System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据关联,具体地,涉及一种基于多特征联合决策的阵群目标数据关联方法及系统。
技术介绍
1、受运动周期的限制,卫星对监视区域的访问是间歇式的,且两次访问之间的时间间隔较长,通常在小时量级,因此卫星获取信息的重访率较低;同时,受阵群目标运动状态变化、传感器的漏检以及观测误差所带来的影响,获取的目标信息具有一定的不确定性和不完全性。在上述背景条件下,很难实现对监视区域中的每个目标进行稳定有效的识别与数据关联。
2、海洋监视卫星获取探测数据的时间间隔一般高达数十分钟,甚至数个小时,在此期间海上目标的运动状态可能发生较大变化,所以很难对监视区域中的每个目标进行传统的状态建模和跟踪。在海洋卫星的监视应用中,船目标通常以编队形式航行,因此可以考虑以阵群目标为研究对象,利用阵群目标的稳定特征对其进行跟踪,数据关联是研究阵群目标跟踪的核心,即确定不同时刻的阵群目标观测之间的对应关系。
3、在公开号为cn116990808a的中国专利文献中,公开了一种基于聚类的雷达密集群目标关联与跟踪方法,包括如下步骤:步骤1:依据雷达信号处理输出的数字信号,对数据进行坐标系转换,获得密集群目标的量测数据;步骤2:对量测数据采用fcm聚类算法,依据点迹的疏密程度将空间位置较近的目标分为一组,实现对密集目标的群分割;步骤3:使用全局优化的数据关联算法对探测目标和聚类后的量测点进行点航关联,并对目标的位置进行估计和预测,实现无人机群目标的跟踪。
4、在公开号为cn117310642a的中国专利文献中,公开了一种基于多尺
5、以上两个专利文献在实际情况下,针对真实海面环境背景下的海上运动目标观测,由于星载传感器受卫星轨道周期的影响,星载传感器对监视区域的访问是间歇式的,且两次访问的时间间隔较长;同时,受阵群目标运动状态变化、传感器的漏检以及观测误差所带来的影响,这就大大增加了海上目标识别和数据关联的难度。传统的目标识别与跟踪算法在处理目标位置信息稀疏且位置精度误差较大的情况时具有很大的局限性,无法有效地实现轨迹的关联和延续。
技术实现思路
1、针对现有技术中的缺陷,本专利技术的目的是提供一种基于多特征联合决策的阵群目标数据关联方法及系统。
2、根据本专利技术提供的一种基于多特征联合决策的阵群目标数据关联方法,包括:
3、步骤s1:设置初始参数后,进行数据初始化和结构组装;
4、步骤s2:分别对前后两个时刻的阵群目标进行特征描述;
5、所述特征包括编成特征和队形特征;
6、步骤s3:分别对编成特征和队形特征的特征向量进行建模,得到对应的匹配模型;
7、步骤s4:使用匹配模型计算得出对应的基本概率分配函数;
8、步骤s5:处理基本概率分配函数,建立综合的基本概率分配函数,实现关联决策。
9、优选的,所述初始参数包括各时刻阵群个数、每个阵群目标类型总数、每个阵群成员数量、阵群中各成员的目标类型置信度信息、每个阵群的置信度矩阵、迭代最近点算法的最大迭代次数;所述步骤s1包括定义单个阵群的数据结构形式;所述数据结构形式包括目标类型id集、各成员对目标类型置信度集、各成员位置集。
10、优选的,所述步骤s2包括以下子步骤:
11、步骤s2.1:计算每个阵群中每个目标属于目标类型的编号;
12、步骤s2.2:计算各个阵群分别包含每个目标类型的成员数量,作为该阵群的目标编成特征;
13、步骤s2.3:计算阵群中每两个目标之间的距离;
14、步骤s2.4:构造每个阵群的目标队形特征向量。
15、优选的,所述步骤s4包括以下子步骤:
16、步骤s4.1:根据编成特征的阵群目标关联匹配模型计算对应的基本概率分配函数;
17、步骤s4.2:根据队形特征的阵群目标关联匹配模型计算对应的基本概率分配函数;
18、步骤s4.3:根据外部拓扑结构特征的阵群目标关联匹配模型计算对应的基本概率分配函数。
19、优选的,所述步骤s4.1包括以下子步骤:
20、步骤s4.1.1:获取两个阵群的目标类型总数,并根据重要程度赋予权重;
21、步骤s4.1.2:对权重集合进行归一化处理,依据公式如下:
22、
23、其中,为根据重要程度设置的权重,nij为(k-1)时刻的阵群xi与k时刻的阵群yj所包含的目标类型总数;
24、步骤s4.1.3:对不同阵群的编成特征矢量进行预处理,使其长度一致;
25、步骤s4.1.4:计算阵群间编成特征矢量差;
26、步骤s4.1.5:计算基于权重的阵群间编成特征差异度矢量;
27、步骤s4.1.6:构建基于特征差异度矢量的基本概率分配函数,依据公式如下:
