CN106154259B - 一种随机集理论下的多传感器自适应管控方法 - Google Patents
一种随机集理论下的多传感器自适应管控方法 Download PDFInfo
- Publication number
- CN106154259B CN106154259B CN201610506977.XA CN201610506977A CN106154259B CN 106154259 B CN106154259 B CN 106154259B CN 201610506977 A CN201610506977 A CN 201610506977A CN 106154259 B CN106154259 B CN 106154259B
- Authority
- CN
- China
- Prior art keywords
- multiple target
- pseudo
- distribution
- sensor
- distributed
- 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
- 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
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Abstract
本发明公开了一种随机集理论下的多传感器自适应管控方法,实现基于广义标号多目标伯努利滤波器的多传感器自适应管控。它的特点是,在滤波阶段,各传感器分别本地滤波并进行分布式融合,从而得到最优的全局性能;在管控阶段,首先,对融合后的多目标分布进行采样;然后,进行伪预测,得到伪预测分布,并通过若干步的滤波迭代以得到伪更新分布,再对伪更新分布进行分布式融合,得到融合后的伪更新分布;最后,通过计算伪预测分布和融合后的伪更新分布之间的柯西施瓦兹散度,从而选取出最优的传感器控制决策。该方法有效地解决了在实际多传感器网络应用中,对多传感器的最优管控问题,从而实现了多传感器自适应管控。
Description
技术领域
本发明属于雷达技术领域,它特别涉及了随机集理论下多目标跟踪、分布式多传感器融合和多传感器管控技术领域。
背景技术
隐身技术的飞速发展使雷达探测技术面临巨大挑战。目标隐身设计针对单站雷达基于后向散射的探测机理,可显著减少被单站雷达捕获的后向散射能量,使单个雷达威力陡降,“威力清零”。现代战争军用电子干扰与城市民用电磁信号干扰是雷达探测技术面临的挑战之一。分布式多传感器网络由于其可扩展性、灵活性、稳健性和容错性等诸多优点,使其得到快速发展和广泛的应用,并成为当今雷达领域的研究热点之一。分布式多传感器网络探测技术能够充分利用空间多节点布局形态,有效地利用节点多频、多极化和目标的多向散射能量,实现复杂环境下隐身目标的探测。因此,多传感器管控技术成为传感器探测技术不可或缺的一部分。
针对多传感器管控技术,许多学者进行了大量研究并取得了相应研究成果,为多传感器在用民用无线传感器网络和军用雷达网络等的实际应奠定了理论基础。多传感器管控技术,即寻找多传感器的一系列的可操控命令集,从而得到“最好的量测”,实现在有限的通信带宽下,得到最优的滤波结果。多传感器的管控一般包括两方面:1)多目标跟踪过程;2)最优决策过程。
对于多目标跟踪过程,基于随机集理论的多目标跟踪技术,将目标与量测分别建模成集合的形式,处理过程以集合为单位,不再考虑集合中元素之间的关系,可以避免数据关联,适用于目标个数较多以及杂波和虚警较高的情况。另外,基于随机集的跟踪算法还可以对目标个数进行实时的估计,适用于目标个数未知且时变的情况。在随机集框架下,学者们相继提出了概率假设密度滤波器、基数概率假设密度滤波器、多目标伯努利滤波器以及广义标号多目标伯努利滤波器,广义标号多目标伯努利滤波器由于其在查普曼-科尔莫戈罗夫等式下和贝叶斯准则下存在闭合解,不仅能识别目标身份,而且相比前面提到的三种滤波器形式,性能更佳,具有很强的实用价值,越来越多地应用在雷达技术领域。对于最优决策过程,核心就是目标函数的设计和最优化。一种可选择的方案是基于任务驱使的技术,该技术直接针对期望得到的性能,把目标函数设计成代价函数的形式。然而该技术只适用于单一任务的场景,无法解决存在多个对立任务的复杂环境下的最优决策问题。另一种可选择的方案是基于信息驱使的技术,该技术旨在多个目标任务下,获得最优的全局性能,目标函数往往设计为奖励函数的形式。基于信息驱使的技术,学者们相继提出交叉熵准则、雷尼熵准则,然而由于这些准则的复杂形式和庞大计算量,限制了其实际应用。2015年,在文献“Sensor control for multi-target tracking using Cauchy-Schwarz divergence[C]//Information Fusion(Fusion),2015 18th International Conference on.IEEE,2015:937-944.”中,建立了基于广义标号多目标伯努利滤波器的在柯西施瓦兹准则下的传感器管控方法,然而其只适用于单传感器,无法应用在多传感器网络。
