CN110109095B - 目标特征辅助多源数据的关联方法 - Google Patents

Abstract

本发明提出的一种目标特征辅助多源数据的关联方法，旨在提供一种量测参数利用率高，能够提高雷达与ESM的关联正确率的关联方法。本发明通过下述技术方案予以实现：根据异类特征之间的相关性，确定异类传感器数据的关联分类规则，建立目标运动特征空间、目标识别特征空间与目标类型空间的映射关联模型，构建类别辨识框架，按照K‑近邻法K‑NN规则找出距离目标特征的K个近邻，并基于目标与其近邻之间距离和接受阈值、拒绝阈两个阈值构造信任指派；在每个采样时刻获取目标的特征，然后对每个t时刻的目标特征进行BK‑NN训练，获得各个类别对应时刻的局部静态证据，融合生成静态判据；计算不同特征动态分类的综合结果，获得关联滤波结果。

Description

目标特征辅助多源数据的关联方法

技术领域

本发明涉及信息融合领域中的基于辅助特征的雷达与电子支援措施ESM关联方法。尤其是目标与雷达航迹关联的方法。

背景技术

多传感器信息融合系统中雷达与电子支援措施关联部分十分重要，有源雷达与电子支援措施(ESM)数据关联是雷达与ESM数据融合的前提。在多传感器数据融合中，异类传感器的数据融合是一个重要问题。雷达与电子支援措施ESM传感器的数据关联是典型的异类传感器数据关联。k时刻雷达的距离、速度、角度、相位成为一个关键的问题。雷达与 ESM是重要的机载传感器，将二者结合使用，对二者的探测信息进行融合。在信息融合时， ESM与雷达的航迹间关联是必不可少的环节。多源传感器目标数据的关联的本质是将关于同一目标的多个源的探测数据进行集成在一起，以便进行综合分析与处理，是综合目标识别、目标复合跟踪等应用的前提与基础。作为被动传感器，雷达、通信等射频信号，或者改变工作频率参数后，都会对目标的连续跟踪造成影响，出现航迹的断裂及批号的改变；而雷达因为盲区、杂波、虚警，以及未主动开关机等，都会造成目标航迹断续，给航迹关联带来困难。此外，角度关联的不确定性，也会造成目标的错误关联、漏关联，从而使同一目标出现多个融合批号。由于ESM只能测得目标的方位信息而不能测得目标的距离信息，这使雷达和ESM 之间的航迹关联问题具有很大的不确定性。为解决雷达与ESM航迹关联门限的不确定性，现有技术提出了基于几何法的雷达与ESM航迹关联算法。该算法根据雷达与ESM的几何位置建立航迹粗关联函数，并利用航迹的历史信息建立航迹关联代价矩阵，通过代价最小实现航迹关联。传统多源数据关联算法多采用目标的运动学特征进行关联，由于ESM能提供的运动学参数只有方位角，或者是定位精度很低的位置结果，所有在雷达、与ESM数据关联时，传统方法只能进行角度关联，或者是用误差极大的位置进行关联。这些传统的计算方法在目标密集、交叉、以及传感器运动学特征不完备时，就会造成多源数据关联的不确定性和模糊性，从而使得关联结果不可靠。

传感器关联数据的证据转化及关联规则在基于理论的航迹关联中，作为证据的主要参数包括:属性、重频、脉宽等特征参数，以及位置的量测数据。假设已知重频、脉宽量测的隶属目标及其概率，位置量测数据则需要转换为证据及其概率。在传统的关联算法中，一般都是直接使用位置量测信息，这样的方法常用来处理三维数据，但是处理仅有角度数据的关联，很容易造成误判。由于目标的密度往往很大，如果仅靠雷达等探测系统获取的目标位置信息已很难将各目标区分开来，这时对目标的混淆在所难免。其结果是：当两个不同类型的飞机以较小的角度接近飞行或交叉飞行时，多源综合探测系统很容易将两个飞机的传感器数据错误关联在一起，从而引起识别错误、跟踪错误、定位错误等错误的目标信息。

