CN106125061B - 一种基于高斯分布的系统偏差的目标点迹融合方法 - Google Patents
一种基于高斯分布的系统偏差的目标点迹融合方法 Download PDFInfo
- Publication number
- CN106125061B CN106125061B CN201610738880.1A CN201610738880A CN106125061B CN 106125061 B CN106125061 B CN 106125061B CN 201610738880 A CN201610738880 A CN 201610738880A CN 106125061 B CN106125061 B CN 106125061B
- Authority
- CN
- China
- Prior art keywords
- target
- sensor
- system deviation
- coordinate
- deviation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/42—Diversity systems specially adapted for radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明涉及信息安全技术,尤其涉及一种基于高斯分布的系统偏差的目标点迹融合方法,步骤为:将雷达传感网中传感器测量进行立体几何投影,将其转换到同一坐标系中;从雷达传感网中读取传感器中数据,数据包括目标的位置的坐标数据的测量值和传感器坐标数据;通过测量值及目标坐标参数表示计算雷达传感网系统偏差;通过假设系统偏差服从高斯分布,利用最大似然函数估计法获取优化目标函数;通过优化目标函数利用最大梯度上算法获取目标坐标位置;解决的了目前当雷达系统偏差较大时,最小二乘法无法精确定位目标的情况,通过假设偏差服从高斯分布,利用最大似然函数估计法,更精确地确定了雷达传感网中的目标位置。
Description
技术领域
本发明属于雷达传感网信息融合和目标跟踪领域,具体涉及一种基于高斯分布的系统偏差的目标点迹融合方法。
背景技术
雷达传感器利用目标的回波以确定与目标相关的信息。雷达传感网(RadarSensor Network,RSN)是由分布在一定区域内的雷达传感器节点组成,现已广泛应用于目标检测、定位与跟踪领域。点迹融合是指融合多个雷达传感器监测的目标位置信息,综合获得更精确的目标位置估计结果。
利用数据融合技术处理来自多个雷达传感器的信息,通过它们之间的协调和性能互补的优势,可以克服单个雷达传感器的不确定性和局限性,提高整个雷达组网系统的效能。但是融合效果并不能达到系统预期,甚至还不如单个雷达传感器的追踪效果,但通过点迹融合可以消除系统误差,得到精确的目标位置估计结果;传统点迹融合方法采用最小二乘算法,通过一阶近似,估计系统偏差。但最小二乘算法以偏差微小为前提,当偏差很很大时,计算结果误差较大。
发明内容
本发明的目的在于:针对目前当雷达系统偏差较大时,最小二乘法无法精确定位目标的情况,提供一种基于高斯分布的系统偏差的目标点迹融合方法。
本发明采用的技术方案如下:
一种基于高斯分布的系统偏差的目标点迹融合方法,包括以下步骤:
a:将雷达传感网中传感器测量进行立体几何投影,将其转换到同一坐标系中;
b:从雷达传感网中读取传感器中数据,数据包括目标的位置的坐标数据的测量值和传感器坐标数据;下面为两个传感器中目标Tm位置的坐标数据和传感器坐标数据,两个传感器表示为传感器i和传感器j;则目标位置左边参数通过下面公式表示:
其中,传感器i、j坐标为(ui,vj)、(uj,vj)及传感器i、j相对于目标Tm的距离与方位角的测量值{r′i,m,θ′i,m}与{r′j,m,θ′j,m}。目标Tm的位置(xm,ym)及传感器i、j对目标Tm的测量值(xi,m,yi,m)、(xj,m,yj,m)。
c:通过假设系统偏差服从高斯分布,利用最大似然函数估计法,直接估计出目标的位置坐标:
由△rk,m与△θk,m互相独立的性质可知,变量△rk,m与△θk,m的联合概率密度函数为:
由融合模型可知第k个传感器测得的第m个目标的位置坐标(xk,m,yk,m)为:
进一步的,通过公式(3)获得雷达传感网系统偏差为:
其中,△rk,m表示传感器k对目标Tm的距离系统测量偏差,△θk,m表传感器k对目标Tm的方位角系统测量偏差,(uk,vk)为传感器k坐标,(xk,m,yk,m)传感器k对目标Tm测量坐标,(xm,ym)为目标Tm坐标,其中系数常数αk,m取值如下表取值:
系数常数βk,m采用下表取值;
进一步的,通过多元转换方法,利用系统偏差的概率密度函数计算似然函数:
f(xk,m,yk,m/xm,ym)=f(△rk,m,△θk,m)|J|
=f(s1(xk,m,yk,m),s2(xk,m,yk,m))|J| (5)
其J为行列式:
通过公式(2)、(4)及(6)的Jacobian行列式J代入式(5)的似然函数f(xk,m,yk,m/xm,ym),得第k个传感器的似然函数为
由第k个传感器的似然函数可以得到K个传感器的联合似然函数为
进一步获得其优化目标函数:
进一步的,对优化目标函数采用最大梯度上升算法获得x、y方向的梯度gx、gy:
其中,
算法迭代为目标坐标值:其中i为迭代更新次数,λ为迭代步长。
本专利解决的了目前当雷达系统偏差较大时,最小二乘法无法精确定位目标的情况,通过通过假设偏差服从高斯分布,利用最大似然函数估计法,直接估计目标的位置,通过优化函数对估计位置进行最大梯度上算法迭代计算优化,更精确地确定雷达传感网中的目标位置。
附图说明
图1是本发明框图;
图2是本发明立体几何投影示意图;
图3是偏差方差σ2=10时,算法的X坐标均方误差MSE随传感器个数的变化曲线;
图4是偏差方差σ2=10时,算法的Y坐标均方误差MSE随传感器个数的变化曲线;
图5是传感器个数为5时,算法的X坐标均方误差MSE随系统偏差方差的变化曲线;
图6是传感器个数为5时,算法的Y坐标均方误差MSE随系统偏差方差的变化曲线。
具体实施方式
本说明书中公开的所有特征,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合附图对本发明作详细说明。
一种基于高斯分布的系统偏差的目标点迹融合方法,包括以下步骤:
a:将雷达传感网中传感器测量进行立体几何投影,将其转换到同一坐标系中;
b:从雷达传感网中读取传感器中数据,数据包括目标的位置的坐标数据的测量值和传感器坐标数据;从雷达传感网中读取两个传感器中目标T位置的坐标数据和传感器坐标数据,两个传感器表示为传感器i和传感器j;
xm=ri,m sinθi,m+ui
ym=ri,m cosθi,m+vi
xi,m=r′i,m sin(θi′,m)+ui
yi,m=r′i,m cos(θ′i,m)+vi
xj,m=r′j,m sin(θ′j,m)+uj
yj,m=r′j,m cos(θ′j,m)+vj
其中,传感器i、j坐标为(ui,vj)、(uj,vj)及传感器i、j相对于目标Tm的距离与方位角的测量值{r′i,m,θ′i,m}与{r′j,m,θ′j,m}。
c:通过高斯分布计算雷达传感网系统偏差;
由△rk,m与△θk,m互相独立的性质可知,变量△rk,m与△θk,m的联合概率密度函数为:
由融合模型可知第k个传感器测得的第m个目标的位置坐标(xk,m,yk,m)为:
xk,m=(rk,m+△rk,m)sin(θk,m+△θk,m)+uk
yk,m=(rk,m+△rk,m)cos(θk,m+△θk,m)+vk
进一步的,通过公式(3)获得雷达传感网系统偏差为:
其中,△rk,m表示传感器k对目标Tm的距离系统测量偏差,△θk,m表传感器k对目标Tm的方位角系统测量偏差,(uk,vk)为传感器k坐标,(xk,m,yk,m)传感器k对目标Tm测量坐标,(xm,ym)为目标Tm坐标,其中系数常数αk,m取值如下表取值:
系数常数βkm采用下表取值;
进一步的,通过多元转换方法,利用系统偏差的概率密度函数计算似然函数:
f(xk,m,yk,m/xm,ym)=f(△rk,m,△θk,m)|J|
=f(s1(xk,m,yk,m),s2(xk,m,yk,m))|J|
其J为行列式:
通过上面公式计算概率密度函数f(xk,m,yk,m/xm,ym),得第k个传感器的似然函数为
由第k个传感器的似然函数可以得到K个传感器的联合似然函数为
进一步获得其优化目标函数:
进一步的,对优化目标函数采用最大梯度上升算法获得x、y方向的梯度gx、gy:
其中,
算法迭代为目标坐标值:其中i为迭代更新次数,λ为迭代步长。
Claims (2)
1.一种基于高斯分布的系统偏差的目标点迹融合方法,其特征在于,包括以下步骤:
a:将雷达传感网中传感器测量进行立体几何投影,将其转换到同一坐标系中;
b:从雷达传感网中读取传感器中数据,数据包括目标的位置的坐标数据的测量值和传感器坐标数据;
c:利用从雷达传感器测量的数据及目标位置坐标参数表示系统偏差;
d:通过假设系统偏差服从高斯分布,利用最大似然函数估计法获取优化目标函数;
e:通过优化目标函数利用最大梯度上升算法获取目标坐标位置;
其中,雷达传感网系统偏差为:
<mrow>
<msub>
<mi>&Delta;r</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>&Delta;&theta;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&alpha;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Δrk,m表示传感器k对目标Tm的距离系统测量偏差,Δθk,m表示传感器k对目标Tm的方位角系统测量偏差,(uk,vk)为传感器k坐标,(xk,m,yk,m)传感器k对目标Tm测量坐标,(xm,ym)为目标Tm坐标,其中αk,m取值如下:当xk,m-μk>0并且yk,m-vk>0则αk,m=0,当xk,m-μk>0并且yk,m-vk<0则αk,m=1,当xk,m-μk<0并且yk,m-vk>0则αk,m=2,当xk,m-μk<0并且yk,m-vk<0则αk,m=1;βk,m取值如下:当xm-μk>0并且ym-vk>0则βk,m=0,当xm-μk>0并且ym-vk<0则βk,m=1,当xm-μk<0并且ym-vk>0则βk,m=2,当xm-μk<0并且ym-vk<0则βk,m=1;
通过假设系统偏差服从高斯分布,利用多元转化方法,计算似然函数如下:
f(xk,m,yk,m/xm,ym)=f(Δrk,m,Δθk,m)|J|
=f(s1(xk,m,yk,m),s2(xk,m,yk,m))|J|
其中J为行列式:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>det</mi>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>det</mi>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
进一步获得其优化目标函数:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
</munder>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>s</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>s</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
其中,σ为系统偏差方差。
2.根据权利要求1所述的一种基于高斯分布的系统偏差的目标点迹融合方法,其特征在于:对优化目标函数采用最大梯度上升算法获得x、y方向的梯度gx、gy:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>x</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>g</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<mo>+</mo>
<mn>2</mn>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>s</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>m</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610738880.1A CN106125061B (zh) | 2016-08-28 | 2016-08-28 | 一种基于高斯分布的系统偏差的目标点迹融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610738880.1A CN106125061B (zh) | 2016-08-28 | 2016-08-28 | 一种基于高斯分布的系统偏差的目标点迹融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106125061A CN106125061A (zh) | 2016-11-16 |
CN106125061B true CN106125061B (zh) | 2018-05-25 |
Family
ID=57274766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610738880.1A Active CN106125061B (zh) | 2016-08-28 | 2016-08-28 | 一种基于高斯分布的系统偏差的目标点迹融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106125061B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710900B (zh) * | 2018-05-08 | 2022-03-25 | 电子科技大学 | 一种基于d-s推理的多平台传感器测量数据融合方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL1032520C2 (nl) * | 2006-09-15 | 2008-03-18 | Thales Nederland Bv | Werkwijze en systeem voor het volgen van een object. |
CN102508198B (zh) * | 2011-11-29 | 2013-08-07 | 西安工程大学 | 一种基于最大似然估计的目标被动定位方法 |
CN103942447B (zh) * | 2014-04-30 | 2015-03-04 | 中国人民解放军空军预警学院监控系统工程研究所 | 一种多源异类传感器数据融合方法及装置 |
CN105071972A (zh) * | 2015-08-27 | 2015-11-18 | 电子科技大学 | 一种异构传感网目标检测的能量分配方法 |
CN105093186A (zh) * | 2015-08-27 | 2015-11-25 | 电子科技大学 | 一种基于异构雷达传感网的多目标融合检测方法 |
-
2016
- 2016-08-28 CN CN201610738880.1A patent/CN106125061B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106125061A (zh) | 2016-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104713560B (zh) | 基于期望最大化的多源测距传感器空间配准方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN110058205B (zh) | 一种基于迭代最近点算法的警戒雷达系统误差校正方法 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN110533726B (zh) | 一种激光雷达场景三维姿态点法向量估计修正方法 | |
CN110595479B (zh) | 一种基于icp算法的slam轨迹评估方法 | |
CN109975798A (zh) | 一种基于毫米波雷达与摄像头的目标检测方法 | |
KR100977246B1 (ko) | 순방향 링크 aoa를 이용한 위치 추정 장치 및 방법 | |
CN109782240A (zh) | 一种基于递推修正的多传感器系统误差配准方法和系统 | |
CN106597498A (zh) | 多传感器融合系统空时偏差联合校准方法 | |
CN101907705B (zh) | 通用的多源遥感影像几何校正模型联合平差方法 | |
CN106125061B (zh) | 一种基于高斯分布的系统偏差的目标点迹融合方法 | |
CN110376282B (zh) | 一种基于椭圆概率与贝叶斯估计的Lamb波损伤定位法 | |
CN108663727B (zh) | 利用蒸发率在世界海域范围内估算蒸发波导高度的方法 | |
CN109856623B (zh) | 一种针对多雷达直线航迹线的目标状态估计方法 | |
CA2675310C (en) | Method for evaluation of sensor measured values | |
CN108200547B (zh) | 基于测量距离的刚体定位方法 | |
CN111273302B (zh) | 一种浅海匀速运动目标初始状态估计方法 | |
CN112255612B (zh) | 一种雷达航迹随机抖动性评估方法 | |
CN109375160B (zh) | 纯方位无源定位中一种测角误差估计方法 | |
CN108169722A (zh) | 一种未知干扰影响下传感器的系统偏差配准方法 | |
CN109375159B (zh) | 纯方位加权约束总体最小二乘定位方法 | |
CN109781116B (zh) | 基于有源传感器均值迭代的误差自校准融合定位方法 | |
CN112163052A (zh) | 一种信息缺失量测下的多传感器空间配准方法 | |
CN106546961A (zh) | 一种变步长约束总体最小二乘空间配准算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |