CN112949152A - 一种异类传感器目标信息交接方法 - Google Patents

Abstract

本发明提供了一种异类传感器目标信息交接方法，该方法根据异类传感器信息的更新以及探测目标信息的更新，通过建立传感器网络性能指标模型以及传感器目标信息交接模型，利用博弈算法对传感器的目标信息交接进行多轮次的博弈计算，从而得到最优的传感器目标信息交接引导策略。本发明可用于防空反导一体化作战场景以及其他类似作战场景中对异类传感器的有效管理，有效的保证了目标跟踪精度的提高和异类传感器之间的交接引导。

Description

一种异类传感器目标信息交接方法

技术领域

本发明涉及传感器资源管理技术领域，尤其涉及一种异类传感器目标信息交接方法。

背景技术

弹道导弹具有射程远、命中精度高、再入速度快、灵活性强、威力大等特点，自问世以来即成为拥有者手中的“杀手锏”。弹道导弹防御作战是一种典型的体系作战，要求较高的时效性、准确性、联动性和自主性，而一体化的多层防御是实现弹道导弹防御的有效途径。弹道导弹防御作战过程中运用的传感器资源主要包括天基红外预警卫星、地基早期预警雷达、地基多功能雷达、精密跟踪雷达、战术目指雷达以及武器系统的制导雷达等，各个传感器在监视区域、探测距离、探测精度、目标识别能力等方面存在较大的差异，为了有效地识别出弹道目标并对其稳定的跟踪、以及后续的拦截效果评估，需要传感器之间的协同，而异类传感器之间的目标信息交接引导是当前的研究重点之一。

针对异类传感器之间的目标信息交接引导问题，通常采用集中式算法和分布式算法进行求解。典型集中式算法包括改进粒子群算法、匈牙利算法、粒子群拍卖混合算法等，但相对计算量较大，不易在实时系统中进行实施；典型分布式算法包括合同网算法、拍卖算法等，与集中式算法相比，分布式算法具有求解速度快、通信代价小、容错能力强等优点，更适应瞬息万变的战场环境，但其求解质量欠佳。如何在保证分布式算法求解速度的条件下同时提高求解质量，成为近几年研究的热点与难点。

发明内容

发明目的：本发明所要解决的技术问题(或目的)是提出一种异类传感器目标信息交接引导方法，通过构建感器网络性能指标模型以及传感器目标信息交接模型，适用于防空反导一体化的指挥控制系统中对于多类传感器的综合管理，能够有效的提高多传感器对目标的跟踪精度，并实现异类传感器之间的目标交接。

技术方案：为实现本发明的上述目的，本发明所采用的技术方案是：一种异类传感器目标信息交接引导方法，该方法包括以下步骤：

步骤1，更新当前指控系统(典型的C4I系统)中的传感器信息和目标信息；

步骤2，构建传感器网络性能指标模型；

步骤3，构建传感器目标信息交接模型；

步骤4，构建传感器博弈模型和策略更新规则；

步骤5，利用博弈算法计算传感器交接策略。

步骤1中，根据传感器对目标的跟踪情况，构建目标的状态方程和传感器的量测方程，如下所示：

其中X_k为k时刻的状态向量，X_k+1为k+1时刻的状态向量，Φ为状态转移矩阵，Γ为过程噪声分布矩阵，W_k为系统噪声；Z_k为k时刻的量测向量，H为量测矩阵，V_K为量测噪声。

步骤1中，当有两个以上传感器同时跟踪的情况下，各传感器对目标的量测方程为：

其中

为第i个传感器s_i在k时刻的量测值，

为第i个传感器s_i在k时刻的量测矩阵，

为第i个传感器s_i在k时刻的量测噪声。

步骤2包括：

步骤2-1，构建传感器网络效能模型：传感器网络中共有m个传感器，需要同时对n个目标进行跟踪，构造传感器和目标的配对矩阵X，其中元素为x_ij，当第i个传感器s_i对目标t_j进行跟踪时，x_ij＝1，否则x_ij＝0；如果x_ij＝1，则第i个传感器s_i取得的效能为：

q_ij＝αp_ij+βc_ij (3)

其中，α、β为加权系数，α＞0,β＞0，且α+β＝1；q_ij为第i个传感器s_i对目标t_j跟踪的效能；p_ij为第i个传感器s_i对目标t_j的跟踪精度，称为收益；c_ij为第i个传感器s_i对目标t_j的传感器资源消耗，称为能耗；

在约束条件为每个传感器实际跟踪目标个数小于能够跟踪目标的最大个数的情况下，目标函数为传感器网络整体效能最大，即：

步骤2-2，构造目标的实际跟踪精度计算模型：本发明中将跟踪精度定义为协方差矩阵的迹的开方的负值，计算公式如下：

其中，p_ij表示跟踪精度，P_ij(k|k)为k时刻误差协方差矩阵；其中误差协方差矩阵根据目标运动特性利用典型的卡尔曼滤波模型或者扩展卡尔曼滤波模型进行求解，详细过程不再描述，其求解过程不属于本发明的内容。

步骤2-3，构建传感器网络能耗计算模型：当使用第i个传感器s_i对目标进行探测时，构造能耗函数c(s_i)为：

其中α₁和β₁为常数；l(s_i)为传感器能够同时跟踪的目标个数，r(s_i)为传感器最大探测距离；

步骤2-4，确定目标跟踪精度需求。指控系统中对目标跟踪精度的需求，根据不同作战需求，或不同的作战阶段定义不同。

例如在典型的反导作战过程中，当早期预警雷达和精密跟踪雷达的对目标的交接过程中，应满足接管目标传感器捕获目标时对目标的跟踪精度要求(由早期预警雷达的200米的距离精度提高到精密跟踪雷达的60米的距离精度要求)；当进入拦截阶段时，应满足武器系统对目标的跟踪精度需求(满足武器系统的火控雷达要求的精度)；

在典型的防空作战过程中，当威胁目标进入我方安全警戒区域，由远及近向我方飞行时，对我方威胁不断增大，对目标的跟踪精度要求越来越高(远距离时满足对我方拦截机的引导精度，近距离是满足对我方SAM武器的指示精度)。

步骤3包括：

步骤3-1，提高目标跟踪精度：设如果对目标的实际跟踪精度p小于跟踪精度需求p^*，则令p＝0，传感器对目标的探测不产生收益，仅造成能耗，基于公式(4)进行改造得到提高目标跟踪精度时的目标函数为：

步骤3-2，实现目标交接：设在k时刻，目标t和a传感器s_a的距离为d_a(k)，目标t和b传感器s_b的距离为d_b(k)，在k+1时刻，目标t和s_a的距离为d_a(k+1)，目标t和s_b的距离为d_b(k+1)；

s_a在对目标进行探测过程中，当d_a(k+1)＞d_a(k)且d_a(k)＞r_a时，s_a会产生提示需求，将会提示其它传感器接管对目标的探测任务；当d_b(k+1)＜d_b(k)且目标位于s_a和s_b的共同探测区域之内时，s_b具有接管对目标探测任务的能力，将作为s_a的提示对象；基于公式(4)进行改造得到对目标t进行交接时的目标函数为：

传感器s_i满足d_i(k+1)＜d_i(k)。

步骤4包括：

步骤4-1，两个传感器博弈模型：当目标t同时位于两个传感器s_a和s_b的探测范围内时，由最早探测到目标t的传感器s_a产生任务提示需求；对于s_b，如果其不对目标t进行探测，仍能够通过s_a的信息提示获得由s_a探测到的关于目标的信息，此时s_b的效能为q_b＝αp_a；如果s_a和s_b同时对t进行探测，则s_b的效能为q_b＝αp_ab+βc_b，其中p_ab表示传感器s_a和s_b同时探测的精度，c_b表示传感器s_b的能耗；当仅由s_b对t进行探测，则s_b的效能为q_b＝αp_b+βc_b，其中p_b表示传感器s_b探测的精度；当s_a和s_b均不对t进行探测时，s_b的效能q_b＝γ，γ为常数；

s_b的博弈矩阵如下所示：

式中C表示合作策略，D表示背叛策略，q(C,C)表示传感器s_a和s_b同时合作时的效能，q(C,D)和q(D,C)表示传感器s_a和s_b一个合作一个背叛时的效能，q(D,D)表示传感器s_a和s_b同时背叛时的效能。

则根据博弈矩阵得到相应的规则如下：

第一个规则，当αp_ab+βc_b＞γ，即博弈个体倾向于共同合作(C，C)，而非共同背叛(D，D)；

第二个规则，当αp_ab+βc_b＞αp_b+βc_b，即传感器倾向于共同合作(C，C)，而非单方面合(D，C)；

第三个规则，当αp_a＞γ且αp_b+βc_b＞γ，即两个传感器至少有一个采取合作的策略(D，C)或(C，D)，保证目标能够被至少一个传感器探测；

当传感器目标信息交接引导的目的是提高目标跟踪精度时，除满足以上三个规则外，接受提示的传感器s_b应满足αp_ab+βc_b＞αp_b，此时传感器倾向于共同合作；

当传感器交叉提示的目的是进行目标交接时，s_a选择D策略，此时，s_b选择C策略。

步骤4-2，两个以上传感器博弈模型：当目标t位于M个传感器的探测范围内时，传感器集合为{s₁,s₂,…,s_M}，此种情况下，当s_a进行博弈时，博弈s_b看作为{s₁,s₂,…,s_M}和s_a组合而成的虚拟传感器，其中任意一个传感器选择C策略，则虚拟传感器为C策略；

步骤4-3，构建传感器博弈策略更新规则。

步骤4-3包括：初始化各个传感器初始状态，设参数H(T)＝1，表示传感器s_b在第T次迭代时采取C策略，该传感器效能增大；参数H(T)＝0，表示传感器s_b在第T次迭代时采取D策略，该传感器效能增大；

设在第T次迭代时采取C策略的概率为Q(T)，传感器博弈过程中，倾向于合作，采取C策略效能增加的概率为O(T)，0.5＜O(T)≤1；

在第T次迭代时采取D策略的概率为1－Q(T)，采取D策略效能增加的概率为1－O(T)；传感器s_b按照概率选择第T次迭代时的策略；

当q_b(T)≥q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益增加的概率U(T)为：

U(T)＝Q(T)×O(T)+(1-Q(T))×(1-O(T)) (8)

第T+1次迭代式，

当0.5＜O(T)≤1时，有Q(T)<Q(T+1)<1，表示如果此次移动证明了H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会增加；

当q_b(T)＜q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益减小的概率D(T)为：

D(T)＝(1-Q(T))×O(T)+Q(T)×(1-O(T)) (10)

第T+1次迭代式，

当0.5＜O(T)≤1时，有0<Q(T+1)<Q(T)，表示如果此次移动没有证明H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会减小。

步骤5包括：

步骤5-1，当T＝2时，随机生成策略集合G＝{G₁,G₂,…,G_M}，其中G_M表示第M个传感器的初始随机策略；根据公式(3)计算传感器效能q＝{q₁,q₂,…,q_M}，其中q_M表示第M个传感器效能；根据公式(9)计算博弈矩阵E＝[E₁,E₂,…,E_M]，其中E_M表示第M个传感器的博弈矩阵；根据公式(11)或者公式(13)给定T＝2时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}，其中其中Q_M表示第M个传感器采取C策略的概率，O_M表示第M个传感器的采取C策略效能增加的概率；

步骤5-2，当T≥2时，根据上一时刻的传感器策略更新规则来更新博弈策略；根据公式(3)更新传感器效能q＝{q₁,q₂,…,q_M}；根据公式(7)更新博弈矩阵E＝[E₁,E₂,…,E_M]，进而传感器目标信息交接引导的目的判断是否达到相应的要求：如果达到说明本次更新策略成功，博弈结束，取本次博弈策略为最佳策略；如果没有达到需要继续博弈，根据公式(9)或者公式(11)给定T＝T+1时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}；

最后判断是否达到最大的博弈迭代次数，如果是，博弈结束，取最后一次博弈策略为最佳策略；如果不是回到步骤5-2继续博弈。

本发明与现有技术相比，显著优点是：本发明提出的一种异类传感器目标信息交接引导算法更符合实际作战场景，能够有效实现传感器管理，提高目标跟踪精度和进行目标交接，与代表集中式算法的粒子群算法和代表分布式算法的合同网算法和拍卖算法相比，博弈论算法收敛速度明显提高，求解质量较高，在作战态势变化较快的情形下具有明显优势。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。

图1是本发明的总体流程图。

图2是本发明中传感器交接策略的博弈算法流程图。

具体实施方式

如图1所示，本发明主要包括：更新当前网络中的传感器信息和目标信息、构建传感器网络性能指标模型、构建传感器目标信息交接模型、构建传感器博弈模型和策略更新规则、利用博弈算法计算传感器交接策略。结合流程图说明具体实现步骤为：

步骤1：更新当前网络中的传感器信息和目标的信息，根据传感器对目标的跟踪情况，构建目标的状态方程和传感器的量测方程，典型的单传感器跟踪目标的状态方程和量测方程为：

其中X_k为k时刻的状态向量，X_k+1为k+1时刻的状态向量，Φ为状态转移矩阵，Γ为过程噪声分布矩阵，W_k为系统噪声；Z_k为k时刻的量测向量，H为量测矩阵，V_K为量测噪声。

当由多个传感器同时跟踪的情况下，各传感器对目标的量测方程为：

其中

为传感器s_i在k时刻的量测值，

为传感器s_i在k时刻的量测矩阵，

为传感器s_i在k时刻的量测噪声。

步骤2中，构建传感器网络性能指标模型：

(1)首先构建传感器网络效能模型。传感器网络中共有m个传感器，需要同时对n个目标进行跟踪，构造传感器-目标的配对矩阵X，其中元素为x_ij，当传感器s_i对目标t_j进行跟踪时，x_ij＝1，否则x_ij＝0。若x_ij＝1，则传感器s_i取得的效能为：

q_ij＝αp_ij+βc_ij (3)

其中，α＞0,β＞0为加权系数，且α+β＝1；q_ij为s_i对目标t_j跟踪的效能，p_ij为s_i对目标t_j的跟踪精度，称为收益；c_ij为s_i对t_j传感器资源消耗，称为能耗。在约束条件为每个传感器实际跟踪目标个数小于能够跟踪目标的最大个数的情况下，目标函数为传感器网络整体效能最大，即：

(2)构造目标的实际跟踪精度计算模型。本发明中将跟踪精度定义为协方差矩阵的迹的开方的负值，计算公式为：

其中P_ij(k|k)为k时刻误差协方差矩阵；其中误差协方差矩阵根据目标运动特性利用典型的卡尔曼滤波模型或者扩展卡尔曼滤波模型进行求解，详细过程不再描述，其求解过程不属于本发明的内容。

(3)构建传感器网络能耗计算模型。当使用传感器s_i对目标进行探测时，构造能耗函数c(s_i)为：

其中α₁和β₁为常数，取α₁＝0.01，β₁＝0.1，l(s_i)为传感器可同时跟踪的目标个数，r(s_i)为传感器最大探测距离。

(4)目标跟踪精度需求确定。目标跟踪精度需求p^*为指控中心对目标跟踪精度应该达到的值，通常根据不同作战需求，或不同的作战阶段定义不同。

例如在典型的反导作战过程中，当早期预警雷达和精密跟踪雷达的对目标的交接过程中，应满足接管目标传感器捕获目标时对目标的跟踪精度要求(由早期预警雷达的200米的距离精度提高到精密跟踪雷达的60米的距离精度要求)；当进入拦截阶段时，应满足武器系统对目标的跟踪精度需求(满足武器系统的火控雷达要求的精度)；

在典型的防空作战过程中，当威胁目标进入我方安全警戒区域，由远及近向我方飞行时，对我方威胁不断增大，对目标的跟踪精度要求越来越高(远距离时满足对我方拦截机的引导精度，近距离是满足对我方SAM武器的指示精度)。

步骤3中，构建传感器目标信息交接模型。根据不同类型的任务，采取不同的目标信息交接引导方法：

(1)提高目标跟踪精度：传感器对目标进行跟踪时，若不考虑目标跟踪精度需求而一味提高传感器网络效能，可能出现传感器网络虽然效能很大，但单目标跟踪精度却很低的情况，达不到作战指挥控制中心对单目标的跟踪精度需求，这在实战中没有意义。本发明中，设若对目标的实际跟踪精度p小于跟踪精度需求p^*，则令p＝0，传感器对目标的探测不产生收益，仅造成能耗。对于目标t来说，发起提示的传感器为针对目标t进行跟踪的当前精度较低的传感器，被提示传感器为精度较高且能够探测到目标t的传感器。基于公式(4)进行改造得到提高目标跟踪精度时的目标函数为：

(2)实现目标交接：当目标在运动过程中将要“逃离”传感器的探测区域时，传感器将会产生“任务提示”需求，提示其它传感器对目标进行跟踪，从而实现对目标跟踪任务的交接。设在k时刻，目标t和s_a的距离为d_a(k)，目标t和s_b的距离为d_b(k)，在k+1时刻，目标t和s_a的距离为d_a(k+1)，目标t和s_b的距离为d_b(k+1)。s_a在对目标进行探测过程中，当d_a(k+1)＞d_a(k)且d_a(k)＞r_a时，s_a将会产生提示需求，将会提示其它传感器接管对目标的探测任务；当d_b(k+1)＜d_b(k)且目标位于s_a和s_b的共同探测区域之内时，s_b具有接管对目标探测任务的能力，将作为s_a的提示对象。基于公式(4)进行改造得到对目标t进行交接时的目标函数为：

(传感器s_i满足d_i(k+1)＜d_i(k)) (4-2)

步骤4中，构建传感器博弈模型以及博弈的策略更新规则。

(1)两个传感器博弈模型：当目标t同时位于两个传感器s_a和s_b的探测范围内时，由最早探测到目标t的传感器s_a产生“任务提示”需求。对于s_b来讲，若其不对目标t进行探测，仍可通过s_a的“信息提示”获得由s_a探测到的关于目标的信息，此时s_b的效能为q_b＝αp_a；若s_a和s_b同时对t进行探测，则s_b的效能为q_b＝αp_ab+βc_b；当仅由s_b对t进行探测，则s_b的效能为q_b＝αp_b+βc_b；当s_a和s_b均不对t进行探测时，s_b的效能q_b＝γ，γ为常数，远远小于其它三个值，以确保每个目标都有传感器对其进行跟踪。s_b的博弈矩阵如下所示：

式中C表示“合作策略”，D表示“背叛策略”,则根据博弈矩阵得到相应的规则如下：

①当αp_ab+βc_b＞γ，即博弈个体倾向于共同合作(C，C)，而非共同背叛(D，D)；

②当αp_ab+βc_b＞αp_b+βc_b，即传感器倾向于共同合作(C，C)，而非单方面合(D，C)；

③当αp_a＞γ且αp_b+βc_b＞γ，即两个传感器至少有一个采取合作的策略(D，C)或(C，D)，保证目标能够被至少一个传感器探测。

当传感器目标信息交接引导的目的是提高目标跟踪精度时，除满足以上三个(①、②、③)条件外，接受提示的传感器s_b应满足αp_ab+βc_b＞αp_b，此时传感器倾向于共同合作。为使传感器倾向于合作，以此提高目标跟踪精度，在计算过程中，应增大α的值，减小β的值。

当传感器交叉提示的目的是进行目标交接时，s_a选择D策略，此时，s_b选择C策略。

(2)多个传感器博弈模型：当目标t位于M个传感器的探测范围内时，传感器集合为{s₁,s₂,…,s_M}，此种情况下，当s_a进行博弈时，博弈s_b可以看作为{s₁,s₂,…,s_M}-s_a组合而成的“虚拟传感器”，其中任意一个传感器选择C策略，则该“虚拟传感器”为C策略。

(3)传感器博弈策略更新规则

初始化各个传感器初始状态，设H(T)＝1，表示传感器s_b在第T次迭代时采取C策略，该传感器效能增大；H(T)＝0，表示传感器s_b在第T次迭代时采取D策略，该传感器效能增大。设在第T次迭代时采取C策略的概率为Q(T)，传感器博弈过程中，倾向于合作，采取C策略效能增加的概率为O(T)(0.5＜O(T)≤1)；在第T次迭代时采取D策略的概率为1－Q(T)，采取D策略效能增加的概率为1－O(T)。传感器s_b按照概率选择第T次迭代时的策略。

当q_b(T)≥q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益增加的概率为：

U(T)＝Q(T)×O(T)+(1-Q(T))×(1-O(T)) (8)

第T+1次迭代式，

当0.5＜O(T)≤1时，有Q(T)<Q(T+1)<1，表示如果此次移动证明了H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会增加。

当q_b(T)＜q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益减小的概率为：

D(T)＝(1-Q(T))×O(T)+Q(T)×(1-O(T)) (10)

第T+1次迭代式，

当0.5＜O(T)≤1时，有0<Q(T+1)<Q(T)，表示如果此次移动没有证明H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会减小。

步骤5中，利用博弈算法计算传感器交接的策略。图2给出了具体的博弈算法流程图。确定了博弈的传感器集合{s₁,s₂,…,s_M}后，利用博弈算法迭代得到传感器的最佳策略的步骤如下：

(1)当T＝2时，首先随机生成策略集合G＝{G₁,G₂,…,G_M}；其次根据公式(3)计算传感器效能q＝{q₁,q₂,…,q_M}；其次根据公式(7)计算博弈矩阵E＝[E₁,E₂,…,E_M]；进而传感器目标信息交接引导的目的利用公式(4-1)或者公式(4-2)计算目标函数值；根据公式(9)或者公式(11)给定T＝2时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}。

(2)当T≥2时，首先根据上一时刻的传感器策略更新规则来更新博弈策略；其次根据公式(3)更新传感器效能q＝{q₁,q₂,…,q_M}；其次根据公式(9)更新博弈矩阵E＝[E₁,E₂,…,E_M]；进而传感器目标信息交接引导的目的利用公式(4-1)或者公式(4-2)计算目标函数值；如果目标值达到最大不再更新，说明本次更新策略成功，博弈结束，取本次博弈策略为最佳策略；如果没有达到需要继续博弈，根据公式(11)或者公式(13)给定T＝T+1时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}。

(3)最后判断是否达到最大的博弈迭代次数，如果是博弈结束，取最后一次博弈策略为最佳策略；如果不是回到上一步骤继续博弈。其中最大的博弈迭代的次数可根据经验或者多次迭代的结果选取。

本发明提供了一种异类传感器目标信息交接方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.一种异类传感器目标信息交接方法，其特征在于，包括如下步骤：

步骤1，更新当前指控系统中的传感器信息和目标信息；

步骤2，构建传感器网络性能指标模型；

步骤3，构建传感器目标信息交接模型；

步骤4，构建传感器博弈模型和策略更新规则；

步骤5，利用博弈算法计算传感器交接策略。

2.根据权利要求1所述的方法，其特征在于，步骤1中，根据传感器对目标的跟踪情况，构建目标的状态方程和传感器的量测方程，如下所示：

其中X_k为k时刻的状态向量，X_k+1为k+1时刻的状态向量，Φ为状态转移矩阵，Γ为过程噪声分布矩阵，W_k为系统噪声；Z_k为k时刻的量测向量，H为量测矩阵，V_K为量测噪声。

3.根据权利要求2所述的方法，其特征在于，步骤1中，当有两个以上传感器同时跟踪的情况下，各传感器对目标的量测方程为：

其中

为第i个传感器s_i在k时刻的量测值，

为第i个传感器s_i在k时刻的量测矩阵，

为第i个传感器s_i在k时刻的量测噪声。

4.根据权利要求3所述的方法，其特征在于，步骤2包括：

步骤2-1，构建传感器网络效能模型：传感器网络中共有m个传感器，需要同时对n个目标进行跟踪，构造传感器和目标的配对矩阵X，其中元素为x_ij，当第i个传感器s_i对目标t_j进行跟踪时，x_ij＝1，否则x_ij＝0；如果x_ij＝1，则第i个传感器s_i取得的效能为：

q_ij＝αp_ij+βc_ij (3)

其中，α、β为加权系数，α＞0,β＞0，且α+β＝1；q_ij为第i个传感器s_i对目标t_j跟踪的效能；p_ij为第i个传感器s_i对目标t_j的跟踪精度，称为收益；c_ij为第i个传感器s_i对目标t_j的传感器资源消耗，称为能耗；

在约束条件为每个传感器实际跟踪目标个数小于能够跟踪目标的最大个数的情况下，目标函数为传感器网络整体效能最大，即：

步骤2-2，构造目标的实际跟踪精度计算模型：

其中，p_ij表示跟踪精度，P_ij(k|k)为k时刻误差协方差矩阵；

步骤2-3，构建传感器网络能耗计算模型：当使用第i个传感器s_i对目标进行探测时，构造能耗函数c(s_i)为：

其中α₁和β₁为常数；l(s_i)为传感器能够同时跟踪的目标个数，r(s_i)为传感器最大探测距离；

步骤2-4，确定目标跟踪精度需求。

5.根据权利要求4所述的方法，其特征在于，步骤3包括：

步骤3-1，提高目标跟踪精度：设如果对目标的实际跟踪精度p小于跟踪精度需求p^*，则令p＝0，传感器对目标的探测不产生收益，仅造成能耗，基于公式(4)进行改造得到提高目标跟踪精度时的目标函数为：

步骤3-2，实现目标交接：设在k时刻，目标t和a传感器s_a的距离为d_a(k)，目标t和b传感器s_b的距离为d_b(k)，在k+1时刻，目标t和s_a的距离为d_a(k+1)，目标t和s_b的距离为d_b(k+1)；

s_a在对目标进行探测过程中，当d_a(k+1)＞d_a(k)且d_a(k)＞r_a时，s_a会产生提示需求，将会提示其它传感器接管对目标的探测任务；当d_b(k+1)＜d_b(k)且目标位于s_a和s_b的共同探测区域之内时，s_b具有接管对目标探测任务的能力，将作为s_a的提示对象；基于公式(4)进行改造得到对目标t进行交接时的目标函数为：

传感器s_i满足d_i(k+1)＜d_i(k)。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：

步骤4-1，两个传感器博弈模型：当目标t同时位于两个传感器s_a和s_b的探测范围内时，由最早探测到目标t的传感器s_a产生任务提示需求；对于s_b，如果其不对目标t进行探测，仍能够通过s_a的信息提示获得由s_a探测到的关于目标的信息，此时s_b的效能为q_b＝αp_a；如果s_a和s_b同时对t进行探测，则s_b的效能为q_b＝αp_ab+βc_b，其中p_ab表示传感器s_a和s_b同时探测的精度，c_b表示传感器s_b的能耗；当仅由s_b对t进行探测，则s_b的效能为q_b＝αp_b+βc_b，其中p_b表示传感器s_b探测的精度；当s_a和s_b均不对t进行探测时，s_b的效能q_b＝γ，γ为常数；

s_b的博弈矩阵如下所示：

式中C表示合作策略，D表示背叛策略，q(C,C)表示传感器s_a和s_b同时合作时的效能，q(C,D)和q(D,C)表示传感器s_a和s_b一个合作一个背叛时的效能，q(D,D)表示传感器s_a和s_b同时背叛时的效能；

则根据博弈矩阵得到相应的规则如下：

第一个规则，当αp_ab+βc_b＞γ，即博弈个体倾向于共同合作(C，C)，而非共同背叛(D，D)；

第二个规则，当αp_ab+βc_b＞αp_b+βc_b，即传感器倾向于共同合作(C，C)，而非单方面合(D，C)；

第三个规则，当αp_a＞γ且αp_b+βc_b＞γ，即两个传感器至少有一个采取合作的策略(D，C)或(C，D)，保证目标能够被至少一个传感器探测；

当传感器目标信息交接引导的目的是提高目标跟踪精度时，除满足以上三个规则外，接受提示的传感器s_b应满足αp_ab+βc_b＞αp_b，此时传感器倾向于共同合作；

当传感器交叉提示的目的是进行目标交接时，s_a选择D策略，此时，s_b选择C策略；

步骤4-2，两个以上传感器博弈模型：当目标t位于M个传感器的探测范围内时，传感器集合为{s₁,s₂,…,s_M}，此种情况下，当s_a进行博弈时，博弈s_b看作为{s₁,s₂,…,s_M}和s_a组合而成的虚拟传感器，其中任意一个传感器选择C策略，则虚拟传感器为C策略；

步骤4-3，构建传感器博弈策略更新规则。

7.根据权利要求6所述的方法，其特征在于，步骤4-3包括：初始化各个传感器初始状态，设参数H(T)＝1，表示传感器s_b在第T次迭代时采取C策略，该传感器效能增大；参数H(T)＝0，表示传感器s_b在第T次迭代时采取D策略，该传感器效能增大；

设在第T次迭代时采取C策略的概率为Q(T)，传感器博弈过程中，倾向于合作，采取C策略效能增加的概率为O(T)，0.5＜O(T)≤1；

在第T次迭代时采取D策略的概率为1－Q(T)，采取D策略效能增加的概率为1－O(T)；传感器s_b按照概率选择第T次迭代时的策略；

当q_b(T)≥q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益增加的概率U(T)为：

U(T)＝Q(T)×O(T)+(1-Q(T))×(1-O(T)) (8)

第T+1次迭代式，

当0.5＜O(T)≤1时，有Q(T)<Q(T+1)<1，表示如果此次移动证明了H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会增加；

当q_b(T)＜q_b(T-1)时，更新算法如下：

第T次迭代后s_b策略更新后收益减小的概率D(T)为：

D(T)＝(1-Q(T))×O(T)+Q(T)×(1-O(T)) (10)

第T+1次迭代式，

当0.5＜O(T)≤1时，有0<Q(T+1)<Q(T)，表示如果此次移动没有证明H(T)＝1的假设，则在第T+1次迭代时Q(T+1)将会减小。

8.根据权利要求7所述的方法，其特征在于，步骤5包括：

步骤5-1，当T＝2时，随机生成策略集合G＝{G₁,G₂,…,G_M}，其中G_M表示第M个传感器的初始随机策略；根据公式(3)计算传感器效能q＝{q₁,q₂,…,q_M}，其中q_M表示第M个传感器效能；根据公式(9)计算博弈矩阵E＝[E₁,E₂,…,E_M]，其中E_M表示第M个传感器的博弈矩阵；根据公式(11)或者公式(13)给定T＝2时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}，其中Q_M表示第M个传感器采取C策略的概率，O_M表示第M个传感器的采取C策略效能增加的概率；

步骤5-2，当T≥2时，根据上一时刻的传感器策略更新规则来更新博弈策略；根据公式(3)更新传感器效能q＝{q₁,q₂,…,q_M}；根据公式(7)更新博弈矩阵E＝[E₁,E₂,…,E_M]，进而传感器目标信息交接引导的目的判断是否达到相应的要求：如果达到说明本次更新策略成功，博弈结束，取本次博弈策略为最佳策略；如果没有达到需要继续博弈，根据公式(9)或者公式(11)给定T＝T+1时刻传感器策略更新规则Q＝{Q₁,Q₂,…,Q_M},O＝{O₁,O₂,…,O_M}；

最后判断是否达到最大的博弈迭代次数，如果是，博弈结束，取最后一次博弈策略为最佳策略；如果不是回到步骤5-2继续博弈。

Images