发明内容
本发明的目的是针对背景技术的缺陷,研究设计一种基于随机集理论的多传感器自适应管控方法,实现基于广义标号多目标伯努利滤波器的多传感器自适应管控,解决现有基于广义标号多目标伯努利滤波器的管控方法只适用于单传感器的问题。
本发明提供了一种随机集框架下的多传感器自适应管控方法。在滤波阶段,各传感器分别本地滤波并进行分布式融合,从而得到最优的全局性能;在管控阶段,首先,对融合后的多目标分布进行采样;然后,进行伪预测,得到伪预测分布,并通过若干步的滤波迭代以得到伪更新分布,再对伪更新分布进行分布式融合,得到融合后的伪更新分布;最后,通过计算伪预测分布和融合后的伪更新分布之间的柯西施瓦兹散度,从而选取出最优的传感器控制决策。该方法有效地解决了在实际多传感器网络应用中,对多传感器的最优管控问题,从而实现了多传感器自适应管控。
本发明提供了一种随机集理论下的多传感器自适应管控方法,它包括以下步骤:
步骤1、各本地传感器接收回波信号,并采用广义标号多目标伯努利滤波器进行本地滤波,各传感器得到的本地后验概率密度分布均为广义标号多目标伯努利分布:
其中,πi(X)表示第i(i=1,2,...,N)个传感器后验概率分布,X表示目标状态集合X={x1,…,xn},xn表示第n个目标的状态;为离散空间;表示映射,其中 代表权重,非负且满足 表示目标航迹的空间,L为其任意目标个数的集合;为概率密度函数,满足
步骤2、选定多传感器融合准则:
此准则即广义协方差交叉信息准则,其中,表示第i(i=1,2,...,N)个传感器k时刻的后验概率分布;表示融合后的后验概率密度分布;Z表示传感器的量测集合;ωi表示该融合准则的参数,满足0≤ωi≤1,ω1+ω2=1,这个参数决定了其相应后验合分布在融合时的权重,δX表示集合变量的微分符号;
步骤3、进行分布式融合,融合后的后验分布为广义标号多目标伯努利分布:
其中,
步骤4、对融合后的多目标后验分布进行多目标采样,构建多目标采样集ΨS:
其中,M表示采样数目,X(j)(j=1,…,M)表示具体的一个多目标采样;
步骤5、定义管控步长H,采用广义标号多目标伯努利滤波器对融合后的多目标后验分布进行H步伪预测;假设没有目标出生和目标死亡,反复迭代广义标号多目标伯努利滤波器的预测步骤:
其中,表示伪融合预测分布;
步骤6、产生预测理想量测集合假设没有杂波,没有过程噪声和量测噪声以及发现概率为1,基于每一个传感器s(s=1,2,...,S),每一种可操控命令在初始的多目标采样X(j)下,演化H步产生量测的过程为:
其中,表示第i个传感器所有可操控命令的空间集合;
步骤7、基于预测理想量测集合进行H步的广义标号多目标伯努利滤波器滤波迭代以得到伪更新分布
其中,filter表示滤波迭代过程。
步骤8、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合通过对所有的伪更新分布进行分布式融合,求取融合后的伪更新分布
其中,GCI表示分布式融合过程;
步骤9、计算在所有可能的联合控制决策组合下的柯西施瓦兹散度;
9.1、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合计算伪预测分布和融合后的伪更新分布之间的柯西施瓦兹散度:
其中,DCS表示计算柯西施瓦兹散度:
此处,φ表示ψ表示K表示单位因子;
9.2、在所有的多目标采样集ΨS下,求取柯西施瓦兹散度的期望值:
步骤10、基于柯西施瓦兹散度,选取出全局最优的传感器控制决策:
步骤1~3为滤波阶段,步骤4~10为管控阶段,其中步骤6~7需要在不同的管控决策下重复进行,而步骤8~9则是在联合的控制决策组合下进行计算。通过上面的步骤,就可以得到基于柯西施瓦兹散度的广义标号多目标伯努利滤波器的管控方法,实现多传感器自适应管控。
本发明的创新点在于针对广义标号多目标伯努利滤波器,提出一种基于柯西施瓦兹散度的多传感器自适应管控方法。通过在滤波阶段进行本地滤波并进行分布式融合,从而得到最优的全局性能;在管控阶段,推导伪预测分布和融合后的伪更新分布,并计算柯西施瓦兹散度,从而选取出最优的传感器控制决策,最终实现了基于广义标号多目标伯努利滤波器的多传感器自适应管控,解决现有基于广义标号多目标伯努利滤波器的管控方法只适用于单传感器的问题。
本发明的优点在于提供了一套基于随机集理论的多传感器自适应管控方法,有效地解决了在实际多传感器网络应用中,对多传感器的最优管控问题。
附图说明
图1为本发明的流程图;
图2为基于柯西施瓦兹散度的多传感器管控流程;
图3为多传感器自适应管控的效果图。
具体实施方式