28、
29、其中,为(k-1)时刻的阵群xi的编成特征矢量ci与k时刻的阵群yj的编成特征矢量cj之间的差异度。
30、优选的,所述步骤s4.2包括以下子步骤:
31、步骤s4.2.1:计算(k-1)时刻与k时刻阵群队形特征元素间的距离矩阵;
32、步骤s4.2.2:从距离矩阵中提取元素组成矢量;
33、步骤s4.2.3:基于队形特征矢量构建基本概率分配函数,计算公式如下:
34、
35、其中,lij为(k-1)时刻的阵群xi与k时刻的阵群yj的距离特征矢量,nmin为迭代次数。
36、优选的,所述步骤s4.3包括以下子步骤:
37、步骤s4.3.1:计算(k-1)时刻与k时刻阵群目标的误差矩阵;
38、步骤s4.3.2:构建基于误差值的基本概率分配函数,计算公式如下:
39、
40、其中,为(k-1)时刻的阵群xi与k时刻的阵群yj的拓扑结构误差值。
41、优选的,所述步骤s5包括以下子步骤:
42、步骤s5.1:通过d-s证据理论,对基本概率分配函数进行证据合成,建立综合的基本概率分配函数;所述基本概率分配函数包括基于编成特征关联的基本概率分配函数、基于队形特征关联的基本概率分配函数和基于外部拓扑结构特征关联的基本概率分配函数;
43、步骤s5.2:基于二维分配对综合的本文档来自技高网...
【技术保护点】
1.一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述初始参数包括各时刻阵群个数、每个阵群目标类型总数、每个阵群成员数量、阵群中各成员的目标类型置信度信息、每个阵群的置信度矩阵、迭代最近点算法的最大迭代次数;所述步骤S1包括定义单个阵群的数据结构形式;所述数据结构形式包括目标类型id集、各成员对目标类型置信度集、各成员位置集。
3.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤S2包括以下子步骤:
4.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤S4包括以下子步骤:
5.根据权利要求4所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤S4.1包括以下子步骤:
6.根据权利要求4所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤S4.2包括以下子步骤:
7.根据权利要求4所述的一种基于多
8.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤S5包括以下子步骤:
9.一种基于多特征联合决策的阵群目标数据关联系统,其特征在于,包括:
10.根据权利要求9所述的一种基于多特征联合决策的阵群目标数据关联系统,其特征在于,所述初始参数包括各时刻阵群个数、每个阵群目标类型总数、每个阵群成员数量、阵群中各成员的目标类型置信度信息、每个阵群的置信度矩阵、迭代最近点算法的最大迭代次数;所述模块M1包括定义单个阵群的数据结构形式;所述数据结构形式包括目标类型id集、各成员对目标类型置信度集、各成员位置集。
...【技术特征摘要】
1.一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,包括:
2.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述初始参数包括各时刻阵群个数、每个阵群目标类型总数、每个阵群成员数量、阵群中各成员的目标类型置信度信息、每个阵群的置信度矩阵、迭代最近点算法的最大迭代次数;所述步骤s1包括定义单个阵群的数据结构形式;所述数据结构形式包括目标类型id集、各成员对目标类型置信度集、各成员位置集。
3.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤s2包括以下子步骤:
4.根据权利要求1所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤s4包括以下子步骤:
5.根据权利要求4所述的一种基于多特征联合决策的阵群目标数据关联方法,其特征在于,所述步骤s4.1包括以下子步骤:
<...【专利技术属性】
技术研发人员:刘良凤,汪少林,席沛丽,蒋孝勇,代海山,
申请(专利权)人:上海卫星工程研究所,
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。