CN108957438A - 一种基于随机距离的滞后航迹关联融合方法及系统和应用 - Google Patents

Abstract

本发明属于专适用于特定应用的雷达或类似系统技术领域，公开了一种基于随机距离的滞后航迹关联融合方法及系统和应用，具体流程为：输入第一类参考航迹和多条其他类航迹；选定大小为n的窗口；计算滞后相关性；找到满足相关性阈值的航迹集合；对集合中航迹相关性进行随机距离验证；确定关联航迹并进行航迹融合；计算具有滞后关联的航迹之间的关联关系，通过对关联关系排序，找到关联关系最大的航迹并以之为关联航迹，利用最小二乘法从航迹滞后时刻开始进行融合。本发明分类精度较高，运行时间复杂度低；有效的解决了航迹关联融合中滞后、断续航迹的融合问题，提高了航迹关联正确率并且通过融合有效提高了目标特征画像刻画的完整度。

Description

一种基于随机距离的滞后航迹关联融合方法及系统和应用

技术领域

本发明属于专适用于特定应用的雷达或类似系统技术领域，尤其涉及一种基于随机距离的滞后航迹关联融合方法及系统和应用。

背景技术

目前，业内常用的现有技术是这样的：关于不同类型航迹之间的融合是一个相对较新和具有较高实用性的技术。一般认为，在进行航迹融合时，融合的数据应该具有相同的数据属性，即相同类型的数据才能进行融合。空中目标的航迹融合一般采用多传感器数据关联技术，同时采用卡尔曼滤波来实现航迹的平滑处理。关于航迹融合的算法一般有简单凸组合航迹融合方法、加权融合估计法和自适应数字滤波法等方法。但是，这些方法处理的都是多传感器目标跟踪的航迹信息，而这些多传感器获得目标信息又都是同类的信息(位置信息)。对于不同类别的数据，一般是很难进行融合的，而在面对具有部分相同属性的异类信息时，如果实现异类信息融合则可以利用不同类信息中的其他属性，从而在很大程度上提高目标属性信息数量，例如雷达和空管数据，二者是不同种类信息，但是具有共同的属性即目标的航迹信息，如果实现这两类信息融合则可以提高获取的目标属性信息，这样就可以获得更精准的目标画像，从而实现空中目标识别。空中目标的航迹信息是目标过去位置信息的一种展现，航迹在时间上可以看作是由一系列不同时刻点位置串联起来的空中位置。从时间维度上来说，这一系列的位置信息将构成时间序列数据流，因此不同设备得到的同一目标的多条空中轨迹将构成具有时间滞后相关性的航迹序列集合，对集合中的航迹数据进行相关性分析融合可以降低序列集合轨迹数量，同时通过融合可以得到更连贯、更长的时间序列轨迹，同时由于不同设备获得的目标属性不同，通过关联融合可以扩大空中目标属性数量，从而更好的刻画目标画像以此实现对空中目标的精确识别。关于时间数据流的滞后相关性的求解方法有很多，一种方法是利用基于奈奎斯特采样定理的滞后时间求法，采用几何级数点的样本去近似流式数据的值，从而降低数据流滞后相关性的计算时间，同时，采用增量更新的方法对计算参数进行更新，该方法解决了数据流不断更新而造成的计算无止尽的问题。但是，该方法适用于数据序列流的相关性计算，是在理论上对流数据的一种分析，具有较多的假设，在实际的工程应用中会因为各种因素而产生偏差。同时，该方法只适用于二维时间序列流，而工程应用是三维数据，计算方法存在差距。另一种方法是采用基于布尔相关性的滞后分析方法，利用布尔序列去表示目标变化的趋势，该方法极大减少了计算量，具有很好的应用性。还有的采用基于布尔约减的分层数据流滞后相关分析对时间序列数据流进行分析，该方法可以有效降低布尔约减所需的计算量。但是，该方法是基于数据序列流的，所研究的数据序列在每一时刻对应的数据只有一种属性，而对于每一时刻对应多种属性的情况没有考虑，对于工程应用中同一时刻多维属性的情况没有涉及，具有一定的局限性。因此，在解决滞后航迹的融合问题时利用上述方法会出现问题，主要体现在数据维度差异、属性数目差异，上述方法并不能很好的解决三维空间多属性数据的融合问题。

综上所述，现有技术存在的问题是：现有的时间数据流的滞后相关性的求解方法存在求解数据维度低、属性数目少的问题，对于每一时刻对应多种属性的情况没有考虑，应用在多维空间数据航迹滞后相关计算中具有一定的局限性；在面对滞后航迹的融合问题时，每一个时刻所对应的数据可能是多维的，该方法解决的是二维序列数据之间的滞后相关性，并不能很好的解决三维或多维数据的滞后相关性计算问题。

解决上述技术问题的难度和意义：数据在时间维度上呈现流式特性，如何解决流式数据的存储和处理问题；如何度量流式数据的滞后性相关系数；如何找到滞后性相关性阈值；如何判断滞后性相关性计算结果的正确性，剔除干扰的结果。

上述问题是在空中目标不同类型数据的滞后航迹融合中一些急需解决的问题。不同类型的数据含有不同的目标属性信息，这些信息对空中目标进行特征画像和目标识别具有非常很重要的意义，实现不同类型的数据融合是非常重要的。空中目标的滞后航迹融合可以实现对目标航迹的扩展，通过融合可以得到更连贯、更长的目标时间序列轨迹。

发明内容

针对现有技术存在的问题，本发明提供了一种基于随机距离的滞后航迹关联融合方法及系统和应用。

本发明是这样实现的，一种基于随机距离的滞后航迹关联融合方法，所述基于随机距离的滞后航迹关联融合方法输入第一类参考航迹和多条其他类航迹；选定大小为n的窗口；计算滞后相关性；找到满足相关性阈值的航迹集合；对集合中航迹相关性进行随机距离验证；确定关联航迹并进行航迹融合；计算具有滞后关联的航迹之间的关联关系，通过对关联关系排序，找到关联关系最大的航迹并以之为关联航迹，对于关联航迹利用滞后时刻进行同步，对于同步后的数据从航迹滞后时刻开始进行加权融合。

进一步，所述计算滞后相关性的方法包括：

为参考航迹时间序列数据，为第k个需要比较的航迹序列流，计算两支序列是否具有滞后相关性，有，则计算之间的相关性；数据航迹序列和中都具有三个基本属性；M时刻两个数据流表示为：

进一步包括：

(1)根据窗口大小n，考虑多维空间距离，定义航迹数据流滞后相关性系数：

(2)根据公式求得其他两个属性的滞后相关系数为：ρ(l_W)和ρ(l_H)，得多属性数据流滞后相关系数为：

(3)找到滞后相关系数最大时刻，并记录该时刻和滞后相关系数值。

进一步，找到满足相关性阈值的航迹集合具体包括：

(1)阈值θ的选取，阈值的选取根据滞后航迹之间的重叠范围的大小确定；

(2)对集合中的航迹相关性进行判断，满足阈值θ的放到相关性解集合中，并标明滞后时刻l。

进一步，对集合中航迹相关性进行随机距离验证具体包括：

(1)找到一个随机时刻k；

(2)计算比较航迹k点到参考航迹中每一个点的距离；

(3)判断参考航迹l+k时刻是不是k点到参考航迹的最短距离；

(4)如果是最短距离，则继续下一步；

(5)如果不是最短距离，把航迹剔除相关性解集合。

本发明的另一目的在于提供一种实现所述基于随机距离的滞后航迹关联融合方法的基于随机距离的滞后航迹关联融合系统，所述基于随机距离的滞后航迹关联融合系统包括：

输入模块，用于输入第一类参考航迹和多条其他类航迹；

选定模块，用于选定大小为n的窗口；

计算模块，用于计算滞后相关性；找到满足相关性阈值的航迹集合；

验证模块，用于对集合中航迹相关性进行随机距离验证；

确定模块，用于确定关联航迹并进行航迹融合；计算具有滞后关联的航迹之间的关联关系，通过对关联关系排序，找到关联关系最大的航迹并以之为关联航迹，利用最小二乘法从航迹滞后时刻开始进行融合。

本发明的另一目的在于提供一种应用所述基于随机距离的滞后航迹关联融合方法的信息数据处理终端。

综上所述，本发明的优点及积极效果为：(1)通过使用滑动窗口来限制计算的数据量，提高计算速度，同时保证计算使用的资源不会超出可用资源；(2)利用三维空间距离来构建滞后相关系数，利用航迹之间的距离定义相关性，具有可行性；(3)利用相关性阈值对结果限定，减少需要验证的数据数量；(4)采用随机距离的判别方法，克服简单欧式距离方法可能带来的错误结果；(5)通过仿真工程应用，得到关联效果与目标数之间的关系，结果显示出本方法相对于利用序列流之后相关计算简单加权得到的结果更好，关联正确率更高。

附图说明

图1是本发明实施例提供的基于随机距离的滞后航迹关联融合方法流程图。

图2是本发明实施例提供的两个空中目标的航迹示意图。

图3是本发明实施例提供的滞后相关性计算方法流程图。

图4是本发明实施例提供的滞后相关航迹随机距离验证方法流程图。

图5是本发明实施例提供的滞后航迹关联正确率仿真结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明利用航迹的滞后相关性，通过窗口限定和随机距离验证，提高目标航迹关联的正确率，同时生成较长的连贯的航迹。可适用于军事侦查、目标识别和信息融合等领域。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于随机距离的滞后航迹关联融合方法包括以下步骤：

S101：输入第一类参考航迹和多条其他类航迹；

S102：选定大小为n的窗口；

S103：计算参考航迹和其他类航迹之间的滞后相关性；

S104：找到满足相关性阈值的航迹集合；

S105：对集合中航迹相关性进行随机距离验证；

S106：确定关联航迹并进行航迹融合。

下面结合附图对本发明的应用原理作进一步的描述。

如图2中所示，图中描述了两个空中目标的航迹图，图中有两个获得目标空中航迹的设备，同时图中表明了其他类获得的目标的航迹信息。由于设备具有一定的探测范围，所以会呈现图中的情况，其中R₂探测得到目标二的航迹如图中下方实线轨迹图，R₁探测得到目标一的航迹如图上方实线轨迹图。另一类目标航迹信息如图2中的虚线轨迹部分，目标航迹可能出现的断续特性，因此通过关联融合可以得到连续的航迹。在图2中两种航迹之间存在一部分的重叠(如图2中方框所示)，通过这部分有用信息可以融合这两类轨迹信息，得到目标完整轨迹信息。

如图3和图4所示，本发明实施例提供的基于随机距离的滞后航迹关联融合方法包括以下步骤：

步骤一，输入第一类参考航迹和多条其他类航迹。

步骤二，选定大小为n的窗口；根据对空目标监测频率决定。在紧急或短暂监测的情况下，缩短时间窗口n的大小，可以采用但不局限于以小时为单位的窗口；对于长时间监测融合的情况，可以采用单不局限于以天为单位的时间窗口。具体的时间窗口的大小所采用的时间单位的数目可以由具体应用场景而灵活决定。

步骤三，计算参考航迹和其他类航迹之间的滞后相关性；

假设为参考航迹时间序列数据，为第k个需要比较的航迹序列流，需要计算两支序列是否具有滞后相关性，如果有，则计算之间的相关性。假设数据航迹序列和中都具有三个基本属性，该假设只作为航迹关联中的特殊情况，不见限于三个属性，因此M时刻两个数据流可以表示为：

(1)根据窗口大小n，考虑多维空间距离，定义航迹数据流滞后相关性系数可以采用但不仅限于如下公式：

(2)根据(1)中的公式求得其他两个属性的滞后相关系数为：ρ(l_W)和ρ(l_H)，因此可得多属性数据流滞后相关系数为：

(3)找到滞后相关系数最大时刻，并记录该时刻和滞后相关系数值。

步骤四，找到满足相关性阈值的航迹集合；

(1)阈值θ的选取。阈值的选取根据滞后航迹之间的重叠范围的大小确定，具有滞后相关性的航迹在滞后时刻具有的相关性最大，本方法给出一个参考值但不仅限于该参考值，可以选取90％或者以上的值作为阈值；

(2)对集合中的航迹相关性进行判断，满足阈值θ的放到相关性解集合中，并标明滞后时刻l。

步骤五，对集合中航迹相关性进行随机距离验证。

对相关性解集合中的每一个航迹采用以下方法进行随机距离验证：

(1)找到一个随机时刻k；

(2)计算比较航迹k点到参考航迹中每一个点的距离；

(3)判断参考航迹l+k时刻是不是k点到参考航迹的最短距离；

(4)如果是最短距离，则继续下一步；

(5)如果不是最短距离，把该航迹剔除相关性解集合。

步骤六，确定关联航迹并进行航迹融合。

航迹融合方法很多很普遍，这里可以采用最小二乘法找到加权系数并进行加权融合。

下面结合仿真对本发明的应用效果作详细的描述。

1.仿真条件

在CPU为AMD CPU、内存8G、WINDOWS 7系统上进行了仿真，采用MATLAB仿真分析。

2.仿真内容

仿真是在多目标空中航迹的数据集下，利用改进的基于距离的滞后相关分析方法来得到目标关联的正确性。

多目标空中航迹滞后相关性分析采用空中多目标航迹数据集，对数据集中的数据采用简单加权法、基于欧式距离的滞后相关算法(ELR方法)以及基于随机欧氏距离的滞后相关性分析算法(RELR方法)分别对空中目标航迹进行分析，最终得出的目标数目与滞后航迹关联的正确率的关系如图5所示。

由图5中的结果可以看出，随着空中目标数据的增加，三种算法的关联正确率都开始降低，原因是目标数据的增加在关联时增加相似目标关联的干扰，同时增加计算所需要的时间和存储空间。图5中的三种算法分别为简单的加权法，该方法是将目标的空中航迹分解到经纬度和高度这三个纬度上，然后在每个纬度上分别采用Braid方法进行求解，然后对Braid求得的滞后相关系数做一个简单的加权平均。由图中的结果可以看出该方法具有较差的结果，原因在于分解后的航迹反应的只是目标在某一维度的变化信息，而目标是在三维空间中运动的；同时由于目标的位置在时刻变化，利用Braid方法的相关系数计算结果不精确，Braid方法中的相关系数仅仅针对序列数据而言，而此处的数据为时间序列位置数据。ELR方法和RELR方法具有较好的关联正确率，因为这两种方法都利用目标空中航迹的实际航迹信息，利用了目标航迹变化趋势，同时RELR方法增加了随机判别，相对ELR方法提高了航迹关联的正确率，两种算法相对于加单加权方法在性能上都获得了提升。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于随机距离的滞后航迹关联融合方法，其特征在于，所述基于随机距离的滞后航迹关联融合方法输入第一类参考航迹和多条其他类航迹；选定大小为n的窗口；计算滞后相关性；找到满足相关性阈值的航迹集合；对集合中航迹相关性进行随机距离验证；确定关联航迹并进行航迹融合；计算具有滞后关联的航迹之间的关联关系，通过对关联关系排序，找到关联关系最大的航迹并以之为关联航迹，利用最小二乘法从航迹滞后时刻开始进行融合。

2.如权利要求1所述的基于随机距离的滞后航迹关联融合方法，其特征在于，所述计算滞后相关性的方法包括：

为参考航迹时间序列数据，为第k个需要比较的航迹序列流，计算两支序列是否具有滞后相关性，有，则计算之间的相关性；数据航迹序列和中都具有三个基本属性；M时刻两个数据流表示为：

3.如权利要求2所述的基于随机距离的滞后航迹关联融合方法，其特征在于，进一步包括：

(1)根据窗口大小n，考虑多维空间距离，定义航迹数据流滞后相关性系数：

(2)根据公式求得其他两个属性的滞后相关系数为：ρ(l_W)和ρ(l_H)，得到多属性数据流滞后相关系数为：

(3)找到滞后相关系数最大时刻，并记录该时刻和滞后相关系数值。

4.如权利要求1所述的基于随机距离的滞后航迹关联融合方法，其特征在于，找到满足相关性阈值的航迹集合具体包括：

(1)阈值θ的选取，阈值的选取根据滞后航迹之间的重叠范围的大小确定；

(2)对集合中的航迹相关性进行判断，满足阈值θ的放到相关性解集合中，并标明滞后时刻l。

5.如权利要求1所述的基于随机距离的滞后航迹关联融合方法，其特征在于，对集合中航迹相关性进行随机距离验证具体包括：

(1)找到一个随机时刻k；

(2)计算比较航迹k点到参考航迹中每一个点的距离；

(3)判断参考航迹l+k时刻是不是k点到参考航迹的最短距离；

(4)如果是最短距离，则继续下一步；

(5)如果不是最短距离，把航迹剔除相关性解集合。

6.一种实现权利要求1所述基于随机距离的滞后航迹关联融合方法的基于随机距离的滞后航迹关联融合系统，其特征在于，所述基于随机距离的滞后航迹关联融合系统包括：

输入模块，用于输入第一类参考航迹和多条其他类航迹；

选定模块，用于选定大小为n的窗口；

计算模块，用于计算滞后相关性；找到满足相关性阈值的航迹集合；

验证模块，用于对集合中航迹相关性进行随机距离验证；

确定模块，用于确定关联航迹并进行航迹融合；计算具有滞后关联的航迹之间的关联关系，通过对关联关系排序，找到关联关系最大的航迹并以之为关联航迹，利用最小二乘法从航迹滞后时刻开始进行融合。

7.一种应用权利要求1～5任意一项所述基于随机距离的滞后航迹关联融合方法的信息数据处理终端。