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在MATLAB-R2010b上验证正确。具体实施步骤如下:
步骤1、各本地传感器接收回波信号,并采用广义标号多目标伯努利滤波器进行本地滤波,因此,各传感器得到的本地后验概率密度分布均为广义标号多目标伯努利分布:
其中,πi(X)表示第i(i=1,2,...,N)个传感器后验概率分布,X表示目标状态集合X={x1,…,xn},xn表示第n个目标的状态;为离散空间;代表权重,非负且满足 表示目标航迹的空间,L为其任意目标个数的集合;为概率密度函数,满足
步骤2、选定多传感器融合准则:
此准则即广义协方差交叉信息准则,其中,表示第i(i=1,2,...,N)个传感器k时刻的后验概率分布;表示融合后的后验概率密度分布;Z表示传感器的量测集合;ωi表示该融合准则的参数,满足0≤ωi≤1,ω1+ω2=1,这个参数决定了其相应后验合分布在融合时的权重,在此取ω1=ω2=0.5,δX表示集合变量的微分符号;
步骤3、进行分布式融合,融合后的后验分布依然是广义标号多目标伯努利分布:
其中,
步骤4、对融合后的多目标后验分布进行多目标采样,构建多目标采样集ΨS:
其中,M表示采样数目,X(j)(j=1,…,M)表示具体的一个多目标采样。
步骤5、定义管控步长H,对融合后的多目标后验分布进行H步伪预测;假设没有目标出生和目标死亡,反复迭代广义标号多目标伯努利滤波器的预测步骤:
步骤6、产生预测理想量测集合假设没有杂波,没有过程噪声和量测噪声以及发现概率为1,基于每一个传感器s(s=1,2,...,S),每一种可操控命令在初始的多目标采样X(j)下,演化H步产生量测的过程,即:
其中,表示第i个传感器所有可操控命令的空间集合。
步骤7、基于预测理想量测集合进行H步的广义标号多目标伯努利滤波器滤波迭代以得到伪更新分布
其中,filter表示滤波迭代过程。
步骤8、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合通过对所有的伪更新分布进行分布式融合,求取融合后的伪更新分布
其中,GCI表示分布式融合过程。
步骤9、计算在所有可能的联合控制决策组合下的柯西施瓦兹散度;
9.1、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合计算伪预测分布和融合后的伪更新分布之间的柯西施瓦兹散度:
其中,DCS表示计算柯西施瓦兹散度:
9.2、在所有的多目标采样集ΨS下,求取柯西施瓦兹散度的期望值:
步骤10、基于柯西施瓦兹散度,选取出全局最优的传感器控制决策:
步骤1~3为滤波阶段,步骤4~10为管控阶段,其中步骤6~7需要在不同的管控决策下重复进行,而步骤8~9则是在联合的控制决策组合下进行计算。通过上面的步骤,就可以得到基于柯西施瓦兹散度的广义标号多目标伯努利滤波器的管控方法,实现多传感器自适应管控。
Claims (1)
1.一种随机集理论下的多传感器自适应管控方法,它包括以下步骤:
步骤1、各本地传感器接收回波信号,并采用广义标号多目标伯努利滤波器进行本地滤波,各传感器得到的本地后验概率密度分布均为广义标号多目标伯努利分布:
其中,πi(X)表示第i个传感器后验概率分布,其中i=1,2,...,N,X表示目标状态集合X={x1,…,xn},xn表示第n个目标的状态;为离散空间;表示映射,其中 代表权重,非负且满足 表示目标航迹的空间,L为其任意目标个数的集合;为概率密度函数,满足
步骤2、选定多传感器融合准则:
此准则即广义协方差交叉信息准则,其中,表示第i个传感器k时刻的后验概率分布;表示融合后的后验概率密度分布;Z表示传感器的量测集合;ωi表示该融合准则的参数,满足0≤ωi≤1,ω1+ω2=1,这个参数决定了其相应后验合分布在融合时的权重,δX表示集合变量的微分符号;
步骤3、进行分布式融合,融合后的后验分布为广义标号多目标伯努利分布:
其中,
步骤4、对融合后的多目标后验分布进行多目标采样,构建多目标采样集ΨS:
其中,M表示采样数目,X(j)表示具体的一个多目标采样,其中j=1,...,M;
步骤5、定义管控步长H,采用广义标号多目标伯努利滤波器对融合后的多目标后验分布进行H步伪预测;假设没有目标出生和目标死亡,反复迭代广义标号多目标伯努利滤波器的预测步骤:
其中,表示伪融合预测分布;
步骤6、产生预测理想量测集合假设没有杂波,没有过程噪声和量测噪声以及发现概率为1,基于每一个传感器i,i=1,2,...,N,每一种可操控命令在初始的多目标采样X(j)下,演化H步产生量测的过程为:
其中,表示第i个传感器所有可操控命令的空间集合;
步骤7、基于预测理想量测集合进行H步的广义标号多目标伯努利滤波器滤波迭代以得到伪更新分布
其中,filter表示滤波迭代过程;
