CN101883425A - 基于熵权灰关联的目标跟踪与识别装置及方法 - Google Patents

Abstract

本发明提供的是基于熵权灰关联的目标跟踪与识别装置及方法。由传感器网络、串口芯片、可编程逻辑器件FPGA、数字信号处理器DSP和存储芯片SDRAM组成。数字信号处理器DSP对数据进行熵权化、灰关联、目标状态更新和目标识别。可编程逻辑器FPGA对串口芯片传来的数据进行数据预处理，并且控制数字信号处理器DSP和串口芯片的通信。串口芯片将传感器网络的数据传送给可编程逻辑器件FPGA。存储器SDRAM负责存储目标跟踪与识别的结果。本发明利用传感器网络提供的目标特征信息，得出熵权灰关联度，进行对目标的状态更新和身份识别，在传感器出现故障，或者目标丢失的情况下，仍然保持对目标的跟踪与识别。

Description

基于熵权灰关联的目标跟踪与识别装置及方法

技术领域

本发明涉及的是一种目标跟踪与识别技术。具体说是基于传感器网络的目标跟踪与识别装置。本发明还涉及一种目标跟踪与识别方法。

背景技术

目标的跟踪与识别是传感器网络的主要用途之一，也是一个难点和关键问题，在许多领域例如交通监控、机构安全和战场状况获取等方面具有广阔的应用前景。

对于单传感器运动的目标跟踪与识别已经取得了很大的进展，获得了许多经典的算法，例如最近邻法(NN)、集合论描述法、广义相关法、经典分配法、多假设法、概率数据关联(PDA)法、联合数据互联(JPDA)法、交互多模型(IMM)法等算法。而20世纪70年代兴起了多传感器信息融合技术，对多个传感器数据进行多级别、多方面、多层次的处理，产生了新的有意义的信息，是对目标跟踪与识别研究的有益补充。但是，由于传感器节点存在很多硬件资源的限制，还经常遭受外界环境干扰的影响，无线链路易受到干扰，网络拓扑结构动态变化，而传感器网络的运动目标跟踪与识别应用具有很强的实时性要求，因此，许多传统的跟踪与识别算法并不适用于传感器网络。因此，需要研究适合传感器网络应用的、新的目标跟踪与识别算法和装置。

发明内容

本发明的目的在于提供一种具有较高的精度、稳定性和可靠性的基于熵权灰关联的目标跟踪与识别装置。本发明的目的还在于提供一种基于熵权灰关联的目标跟踪与识别方法。

本发明的目的是这样实现的：

本发明的基于熵权灰关联的目标跟踪与识别装置主要由传感器网络1、串口芯片2、可编程逻辑器件FPGA 3、数字信号处理器DSP 4和存储芯片SDRAM 5构成；传感器网络1截获到来自目标的信息，根据自目标的信息数据分析出目标的状态信息和特征信息，将状态信息和特征信息作为数据0传送给串口芯片2，串口芯片2将数据0量化后变成数据1传送给可编程逻辑芯片FPGA 3；可编程逻辑器件FPGA 3对数据1进行数据预处理；可编程逻辑器件FPGA 3将处理后的数据2传送给数字信号处理器DSP 4，数字信号处理器DSP 4进行对目标的跟踪与识别；在目标跟踪过程中，数字信号处理器DSP 4对数据2进行熵权化，得出各特征信息在整个观测过程中的权重，利用权重信息与特征信息获取目标与识别框架的熵权灰关联度，利用熵权灰关联度来对目标进行状态更新；当传感器出现故障，或者目标丢失时，利用上一时刻的熵权灰关联度对目标状态进行更新，完成对目标的跟踪；在目标识别过程中，数字信号处理器DSP 4利用所形成的熵权灰关联度形成传感器报告，利用凸优化判决方法对目标进行身份识别，最终得出目标的属性；数字信号处理器DSP 4将目标跟踪的状态信息和目标的属性信息作为数据3传送给存储器SDRAM 5。

本发明的基于熵权灰关联的目标跟踪与识别方法为：

由传感器网络1、串口芯片2、可编程逻辑器件FPGA3、数字信号处理器DSP4和存储芯片SDRAM5组成基于熵权灰关联的目标跟踪与识别装置；

当传感器网络1截获到来自目标的信息时，传感器网络1根据目标数据分析出目标的状态信息和特征信息，将状态信息和特征信息作为数据0传送给串口芯片2，串口芯片2将数据0量化后变成数据1传送给可编程逻辑芯片FPGA3，所述目标的状态信息包括方位角、俯仰角，所述特征信息包括脉宽、脉内特征、脉冲重复周期、中心频率；

可编程逻辑器件FPGA3对数据1进行数据预处理，即对数据1进行野值剔除；

可编程逻辑器件FPGA3将处理后的数据2传送给数字信号处理器DSP4，数字信号处理器DSP4进行对目标的跟踪与识别，在目标跟踪过程中，数字信号处理器DSP4对数据2进行熵权化，得出各特征信息在整个观测过程中的权重，利用权重信息与特征信息获取目标与识别框架的熵权灰关联度，利用熵权灰关联度来对目标进行状态更新，当传感器出现故障或者目标丢失时，利用上一时刻的熵权灰关联度对目标状态进行更新，完成对目标的跟踪；

在目标识别过程中，数字信号处理器DSP4利用所形成的熵权灰关联度形成传感器报告，利用凸优化判决方法对目标进行身份识别，最终得出目标的属性；

数字信号处理器DSP4将目标跟踪的状态信息和目标的属性信息作为数据3传送给存储器SDRAM(5)。

本发明是一个高精度、高稳定性、高可靠性的目标跟踪与识别装置，利用传感器网络提供的目标特征信息，得出熵权灰关联度，进行对目标的状态更新和身份识别，在传感器出现故障，或者目标丢失的情况下，仍然保持对目标的跟踪与识别。

本发明的方法在传感器网络中，利用多个传感器获得关于目标的若干特征信息，目标跟踪与识别装置利用这些特征信息得到目标与识别框架的熵权灰关联度，根据凸二次规划算法可以识别出所要跟踪的目标。利用熵权灰关联度算法进行状态更新，完成对目标的精确跟踪。该装置利用了多个传感器提供的目标的多个特征，可以保证对目标有效、可靠、稳定的跟踪与识别。另外，如果某个传感器出现故障，或者目标丢失等情况，该算法仍然可以通过递推更新继续对目标进行跟踪，在一段时间内保证不丢失目标。

附图说明

图1是基于熵权灰关联的目标跟踪与识别装置的组成框图。

图2是野值剔除过程中卡尔曼滤波的流程图。

图3是目标跟踪流程图。

图4是目标识别流程图。

图5是凸二次规划算法流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

图1是基于熵权灰关联的目标跟踪与识别装置实现框图。

熵权灰关联的目标跟踪与识别装置由传感器网络1、串口芯片2、可编程逻辑器件FPGA3、数字信号处理器DSP4和存储芯片SDRAM5等组成。

当传感器网络1截获到来自目标的信息时，传感器网络1根据目标数据分析出目标的状态信息(如方位角、俯仰角)和特征信息(如脉宽、脉内特征、脉冲重复周期、中心频率)，将状态信息和特征信息作为数据0传送给串口芯片2，串口芯片2将数据0量化后变成数据1传送给可编程逻辑芯片FPGA3。可编程逻辑器件FPGA3对数据1进行数据预处理，这里数据预处理是指对数据1进行野值剔除。可编程逻辑器件FPGA3将处理后的数据2传送给数字信号处理器DSP4，数字信号处理器DSP4进行对目标的跟踪与识别。在目标跟踪过程中，数字信号处理器DSP4对数据2进行熵权化，得出各特征信息在整个观测过程中的权重，利用权重信息与特征信息获取目标与识别框架的熵权灰关联度，利用熵权灰关联度来对目标进行状态更新。当传感器出现故障，或者目标丢失时，利用上一时刻的熵权灰关联度仍然可以对目标状态进行更新，完成对目标的跟踪。在目标识别过程中，数字信号处理器DSP4利用所形成的熵权灰关联度形成传感器报告，利用凸优化判决方法对目标进行身份识别，最终得出目标的属性。数字信号处理器DSP4将目标跟踪的状态信息和目标的属性信息作为数据3传送给存储器SDRAM5。

图2是野值剔除过程中卡尔曼滤波的流程图。

在目标跟踪与识别过程中，会不可避免的引入噪声和出现野值，噪声和野值的存在可能导致后面的状态更新无法进行，所以在对数据进行熵权化之前在可编程逻辑器件FPGA3内对数据1进行野值剔除。野值剔除方法采用卡尔曼滤波算法，通过卡尔曼滤波得到第k时刻目标的状态估计值，这样就能剔除野值和噪声，即

卡尔曼滤波的模型为：

$\left\{\begin{array}{c}X(k+1)=\mathrm{\Φ}(k+1/k)X\left(k\right)+G\left(k\right)w\left(k\right)\\ Z\left(k\right)=H\left(k\right)X\left(k\right)+v\left(k\right)\end{array}\right.$

其中，X(k)为k时刻的n维状态矢量；Φ(k+1/k)为k到k+1时刻的一步转移矩阵(n×n阶)；G(k)是系统噪声的加权噪声；w(k)为k时刻的系统噪声；Z(k)是k时刻的m维量测矢量；H(k)为k时刻的量测矩阵(m×n阶)；v(k)为k时刻的m维量测噪声。w(k)和v(k)是互不相关的零均值的白噪声序列。

卡尔曼滤波计算步骤：

首先根据k时刻的状态矢量X(k)得出对k+1时刻状态矢量的预测值

$\hat{X}(k+1/k)=\mathrm{\Φ}(k+1/k)\hat{X}(k/k)$

同时预测k+1时刻协方差矩阵的预测值P(k+1/k)：

P(k+1/k)＝Φ(k+1/k)P(k/k)Φ^T(k+1/k)+G(k)Q(k)G^T(k)

根据k+1时刻协方差矩阵的预测值P(k+1/k)计算k+1时刻的增益矩阵K(k+1)：

K(k+1)＝P(k+1/k)H^T(k+1)×[H(k+1)×P(k+1/k)H^T(k+1)+R(k+1)]^-1

对k+1时刻的状态矢量进行状态估计：

$\hat{X}(k+1/k+1)=\hat{X}(k+1/k)+K(k+1)[Z(k+1)-H(k+1)\hat{X}(k+1/k)]$

同时对k+1时刻的协方差矩阵进行估计：

P(k+1/k+1)＝[I-K(k+1)×H(k+1)]P(k+1/k)

其中，Q(k)和R(k)分别为系统噪声和量测噪声的方差矩阵。

图3是目标跟踪流程图。

目标跟踪过程也即不断的对目标的状态进行更新的过程。目标跟踪过程分为两部分，即(1)状态更新过程，依据卡尔曼滤波和关联概率来对目标进行状态更新；(2)关联概率获取过程，依据熵权灰关联度来获得关联概率。

目标状态更新的过程为：

状态估计为：

$\hat{X}\left(k\right|k)=\hat{X}\left(k\right|k-1)+K\left(k\right)\underset{i=1}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\β}}_i\left(k\right)(Z_i\left(k\right)-H\left(k\right)\hat{X}(k/k-1))$

协方差估计为：

$P\left(k\right|k)={\mathrm{\β}}_0\left(k\right)P\left(k\right|k-1)+[1-{\mathrm{\β}}_0\left(k\right)]P^{,}\left(k\right|k)+\tilde{P}\left(k\right)$

其中： $\hat{X}(k/k-1)=\mathrm{\Φ}(k/k-1)\hat{X}(k-1/k-1)$

K(k)＝P(k/k-1)H^T(k)×[H(k)×P(k/k-1)H^T(k)+R(k)]^-1

P(k/k-1)＝Φ(k/k-1)P(k-1/k-1)Φ^T(k/k-1)+G(k-1)Q(k-1)G^T(k-1)

P’(k|k)＝[I-K(k)H(k)]P(k|k-1)

$\tilde{P}\left(k\right|k)=K\left(k\right)[\underset{i=1}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\β}}_i\left(k\right)R_i\left(k\right)R_i^T\left(k\right)-R\left(k\right)R^T\left(k\right)]K^T\left(k\right)$

β_i(k)为第i个量测与参考目标的关联概率。

目标关联概率的获取过程为：

传感器网络获取目标的多个特征信息，如状态信息(S)、中心频率(f)、脉冲重复周期(T)、脉宽(τ)、脉内特征(C)等，红外传感器能够获取目标的幅度、大小、形状等特征。设：比较数列X_i＝{X_i(j)|j＝1，2...，M}，i＝1，2...m(k)：表示k时刻有m(k)个量测数列。参考数列X₀＝{X₀(j)|j＝1，2...，M}：为参考目标的特征信息。

1、计算指标绝对差Δ_i(j)

指标绝对差Δ_i(j)＝{X₀(j)-X_i(j)}：表示X₀与X_i第j个指标的绝对差。

2、计算关联系数ξ_i(j)

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_i\left(j\right)+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_i\left(j\right)}{{\mathrm{\Δ}}_i\left(j\right)+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_i\left(j\right)}$

其中

为所有量测所有指标差中的最小值，

为所有量测所有指标差中的最大值。ρ称为分辨系数，取值范围为[0，1]，通常取ρ＝0.5。

3、计算熵权

各个特征的权重反应了各个特征在整个观测过程中的重要程度。一般权重由专家主观经验给出，没有科学可靠性。熵权可以自适应的根据特征信息给出特征的权重。其计算过程如下：

(1)确定好初始数据矩阵Δ

Δ＝(Δ_ij)_mxn＝[Δ_i1，Δ_i2，...Δ_in]

其中，i＝1，2....m；j＝1，2，...n，Δ_ij为第i个量测第j个特征的特征值。

(2)计算第j项指标下第i单元的指标值比重P_ij

$p_{\mathrm{ij}}={\mathrm{\Δ}}_{\mathrm{ij}}/\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{\mathrm{ij}}$

(3)计算第j个特征值的输出熵

每个判别特征的熵值为：

$E_j=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}$

用熵值的最大值为E_max＝lnm对E_j进行归一化，得到表征第j个特征相对重要性确定程度的熵值：

e_j＝E_j/E_max

(4)计算第j个特征的变异度D_j

D_j＝1-e_j (j＝1，2，...n)

(5)计算第j个特征的权重α_j

${\mathrm{\α}}_j=D_j/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{D}_j$

4、计算灰关联度γ_i

${\mathrm{\γ}}_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right){\mathrm{\α}}_j,i=\mathrm{1,2},...m\left(k\right)$

5、计算关联概率β_i(k)

${\mathrm{\β}}_i\left(k\right)={\mathrm{\γ}}_i/\underset{j=1}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\γ}}_i,i=\mathrm{1,2}...m\left(k\right)$

图4是目标识别流程图。

目标识别是确认目标身份的过程。目标识别过程根据熵权的灰关联度形成传感器报告，之后利用凸优化二次规划算法对传感器报告进行判决，最终确定目标属性。

由灰关联度形成传感器报告的过程如下：

定义识别框架R为目标识别知识数据库中所有目标集合，即

R_i(i＝1，2，…，m_k)为具体的某一个目标。

传感器报告中各证据形成如下：

$\left\{\begin{array}{cc}m\left(R\right)=1-\max \left({\mathrm{\γ}}_j\right)& (j=\mathrm{1,2},...,N)\\ m\left(R_i\right)=\frac{{\mathrm{\γ}}_i[1-m\left(U\right)]}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_j}& (i=\mathrm{1,2},...,N)\end{array}\right.$

其中m(R)为不确定性目标的基本概率赋值函数，γ_i为第i个量测与目标识别框架的灰关联度。

图5是凸二次规划算法流程图。

根据传感器报告，使用凸二次规划算法进行目标属性判决。一般情况下对传感器报告的判决都使用DS证据理论合成算法。但该算法无法解决冲突情况的证据，而且要求传感器所提供的证据必须是互斥的。将凸二次规划算法引入到目标识别中，是很少见的。凸二次规划算法不仅能够很好的解决目标冲突的问题，而且证据之间可以是非互斥的。凸二次规划算法采用内点算法。凸优化算法的基本思想是：求得一个最接近目标真实概率的一个概率分布，从而使代价函数最小。代价函数越小，所得到的概率分布越接近真实概率分布。从最终获得的概率分布中选取概率值最大的命题作为最终的判决结果。

算法具体计算步骤为：

给定严格初始内点以及允许误差ε＞0，μ₁∈(0，1)，

β∈(0，1)，k＝1。

1、按

计算步长α_k，如果α_k满足：

$B(p_k,{\mathrm{\μ}}_k)-B(p_k+{\mathrm{\α}}_k{d}_k,{\mathrm{\μ}}_k)\≥-\mathrm{\σ}{\mathrm{\α}}_k{d_k}^T\▿B(p_k,{\mathrm{\μ}}_k)$

则转2，否则令

转1。

2、P_k+1＝P_k+α_kd_k，μ_k+1＝βμ_k。

3、k＝k+1，用P_k求解得d_k，若‖d_k‖＜ε，则停止迭代，此时所得的p＝P_k即为所求的最优概率分布，从中选择最大的概率所对应的目标型号作为目标的属性。否则，则转1。

其中： $U={\left({\▿}^{2}B\right)}^{-1}-{\left({\▿}^{2}B\right)}^{-1}{A}^T{\left(A{\left({\▿}^{2}B\right)}^{-1}{A}^T\right)}^{-1}A{\left({\▿}^{2}B\right)}^{-1}$

$\▿B=\▿B(p,u)=C+\mathrm{Qp}-\mathrm{\μ}{P}^{-1}e$

${\▿}^{2}B={\▿}^{2}B(p,u)=Q+\mathrm{\μ}{P}^{-2}$

P＝Diag(p¹，p²，…，pⁿ)，e＝(1，1，…，1)^T∈Rⁿ。A＝(1，1，…，1)∈Rⁿ。

Claims (6)

1.一种基于熵权灰关联的目标跟踪与识别装置，主要由传感器网络(1)、串口芯片(2)、可编程逻辑器件FPGA(3)、数字信号处理器DSP(4)和存储芯片SDRAM(5)构成；其特征是：传感器网络(1)截获到来自目标的信息，根据自目标的信息数据分析出目标的状态信息和特征信息，将状态信息和特征信息作为数据0传送给串口芯片(2)，串口芯片(2)将数据0量化后变成数据1传送给可编程逻辑芯片FPGA(3)；可编程逻辑器件FPGA(3)对数据1进行数据预处理；可编程逻辑器件FPGA(3)将处理后的数据2传送给数字信号处理器DSP(4)，数字信号处理器DSP(4)进行对目标的跟踪与识别；在目标跟踪过程中，数字信号处理器DSP(4)对数据2进行熵权化，得出各特征信息在整个观测过程中的权重，利用权重信息与特征信息获取目标与识别框架的熵权灰关联度，利用熵权灰关联度来对目标进行状态更新；当传感器出现故障，或者目标丢失时，利用上一时刻的熵权灰关联度对目标状态进行更新，完成对目标的跟踪；在目标识别过程中，数字信号处理器DSP(4)利用所形成的熵权灰关联度形成传感器报告，利用凸优化判决方法对目标进行身份识别，最终得出目标的属性；数字信号处理器DSP(4)将目标跟踪的状态信息和目标的属性信息作为数据3传送给存储器SDRAM(5)。

2.一种基于熵权灰关联的目标跟踪与识别方法，其特征是：

由传感器网络(1)、串口芯片(2)、可编程逻辑器件FPGA(3)、数字信号处理器DSP(4)和存储芯片SDRAM(5)组成基于熵权灰关联的目标跟踪与识别装置；

当传感器网络(1)截获到来自目标的信息时，传感器网络(1)根据目标数据分析出目标的状态信息和特征信息，将状态信息和特征信息作为数据0传送给串口芯片(2)，串口芯片(2)将数据0量化后变成数据1传送给可编程逻辑芯片FPGA(3)，所述目标的状态信息包括方位角、俯仰角，所述特征信息包括脉宽、脉内特征、脉冲重复周期、中心频率；

可编程逻辑器件FPGA(3)对数据1进行数据预处理，即对数据1进行野值剔除；

可编程逻辑器件FPGA(3)将处理后的数据2传送给数字信号处理器DSP(4)，数字信号处理器DSP(4)进行对目标的跟踪与识别，在目标跟踪过程中，数字信号处理器DSP(4)对数据2进行熵权化，得出各特征信息在整个观测过程中的权重，利用权重信息与特征信息获取目标与识别框架的熵权灰关联度，利用熵权灰关联度来对目标进行状态更新，当传感器出现故障或者目标丢失时，利用上一时刻的熵权灰关联度对目标状态进行更新，完成对目标的跟踪；

在目标识别过程中，数字信号处理器DSP(4)利用所形成的熵权灰关联度形成传感器报告，利用凸优化判决方法对目标进行身份识别，最终得出目标的属性；

数字信号处理器DSP(4)将目标跟踪的状态信息和目标的属性信息作为数据3传送给存储器SDRAM(5)。

3.根据权利要求2所述的基于熵权灰关联的目标跟踪与识别方法，其特征是所述野值剔除的方法为采用卡尔曼滤波算法，通过卡尔曼滤波得到第k时刻目标的状态估计值，即

卡尔曼滤波的模型为：

$\left\{\begin{array}{c}X(k+1)=\mathrm{\Φ}(k+1/k)X\left(k\right)+G\left(k\right)w\left(k\right)\\ Z\left(k\right)=H\left(k\right)X\left(k\right)+v\left(k\right)\end{array}\right.$

其中，X(k)为k时刻的n维状态矢量；Φ(k+1/k)为k到k+1时刻的一步转移矩阵，为n×n阶；G(k)是系统噪声的加权噪声；w(k)为k时刻的系统噪声；Z(k)是k时刻的m维量测矢量；H(k)为k时刻的量测矩阵，为m×n阶；v(k)为k时刻的m维量测噪声；w(k)和v(k)是互不相关的零均值的白噪声序列；

卡尔曼滤波的具体步骤为：

首先根据k时刻的状态矢量X(k)得出对k+1时刻状态矢量的预测值

$\hat{X}(k+1/k)=\mathrm{\Φ}(k+1/k)\hat{X}(k/k)$

同时预测k+1时刻协方差矩阵的预测值P(k+1/k)：

P(k+1/k)＝Φ(k+1/k)P(k/k)Φ^T(k+1/k)+G(k)Q(k)G^T(k)

根据k+1时刻协方差矩阵的预测值P(k+1/k)计算k+1时刻的增益矩阵K(k+1)：

K(k+1)＝P(k+1/k)H^T(k+1)×[H(k+1)×P(k+1/k)H^T(k+1)+R(k+1)]^-1

对k+1时刻的状态矢量进行状态估计：

$\hat{X}(k+1/k+1)=\hat{X}(k+1/k)+K(k+1)[Z(k+1)-H(k+1)\hat{X}(k+1/k)]$

同时对k+1时刻的协方差矩阵进行估计：

P(k+1/k+1)＝[I-K(k+1)×H(k+1)]P(k+1/k)

其中，Q(k)和R(k)分别为系统噪声和量测噪声的方差矩阵。

4.根据权利要求3所述的基于熵权灰关联的目标跟踪与识别方法，其特征是所述目标跟踪过程分为两部分，即(1)状态更新过程，依据卡尔曼滤波和关联概率来对目标进行状态更新；(2)关联概率获取过程，依据熵权灰关联度来获得关联概率；

目标状态更新的过程为：

状态估计为：

$\hat{X}\left(k\right|k)=\hat{X}\left(k\right|k-1)+K\left(k\right)\underset{i=1}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\β}}_i\left(k\right)(Z_i\left(k\right)-H\left(k\right)\hat{X}(k/k-1))$

协方差估计为：

$P\left(k\right|k)={\mathrm{\β}}_0\left(k\right)P\left(k\right|k-1)+[1-{\mathrm{\β}}_0\left(k\right)]P^{,}\left(k\right|k)+\tilde{P}\left(k\right)$

其中： $\hat{X}(k/k-1)=\mathrm{\Φ}(k/k-1)\hat{X}(k-1/k-1)$

K(k)＝P(k/k-1)H^T(k)×[H(k)×P(k/k-1)H^T(k)+R(k)]^-1

P(k/k-1)＝Φ(k/k-1)P(k-1/k-1)Φ^T(k/k-1)+G(k-1)Q(k-1)G^T(k-1)

P’(k|k)＝[I-K(k)H(k)]P(k|k-1)

$\tilde{P}\left(k\right|k)=K\left(k\right)[\underset{i=1}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\β}}_i\left(k\right)R_i\left(k\right)R_i^T\left(k\right)-R\left(k\right)R^T\left(k\right)]K^T\left(k\right)$

β_i(k)为第i个量测与参考目标的关联概率；

目标关联概率的获取过程为：

传感器网络获取目标的多个特征信息，包括状态信息(S)、中心频率(f)、脉冲重复周期(T)、脉宽(τ)、脉内特征(C)，红外传感器获取目标的幅度、大小、形状特征；比较数列X_i＝{X_i(j)|j＝1，2...，M}，i＝1，2...m(k)：表示k时刻有m(k)个量测数列；参考数列X₀＝(X₀(j)|j＝1，2...，M}：为参考目标的特征信息；

(1)、计算指标绝对差Δ_i(j)

指标绝对差Δ_i(j)＝{X₀(j)-X_i(j)}：表示X₀与X_i第j个指标的绝对差；

(2)、计算关联系数ξ_i(j)

${\mathrm{\ξ}}_i\left(j\right)=\frac{\underset{i}{\mathrm{Min}}\underset{j}{\mathrm{Min}}{\mathrm{\Δ}}_i\left(j\right)+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_i\left(j\right)}{{\mathrm{\Δ}}_i\left(j\right)+\mathrm{\ρ}\underset{i}{\mathrm{Max}}\underset{j}{\mathrm{Max}}{\mathrm{\Δ}}_i\left(j\right)}$

其中

为所有量测所有指标差中的最小值，

为所有量测所有指标差中的最大值，ρ为分辨系数、取值范围为[0，1]；

(3)、计算熵权

其计算过程如下：

(a)确定好初始数据矩阵Δ

Δ＝(Δ_ij)_mxn＝[Δ_i1，Δ_i2，...Δ_in]

