CN103218509A - 一种基于硬件的复合抗干扰数据关联方法 - Google Patents

Abstract

一种基于硬件的复合制导抗干扰数据关联方法，该方法有七大步骤：步骤一：数据准备；步骤二：初值计算；步骤三：新型距离的计算；步骤四：模糊隶属度矩阵的计算；步骤五：指数权值因子的运算；步骤六：聚类中心的计算；步骤七：迭代收敛判断。本发明是在多模复合制导的数据关联阶段，克服多传感器系统状态估计后的剩余杂波点迹以及外界目标施放的大噪声干扰，得到量测数据与量测目标的正确关联匹配，提高航迹预测精度。它在信息融合技术领域里具有较好的应用前景。

Description

一种基于硬件的复合抗干扰数据关联方法

技术领域

本发明涉及一种基于硬件的复合制导抗干扰数据关联方法，它是一种利用硬件电路实现数据关联并有效平滑噪声点，提高数据关联准确率的方法，属于信息融合技术领域。本发明尤其可以被用于提高系统抗大噪声干扰的能力，增强系统在复杂环境下的可靠性。

背景技术

随着科学技术的飞速发展，复杂环境背景和强干扰下，准确地探测与跟踪目标，已成为一项研究热点，对系统的抗干扰能力和可靠性提出了越来越高的要求。

数据关联问题广泛存在于目标跟踪的各个阶段。跟踪的起始阶段，需要在多个采样周期间进行量测与量测的关联，以便为新目标起始航迹提供充分的初始化信息和依据；在航迹更新和维持阶段，则需要进行量测与己建立目标航迹之间的关联以确定用于航迹更新的量测；在分布式融合跟踪系统中，为了对多个传感器输出的数据进行融合，首先就需要进行航迹与航迹的关联，以判断那些局部航迹是源于同一个被跟踪的目标，进而进行航迹的融合。本发明重点应用于航迹更新和维持阶段，将多源传感器获得的多目标量测信息与从状态估计得到的目标航迹信息相关联的同时，克服干扰源在系统中生成的杂波点迹，有效提高关联精度和可靠性。

发明内容

1、目的：

本发明的目的是提供一种基于硬件的抗干扰数据关联方法，它是在多模复合制导的数据关联阶段，克服多传感器系统状态估计后的剩余杂波点迹以及外界目标施放的箔条干扰弹的大噪声干扰，得到量测数据与量测目标的正确关联匹配，提高航迹预测精度。

2、技术方案：

图1为本发明涉及的方法流程图，主要分为两个部分：算法的迭代运算过程和迭代收敛的判断。

在算法的迭代过程中，模块先后进行准备工作，包括相关常数的计算，各初始矩阵值的给出，之后进行核心参数的迭代运算。该运算采用流水线方式，读取外界信号源的32位单精度浮点数数据，依靠子模块状态机的数据路径分配和IP核的调用，计算相关参数，之后将结果存储至内部存储器，等待下一子模块的读取调用。各子模块和系统的运算过程通过状态机操作和控制，确保了系统按照算法步骤依次计算核心参数。在对迭代是否收敛的判断中，模块调用模糊隶属度和新型距离的值，计算前后两次迭代的成本函数差，将其与预先设定的阈值比较后，给出继续迭代或者停止迭代的信号。

见图1，本发明为一种基于硬件的复合制导抗干扰数据关联方法，该方法具体步骤如下：

步骤一：数据准备

从外界环境读取传感器获得的实时信息，包括目标距离，速度，加速度，俯仰角，方向角，以及各角加速度等。这些信息被抽象成为对目标观测的点集，也称样本集。

步骤二：初值计算

根据模糊聚类算法对于聚类中心的公式:

$v_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}$

计算样本集的初始聚类中心。式中符号说明如下：x_j为数据集X={x₁,x₂,...,x_n}中的样本点，v={v₁,v₂,...v_c}为c个聚类中心，u_ij表示第j个样本点属于第i类的隶属度。

并按照模糊隶属度矩阵的约束条件:

u_ij∈[0,1]， $\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1$

随机给出初始隶属度矩阵。之后计算新型距离参数，设定迭代阈值。

式中u_ij表示第j个样本点属于第i类的隶属度。

步骤三：新型距离的计算

将样本点与聚类中心的欧氏距离进行非线性映射，将欧氏距离转化为平坦的新型距离，从而平滑外界噪声、虚警目标和噪声对数据关联结果的影响。公式如下：

$d(x_p,x_q)=\sqrt{1-\exp (-\mathrm{\β}{\left|\right|x_p-x_q\left|\right|}^2)}$

$\mathrm{\β}=\frac{n}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|x_j-\stackrel{\‾}{x}\left|\right|}^2}$

式中符号说明如下：x_p与x_q为样本集X={x₁,x₂,...,x_n}中不同的样本点，d(x_p,x_q)表示两个样本点之间的新型距离，β为新型距离辅助参数，n为样本集的样本总数量，

表示样本集X={x₁,x₂,...,x_n}的均值。

步骤四：模糊隶属度矩阵的计算

模糊隶属度为每个样本点分配了隶属于某一类的程度，反映了不同量测结果更可能来自于哪一个量测目标。因此利用新型距离矩阵：

$u_{\mathrm{ij}}=\frac{{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}$

更新样本点对不同聚类的隶属度矩阵，也即更新了数据关联结果。

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，x_j为数据集X={x₁,x₂，...,x_n}中的样本点，v_i表示第i个聚类中心，m为模糊因子。

步骤五：指数权值因子的运算

指数形式的权值因子变化灵敏，借此赋予每个样本点不同的指数权值。给远距离的离群噪声点逐渐变小的权值，可以有效抑制噪声点对聚类中心计算过程中的影响。随着迭代的进行，权值将不断自动调整，最终趋于稳定。指数权值因子的迭代公式如下：

$e^{t_j}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Π}}}\left\{{\left[\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m\right[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)\left]\right]}^{\frac{1}{n}}\right\}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}$

式中符号说明如下：

表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子。

步骤六：聚类中心的计算

结合模糊隶属度矩阵，指数权值因子以及新型距离，计算样本点集的聚类中心，也即复合制导量测目标的中心：

$v_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{e^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)x_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)}$

式中符号说明如下：v_i表示第i个聚类中心，

表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子。

此步为后续航迹融合提供目标状态信息。经过新型距离的平滑和指数权值因子的加权，即便有大噪声目标点的干扰，聚类中心依然能够真实反映量测目标的真实矢量。

步骤七：迭代收敛判断

计算成本函数L：

$L=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，

表示样本点x_i与x_j之间的新型距离的平方。

并对前后两次成本函数做差：

L(k)-L(k-1)

如果差值小于预先设定的阈值，则算法完成运算，输出模糊隶属度矩阵和聚类中心。如果差值不小于预先设定的阈值，则返回步骤三。

3.优点

本发明可以将多模复合制导系统中目标状态估计和时空校准之后所得到的观测数据集进行基于模糊聚类算法的数据关联，将两侧目标与目标航迹做正确的关联，解决哪个量测量来自哪个目标的问题。本发明具备以下几个优点：

（1）本发明采用了迭代更新的指数权值因子，因此可以赋予大噪声点极低的权值，使其对聚类中心的影响降至最低，提高关联精度；

（2）本发明包含一个新型距离计算模块，平滑离群点的大距离对模糊隶属度的大幅影响，提高了数据关联的正确率；

（3）本发明所涉及的数字硬件结构采用了基于流水线的设计，因此拥有快速的数据吞吐和处理能力；

（4）本发明所涉及的硬件结构采用了基于32位单精度浮点数的数据形式，以及32位单精度浮点数运算IP核的设计，因此对数据处理的精度很高；

（5）本发明所涉及的硬件结构具有良好的可扩展性和更新能力，通过简单更改相关系统参数的数值就可以应用于各类型的数据关联领域中。

附图说明

图1是本发明涉及的方法流程图

图2本发明核心硬件整体结构图

具体实施方案

本发明中核心部分如图2所示，该部分需要完成核心参数的计算和算法迭代运算的收敛判断功能。整体结构主要包括四个部分，控制模块，核心参数的计算模块，迭代判断模块和存储器模块。其中核心参数的计算模块主要包括五个子模块，分别是欧氏距离、新型距离、隶属矩阵、权值因子和聚类中心的计算模块。

