CN106896352B - 一种基于随机集理论的多雷达异步数据分布式融合方法 - Google Patents

一种基于随机集理论的多雷达异步数据分布式融合方法 Download PDF

Info

Publication number
CN106896352B
CN106896352B CN201710248595.6A CN201710248595A CN106896352B CN 106896352 B CN106896352 B CN 106896352B CN 201710248595 A CN201710248595 A CN 201710248595A CN 106896352 B CN106896352 B CN 106896352B
Authority
CN
China
Prior art keywords
time
representing
gaussian
target
radar
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
Application number
CN201710248595.6A
Other languages
English (en)
Other versions
CN106896352A (zh
Inventor
易伟
李固冲
姜萌
李溯琪
王佰录
孔令讲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710248595.6A priority Critical patent/CN106896352B/zh
Publication of CN106896352A publication Critical patent/CN106896352A/zh
Application granted granted Critical
Publication of CN106896352B publication Critical patent/CN106896352B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar

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)

Abstract

本发明公开了一种基于随机集理论的多雷达异步数据分布式融合方法，解决了在随机集融合理论框架下的多部雷达接收数据不同步时的目标跟踪融合问题。它的特点是在融合之前选取固定的融合节点，首先分别对多部雷达检测到的数据建立高斯混合模型，并进行GM‑PHD跟踪滤波，然后在设定的融合区间内分别选取GM‑PHD跟踪后离融合节点最近的概率假设密度，最后利用广义协方差交叉算法进行融合处理，它有效解决了在实际应用中多部雷达对同一检测区域多目标接收数据的不同步而造成目标融合失配跟踪性能差的问题，从而实现了对任意多部雷达的接收数据不同步的跟踪融合处理。