步骤8、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合通过对所有的伪更新分布进行分布式融合,求取融合后的伪更新分布
其中,GCI表示分布式融合过程;
步骤9、计算在所有可能的联合控制决策组合下的柯西施瓦兹散度;
9.1、在每一个多目标采样X(j)下,针对所有可能的联合控制决策组合计算伪融合预测分布和融合后的伪更新分布之间的柯西施瓦兹散度:
其中,DCS表示计算柯西施瓦兹散度:
此处,φ表示ψ表示K表示单位因子;
9.2、在所有的多目标采样集ΨS下,求取柯西施瓦兹散度的期望值:
步骤10、基于柯西施瓦兹散度,选取出全局最优的传感器控制决策:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610506977.XA CN106154259B (zh) | 2016-06-30 | 2016-06-30 | 一种随机集理论下的多传感器自适应管控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610506977.XA CN106154259B (zh) | 2016-06-30 | 2016-06-30 | 一种随机集理论下的多传感器自适应管控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106154259A CN106154259A (zh) | 2016-11-23 |
CN106154259B true CN106154259B (zh) | 2018-12-18 |
Family
ID=57350812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610506977.XA Active CN106154259B (zh) | 2016-06-30 | 2016-06-30 | 一种随机集理论下的多传感器自适应管控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106154259B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896352B (zh) * | 2017-04-17 | 2020-01-10 | 电子科技大学 | 一种基于随机集理论的多雷达异步数据分布式融合方法 |
CN108934028B (zh) * | 2018-07-05 | 2020-07-31 | 电子科技大学 | 一种多伯努利滤波器分布式融合方法 |
CN108882271B (zh) * | 2018-07-05 | 2020-04-07 | 电子科技大学 | 一种基于标签多伯努利分布的非共视多传感器融合方法 |
CN110035405B (zh) * | 2019-04-18 | 2020-04-28 | 电子科技大学 | 一种基于随机集理论的多传感器分布式高效融合方法 |
CN113324563B (zh) * | 2021-04-19 | 2022-12-02 | 陕西师范大学 | 一种用于多传感器多目标跟踪的自适应传感器管理方法 |
CN113219452B (zh) * | 2021-05-07 | 2022-05-31 | 电子科技大学 | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133983A (zh) * | 2014-06-30 | 2014-11-05 | 电子科技大学 | 基于加权负一阶rd和的多目标伯努利分布式融合方法 |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN104881521A (zh) * | 2015-05-05 | 2015-09-02 | 电子科技大学 | 一种标号随机集滤波器分布式融合方法 |
-
2016
- 2016-06-30 CN CN201610506977.XA patent/CN106154259B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133983A (zh) * | 2014-06-30 | 2014-11-05 | 电子科技大学 | 基于加权负一阶rd和的多目标伯努利分布式融合方法 |
CN104680002A (zh) * | 2015-02-10 | 2015-06-03 | 电子科技大学 | 一种基于随机集理论的分布式融合方法 |
CN104881521A (zh) * | 2015-05-05 | 2015-09-02 | 电子科技大学 | 一种标号随机集滤波器分布式融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106154259A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106154259B (zh) | 一种随机集理论下的多传感器自适应管控方法 | |