其中，i＝1，2，...m；j＝1，2，...n，Δ_ij为第i个量测第j个特征的特征值；

(b)计算第j项指标下第i单元的指标值比重p_ij

$p_{\mathrm{ij}}={\mathrm{\Δ}}_{\mathrm{ij}}/\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Δ}}_{\mathrm{ij}}$

(c)计算第j个特征值的输出熵

每个判别特征的熵值为：

$E_j=-\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}$

用熵值的最大值为E_max＝lnm对E_j进行归一化，得到表征第j个特征相对重要性确定程度的熵值：

e_j＝E_j/E_max

(d)计算第j个特征的变异度D_j

D_j＝1-e_j (j＝1，2，...n)

(e)计算第j个特征的权重α_j

${\mathrm{\α}}_j=D_j/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{D}_j$

(4)、计算灰关联度γ_i

${\mathrm{\γ}}_i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(j\right){\mathrm{\α}}_j,i=\mathrm{1,2},...m\left(k\right)$

(5)、计算关联概率β_i(k)

${\mathrm{\β}}_i\left(k\right)={\mathrm{\γ}}_i/\underset{j=}{\overset{m\left(k\right)}{\mathrm{\Σ}}}{\mathrm{\γ}}_i,i=\mathrm{1,2}...m\left(k\right).$

5.根据权利要求4所述的基于熵权灰关联的目标跟踪与识别方法，其特征是所述由灰关联度形成传感器报告的过程如下：

识别框架R为目标识别知识数据库中所有目标集合，即

R_i(i＝1，2，…，m_k)为具体的某一个目标；

传感器报告中各证据形成如下：

$\left\{\begin{array}{cc}m\left(R\right)=1-\max \left({\mathrm{\γ}}_j\right)& (j=\mathrm{1,2},...,N)\\ m\left(R_i\right)=\frac{{\mathrm{\γ}}_i[1-m\left(U\right)]}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\γ}}_j}& (i=\mathrm{1,2},...,N)\end{array}\right.$

其中m(R)为不确定性目标的基本概率赋值函数，γ_i为第i个量测与目标识别框架的灰关联度。

6.根据权利要求5所述的基于熵权灰关联的目标跟踪与识别方法，其特征是所述凸优化判决方法的具体计算步骤为：

给定严格初始内点

以及允许误差ε＞0，μ₁∈(0，1)，β∈(0，1)，k＝1；

(1)、按

计算步长α_k，如果α_k满足：

$B(p_k,{\mathrm{\μ}}_k)-B(p_k+{\mathrm{\α}}_k{d}_k,{\mathrm{\μ}}_k)\≥-\mathrm{\σ}{\mathrm{\α}}_k{d_k}^T\▿B(p_k,{\mathrm{\μ}}_k)$

则转(2)，否则令

转(1)；

(2)、p_k+1＝p_k+α_kd_k，μ_k+1＝βμ_k；

(3)、k＝k+1，用P_k求解得d_k，若‖d_k‖＜ε，则停止迭代，此时所得的p＝p_k即为所求的最优概率分布，从中选择最大的概率所对应的目标型号作为目标的属性；否则，则转(1)；

其中： $U={\left({\▿}^{2}B\right)}^{-1}-{\left({\▿}^{2}B\right)}^{-1}{A}^T{\left(A{\left({\▿}^{2}B\right)}^{-1}{A}^T\right)}^{-1}A{\left({\▿}^{2}B\right)}^{-1}$

$\▿B=\▿B(p,u)=C+\mathrm{Qp}-\mathrm{\μ}{P}^{-1}e$

${\▿}^{2}B={\▿}^{2}B(p,u)=Q+\mathrm{\μ}{P}^{-2}$

P＝Diag(p¹，p²，…，pⁿ)，e＝(1，1，…，1)^T∈Rⁿ，A＝(1，1，...，1)∈Rⁿ。

Images