Description

一种基于随机集理论的多雷达异步数据分布式融合方法
技术领域
本发明属于雷达技术领域，涉及随机集理论下的多目标跟踪、异步雷达数据处理和多传感器融合技术研究。
背景技术
信息化条件下，组网雷达充分发挥单部雷达的作用，把不同体质、不同频段、不同工作模式的雷达适当部署，通过通信数据链构成一个网络，并由一个中心基站进行调控，借助于信息融合技术将各部雷达接收到的信息进行处理进而得到可信度高的雷达情报。
传统的数据融合之前都需要进行多源数据关联，如最近邻数据关联(NNDA)、概率数据关联(PDA)、联合概率数据关联(JPDA)、简易联合概率数据关联(CJPDA)和最近邻联合概率数据关联(NNJPDA)等。这些方法都是利用雷达获取与目标状态向量直接相关的信息来进行多目标关联，采用经典推理和统计方法、贝叶斯推理技术、Dempster-Shafer技术和聚类分析等技术实现融合过程，但是当目标数目较多且虚警概率较大时，其计算量非常大且易出错，造成后续的融合结果很差。针对这一缺点，Mahler在研究多目标贝叶斯滤波问题时提出随机集理论，他利用一阶统计矩近似方法对多目标后验概率密度函数求集合积分运算得到多目标强度，避免了直接计算完全后验概率密度函数，避免了数据关联过程，同时该算法还可以实时地对目标个数进行评估，适用于目标个数未知且时变的场景。随着随机集的发展，学者们相继将随机集理论应用到融合领域。2013年，在文献“Distributed Fusion ofPHD Filters Via Exponential Mixture Densities[J].IEEE Journal of SelectedTopics in Signal Processing,2013,7(3):521-531.”中，将PHD应用到分布式融合理论中，在利用PHD跟踪目标之后，采用协方差交叉方法进行数据的融合处理，但是仅仅是针对数据同步的场景。但是在实际雷达场景中，由于开机时间、扫描周期不同等，导致雷达之间接收到的数据是异步的，因此该模型只能在雷达接收的数据是同步的场景中，不能应用于实际雷达场景中。
发明内容
本发明的目的是针对背景技术存在的缺陷，研究设计了一种针对多雷达异步数据传输下的基于随机集理论分布式融合算法，解决现有利用传统融合跟踪技术来解决异步数据处理的问题。
本发明的解决方案是采用分布式融合跟踪处理的方式，首先对每部雷达的PHD跟踪采用混合高斯模型(Gaussian-Mixture)来表示，在融合之前设定好融合节点，然后分别将各部雷达在融合区间内的接收到的最新的PHD通过Kalman预测的方法外推至融合节点时刻，最后将在融合节点时刻的所有概率假设密度通过广义协方差交叉算法进行融合处理，得到融合数据。该方法有效解决了在实际应用中数据异步且计算量大的问题，从而实现任意部雷达进行目标跟踪时异步数据的处理问题。
本发明提出了一种基于随机集理论的多雷达异步数据序贯式融合方法，具体包括步骤：
步骤1：对高斯混合概率假设密度进行参数化表征；
Figure BDA0001271373260000021
其中，vk-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；Jk-1表示在k-1时刻的高斯分量的个数；表示在k-1时刻第i个高斯分量的权重；
Figure BDA0001271373260000023
表示在k-1时刻期望为
Figure BDA0001271373260000024
方差为
Figure BDA0001271373260000025
的第i个高斯分量对应的高斯密度函数，且满足
Figure BDA0001271373260000026
步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；
2.1对幸存目标进行预测：
其中，vS,k|k-1(x)表示在k时刻幸存目标S的强度；pS,k表示k时刻目标S的幸存概率；
Figure BDA0001271373260000028
是幸存目标在k时刻的第i个高斯分量的期望，且满足：
Figure BDA0001271373260000029
Figure BDA00012713732600000210
是幸存目标在k时刻的第i个高斯分量的方差，且满足：
Figure BDA00012713732600000211
其中Fk-1表示k-1时刻的状态转移矩阵，Qk-1表示k-1时刻的过程噪声协方差矩阵；
2.2对衍生目标进行预测：
Figure BDA00012713732600000212
其中，vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，Jβ,k表示在k时刻衍生目标高斯分量的个数；
Figure BDA00012713732600000213
是k-1时刻第i个高斯分量的权重；
Figure BDA00012713732600000214
是k时刻衍生的第l个高斯分量的权重；
Figure BDA00012713732600000215
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望，且满足：
Figure BDA00012713732600000216
Figure BDA00012713732600000217
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差，且满足：
Figure BDA0001271373260000031
2.3对新生目标进行预测：
其中，γk(x)表示在k时刻时的新生目标后验概率强度；Jγ,k表示新生目标在k时刻的高斯分量的个数；
Figure BDA0001271373260000033
表示在k时刻第i个高斯分量的权重；表示期望为
Figure BDA0001271373260000035
方差为
Figure BDA0001271373260000036
的第i个高斯分量对应的高斯密度函数；
步骤3：对多部雷达接收到的数据根据时间序列采用如下公式进行依次更新：
Figure BDA0001271373260000037
其中：
Figure BDA0001271373260000038
Figure BDA0001271373260000039
Figure BDA00012713732600000310
Figure BDA00012713732600000311
Figure BDA00012713732600000312
Figure BDA00012713732600000314
其中，
Figure BDA00012713732600000315
分别表示k时刻第N次更新后和预测后的强度函数；
Figure BDA00012713732600000316
Figure BDA00012713732600000317
和
Figure BDA00012713732600000318
分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；N表示雷达总数；
Figure BDA00012713732600000319
表示k时刻第N次预测后的强度函数；pD,k表示雷达检测概率；
Figure BDA00012713732600000320
表示时刻第i部雷达的量测集合；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure BDA00012713732600000321
Figure BDA00012713732600000322
和
Figure BDA00012713732600000323
分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；
Figure BDA00012713732600000324
和
Figure BDA00012713732600000325
分别表示表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度，Hk表示k时刻的状态转移矩阵，Rk表示k时刻的量测噪声协方差矩阵；
步骤4：高斯分量的剪枝处理；
Figure BDA0001271373260000041
T是设定的门限；
剪枝循环开始：
Figure BDA0001271373260000042
Figure BDA0001271373260000043
Figure BDA0001271373260000045
I:＝I\L
直到
Figure BDA0001271373260000046
时结束剪枝循环处理；
其中，L是满足门限的高斯分量集合；
Figure BDA0001271373260000047
是剪枝前的高斯分量的权重、均值和方差；和
Figure BDA0001271373260000049
是剪枝后的高斯分量的权重、均值和方差；
步骤5：目标个数和状态提取；
剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
本发明提出了另一种基于随机集理论的多雷达异步数据分布式融合方法，具体包括步骤：
步骤1：对高斯混合概率假设密度进行参数化表征；
其中，vk-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；Jk-1表示在k-1时刻的高斯分量的个数；表示在k-1时刻第i个高斯分量的权重；表示在k-1时刻期望为方差为
Figure BDA00012713732600000414
的第i个高斯分量对应的高斯密度函数，且满足
步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；
2.1对幸存目标进行预测：
Figure BDA0001271373260000051
其中，vS,k|k-1(x)表示在k时刻幸存目标S的强度；pS,k表示k时刻目标S的幸存概率；
Figure BDA0001271373260000052
是幸存目标在k时刻的第i个高斯分量的期望，且满足：
Figure BDA0001271373260000053
其中Fk-1表示状态转移矩阵；
Figure BDA0001271373260000054
是幸存目标在k时刻的第i个高斯分量的方差，且满足：其中Qk-1表示过程噪声协方差矩阵；
2.2对衍生目标进行预测：
Figure BDA0001271373260000056
其中，vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，Jβ,k表示衍生目标在k时刻高斯分量的个数；
Figure BDA0001271373260000057
是k-1时刻第i个高斯分量的权重；
Figure BDA0001271373260000058
是k时刻衍生的第l个高斯分量的权重；
Figure BDA0001271373260000059
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望，且满足：
Figure BDA00012713732600000510
Figure BDA00012713732600000511
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差，且满足：
Figure BDA00012713732600000512
2.3对新生目标进行预测：
Figure BDA00012713732600000513
其中，γk(x)表示在k时刻时的新生目标后验概率强度；Jγ,k表示新生目标在k时刻的高斯分量的个数；
Figure BDA00012713732600000514
表示在k时刻第i个高斯分量的权重；
Figure BDA00012713732600000515
表示期望为
Figure BDA00012713732600000516
方差为
Figure BDA00012713732600000517
的第i个高斯分量对应的高斯密度函数；
步骤3：进行目标状态的更新：
对于第i部雷达：
Figure BDA00012713732600000518
Figure BDA00012713732600000519
Figure BDA0001271373260000061
Figure BDA0001271373260000062
其中，
Figure BDA0001271373260000063
分别表示第i部雷达在第k时刻更新后和预测后的状态；
Figure BDA0001271373260000064
Figure BDA0001271373260000065
和
Figure BDA0001271373260000066
分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；
Figure BDA0001271373260000067
表示时刻第i部雷达的量测集合；pD,k表示雷达检测概率；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure BDA0001271373260000068
和
Figure BDA0001271373260000069
分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度；
Figure BDA00012713732600000610
表示量测为z时对应的高斯函数的值；
步骤4：得到多部雷达的距离融合节点最近的局部后验密度之后，采用广义协方差交叉算法进行融合处理，得到融合结果：
Figure BDA00012713732600000611
其中：
Figure BDA00012713732600000612
Figure BDA00012713732600000613
Figure BDA00012713732600000614
Figure BDA00012713732600000615
Figure BDA00012713732600000616
Figure BDA00012713732600000617
其中，sk(x)表示融合后的强度函数；Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数；ω表示雷达a的权重；
Figure BDA00012713732600000618
和
Figure BDA00012713732600000619
分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵；Fa,k、
Figure BDA0001271373260000071
和Fb,k、
Figure BDA0001271373260000072
分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置；
Figure BDA0001271373260000073
和
Figure BDA0001271373260000074
分别表示融合前雷达a和雷达b的均值和协方差；
Figure BDA0001271373260000075
和
Figure BDA0001271373260000076
分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；
Figure BDA0001271373260000077
和
Figure BDA0001271373260000078
分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；
Figure BDA0001271373260000079
和
Figure BDA00012713732600000710
分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差；
步骤5：高斯分量的剪枝处理；
T是设定的门限；
剪枝循环开始：
Figure BDA00012713732600000712
Figure BDA00012713732600000713
Figure BDA00012713732600000714
Figure BDA00012713732600000715
I:＝I\L
直到
Figure BDA00012713732600000716
时结束剪枝循环处理；
其中，L是满足门限的高斯分量集合；
Figure BDA00012713732600000717
是剪枝前的高斯分量的权重、均值和方差；
Figure BDA00012713732600000718
和是剪枝后的高斯分量的权重、均值和方差；
步骤6：目标个数和状态提取；
剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤，就可以得到基于随机集理论下的异步数据处理过程，实现对机动多目标的跟踪及运动模型的估计。
本发明的创新点在于针对异步数据处理时，结合随机集理论提出了两种数据处理方式，序贯式融合处理和固定节点融合处理。序贯式融合方法处理利用的原始数据信息较多，误差较小，但是计算量较大；而固定节点融合处理方法是在各部雷达分别进行跟踪处理的同时，在设定好的固定融合节点处进行广义协方差交叉融合，其融合精度高，且所需计算量较小。
附图说明
图1是本发明提供的序贯式融合流程图。
图2是本发明提供的固定节点融合流程图。
图3是本发明提供序贯式融合的示意图。
图4是本发明提供固定节点融合的示意图。
图5是基于序贯式融合的跟踪目标个数。
图6是基于固定节点融合的跟踪目标个数。
图7是基于序贯式融合和固定节点融合处理的跟踪目标误差效果。
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在Matlab2015b上验证正确。下面就具体实施方式对本发明作进一步的详细描述。
步骤1：对高斯混合概率假设密度进行参数化表征；
Figure BDA0001271373260000081
其中，vk-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；Jk-1表示在k-1时刻的高斯分量的个数；
Figure BDA0001271373260000082
表示在k-1时刻第i个高斯分量的权重；表示在k-1时刻期望为
Figure BDA0001271373260000084
方差为
Figure BDA0001271373260000085
的第i个高斯分量对应的高斯密度函数，且满足
Figure BDA0001271373260000086
步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；
2.1对幸存目标进行预测：
其中，vS,k|k-1(x)表示在k时刻幸存目标S的强度；pS,k表示k时刻目标S的幸存概率；
Figure BDA0001271373260000088
是幸存目标在k时刻的第i个高斯分量的期望，且满足：
Figure BDA0001271373260000089
Figure BDA00012713732600000810
是幸存目标在k时刻的第i个高斯分量的方差，且满足：其中Fk-1表示k-1时刻的状态转移矩阵；Qk-1表示k-1时刻的过程噪声协方差矩阵。
2.2对衍生目标进行预测：
Figure BDA0001271373260000091
其中，vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，Jβ,k表示衍生目标在k时刻高斯分量的个数；
Figure BDA0001271373260000092
是k-1时刻第i个高斯分量的权重；
Figure BDA0001271373260000093
是k时刻衍生的第l个高斯分量的权重；
Figure BDA0001271373260000094
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的期望，且满足：
Figure BDA0001271373260000095
Figure BDA0001271373260000096
是幸存目标在k时刻的第i个高斯分量衍生出的第j个高斯分量的方差，且满足：
Figure BDA0001271373260000097
2.3对新生目标进行预测：
Figure BDA0001271373260000098
其中，γk(x)表示在k时刻时的新生目标后验概率强度；Jγ,k表示新生目标在k时刻的高斯分量的个数；
Figure BDA0001271373260000099
表示在k时刻第i个高斯分量的权重；
Figure BDA00012713732600000910
表示期望为
Figure BDA00012713732600000911
方差为
Figure BDA00012713732600000912
的第i个高斯分量对应的高斯密度函数；
步骤3：利用接收的数据进行目标状态的更新；
3.1序贯式融合模型：
对多部雷达接收到的数据根据时间序列进行依次更新：
Figure BDA00012713732600000913
Figure BDA00012713732600000914
Figure BDA00012713732600000915
Figure BDA00012713732600000916
Figure BDA00012713732600000917
Figure BDA00012713732600000918
Figure BDA0001271373260000101
Figure BDA0001271373260000102
其中，分别表示k时刻第N次更新后和预测后的强度函数；
Figure BDA0001271373260000104
Figure BDA0001271373260000105
和分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；N表示雷达总数；
Figure BDA0001271373260000107
表示k时刻第N次预测后的强度函数；pD,k表示雷达检测概率；
Figure BDA0001271373260000108
表示时刻第i部雷达的量测集合；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure BDA0001271373260000109
Figure BDA00012713732600001010
和分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；
Figure BDA00012713732600001012
和
Figure BDA00012713732600001013
分别表示表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度；Hk表示k时刻的状态转移矩阵；Rk表示k时刻的量测噪声协方差矩阵；
3.2固定节点的分布式融合模型：
对于第i∈{1,...,N}部雷达：
Figure BDA00012713732600001014
Figure BDA00012713732600001015
Figure BDA00012713732600001017
其中，
Figure BDA00012713732600001018
分别表示第i部雷达在第k时刻更新后和预测后的状态；
Figure BDA00012713732600001019
表示时刻第i部雷达的量测集合；pD,k表示雷达检测概率；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure BDA00012713732600001020
和
Figure BDA00012713732600001021
分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度；
Figure BDA00012713732600001022
表示量测为z时对应的高斯函数的值；
多部雷达分别更新后，分别找出其距离融合节点最近的局部后验密度，然后采用广义协方差交叉算法进行融合处理，得到融合结果：
Figure BDA0001271373260000111
Figure BDA0001271373260000112
Figure BDA0001271373260000113
Figure BDA0001271373260000114
Figure BDA0001271373260000115
Figure BDA0001271373260000116
Figure BDA0001271373260000117
其中，sk(x)表示融合后的强度函数；Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数；ω表示雷达a的权重；
Figure BDA0001271373260000118
和
Figure BDA0001271373260000119
分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵；Fa,k、
Figure BDA00012713732600001110
和Fb,k、
Figure BDA00012713732600001111
分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置；和
Figure BDA00012713732600001113
分别表示融合前雷达a和雷达b的均值和协方差；和分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；和
Figure BDA00012713732600001117
分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；
Figure BDA00012713732600001118
和
Figure BDA00012713732600001119
分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差。
步骤4：高斯分量的剪枝处理；
Figure BDA00012713732600001120
T是设定的门限。
剪枝循环开始：
Figure BDA00012713732600001121
Figure BDA0001271373260000121
Figure BDA0001271373260000122
Figure BDA0001271373260000123
I:＝I\L
直到时结束剪枝循环处理。
其中，L是满足门限的高斯分量集合；
Figure BDA0001271373260000125
是剪枝前的高斯分量的权重、均值和方差；和
Figure BDA0001271373260000127
是剪枝后的高斯分量的权重、均值和方差。
步骤5：目标个数和状态提取；
剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
通过上面的步骤，就可以得到基于随机集理论下的异步数据处理过程，实现对机动多目标的跟踪及运动模型的估计。

Claims (2)

1.一种基于随机集理论的多雷达异步数据序贯式融合方法，该方法包括：
步骤1：对高斯混合概率假设密度进行参数化表征；
Figure FDA0002265552790000011
其中，vk-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；Jk-1表示在k-1时刻的高斯分量的个数；
Figure FDA0002265552790000012
表示在k-1时刻第i个高斯分量的权重；
Figure FDA0002265552790000013
表示在k-1时刻期望为方差为
Figure FDA0002265552790000015
的第i个高斯分量对应的高斯密度函数，且满足
Figure FDA0002265552790000016
步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；
2.1对幸存目标进行预测：
Figure FDA0002265552790000017
其中，vS,k|k-1(x)表示在k时刻幸存目标S的强度；pS,k表示k时刻目标S的幸存概率；
Figure FDA0002265552790000018
是幸存目标在k时刻的第i个高斯分量的期望，且满足：
Figure FDA0002265552790000019
Figure FDA00022655527900000110
是幸存目标在k时刻的第i个高斯分量的方差，且满足：
Figure FDA00022655527900000111
其中Fk-1表示k-1时刻的状态转移矩阵，Qk-1表示k-1时刻的过程噪声协方差矩阵；
2.2对衍生目标进行预测：
其中，vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，Jβ,k表示在k时刻衍生目标高斯分量的个数；
Figure FDA00022655527900000113
是k-1时刻第i个高斯分量的权重；
Figure FDA00022655527900000114
是k时刻衍生的第l个高斯分量的权重；是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望，且满足：
Figure FDA00022655527900000116
是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差，且满足：
Figure FDA00022655527900000118
2.3对新生目标进行预测：
Figure FDA0002265552790000021
其中，γk(x)表示在k时刻时的新生目标后验概率强度；Jγ,k表示新生目标在k时刻的高斯分量的个数；表示在k时刻第i个高斯分量的权重；
Figure FDA0002265552790000023
表示期望为
Figure FDA0002265552790000024
方差为的第i个高斯分量对应的高斯密度函数；
步骤3：对多部雷达接收到的数据根据时间序列采用如下公式进行依次更新：
Figure FDA0002265552790000026
其中：
Figure FDA0002265552790000027
Figure FDA0002265552790000028
Figure FDA0002265552790000029
Figure FDA00022655527900000210
Figure FDA00022655527900000211
Figure FDA00022655527900000212
Figure FDA00022655527900000213
其中，
Figure FDA00022655527900000214
分别表示k时刻第N次更新后和预测后的强度函数；
Figure FDA00022655527900000215
Figure FDA00022655527900000216
和
Figure FDA00022655527900000217
分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；N表示雷达总数；pD,k表示雷达检测概率；
Figure FDA00022655527900000218
表示k时刻第i部雷达的量测集合；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure FDA00022655527900000219
和
Figure FDA00022655527900000220
分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；
Figure FDA00022655527900000221
和
Figure FDA00022655527900000222
分别表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度，Hk表示k时刻的状态转移矩阵，Rk表示k时刻的量测噪声协方差矩阵；
步骤4：高斯分量的剪枝处理；
T是设定的门限；
剪枝循环开始：
Figure FDA0002265552790000032
Figure FDA0002265552790000033
l:＝l+1
Figure FDA0002265552790000034
Figure FDA0002265552790000035
I:＝I\L
直到
Figure FDA0002265552790000036
时结束剪枝循环处理；
其中，L是满足门限的高斯分量集合；
Figure FDA0002265552790000037
是剪枝前的高斯分量的权重、均值和方差；
Figure FDA0002265552790000038
和
Figure FDA0002265552790000039
是剪枝后的高斯分量的权重、均值和方差；
步骤5：目标个数和状态提取；
剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
2.一种基于随机集理论的多雷达异步数据分布式融合方法，该方法包括：
步骤1：对高斯混合概率假设密度进行参数化表征；
Figure FDA00022655527900000310
其中，vk-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；Jk-1表示在k-1时刻的高斯分量的个数；
Figure FDA00022655527900000311
表示在k-1时刻第i个高斯分量的权重；
Figure FDA00022655527900000312
表示在k-1时刻期望为
Figure FDA00022655527900000313
方差为
Figure FDA00022655527900000314
的第i个高斯分量对应的高斯密度函数，且满足
Figure FDA00022655527900000315
步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；
2.1对幸存目标进行预测：
其中，vS,k|k-1(x)表示在k时刻幸存目标S的强度；pS,k表示k时刻目标S的幸存概率；
Figure FDA0002265552790000041
是幸存目标在k时刻的第i个高斯分量的期望，且满足：
Figure FDA0002265552790000042
其中Fk-1表示状态转移矩阵；是幸存目标在k时刻的第i个高斯分量的方差，且满足：
Figure FDA0002265552790000044
其中Qk-1表示过程噪声协方差矩阵；
2.2对衍生目标进行预测：
Figure FDA0002265552790000045
其中，vβ,k|k-1(x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，Jβ,k表示衍生目标在k时刻高斯分量的个数；
Figure FDA0002265552790000046
是k-1时刻第i个高斯分量的权重；
Figure FDA0002265552790000047
是k时刻衍生的第l个高斯分量的权重；
Figure FDA0002265552790000048
是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望，且满足：
Figure FDA0002265552790000049
Figure FDA00022655527900000410
是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差，且满足：
Figure FDA00022655527900000411
2.3对新生目标进行预测：
其中，γk(x)表示在k时刻时的新生目标后验概率强度；Jγ,k表示新生目标在k时刻的高斯分量的个数；
Figure FDA00022655527900000413
表示在k时刻第i个高斯分量的权重；
Figure FDA00022655527900000414
表示期望为方差为的第i个高斯分量对应的高斯密度函数；
步骤3：进行目标状态的更新：
对于第i部雷达：
Figure FDA00022655527900000417
Figure FDA00022655527900000418
Figure FDA00022655527900000419
Figure FDA0002265552790000051
其中，
Figure FDA0002265552790000052
分别表示第i部雷达在第k时刻更新后和预测后的状态；
Figure FDA0002265552790000053
Figure FDA0002265552790000054
和
Figure FDA0002265552790000055
分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；
Figure FDA0002265552790000056
表示时刻第i部雷达的量测集合；pD,k表示雷达检测概率；Jk|k-1表示k时刻预测状态对应的高斯分量的个数；
Figure FDA0002265552790000057
和
Figure FDA0002265552790000058
分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；κk(z)表示k时刻的杂波密度；
Figure FDA0002265552790000059
表示量测为z时对应的高斯函数的值；
步骤4：得到多部雷达的距离融合节点最近的局部后验密度之后，采用广义协方差交叉算法进行融合处理，得到融合结果：
Figure FDA00022655527900000510
其中：
Figure FDA00022655527900000511
Figure FDA00022655527900000514
Figure FDA00022655527900000515
Figure FDA00022655527900000516
其中，sk(x)表示融合后的强度函数；Na和Nb分别是雷达a和b的高斯分量在第k个融合节点的个数；ω表示雷达a的权重；
Figure FDA00022655527900000517
和
Figure FDA00022655527900000518
分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵；Fa,k、和Fb,k、
Figure FDA00022655527900000520
分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置；
Figure FDA0002265552790000061
和
Figure FDA0002265552790000062
分别表示融合前雷达a和雷达b的均值和协方差；和
Figure FDA0002265552790000064
分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；
Figure FDA0002265552790000065
和
Figure FDA0002265552790000066
分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差；
Figure FDA0002265552790000067
和
Figure FDA0002265552790000068
分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差；
步骤5：高斯分量的剪枝处理；
Figure FDA0002265552790000069
T是设定的门限；
剪枝循环开始：
Figure FDA00022655527900000610
Figure FDA00022655527900000611
l:＝l+1
Figure FDA00022655527900000613
I:＝I\L
直到
Figure FDA00022655527900000614
时结束剪枝循环处理；
其中，L是满足门限的高斯分量集合；
Figure FDA00022655527900000615
是剪枝前的高斯分量的权重、均值和方差；
Figure FDA00022655527900000616
和是剪枝后的高斯分量的权重、均值和方差；
步骤6：目标个数和状态提取；
剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。
CN201710248595.6A 2017-04-17 2017-04-17 一种基于随机集理论的多雷达异步数据分布式融合方法 Active CN106896352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710248595.6A CN106896352B (zh) 2017-04-17 2017-04-17 一种基于随机集理论的多雷达异步数据分布式融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710248595.6A CN106896352B (zh) 2017-04-17 2017-04-17 一种基于随机集理论的多雷达异步数据分布式融合方法

Publications (2)

Publication Number Publication Date
CN106896352A CN106896352A (zh) 2017-06-27
CN106896352B true CN106896352B (zh) 2020-01-10

Family

ID=59196373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710248595.6A Active CN106896352B (zh) 2017-04-17 2017-04-17 一种基于随机集理论的多雷达异步数据分布式融合方法

Country Status (1)

Country Link
CN (1) CN106896352B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346020B (zh) * 2017-07-05 2020-02-18 电子科技大学 一种用于异步多基地雷达系统的分布式批估计融合方法
CN109031229B (zh) * 2017-11-27 2022-10-11 电子科技大学 一种杂波环境下目标跟踪的概率假设密度方法
CN108304869A (zh) * 2018-01-29 2018-07-20 西北工业大学 一种基于多个传感器的综合幅值信息的融合方法及系统
CN108732564B (zh) * 2018-03-13 2020-04-17 中国电子科技集团公司第二十八研究所 一种双雷达修正序贯高斯混合概率假设密度滤波方法
CN108845299B (zh) * 2018-06-27 2020-05-12 电子科技大学 一种基于后验信息融合的多传感器多帧联合检测算法
CN109946694A (zh) * 2019-03-22 2019-06-28 哈尔滨工业大学 基于随机有限集的圆周sar多目标跟踪方法
CN110187336B (zh) * 2019-06-28 2021-01-12 电子科技大学 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
CN110646790B (zh) * 2019-09-30 2021-08-03 电子科技大学 一种用于雷达组网失序量测集中式融合的目标跟踪方法
CN112668626A (zh) * 2020-12-23 2021-04-16 中国人民解放军海军航空大学 一种雷达导引头的可靠性预测方法及系统
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
CN113466825B (zh) * 2021-06-17 2024-03-29 西安电子科技大学 基于互信息最大化的组网雷达资源分配方法
CN114740467B (zh) * 2022-04-27 2023-05-26 电子科技大学 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6381243B1 (en) * 1998-09-18 2002-04-30 Telefonaktiebolaget Lm Ericsson (Publ) Determining time slot delay for ATM transmission
CN103345577B (zh) * 2013-06-27 2016-05-18 江南大学 变分贝叶斯概率假设密度多目标跟踪方法
CN104318059B (zh) * 2014-09-24 2018-02-02 深圳大学 用于非线性高斯系统的目标跟踪方法和跟踪系统
CN104849702B (zh) * 2015-04-30 2017-10-27 中国民航大学 利用ads‑b数据的gm‑ephd滤波雷达系统误差联合估计方法
CN105719312B (zh) * 2016-01-19 2018-07-27 深圳大学 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪系统
CN106154259B (zh) * 2016-06-30 2018-12-18 电子科技大学 一种随机集理论下的多传感器自适应管控方法

Also Published As

Publication number Publication date
CN106896352A (zh) 2017-06-27

Similar Documents

Publication Publication Date Title
CN106896352B (zh) 一种基于随机集理论的多雷达异步数据分布式融合方法
Liu et al. Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network
CN107396322B (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
CN111245673B (zh) 一种基于图神经网络的sdn时延感知方法
CN113537514B (zh) 一种高能效的基于数字孪生的联邦学习框架
Cakmak et al. S-AMP: Approximate message passing for general matrix ensembles
CN110728698B (zh) 一种基于复合循环神经网络系统的多目标跟踪系统
CN110601777B (zh) 一种低轨移动卫星星座下星地下行链路同频干扰估计方法
CN111950711A (zh) 复值前向神经网络的二阶混合构建方法及系统
Goay et al. Transient simulations of high-speed channels using CNN-LSTM with an adaptive successive halving algorithm for automated hyperparameter optimizations
CN113595666A (zh) 大规模mimo系统基于时频联合相关性的信道预测方法和系统
CN108153519B (zh) 一种目标智能跟踪方法通用设计框架
CN114283331A (zh) 基于条带剪枝的轻量化sar图像船舶检测模型及方法
CN107273692B (zh) 一种传感器感知能力受限的随机集理论的分布式融合方法
Smelyakov et al. Machine Learning Models Efficiency Analysis for Image Classification Problem.
CN101510264B (zh) 基于单步实时在线处理数字图像的独立分量分析方法
CN113541986A (zh) 5g切片的故障预测方法、装置及计算设备
CN114997422B (zh) 一种异构通信网络的分组式联邦学习方法
Li et al. Automatic Modulation Recognition Based on a New Deep K-SVD Denoising Algorithm
CN115015908A (zh) 基于图神经网络的雷达目标数据关联方法
CN112926691A (zh) 一种提取特征逻辑用于分类的卷积树突方法
Do et al. Multi-target tracking with an adaptive δ-GLMB filter
Huynh et al. ENABLING SMART FACTORY WITH DEEP RESIDUAL-AIDED GENERATIVE ADVERSARIAL NETWORK: PERFORMANCE ANALYSIS END-TO-END LEARNING OF MACHINE-TO-MACHINE.
Raja et al. Through-the-wall radar imaging using a distributed quasi-Newton method
CN114004421B (zh) 一种基于时空集成学习的交通数据缺失值插补方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant