新的数据关联来优化目标运动状态估计与目标存在状态估计，能够提高目标跟踪和航迹管理的精度，最终有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题，优化融合结果。
本文档来自技高网...【技术保护点】
1.一种多源异构传感器航迹融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源异构传感器航迹融合方法，其特征在于，所述全局隐变量与传感器无关，局部隐变量则与传感器有关。
3.根据权利要求2所述的多源异构传感器航迹融合方法，其特征在于，所述隐变量的条件关系为：
4.根据权利要求3所述的多源异构传感器航迹融合方法，其特征在于，所述联合后验概率密度函数模型为
5.根据权利要求4所述的多源异构传感器航迹融合方法，其特征在于，因子节点定义为：其中，Yk表示为k时刻航迹状态估计集合，Xk表示为k时刻目标运动状态集合，Ak表示为k时刻数据关联集合，Xi,k表示为k时刻的目标运动状态集合，Xi,k-1表示为k-1时刻的目标运动状态集合，vi,k表示为k时刻目标存在状态，vi,k-1表示为k-1时刻目标存在状态，表示为k时刻传感器s的数据关联，表示为k-1时刻传感器s的数据关联，Vk表示为k时刻的目标存在状态集合，
6.根据权利要求5所述的多源异构传感器航迹融合方法，其特征在于，根据变量节点与因子节点构建所述联合后验概率密度
7.根据权利要求6所述的多源异构传感器航迹融合方法，其特征在于，初始化目标运动状态置信通过局部航迹确认，初始化目标存在状态置信为初始目标存在概率。
8.根据权利要求7所述的多源异构传感器航迹融合方法，其特征在于，根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理为循环迭代计算目标运动状态置信、目标存在状态置信和数据关联置信，直至连续两次迭代的置信小于设定阈值或达到最大迭代次数迭代结束。
9.根据权利要求8所述的多源异构传感器航迹融合方法，其特征在于，所述设定阈值为10-6～10-3，最大迭代次数为2～4。
...【技术特征摘要】
1.一种多源异构传感器航迹融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多源异构传感器航迹融合方法，其特征在于，所述全局隐变量与传感器无关，局部隐变量则与传感器有关。
3.根据权利要求2所述的多源异构传感器航迹融合方法，其特征在于，所述隐变量的条件关系为：
4.根据权利要求3所述的多源异构传感器航迹融合方法，其特征在于，所述联合后验概率密度函数模型为
5.根据权利要求4所述的多源异构传感器航迹融合方法，其特征在于，因子节点定义为：其中，yk表示为k时刻航迹状态估计集合，xk表示为k时刻目标运动状态集合，ak表示为k时刻数据关联集合，xi,k表示为k时刻的目标运动状态集合，xi,k-1表示为k-1时刻的目标运动状态集合，vi,k表示为k时刻目标存在状态，vi,k-1表示为k-1时刻目标存在状态，表示为k时刻传感器s的数据关联，表示为k-1时刻传感器s的数据关联，vk表示为k时刻的目标存在状态集合，
6.根据权...
【专利技术属性】
技术研发人员：潘泉，马恩淳，白向龙，云涛，郭毅，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。