传统的关联算法仅利用方位角信息，此时用于关联的信息维数少、质量低而引起复杂环境下关联正确率低。目标特征辅助的多源数据关联技术是在传感器获得的目标运动学特征(目标方位、距离、俯仰、速度等特征)的基础上，利用传感器获得的目标其它特征进行辅助关联，如雷达的RCS、一维距离像、多普勒等特征，信号强度、PRI等特征，红外传感器的目标红外辐射特征等。这些传感器特征在目标运动学模型、识别模型以及传感器工作模式模型上，将会存在着一定的相关性，可以利用ESM和雷达的方位信息进行关联。在雷达和ESM数据关联中，主要利用方位信息进行关联，由于只考虑方位这一个信息，没有利用上雷达数据中距离信息，将影响到关联的准确性。仅仅利用方位这个单一信息进行关联，依据的信息有限，关联概率不够精确。传统的关联算法仅利用方位角信息，此时用于关联的信息维数少、质量低而引起复杂环境下关联正确率低。由于传统的关联算法中，只会使用雷达和ESM的运动特征信息，而由于ESM只能提供测角信息，或者是较为粗大的定位结果，传统的位置统计关联极容易出现错误关联，从而降低了雷达与电子支援措施ESM的关联正确率。为了解决雷达和ESM在传统关联中，目标处于密集、交叉等场景时，由于ESM的仅有测角信息或者是定位精度很差，导致关联正确率低下的问题。

发明内容

本发明的目的是针对机动目标贴近和交叉运动影响下的电子支援措施ESM与雷达的航迹关联问题，以及传统关联算法存在的不足之处，提供一种量测参数利用率高，有利于对目标的多源数据关联，高目标数据关联的可靠性的基于辅助特征信息与位置特征信息相结合的关联方法。以处理电子支援措施ESM只有角度探测或定位精度很低时，提高雷达与ESM 的关联正确率。

为了实现上述目的，本发明提供的目标特征辅助多源数据的关联方法，其特征在于包括如下步骤：根据异类特征之间的相关性，确定异类传感器数据的关联分类规则，建立目标运动特征空间、目标识别特征空间与目标类型空间的映射关联模型，构建类别辨识框架Ω，按照K-近邻法K-NN规则找出距离目标特征x_i的K个近邻，并基于目标与其近邻之间距离和接受阈值、拒绝阈两个阈值构造信任指派；对得到的K个信任指派进行融合，作为综合考量的结果实现目标分类，获得静态证据判决；在每个采样时刻t获取目标的特征，然后对每个t时刻的目标特征进行BK-NN训练，基于训练样本空间获得各个类别对应时刻在t时刻提供的局部静态证据，融合生成t时刻的静态判据，在获得静态证据后，进行动态更新，将t时刻的静态判据m_ts(·)与历史证据m_1:t-1(·)融合，实现迭代的动态融合；通过对雷达和电子支援措施ESM 的特征分类后，计算不同特征动态分类的综合结果，将特征分类的识别结果与雷达、ESM的位置特征结合，进行序贯滤波融合，获得更加可靠的关联滤波结果。

本发明相比于现有技术具有如下有益效果：

量测参数利用率高。本发明根据异类特征之间的相关性，确定异类传感器数据的关联分类规则，建立目标运动特征空间、目标识别特征空间与目标类型空间的映射关联模型，解决先验信息不完备、多特征指派不一致情况下的多源信息关联。该方法利用ESM和雷达的非运动特征，提高航迹关联的准确率。而本发明利用了辅助特征，将目标探测的雷达RCS、 HRRP，以及ESM提供的载频、脉宽、脉冲间隔等识别参数，进行对目标的进行特征分类识别，将关联问题转换为识别问题。这些特征参数通过分类器可以获得多个维度、多个时段的目标识别分类结果，当目标的辅助特征具有良好的识别结果时，就会对目标的关联获得较大的帮助，同时在结合雷达、ESM的位置特征进行关联与滤波，就可以获得更高的关联置信度，从而实现了对特征信息的利用。

关联的稳定性高。基于辅助特征信息与位置特征信息相结合的关联，由于特征类信息维度多样，置信度范围大，而利用特征分类器，可以充分利用这些不同维度的信息，提供分类器的识别结果。随着时间的递推，还可以对特征分类进行动态推理融合，获得较为连续、稳定分类结果。当分类结果稳定、连续、可靠时，响应就可以获得较为稳定可靠的关联结果。结合电子支援措施上报的各个属性信息进行处理，形成综合评判函数，小于综合门限者则为关联，多因素综合评判法增加了关联时可用信息的维数，提高了关联信息的质量，进而提高了关联的正确率。，

关联的正确率高。在本发明中，由于在目标密集情况下，位置的精度已经无法对目标进行了有效区分，在这种情况下，ESM和雷达提供的识别结果有效的避免了密集、交叉情况下的错误关联。在引入ESM中的信号幅度与雷达中的距离信息进行辅助关联后，目标关联概率显著提高。仿真结果表明，关联概率显著提高，证明了辅助关联的有效性与实用性。

附图说明

为了更清楚地理解本发明，现将通过本发明实施方式，同时参照附图，来描述本发明。

图1是本发明基于辅助特征的雷达与ESM关联方法流程图。

图2是目标的接受、拒绝和不确定区间示意图。

图3是当前时刻的静态证据与上一时刻的历史证据融合，实现证据的时间递推处理流程图。

图4是利用辅助特征的雷达、电子支援措施ESM融合算法流程图。

具体实施方式

参阅图1。根据本发明，基于辅助特征的雷达与ESM关联可以通过以下步骤实现：

步骤1：根据异类特征之间的相关性，确定异类传感器数据的关联分类规则，建立目标运动特征空间、目标识别特征空间与目标类型空间的映射关联模型。在映射关联模型中构建类别辨识框架Ω：以及表征一个目标的识别分类结果的单类别ω_s，其中，类别识别框架Ω标识所有识别结果ω的合集，并且Ω＝{ω₁，ω₂…ω_h}；ω_s的取值为类别辨识框架Ω中的任意一个， s取值为1～h，h为自然数。基本信任指派函数(bba)m:R→[0，1]，满足∑{m(A)| AΘ}＝1,m()＝0，m(A)表示证据支持命题A发生的程度，而不支持任何A的真子集。如果A为Θ的子集，且m(A)≠0；则称A为证据的焦元，所有焦元的集合称为核，证据是由证据体(A， m(A))组成的。将证据源的基本信任指派bba(basicbeliefassignment)作为证据理论的应用基础，其数据主要观察数据构建或者是由专家给出，这里的bba是通过观察数据构建的。

步骤2：按照K-近邻法K-NN(K-NearestNeighbor)规则找出距离目标特征x_i的K个近邻，K为可调参数。K-NN是一个分类与回归模型，可进行多分类，属于判别模型和非概率模型。用一句话描述这个模型，就是在特征空间中，离待分类点最近的K个点中出现最多的类标签，即是该待分类点的类标签。k＝1时称为最近邻算法。KNN实际把特征空间划分成了若干子空间，在子空间内同类别。k＝1时是最近邻法，此时模型容易受噪声点的影响，例如距离待分类点最近的恰是一个误分类的噪声点，待分类点也会被误分类；k较大时，在用一个较大的邻域估计待分类点的类别，此时离待分类点较远的(不相干)的点也会被考虑，可能引起预测发生错误；k＝N时，不论输入是什么，输出都是训练集中出现最多的类别。因此k的选择需要兼顾两方面，不能太小也不能过大。x_i的K个特征近邻是从训练样本中得到。再引入接受阈

和拒绝阈

两个概念，其中，

接受阈

拒绝阈

是由单类ω_s中所有训练样本距离的平均值

来确定，并基于目标与其近邻之间距离和两个阈值构造信任指派，如图2所示；

步骤3：基于第2步得到的K个信任指派进行融合，作为综合考量的结果实现目标分类，从而获得静态证据判决，获得每个时刻目标分类的静态判据步骤如下：

a)把每个时刻属于同一类的置信指派融合，获取该时刻的局部融合结果；将上一步所得的结果全局融合，即为该时刻的静态判据；

b)其中第一步中的冲突信息并无特殊意义。因此可基于DS(Dempster-Shafer)规则分给其它焦元(类别)。DS规则：Dempster-Shafer规则，也称作DS证据理论；

步骤4：在每个采样时刻t获取目标的特征，然后基于训练样本空间通过BK-NN获得各个类别在t时刻提供的局部静态证据，经过静态判别第二步的融合生成t时刻的静态判据m_ts(·)；

步骤5：将t时刻的静态判据m_ts(·)与历史证据m_1:t-1(·)融合，

利用

算法公式，就可以综合从初始到t时刻的所有信息并通过m_1:t(·)表示，实现迭代的动态融合，其中，υ_t、τ_t分别表示加权融合时，静态判据和历史证据采用的权值。m_ts(·)表示t时刻的静态证据。对于公式中权重{τ_t,υ_t}，需要构造证据可靠度与组合权重之间的关系进行评估，给出动态更新策略如图3所示；

步骤6：通过对雷达和ESM的特征分类后，计算不同特征动态分类的综合结果；

步骤7：将特征分类的识别结果与雷达、ESM的位置特征结合，进行序贯滤波融合，获得更加可靠的关联滤波结果，其中，BK-NN分类中，如果不能获得明确的分类时，则进行传统的位置关联滤波，当获得明确分类及对应概率时，则进行特征辅助的关联滤波。其处理的流程图如图4所示。

构建信任指派过程如图2所示。接受阈

和拒绝阈

假设目标x_i的一个近邻x_j被标记为单类ω_s，x_i关于x_j的基本信任指派由接受阈

和拒绝阈

来确定，其中

如果目标x_i与近邻x_j之间的距离d_ij＝d(x_i，x_j)小于

即x_i位于类别ω_s的接受阈内，就认为x_i很可能属于ω_s类。如果

表明x_i超出了拒绝阈的范围，也就是x_i不大可能归为单类ω_s类，而是属于单类ω_s的补集

如果

介于两者之间，则认为x_i处于不确定区间之内，其类别是不完全确定的。

为了描述上述的的关系，需要构建基本信任指派与目标x_i与其近邻x_j之间距离d_ij的函数，分别定义为接受概率函数

和拒绝概率函数

描述随着目标与其近邻之间距离增大，接受目标属于ω_s的概率不断减小。拒绝概率函数

描述随着目标与其近邻之间距离增大，拒绝目标属于ω_s的概率不断增大。

流程及算法公式说明：在广义信任K近邻分类器中，对于每个目标x_i，它关于其近邻 x_j，x_j被标记为类别ω_s的bba由以下两个子基本置信指派m₁(/d_ij)和m₂(/d_ij)融合得到。

表1类别ω_s置信指派

其中，接受概率函数

拒绝概率函数

式中，e表示指数函数，λ_j为指数函数的系数，用来控制函数的斜率。

单类ω_s中所有训练样本距离的平均值

可根据下式计算：

越大，则λ_s越小，一般取

其中，N_s是训练样本在ω_s中的数目，

是单类ω_s中的训练样本，并且 x_i，j，j＝1，……K是

的K个最近邻。

获得静态证据以及动态融合过程如图3所示。

1)获得静态证据

找出特征参数的K个近邻，并计算它们的信任指派，如图3中所示的ω₁到ω_g的信任指派。将每个时刻属于同一类的信任指派融合，获取该时刻的局部静态判决。不同类别的局部静态判据融合，生成t时刻的全局静态判据m(ts)(·)；

关于不同类别的局部静态判据可以用下式进行序列融合：

m_1，s(·)是m₁(·)…m_s(·)没有归一化的融合结果，且

如果结果只有单类，那么式(5)变为证据理论DS规则；若所有复合类均保留，式(5)同 DP(Dubois&Prade)规则相同。因此式(5)可看作DS规则和DP规则的自适应折中，其中，A、 B₁表示幂集2^Ω中两个不同的焦元，

为近邻属于ω_s时的基本信任指派；

2)动态融合

第二阶段是动态更新，将t时刻的静态判据m(ts)(·)与历史证据m(1:t-1)(·)融合，就可以综合从初始到t时刻的所有信息并通过m(1:t)(·)表示，实现迭代的动态融合。

在获得静态证据后，依据下式进行动态更新：

其中τ_t，υ_t，分别为历史证据和当前证据的权重。

如图3所示，利用静态证据获取方法得到了1时刻静态证据m(1s)(·)，可以写成 m(1:1)(·)，当获得2时刻的证据m(2s)(·)后，利用公式7可以实现对历史证据m(1:1)(·)以及当前证据m(2s)(·)证据递推，得到2时刻的融合证据m(1:2)(·)。以此类推，即可利用历史证据与当前证据，实现证据的递推，得到t时刻证据m_1:t(·)。

3)ESM、雷达序贯滤波融合过程

通过前面的步骤，每个采样t时刻获取目标的特征，可以转换为特征的动态证据m_1:t(·)，该动态证据也是描述t时刻目标特征属于焦元的概率。雷达可以获得距离、角度，ESM仅仅可以获得角度，直接使用角度关联错误率较高，而引入特征参数的识别结果，进行联合滤波，可以有效的提高关联正确率。

基于第一步得到的K个置信指派以及特殊bba进行融合，作为综合考量的结果实现目标分类。获得每个时刻目标分类的静态判据步骤如下：

把每个时刻属于同一类的置信指派融合，获取该时刻的局部融合结果；将上一步所得的结果全局融合，即为该时刻的静态判据；其中第一步中的冲突信息(例如

)并无特殊意义。因此可基于DS规则分给其它焦元(类别)。第二步中局部冲突信息(例如

这里

表示目标属于ω_i的概率，

表示目标属于ω_j的概率) 描述了目标属于复合类的(ω_i∪ω_j)的信任度。若仍采用DS规则很容易将不确定的结果误分；但如果采用Dubois&Prade(DP)规则保留，产生的结果又变为大量目标被分为复合类，导致过度增加的不明确度。因此BK-NN提出有选择地保留冲突信息，达到不精确度和误分的折衷。

如果一个目标的K个近邻分别被标记属于ω₁…ω_h，且在各类别中包含近邻的数量为 [k₁，…k_h]。依据K个近邻在每个类别中数量来自动决策需保留的复合类：

第一步选出其中的最大值，k_max＝max(k₁，…k_h)，若k_max-k_i≤t，i＝1…g，(t 为设定阈值)，则认为该目标具有不确定性，很可能属于这些单类组成的复合类(集合)。需要根据每个类别中包含近邻的数量来确定符合类，为了找出这些类别构成符合类，定义阈值ψ_max＝{ω_i/k_max-k_i≤t}，所有复合类只要满足势不大于|ψ_max|，都需要保留。

关于不同类别的局部融合结果可以用下式进行序列融合：

m_1，s(·)是m₁(·)…m_s(·)没有归一化的融合结果，且

如果结果只有单类，那么式(5)变为DS规则；若所有复合类均保留，式(5)同DP规则相同。因此式(5)可看作DS规则和DP规则的自适应折中，其中，A、B₁表示幂集2^Ω中两个不同的焦元，

为近邻属于ω_s时的基本信任指派bba。

在所有的基本信任指派bba由式(5)融合后得到的结果要进行归一化，为了减少计算量，将冲突信息按比例分配给所有焦元：

2)动态融合

在获得静态证据后，依据下式进行动态更新：

式中，υ_t、τ_t分别表示加权融合时，静态判据和历史证据采用的权值。m_ts(·)表示t时刻的静态证据,m_1:t-1表示t-1时刻的历史证据。

由于雷达可测距，观测信息完备且精度较高，首先用雷达航迹起始融合航迹，完成初始化；再根据各个传感器量测的时间顺序进行相应的数据关联、滤波跟踪融合，状态更新；得到融合航迹后，判断是否终结输出。具体过程如图4所示。

第1步，获得雷达的航迹信息，初始化：由于ESM量测到来的时间不确定，且ESM 没有距离信息，而雷达可测距，观测信息完备且精度较高，所以用雷达航迹来起始航迹，完成融合航迹的初始化；第2步，判断获得的数据是否存在雷达或者ESM量测，共有三种可能，一种是仅有ESM量测，一种是仅有雷达量测，一种是两者同时存在。第3步，仅有 ESM量测时，基于ESM的状态和属性进行更新，形成ESM的融合航迹，并输出。第4步，如果仅有雷达航迹时，基于雷达的状态进行更新，形成雷达的融合航迹，并输出。第5步，如果同时获得雷达和ESM量测，则根据各个传感器量测的时间顺序进行滤波跟踪融合。有 ESM量测时，则基于ESM的状态和属性进行更新，有雷达时，基于雷达的状态进行跟新，并对两者的结果进行序贯滤波，形成融合航迹。

已知k时刻的融合航迹，k+1时刻仅有ESM量测时，首先进行数据关联，实现ESM航迹估计与融合航迹预测的匹配，并完成方差最小的航迹融合与属性更新；当已知k时刻的融合航迹，k+1时刻ESM量测和雷达都有量测，由于ESM带有属性信息，所以首先完成ESM量测与融合航迹的数据关联，更新属性信息并完成点迹与航迹的融合；然后再将融合后的航迹与量测更完备的雷达数据进行数据关联并进行状态更新；当已知k时刻的融合航迹，k+1时刻仅有雷达量测时，仅用雷达更新航迹状态估计，由于无属性量测，所以k+1时刻直接继承融合航迹上一拍的属性值；得到的融合航迹与来自地面雷达等的融合航迹进行数据链关联。进行航迹终结判断，一旦目标超出了雷达的探测范围，跟踪器必须做出相应的决策以消除多余的航迹档案，确定跟踪终结。

参阅图3，整个基于BKNN的广义信度分类流程如下：

首先在每个采样时刻t获取目标的特征，然后基于训练样本空间通过BK-NN获得各个类别在t 时刻提供的局部静态证据，经过静态判别第二步的融合生成t时刻的静态判据m_ts(·)；

第二个阶段是动态更新，将t时刻的静态判据m_ts(·)与历史证据m_1:t-1(·)融合，就可以综合从初始到t时刻的所有信息并通过m_1:t(·)表示，实现迭代的动态融合。对于式(7)中权重 {τ_t，υ_t}，需要构造证据可靠度与组合权重之间的关系进行评估。

首先给出证据相似度的定义，证据m₁和证据m₂间的相似度Sim(m₁，m₂)可以通过它们之间的距离d(m₁，m₂)定义：Sim(m₁，m₂)＝f(d(m₁，m₂))…………………………(8)

证据m₁和证据m₂间的相似度Sim(m₁，m₂):[0，1]→[0，1]是严格单调递减函数，为了能够获得所期望的证据相似性特性：

其中,d表示证据间的距离，a是用于调整m₁和m₂间差异对于相似度的影响程度的可调参数。

证据距离d与相似度Sim的关系中，a取值大小决定变换趋势的速度。a＝6时，d＝0.5 时，Sim＝0.5；当d从0.5减小到0时，Sim迅速增大接近于1；当d从0.5增大到1时， Sim快速减小趋近于0。这使相似度函数具“两极化”的特点，非常有利于正确的目标识别。可以证明，式(9)满足相似性的约束条件：

Sim(m₁，m₂)＝1；Sim(m₁，m₂)＝Sim(m₂，m₁)；

当m₁≠m₂时，Sim(m₁，m₁)>Sim(m₁，m₂)。假设辨识框架下有T条证据，分别为 m₁，m₂，…m_T，则任意一条证据m_t(t＝1，2，…T)被其它T-1条证据所支持的支持度 Sup定义为：Sup(m_t)＝∑_q≠tSim(m_t，m_q)………………………………………(10)

m_t的可靠度定义为：

其中，Crd(m_t)表示证据m_t的可靠度，证据m_t，证据m_q表示两条不同的证据，动态更新过程给出的更新结果是历史和当前证据的加权组合，其权重参数{τ_t，υ_t}是基于相似度的函数，给出更为可靠的分类结果。

计算步骤如下：

步骤1：利用式(6)分别计算m_1:t-1，m_ts以及m_(t+1)s之间的两两相似度：

备注：假设已经递推计算出t-1时刻的更新结果m_1:t-1，m_ts和m_(t+1)s分别表示t和t+1时刻获得的静态判据。

步骤2：通过式(6)和式(7)分别计算m_1:t-1，m_ts和m_(t+1)s各自的可靠度。

步骤3：通过比较Sim(m_1:t-1，m_(t+1)s)和Sim(m_1:t-1，m_ts)之间的大小，决定 {τ_t，υ_t}。其中，Sim(m_1:t-1，m_(t+1)s)表示历史证据和当前证据之间的相似性。t为时间，用来区分当前证据和历史证据。

式(17)可以理解为基于一种“瞻前顾后”的思想来做决策。将历史、当前、未来时刻的信息进行相似性对比，综合三方面的考量之后给出结论。其基本原理是将下一时刻的信息 m_(t+1)s的可靠度Crd(m_(t+1)s)作为一个平滑因子引入，用该因子自适应地调整组合权重{τ_t，υ_t}的取值。具体地：当Sim(m_1:t-1，m_(t+1)s)>Sim(m_ts，m_(t+1)s时，说明当前证据 m_ts的信度分布异于历史m_1:t-1和未来m_(t+1)s的信度分布。这种情况下可能是由于外界干扰或者分类器本身性能不稳定引起的证据失真，因此m_(t+1)s应该比m_ts更可靠，此时要把 Crd(m_(t+1)s)赋予m_1:t-1的权重τ_t，使得τ_t>υ_t；

当Sim(m_1:t-1，m_(t+1)s)＝Sim(m_ts，m_(t+1)s时，由于m_1:t-1包含了历史时刻的证据信息，仍将Crd(m_(t+1)s)赋予τ_t；当Sim(m_1:t-1，m_(t+1)s)<Sim(m_ts，m_(t+1)s时，说明在最近的t时刻和t+1时刻，m_ts与m_(t+1)s有了较大的变化，目标的运动状态产生较大变化，且持续了两个采样周期，此时应该将Crd(m_(t+1)s)赋予v_t，使得τ_t<υ_t，增加当前融合证据的作用。

本发明不局限于上述实施方式，任何人在本发明的启示下都可得出其它各种形式的产品，但不论在其形状或结构上作任何变化，在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

Claims (10)

1.一种目标特征辅助多源数据的关联方法，其特征在于包括如下步骤：根据异类特征之间的相关性，确定异类传感器数据的关联分类规则，建立目标运动特征空间、目标识别特征空间与目标类型空间的映射关联模型，在映射关联模型中构建类别辨识框架Ω，以及表征一个目标的识别分类结果的单类别ω_s，按照K-近邻法K-NN规则找出距离目标特征x_i的K个近邻，并基于目标特征x_i与其近邻x_j之间的距离d_ij构建信任指派过程中的和接受阈值

拒绝阈值

两个阈值构造信任指派；对得到的K个信任指派进行融合，作为综合考量的结果实现目标分类，获得静态证据判决；在每个采样时刻t获取目标的特征，然后对每个t时刻的目标特征进行BK-NN训练，基于训练样本空间获得各个类别对应时刻在t时刻提供的局部静态证据，融合生成t时刻的静态判据，在获得静态证据后，进行动态更新，将t时刻的静态判据与历史证据融合，实现迭代的动态融合；通过对雷达和电子支援措施ESM的特征分类后，计算不同特征动态分类的综合结果，将特征分类的识别结果与雷达、ESM的位置特征结合，进行序贯滤波融合，获得更加可靠的关联滤波结果。

2.如权利要求1所述的目标特征辅助多源数据的关联方法，其特征在于：类别识别框架Ω标识所有识别结果ω的合集，Ω＝{ω₁，ω₂...ω_h}；ω_s的取值为类别辨识框架Ω中的任意一个，s取值为1～h，h为自然数。

3.如权利要求1或2所述的目标特征辅助多源数据的关联方法，其特征在于：距离目标特征x_i的K个特征近邻是从训练样本中得到，接受阈值

拒绝阈值

由单类别ω_s中所有训练样本距离的平均值

来确定，其中，

ω_s表征一个目标的识别分类结果的单类别。

4.如权利要求3所述的目标特征辅助多源数据的关联方法，其特征在于：基于得到的K个信任指派进行融合，作为综合考量的结果实现目标分类，从而获得静态证据判决。

5.如权利要求4所述的目标特征辅助多源数据的关联方法，其特征在于：获得每个时刻目标分类的静态判据是把每个时刻属于同一类的置信指派融合，获取该时刻的局部融合结果；将所得的结果全局融合，即为该时刻的静态判据。

6.如权利要求1所述的目标特征辅助多源数据的关联方法，其特征在于：基于训练样本空间，通过BK-NN获得各个类别在t时刻提供的局部静态证据，经过静态判别融合生成t时刻的静态判据m_ts(·)；将t时刻的静态判据m_ts(·)与历史证据m_1:t-1(·)融合，利用

算法公式，综合从初始到t时刻的所有信息，实现迭代的动态融合，其中，υ_t、τ_t分别表示加权融合时，静态判据和历史证据采用的权值。

7.如权利要求1所述的目标特征辅助多源数据的关联方法，其特征在于：通过对雷达和ESM的特征分类后，计算不同特征动态分类的综合结果；将特征分类的识别结果与雷达、ESM的位置特征结合，进行序贯滤波融合，获得关联滤波结果，其中，BK-NN分类中，如果不能获得明确的分类时，则进行传统的位置关联滤波，当获得明确分类及对应概率时，则进行特征辅助的关联滤波。

8.如权利要求1或2所述的目标特征辅助多源数据的关联方法，其特征在于：构建基本信任指派与目标特征x_i与其近邻x_j之间距离的距离d_ij的函数，将所述函数分别定义为接受概率函数

和拒绝概率函数

其中，

接受概率函数

拒绝概率函数

式中，e表示指数函数，λ_j为指数函数的系数，用来控制函数的斜率。

9.如权利要求1所述的目标特征辅助多源数据的关联方法，其特征在于：当已知k时刻的融合航迹，k+1时刻仅有ESM量测时，首先进行数据关联，实现ESM航迹估计与融合航迹预测的匹配，并完成方差最小的航迹融合与属性更新。

10.如权利要求1所述的目标特征辅助多源数据的关联方法，其特征在于：当已知k时刻的融合航迹，k+1时刻ESM量测和雷达都有量测，首先完成ESM量测与融合航迹的数据关联，更新属性信息并完成点迹与航迹的融合；然后再将融合后的航迹与量测更完备的雷达数据进行数据关联并进行状态更新；当已知k时刻的融合航迹，k+1时刻仅有雷达量测时，仅用雷达更新航迹状态估计，k+1时刻直接继承融合航迹上一拍的属性值，得到的融合航迹与来自地面雷达的融合航迹进行数据链关联。

Images