CN113124871B - 一种基于数据质量评估的自适应航迹关联方法 - Google Patents

一种基于数据质量评估的自适应航迹关联方法 Download PDF

Info

Publication number
CN113124871B
CN113124871B CN202110287339.4A CN202110287339A CN113124871B CN 113124871 B CN113124871 B CN 113124871B CN 202110287339 A CN202110287339 A CN 202110287339A CN 113124871 B CN113124871 B CN 113124871B
Authority
CN
China
Prior art keywords
level
evaluation value
sensor
track
numerical
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
CN202110287339.4A
Other languages
English (en)
Other versions
CN113124871A (zh
Inventor
郭杰
王波兰
张瑜
吴凯
张宝超
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110287339.4A priority Critical patent/CN113124871B/zh
Publication of CN113124871A publication Critical patent/CN113124871A/zh
Application granted granted Critical
Publication of CN113124871B publication Critical patent/CN113124871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于数据质量评估的自适应航迹关联方法，同时将传感器性能和局部滤波数据质量考虑在内，采用距离和角度测量误差衡量传感器性能，用考虑历史信息的标准化距离函数衡量局部滤波质量，采用效用函数得到两项指标评估结果，并根据评估结果动态调整显著性水平αi的大小，最后将显著性水平αi代入现有的独立序贯航迹关联算法，即可确定各传感器在各时刻采集到的量测信息对应的航迹估计的所属目标；由此可见，本发明不仅解决了由于传感器精度有限、杂波、目标密集且轨迹出现交叉等因素，传统的基于统计的关联方法难以应用于复杂环境下的航迹关联问题，还克服了现有的航迹关联算法通常不能对影响关联结果的因素进行完善考虑的缺陷。

Description

一种基于数据质量评估的自适应航迹关联方法
技术领域
本发明属于航空宇航科学技术领域，尤其涉及一种基于数据质量评估的自适应航迹关联方法。
背景技术
在分布式系统中，信息融合的研究范畴即为各个传感器的航迹融合，根据不同传感器跟踪得到的局部航迹形成精度更高的系统航迹。分布式系统中多传感器数据关联即为航迹-航迹关联，其目的是找到各传感器系统中来源于同一个目标的局部航迹集合。融合中心中航迹关联的结果直接影响后续航迹融合的质量，因此良好的关联效果是航迹跟踪与识别的基础。目前常用的航迹关联算法通常可以分为两类：基于统计的方法和基于模糊数学的方法。
基于统计的航迹关联算法主要是通过状态估计差进行统计检验，将航迹关联问题转化为假设检验问题，选择不同的检验统计即可得到不同的关联算法。1971年，Singer和Kanyuch首先提出了加权航迹关联算法。随后Bar-Shalom对该算法中的距离度量提出了修正，提出了修正航迹关联算法。Singer和Kosaka等人又提出了最近邻域法(NearestNeighbor，NN)。Bowman则运用极大似然估计(ML)描述了航迹关联问题，Chang和Youens基于运筹学中的经典分配问题(CA)来对航迹测量进行关联。何友教授将序贯以及双门限思想应用于航迹关联中，主要研究了独立序贯、相关序贯、独立双门限和相关双门限这几种算法。
基于模糊数学的航迹关联算法有模糊函数关联法、模糊逻辑关联法等。模糊函数关联算法主要是基于模糊集理论的思想，根据隶属度函数和综合函数的具体模型的选择来计算综合相似度，同时引入航迹关联质量进行关联判断。模糊逻辑航迹关联算法就是利用航迹与航迹之间的模糊关系，运用模糊IF-THEN规则列出航迹与航迹之间的模糊关系准则图表，根据这个图表判别航迹是否关联。
此外，张琤等人针对传统的关联门设计方法应用于杂波环境下多目标跟踪时容易出现错误跟踪现象以及跟踪精度下降的问题，提出了一种新的自适应关联门设计方法。该方法通过构建量测关联性能评估指标，获取量测向量与状态向量之间的关联误差信息及其误差变化率，并以此为敏感度指标，在丢失量测或目标关联出现偏移之前，预先调整关联门，从而在确保正确量测落入关联门内的同时减小杂波和非本目标回波的干扰。
由此可见，现有航迹关联方法的缺陷主要有：
(1)针对基于统计的关联算法，当目标间距较大、探测误差较小的情况下，系统对航迹关联问题的处理较为容易。但在复杂环境中，这类算法在进行有效关联时会比较困难，随着目标密集程度的增大以及误差的影响，航迹关联效果变差，产生错、漏关联，算法抗干扰性较差；且随着关联次数的增加，算法包含了大量的对局部状态估计误差协方差阵的求逆运算，同时随着目标数和雷达回波数的增加，参与关联的航迹数量急剧增加，使得算法的复杂度和计算量增大。
(2)相比基于统计的航迹关联方法，基于模糊的航迹关联方法虽具有关联效果好、处理速度快、存储与通信量小等优点，但是由于其系统参数设置的复杂，并且参数自适应能力差，难以应用于实际的工程问题。
发明内容
为解决上述问题，本发明提供一种基于数据质量评估的自适应航迹关联方法，结合对传感器本身性能和局部滤波航迹质量的评估，能够实现航迹对之间的有效关联。
一种基于数据质量评估的自适应航迹关联方法，用于确定多个传感器在各个时刻采集到的量测信息对应的航迹估计的所属目标，所述方法包括以下步骤：
S1：根据各传感器固有的位置测量误差和角度测量误差的所属区间，获取各传感器对应的性能评估值c1i，其中，i＝1,2,..,n，n为传感器的数量；
S2：将各传感器采集到的量测信息依次进行时空配准与IMM局部滤波后，基于标准化距离函数得到各传感器在k+1时刻的局部航迹质量Di(k+1)；
S3：根据各传感器对应的局部航迹质量Di(k+1)的所属区间，获取k+1时刻各局部航迹质量Di(k+1)对应的评估值c2i；
S4：根据评估值c1i与c2i得到各传感器在k+1时刻对应的显著性水平αi，其中，评估值c1i与c2i越大，显著性水平αi越小；
S5：分别根据独立序贯航迹关联算法中各传感器在k+1时刻对应的似然比函数是否小于关联门限，来确定各传感器在k+1时刻采集到的量测信息对应的航迹估计的所属目标，其中，所述关联门限由显著性水平αi决定。
进一步地，步骤S1中各传感器对应的性能评估值c1i的获取方法为：
S11：将各传感器对应的位置测量误差记为
Figure BDA0002981034130000031
角度测量误差记为
Figure BDA0002981034130000032
并将位置测量误差的有效上限值与有效下限值分别设定为
Figure BDA0002981034130000033
和
Figure BDA0002981034130000034
角度测量误差的有效上限值与有效下限值分别设定为
Figure BDA0002981034130000035
和
Figure BDA0002981034130000036
S12：采用分段线性函数获取各传感器对应的位置测量误差
Figure BDA0002981034130000037
与角度测量误差
Figure BDA0002981034130000041
对应的效用值：
Figure BDA0002981034130000042
其中，r＝p,a，
Figure BDA0002981034130000043
为第i个传感器的位置测量误差
Figure BDA0002981034130000044
对应的效用值，
Figure BDA0002981034130000045
为第i个传感器的角度测量误差
Figure BDA0002981034130000046
对应的效用值；
S13：分别将各传感器对应的效用值
Figure BDA0002981034130000047
与效用值
Figure BDA0002981034130000048
的平均值作为各传感器对应的性能评估值c1i。
进一步地，步骤S2中所述局部航迹质量Di(k+1)的获取方法为：
S21：构建标准化距离函数如下：
Figure BDA0002981034130000049
其中，
Figure BDA00029810341300000410
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的标准化距离函数，T为转置，
Figure BDA00029810341300000411
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的新息，
Figure BDA00029810341300000412
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的协方差，且j＝1,2,..,m，m为IMM局部滤波中包含的滤波模型的数量；
S22：基于历史局部航迹质量对标准化距离函数
Figure BDA00029810341300000413
进行重构：
Figure BDA00029810341300000414
其中，
Figure BDA00029810341300000415
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数，β为设定的历史权因子，
Figure BDA00029810341300000416
为k时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数；
S23：根据重构距离函数
Figure BDA0002981034130000051
获取局部航迹质量Di(k+1)：
Figure BDA0002981034130000052
其中，
Figure BDA0002981034130000053
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的权重。
进一步地，步骤S3中k+1时刻各局部航迹质量Di(k+1)对应的评估值c2i的获取方法为：
采用分段线性函数获取各局部航迹质量Di(k+1)对应的评估值c2i：
Figure BDA0002981034130000054
其中，Dmax为局部航迹质量的效用值上限，Dmin为局部航迹质量的效用值下限。
进一步地，基于设定的模糊规则确定显著性水平αi，具体为：
分别为传感器对应的性能评估值c1i、局部航迹质量的评估值c2i以及显著性水平αi设置五个顺次增大的数值区间，且五个数值区间的等级分别为小、较小、中、较大以及大；
当评估值c1i落入等级为小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较大的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较大和等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为中的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较大的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较小、等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为大的数值区间时，对应的显著性水平αi均从等级为小的数值区间中选取。
有益效果：
1、本发明提供一种基于数据质量评估的自适应航迹关联方法，对影响关联正确率的因素进行分析，同时将传感器性能和局部滤波数据质量考虑在内，采用距离和角度测量误差衡量传感器性能，用考虑历史信息的标准化距离函数衡量局部滤波质量，采用效用函数得到两项指标评估结果，提供更加完善合理的参数自适应准则，并根据评估结果动态调整显著性水平αi的大小，最后将显著性水平αi代入现有的独立序贯航迹关联算法，即可确定各传感器在k+1时刻采集到的量测信息对应的航迹估计的所属目标；由此可见，本发明结合对传感器本身性能和局部滤波航迹质量的评估来动态调整显著性水平αi的大小，不仅解决了由于传感器精度有限、杂波、目标密集且轨迹出现交叉等因素，传统的基于统计的关联方法难以应用于复杂环境下的航迹关联问题，还克服了现有的航迹关联算法通常不能对影响关联结果的因素进行完善考虑的缺陷。
2、本发明提供一种基于数据质量评估的自适应航迹关联方法，相比于基于模糊的航迹关联算法，基于统计的航迹关联算法虽实现简单，但往往难以应用于复杂环境，本发明考虑传感器性能以及局部滤波航迹质量，采用模糊方法构建上述两项影响因素与关联算法中显著性水平αi的关系，用每个时刻下的数据质量评估结果自适应调整显著性水平，从而缩小或放大决定关联门限取值的显著性水平αi，达到自适应调整参数的目的，以此减小漏关联或错关联的可能，提高算法鲁棒性。
附图说明
图1为本发明提供的一种基于航迹质量评估的航迹关联方法的流程图；
图2为本发明测量误差对应的效用值函数示意图；
图3为本发明提供的一种基于航迹质量评估的航迹关联方法的原理框图；
图4为本发明提供的IMM流程图；
图5为本发明提供的局部航迹质量指标效用值函数示意图；
图6为本发明提供的显著性水平αi的模糊控制面示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种基于航迹质量评估的航迹关联方法。在复杂的探测环境下，传统的基于统计的航迹关联算法常常会出现错关联、漏关联等情况，无法实现航迹对之间的有效关联。为解决此类问题，在对各个传感器的量测数据进行时空配准和交互多模型(IMM)局部滤波后，结合对传感器本身性能和局部滤波航迹质量的评估，采用模糊策略构建了传感器性能和局部航迹质量两个影响关联质量的因素与算法参数之间的关系，根据评估结果动态调整参数，再进一步送至融合中心进行航迹关联操作，为后续的航迹融合提供依据。本发明的关联算法流程图如图1所示，具体包括以下步骤：
S1：根据各传感器固有的位置测量误差和角度测量误差的所属区间，获取各传感器对应的性能评估值c1i，其中，i＝1,2,..,n，n为传感器的数量。
需要说明的是，在航迹关联问题中，结果的不确定性可能来源于两方面：一方面，由于传感器的探测精度有限，不可避免的会引入测量误差；另一方面，由于跟踪环境存在杂波、虚假目标等干扰，无法充分获取空间环境的先验知识。因此，从传感器性能和局部航迹质量两个方面来考察待融合数据质量。
下面首先介绍各传感器对应的性能评估值c1i的获取方法，具体为：
S11：将各传感器对应的位置测量误差记为
Figure BDA0002981034130000091
角度测量误差记为
Figure BDA0002981034130000092
并将位置测量误差的有效上限值与有效下限值分别设定为
Figure BDA0002981034130000093
和
Figure BDA0002981034130000094
角度测量误差的有效上限值与有效下限值分别设定为
Figure BDA0002981034130000095
和
Figure BDA0002981034130000096
S12：采用如图2所示的分段线性函数获取各传感器对应的位置测量误差
Figure BDA0002981034130000097
与角度测量误差
Figure BDA0002981034130000098
对应的效用值：
Figure BDA0002981034130000099
其中，r＝p,a，
Figure BDA00029810341300000910
为第i个传感器的位置测量误差
Figure BDA00029810341300000911
对应的效用值，
Figure BDA00029810341300000912
为第i个传感器的角度测量误差
Figure BDA00029810341300000913
对应的效用值；
S13：分别将各传感器对应的效用值
Figure BDA00029810341300000914
与效用值
Figure BDA00029810341300000915
的平均值作为各传感器对应的性能评估值c1i，表达式为：
Figure BDA00029810341300000916
由此可见，本发明采用探测设备的量测精度考察传感器性能，采用距离测量误差和角度测量误差作为考察传感器性能的指标；若采用ESM设备进行探测，量测信息中缺少距离信息，则仅采用角度测量误差作为评估指标。测量误差越小，传感器性能越好，数据的不确定性越小，应当将门限——显著性水平αi设置为较小值以减少其他因素的干扰；反之，若传感器的测量误差较大，传感器性能较差，数据的不确定性较大，此时应当将门限设置为较大值以降低漏关联的可能。
此外，分布式融合结构中，各个传感器具备自己的处理单元，原始数据首先经过自身处理单元的局部滤波器，然后将局部处理信息送到融合中心进行后续的处理，得到全局估计。多传感器系统的状态方程和量测方程分别为：
Xj(k+1)＝Fj(k)Xj(k)+ωj(k)
Zj(k)＝Hj(k)Xj(k)+Vj(k)，j＝1,2,...,m
其中，Xj(k+1)为模型j下的状态向量，Fj(k)为模型j下k时刻到k+1时刻的一步状态转移矩阵，Zj(k)为模型j下传感器对目标状态的观测值，Hj(k)为测量矩阵，ωj(k)和Vj(k)分别为系统过程噪声和量测噪声。
为了获得较精确的局部滤波信息，本发明选用交互式多模型算法(IMM，Interacting Multiple Model)进行各传感器的局部滤波，算法中选用CA、CV和Singer 3种模型。算法流程包含输入交互、滤波器滤波、模型概率更新和输出数据交互四个部分，流程图如图4所示。
S2：将各传感器采集到的量测信息依次进行时空配准与IMM局部滤波后，基于标准化距离函数得到各传感器在k+1时刻的局部航迹质量Di(k+1)。
需要说明的是，如图3所示，在实际的多传感器系统中，由于各传感器工作任务和本身性能的差异，不同传感器的观测数据不一定同步，不能直接进行融合，因此需要进行时间配准，将各个传感器系统的异步测量统一成同步测量。采用预测外推法进行时间配准。在统一的融合时刻下，将传感器的量测信息进行外推预测至融合时刻，实现各个传感器之间时间的同步性。同时，对于处在不同坐标系的各传感器的测量值，跟踪时必须将它们转换成同一坐标系内的数据才能进行后续处理。对于在极坐标系下各传感器的量测数据，采用坐标系转换的方法转至各个传感器的局部笛卡尔坐标系下，再通过坐标系的旋转和平移将目标的局部笛卡尔坐标转换至ECEF坐标系下，实现各个传感器数据的空间统一。
进一步地，在IMM交互多模型滤波算法框架下对局部滤波航迹质量进行评估，采用标准化距离函数来描述航迹质量，具体包括以下步骤：
S21：构建标准化距离函数如下：
Figure BDA0002981034130000111
其中，如图4所示的现有IMM流程图，
Figure BDA0002981034130000112
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的标准化距离函数，T为转置，
Figure BDA0002981034130000113
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的新息，
Figure BDA0002981034130000114
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的协方差，且j＝1,2,..,m，m为IMM局部滤波中包含的滤波模型的数量；
S22：基于历史局部航迹质量对标准化距离函数
Figure BDA0002981034130000115
进行重构：
Figure BDA0002981034130000116
其中，
Figure BDA0002981034130000117
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数，β为设定的历史权因子，取值范围为0-1，
Figure BDA0002981034130000118
为k时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数；
S23：根据重构距离函数
Figure BDA0002981034130000119
获取局部航迹质量Di(k+1)：
Figure BDA00029810341300001110
其中，
Figure BDA00029810341300001111
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的权重。
S3：根据各传感器对应的局部航迹质量Di(k+1)的所属区间，获取k+1时刻各局部航迹质量Di(k+1)对应的评估值c2i。
与传感器性能类似，采用如图5所示的分段线性函数获取各局部航迹质量Di(k+1)对应的评估值c2i：
Figure BDA0002981034130000121
其中，Dmax为局部航迹质量的效用值上限，Dmin为局部航迹质量的效用值下限。
需要说明的是，距离函数为成本型指标，其值越小，局部航迹质量指标越大，此时应将后续步骤中的显著性水平αi取为较小值；反之，局部航迹质量指标较小时，后续步骤中的显著性水平αi应取为较大值。
S4：根据评估值c1i与c2i得到各传感器在k+1时刻对应的显著性水平αi，其中，性能评估值c1i与c2i越大，显著性水平αi越小。
也就是说，测量误差为成本型指标，测量误差越小，量测精度越高，传感器性能指标越大，后续步骤的显著性水平αi取较小值；反之，传感器性能指标较小时，后续步骤的显著性水平αi取较大值。局部航迹质量是后续多源信息关联与融合的基础，若局部航迹质量较差，则可能无法对航迹对进行成功关联，在这种情况下，将显著性水平αi放宽减小漏关联概率；反之当局部航迹质量较好时，则应将显著性水平αi设置为较小的值以防止错关联发生。
进一步地，为降低航迹关联过程中错关联、漏关联的可能性，引入模糊方法动态调整关联算法中检验的显著水平αi，进一步计算得到关联门限。将传感器性能指标和局部航迹质量作为模糊控制器输入量，将检验的显著水平作为输出量，模糊逻辑为：传感器性能指标越大、局部航迹质量指标越大，显著性水平αi取值越小；反之，传感器性能指标越小、局部航迹质量指标越小，显著性水平αi取值越大。模糊控制器规则见表1：
表1
Figure BDA0002981034130000131
表中，PS、PMS、PM、PMB和PB分别表示小、较小、中、较大和大。输出的模糊控制面如图6所示。
当性能评估值c1i落入等级为小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较大的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较大和等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为中的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较大的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较小、等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为大的数值区间时，对应的显著性水平αi均从等级为小的数值区间中选取。
由此可见，根据上述模糊规则，由传感器性能指标以及当前时刻下的局部滤波航迹质量指标值可以自适应调整显著性水平αi的取值，进而可计算得到该时刻的门限值，实现关联门限的动态调整。
S5：分别根据独立序贯航迹关联算法中各传感器在k+1时刻对应的似然比函数是否小于关联门限，来确定各传感器在k+1时刻采集到的量测信息对应的航迹估计的所属目标，该关联门限由显著性水平αi决定。
需要说明的是，现有的基于统计的航迹关联方法通常是将关联问题转化为假设检验问题，定义
Figure BDA0002981034130000151
为l时刻传感器节点i的滤波信息，
Figure BDA0002981034130000152
为融合中心中目标s的航迹在l时刻的状态预测值。定义以下两个事件：
H0：
Figure BDA0002981034130000153
是目标s的航迹估计。
H1：
Figure BDA0002981034130000154
不是目标s的航迹估计。
本发明结合航迹质量评估和模糊思想对基于统计的航迹关联算法中的门限值进行动态自适应调整，此种思路适用于多种航迹关联算法。以独立序贯航迹关联算法为例进行说明，该算法流程如下：
设l时刻传感器节点i处的局部滤波信息与目标s的预测航迹之差为
Figure BDA0002981034130000155
令
Figure BDA0002981034130000156
其联合概率密度函数在H0的假设下可写成
Figure BDA0002981034130000157
其中，
Figure BDA0002981034130000158
是先验信息，通常假设在H0条件下，两局部节点在l时刻的估计误差tis(l)服从N(0,Cis(l|l))分布，假定状态估计误差是独立的情况下：
Cis(l∣l)＝E(tis(l)tis(l)T)＝Pi(l∣l)-Ps(l∣l)
则
Figure BDA0002981034130000161
上式被称为假设H0的似然函数。同理，假设H1的似然函数为
Figure BDA0002981034130000162
假设不同目标的位置坐标估计误差、速度估计误差、航向估计误差均匀地穿过某些可能区域，即假设
Figure BDA0002981034130000163
在某些可能区域是均匀分布的，然后进行似然比检验，即：
Figure BDA0002981034130000164
对应的对数似然比为
Figure BDA0002981034130000165
现在定义一个修正的对数似然比函数为
Figure BDA0002981034130000166
显然有λis(0)＝0，按照上述高斯分布的假设，tis T(k)Cis -1(k|k)tis(k)是具有自由度为nx的χ2分布，nx是状态估计向量的维数，于是λis(k)便是具有k·nx个自由度的χ2分布。
选取λiq(k)＝min{λis(k)|s＝1,2,...,m}，然后对H0和H1进行假设检验，即：如果
λiq(k)≤δ(k)
则接受H0，否则接受H1。其中阈值δ(k)满足
p(λiq(k)＞δ(k)∣H0)＝αi
式中，αi为检验的显著水平，通常取0.05，0.01或0.1等，即H0为真时，错误概率为αi。
在关联算法中，结合数据质量对显著性水平αi进行动态自适应调整，从而计算得到门限值δ(k)的大小。检验的显著水平取值越小，计算所得的门限值越小；反之，显著水平取值越大，计算所得的门限值越大，也即关联门限的取值由显著性水平αi决定。
也就是说，只需要知道显著性水平αi，再将显著性水平αi代入现有的独立序贯航迹关联算法中，即可确定各传感器在k+1时刻采集到的量测信息对应的航迹估计的所属目标。
由此可见，本发明对影响关联正确率的因素进行分析，同时将传感器性能和局部滤波数据质量考虑在内，用距离和角度测量误差衡量传感器性能，用考虑历史信息的标准化距离函数衡量局部滤波质量，分别构建效用函数得到两项指标评估结果，提供更加完善合理的参数自适应准则。
此外，本发明相比于基于模糊的航迹关联算法，基于统计的航迹关联算法虽实现简单，但往往难以应用于复杂环境。考虑传感器性能以及局部滤波航迹质量，采用模糊方法构建上述两项影响因素与关联算法中显著性水平的关系，用每个时刻下的数据质量评估结果自适应调整显著性水平，从而缩小或放大关联门限，减小漏关联或错关联的可能，提高算法鲁棒性。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (4)

1.一种基于数据质量评估的自适应航迹关联方法，用于确定多个传感器在各个时刻采集到的量测信息对应的航迹估计的所属目标，其特征在于，所述方法包括以下步骤：
S1：根据各传感器固有的位置测量误差和角度测量误差的所属区间，获取各传感器对应的性能评估值c1i，其中，i＝1,2,..,n，n为传感器的数量；
S2：将各传感器采集到的量测信息依次进行时空配准与IMM局部滤波后，基于标准化距离函数得到各传感器在k+1时刻的局部航迹质量Di(k+1)；
S3：根据各传感器对应的局部航迹质量Di(k+1)的所属区间，获取k+1时刻各局部航迹质量Di(k+1)对应的评估值c2i；
S4：根据评估值c1i与c2i得到各传感器在k+1时刻对应的显著性水平αi，其中，评估值c1i与c2i越大，显著性水平αi越小，且显著性水平αi的确定方法为：
分别为传感器对应的性能评估值c1i、局部航迹质量的评估值c2i以及显著性水平αi设置五个顺次增大的数值区间，且五个数值区间的等级分别为小、较小、中、较大以及大；
当性能评估值c1i落入等级为小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较大的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较小的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较大的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为中的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较大和等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为中的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为中的数值区间中选取；若评估值c2i落入等级为较小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为较大的数值区间时：
若评估值c2i落入等级为小的数值区间，则对应的显著性水平αi从等级为较小的数值区间中选取；若评估值c2i落入等级为较小、等级为中、等级为较大以及等级为大的数值区间，则对应的显著性水平αi从等级为小的数值区间中选取；
当性能评估值c1i落入等级为大的数值区间时，对应的显著性水平αi均从等级为小的数值区间中选取；
S5：分别根据独立序贯航迹关联算法中各传感器在k+1时刻对应的似然比函数是否小于关联门限，来确定各传感器在k+1时刻采集到的量测信息对应的航迹估计的所属目标，其中，所述关联门限由显著性水平αi决定。
2.如权利要求1所述的一种基于数据质量评估的自适应航迹关联方法，其特征在于，步骤S1中各传感器对应的性能评估值c1i的获取方法为：
S11：将各传感器对应的位置测量误差记为
Figure FDA0003854876570000031
角度测量误差记为
Figure FDA0003854876570000032
并将位置测量误差的有效上限值与有效下限值分别设定为
Figure FDA0003854876570000033
和
Figure FDA0003854876570000034
角度测量误差的有效上限值与有效下限值分别设定为
Figure FDA0003854876570000035
和
Figure FDA0003854876570000036
S12：采用分段线性函数获取各传感器对应的位置测量误差
Figure FDA0003854876570000037
与角度测量误差
Figure FDA0003854876570000038
对应的效用值：
Figure FDA0003854876570000039
其中，r＝p,a，
Figure FDA00038548765700000310
为第i个传感器的位置测量误差
Figure FDA00038548765700000311
对应的效用值，
Figure FDA00038548765700000312
为第i个传感器的角度测量误差
Figure FDA00038548765700000313
对应的效用值；
S13：分别将各传感器对应的效用值
Figure FDA00038548765700000314
与效用值
Figure FDA00038548765700000315
的平均值作为各传感器对应的性能评估值c1i。
3.如权利要求1所述的一种基于数据质量评估的自适应航迹关联方法，其特征在于，步骤S2中所述局部航迹质量Di(k+1)的获取方法为：
S21：构建标准化距离函数如下：
Figure FDA00038548765700000316
其中，
Figure FDA0003854876570000041
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的标准化距离函数，T为转置，
Figure FDA0003854876570000042
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的新息，
Figure FDA0003854876570000043
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的协方差，且j＝1,2,..,m，m为IMM局部滤波中包含的滤波模型的数量；
S22：基于历史局部航迹质量对标准化距离函数
Figure FDA0003854876570000044
进行重构：
Figure FDA0003854876570000045
其中，
Figure FDA0003854876570000046
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数，β为设定的历史权因子，
Figure FDA0003854876570000047
为k时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的重构距离函数；
S23：根据重构距离函数
Figure FDA0003854876570000048
获取局部航迹质量Di(k+1)：
Figure FDA0003854876570000049
其中，
Figure FDA00038548765700000410
为k+1时刻时，第i个传感器对应的IMM局部滤波中第j个滤波模型的权重。
4.如权利要求1所述的一种基于数据质量评估的自适应航迹关联方法，其特征在于，步骤S3中k+1时刻各局部航迹质量Di(k+1)对应的评估值c2i的获取方法为：
采用分段线性函数获取各局部航迹质量Di(k+1)对应的评估值c2i：
Figure FDA0003854876570000051
其中，Dmax为局部航迹质量的效用值上限，Dmin为局部航迹质量的效用值下限。
CN202110287339.4A 2021-03-17 2021-03-17 一种基于数据质量评估的自适应航迹关联方法 Active CN113124871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110287339.4A CN113124871B (zh) 2021-03-17 2021-03-17 一种基于数据质量评估的自适应航迹关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110287339.4A CN113124871B (zh) 2021-03-17 2021-03-17 一种基于数据质量评估的自适应航迹关联方法

Publications (2)

Publication Number Publication Date
CN113124871A CN113124871A (zh) 2021-07-16
CN113124871B true CN113124871B (zh) 2023-05-02

Family

ID=76773276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110287339.4A Active CN113124871B (zh) 2021-03-17 2021-03-17 一种基于数据质量评估的自适应航迹关联方法

Country Status (1)

Country Link
CN (1) CN113124871B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504511B (zh) * 2021-09-10 2021-12-14 南京隼眼电子科技有限公司 雷达信号处理调整方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002341014A (ja) * 2001-05-18 2002-11-27 Hitachi Ltd マルチセンサ航跡の相関処理をする装置及びそのプログラム
JP2007255982A (ja) * 2006-03-22 2007-10-04 Mitsubishi Electric Corp 目標航跡相関装置及び目標航跡の相関判定方法
KR101334190B1 (ko) * 2012-11-22 2013-11-28 국방과학연구소 항적 연관 및 융합을 위한 최소 정보량 산출 방법 및 이의 저장 매체
CN103886196A (zh) * 2014-03-14 2014-06-25 中国电子科技集团公司第二十八研究所 一种抗大系统误差的航迹关联方法
CN106646450A (zh) * 2016-12-29 2017-05-10 中国人民解放军海军航空工程学院 基于距离分步聚类的雷达航迹抗差关联方法
CN109143224A (zh) * 2018-08-28 2019-01-04 中国电子科技集团公司第三十六研究所 一种多目标关联方法和装置
CN111487613A (zh) * 2020-04-19 2020-08-04 中国人民解放军海军航空大学 基于分级聚类的雷达/esm航迹抗差关联方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002341014A (ja) * 2001-05-18 2002-11-27 Hitachi Ltd マルチセンサ航跡の相関処理をする装置及びそのプログラム
JP2007255982A (ja) * 2006-03-22 2007-10-04 Mitsubishi Electric Corp 目標航跡相関装置及び目標航跡の相関判定方法
KR101334190B1 (ko) * 2012-11-22 2013-11-28 국방과학연구소 항적 연관 및 융합을 위한 최소 정보량 산출 방법 및 이의 저장 매체
CN103886196A (zh) * 2014-03-14 2014-06-25 中国电子科技集团公司第二十八研究所 一种抗大系统误差的航迹关联方法
CN106646450A (zh) * 2016-12-29 2017-05-10 中国人民解放军海军航空工程学院 基于距离分步聚类的雷达航迹抗差关联方法
CN109143224A (zh) * 2018-08-28 2019-01-04 中国电子科技集团公司第三十六研究所 一种多目标关联方法和装置
CN111487613A (zh) * 2020-04-19 2020-08-04 中国人民解放军海军航空大学 基于分级聚类的雷达/esm航迹抗差关联方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于数据质量评估的自适应序贯航迹关联算法;张瑜等;《系统工程与电子技术》;20220306;正文第1-10页 *
基于神经网络和广义经典分配算法的多传感器航迹关联;张娟等;《Proceedings of the 27th Chinese Control Conference》;20080718;第803-806页 *

Also Published As

Publication number Publication date
CN113124871A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN110161543B (zh) 一种基于卡方检验的部分粗差抗差自适应滤波方法
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN110555398B (zh) 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法
CN106932337B (zh) 多光纤光栅钢筋腐蚀传感器系统的数据处理方法
CN115544919B (zh) 一种气流体污染物排放源的溯源方法及装置
Nemani et al. Ensembles of probabilistic LSTM predictors and correctors for bearing prognostics using industrial standards
CN113124871B (zh) 一种基于数据质量评估的自适应航迹关联方法
CN109712173A (zh) 一种基于卡尔曼滤波器的图像位置运动估计方法
CN102853836A (zh) 一种基于航迹质量的反馈加权融合方法
CN111623703A (zh) 一种基于新型卡尔曼滤波的北斗变形监测实时处理方法
CN116520281B (zh) 一种基于ddpg的扩展目标跟踪优化方法和装置
CN114779307B (zh) 面向港区的uwb/ins/gnss的无缝定位方法
CN116734860A (zh) 一种基于因子图的多auv自适应协同定位方法及系统
CN116611552B (zh) 一种基于目标监测数据的船舶交通流量预测方法及系统
CN108304869A (zh) 一种基于多个传感器的综合幅值信息的融合方法及系统
CN111982248A (zh) 一种改进的传感器动态数据融合方法
CN111883265A (zh) 一种应用于火控系统的目标状态估计方法
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN116340876A (zh) 一种局域多源数据融合的空间目标态势感知方法
CN113625262A (zh) 目标轨迹确定方法及相关设备
Chen et al. Intelligent fault diagnosis technology based on hybrid algorithm
Punchenko et al. The strategy of informative redundancy of necessary measurements in the ship navigation as the independent direction in the development of a high tech park
Woischneck et al. Localization and velocity estimation based on multiple bistatic measurements
Weilu et al. Track-association Algorithm Based on Synthetical Similar Approach Degree
CN115358319A (zh) 基于双阈值检测的自适应容错滤波方法及系统

Legal Events

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