在具体实施过程中，包含一个状态机的控制模块控制各模块的循环调用，依次计算不同参数。每次遍历计算各参数后，调用算法判断模块判断成本函数的差值，若小于阈值，则给出收敛信号，算法终止，给出数据关联结果；若不满足，则再次迭代计算各核心参数。

见图1，本发明为一种基于硬件的复合制导抗干扰数据关联方法，该方法具体步骤如下：

步骤一：数据准备

从外界环境读取传感器获得的实时信息，包括目标距离，速度，加速度，俯仰角，方向角，以及各角加速度等。这些信息被抽象成为对目标观测的点集，也称样本集。

步骤二：初值计算

根据模糊聚类算法对于聚类中心的公式:

$v_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}$

计算样本集的初始聚类中心。式中符号说明如下：x_j为数据集X={x₁,x₂,...,x_n}中的样本点，v={v₁,v₂,...v_c}为c个聚类中心，u_ij表示第j个样本点属于第i类的隶属度。

并按照模糊隶属度矩阵的约束条件:

u_ij∈[0,1]， $\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1$

随机给出初始隶属度矩阵。之后计算新型距离参数，设定迭代阈值。

式中u_ij表示第j个样本点属于第i类的隶属度。

步骤三：新型距离的计算

将样本点与聚类中心的欧氏距离进行非线性映射，将欧氏距离转化为平坦的新型距离，从而平滑外界噪声和虚警目标和噪声对数据关联结果的影响。公式如下：

$d(x_p,x_q)=\sqrt{1-\exp (-\mathrm{\β}{\left|\right|x_p-x_q\left|\right|}^2)}$

$\mathrm{\β}=\frac{n}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|x_j-\stackrel{\‾}{x}\left|\right|}^2}$

式中符号说明如下：x_p与x_q为样本集X={x₁,x₂,...,x_n}中不同的样本点，d(x_p,x_q)表示两个样本点之间的新型距离，β为新型距离辅助参数，n为样本集的样本总数量，

表示样本集X={x₁,x₂,...,x_n}的均值。

步骤四：模糊隶属度矩阵的计算

模糊隶属度为每个样本点分配了隶属于某一类的程度，反映了不同量测结果更可能来自于哪一个量测目标。因此利用新型距离矩阵：

$u_{\mathrm{ij}}=\frac{{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}$

更新样本点对不同聚类的隶属度矩阵，也即更新了数据关联结果。

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，x_j为数据集X={x₁,x₂，...,x_n}中的样本点，v_i表示第i个聚类中心，m为模糊因子。

步骤五：指数权值因子的运算

指数形式的权值因子变化灵敏，借此赋予每个样本点不同的指数权值。给远距离的离群噪声点逐渐变小的权值，可以有效抑制噪声点对聚类中心计算过程中的影响。随着迭代的进行，权值将不断自动调整，最终趋于稳定。指数权值因子的迭代公式如下：

$e^{t_j}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Π}}}\left\{{\left[\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m\right[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)\left]\right]}^{\frac{1}{n}}\right\}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}$

式中符号说明如下：

表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子。

步骤六：聚类中心的计算

结合模糊隶属度矩阵，指数权值因子以及新型距离，计算样本点集的聚类中心，也即复合制导量测目标的中心：

$v_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{e^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)x_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)}$

式中符号说明如下：v_i表示第i个聚类中心，

表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子。

此步为后续航迹融合提供目标状态信息。经过新型距离的平滑和指数权值因子的加权，即便有大噪声目标点的干扰，聚类中心依然能够真实反映量测目标的真实矢量。

步骤七：迭代收敛判断

计算成本函数L：

$L=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，

表示样本点x_i与x_j之间的新型距离的平方。

并对前后两次成本函数做差：

L(k)-L(k-1)

如果差值小于预先设定的阈值，则算法完成运算，输出模糊隶属度矩阵和聚类中心。如果差值不小于预先设定的阈值，则返回步骤三。

Claims (1)

1.一种基于硬件的复合制导抗干扰数据关联方法，其特征在于：该方法具体步骤如下：

步骤一：数据准备

从外界环境读取传感器获得的实时信息，包括目标距离、速度、加速度、俯仰角、方向角以及各角加速度，这些信息被抽象成为对目标观测的点集，也称样本集；

步骤二：初值计算

根据模糊聚类算法对于聚类中心的公式:

$v_i=\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{x}_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m}$

计算样本集的初始聚类中心；式中符号说明如下：x_j为数据集X={x₁,x₂,...,x_n}中的样本点，v={v₁,v₂,...v_c}为c个聚类中心，u_ij表示第j个样本点属于第i类的隶属度；

并按照模糊隶属度矩阵的约束条件:

u_ij∈[0,1]， $\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}=1$

随机给出初始隶属度矩阵，之后计算新型距离参数，设定迭代阈值；式中u_ij表示第j个样本点属于第i类的隶属度；

步骤三：新型距离的计算

将样本点与聚类中心的欧氏距离进行非线性映射，将欧氏距离转化为平坦的新型距离，从而平滑外界噪声、虚警目标和噪声对数据关联结果的影响；公式如下：

$d(x_p,x_q)=\sqrt{1-\exp (-\mathrm{\β}{\left|\right|x_p-x_q\left|\right|}^2)}$

$\mathrm{\β}=\frac{n}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\left|\right|x_j-\stackrel{\‾}{x}\left|\right|}^2}$

式中符号说明如下：x_p与x_q为样本集X={x₁,x₂,...,x_n}中不同的样本点，d(x_p,x_q)表示两个样本点之间的新型距离，β为新型距离辅助参数，n为样本集的样本总数量，

表示样本集X={x₁,x₂,...,x_n}的均值；

步骤四：模糊隶属度矩阵的计算

模糊隶属度为每个样本点分配了隶属于某一类的程度，反映了不同量测结果更可能来自于哪一个量测目标，因此利用新型距离矩阵：

$u_{\mathrm{ij}}=\frac{{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}^{-\frac{1}{m-1}}}$

更新样本点对不同聚类的隶属度矩阵，也即更新了数据关联结果；

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，x_j为数据集X={x₁,x₂，...,x_n}中的样本点，v_i表示第i个聚类中心，m为模糊因子；

步骤五：指数权值因子的运算

指数形式的权值因子变化灵敏，借此赋予每个样本点不同的指数权值；给远距离的离群噪声点逐渐变小的权值，可以有效抑制噪声点对聚类中心计算过程中的影；随着迭代的进行，权值将不断自动调整，最终趋于稳定；指数权值因子的迭代公式如下：

$e^{t_j}=\frac{\underset{j=1}{\overset{n}{\mathrm{\Π}}}\left\{{\left[\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m\right[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)\left]\right]}^{\frac{1}{n}}\right\}}{\underset{i=1}{\overset{c}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m[1-\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)]}$

式中符号说明如下：表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子；

步骤六：聚类中心的计算

结合模糊隶属度矩阵，指数权值因子以及新型距离，计算样本点集的聚类中心，也即复合制导量测目标的中心：

$v_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{e^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)x_j}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{e}^{t_j}{u}_{\mathrm{ij}}^m\exp (-\mathrm{\β}{\left|\right|x_j-v_i\left|\right|}^2)}$

式中符号说明如下：v_i表示第i个聚类中心，

表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子；

此步为后续航迹融合提供目标状态信息，经过新型距离的平滑和指数权值因子的加权，即便有大噪声目标点的干扰，聚类中心依然能够真实反映量测目标的真实矢量；

步骤七：迭代收敛判断

计算成本函数L：

$L=\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ij}}^m{d}_{\mathrm{ij}}^2$

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，

表示样本点x_i与x_j之间的新型距离的平方；

并对前后两次成本函数做差：

L(k)-L(k-1)

如果差值小于预先设定的阈值，则算法完成运算，输出模糊隶属度矩阵和聚类中心；如果差值不小于预先设定的阈值，则返回步骤三。

Images