CN109993280A (zh) | 一种基于深度学习的水下声源定位方法 | |
Akbarifard et al. | Predicting sea wave height using Symbiotic Organisms Search (SOS) algorithm | |
Jin et al. | Switched Kalman filter‐interacting multiple model algorithm based on optimal autoregressive model for manoeuvring target tracking | |
CN105069752B (zh) | 基于空时混沌的光学海杂波抑制方法 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Huang et al. | Forecasting of ionospheric vertical TEC 1-h ahead using a genetic algorithm and neural network | |
Mosavi | Wavelet neural network for corrections prediction in single-frequency GPS users | |
Wang et al. | Robust video tracking algorithm: a multi‐feature fusion approach | |
Lu et al. | A novel spectrum sensing method based on tri-stable stochastic resonance and quantum particle swarm optimization | |
Frediani et al. | Object-based analog forecasts for surface wind speed | |
CN104317984A (zh) | 基于分域建模的船舶电磁散射预测方法及系统 | |
Mekanik et al. | Rainfall modeling using Artificial Neural Network for a mountainous region in West Iran | |
CN106709586B (zh) | 一种风电场短期风速预测方法和系统 | |
Lu | Parameters of network traffic prediction model jointly optimized by genetic algorithm | |
Wang et al. | Particle filter based on improved genetic algorithm resampling | |
CN107765259A (zh) | 一种基于提升小波改进阈值的输电线路激光测距信号去噪算法 | |
Rong | Study of adaptive chaos embedded particle swarm optimization algorithm based on Skew Tent map | |
Wang et al. | Robust particle tracker via Markov Chain Monte Carlo posterior sampling | |
CN114972429A (zh) | 云边协同自适应推理路径规划的目标追踪方法和系统 | |
Stamatescu et al. | Multi-camera tracking of intelligent targets with hidden reciprocal chains | |
Jawanjal et al. | A design approach to traffic flow forecasting with soft computing tools | |
CN116012233A (zh) | 机器学习模型的训练方法及相关产品 | |
CN103268586A (zh) | 一种基于热扩散理论的窗融合方法 | |
Qu et al. | Hybrid coevolutionary glowworm swarm optimization algorithm with simplex search method for system of nonlinear equations |
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 |