CN114329120B - 一种基于全局航迹构建的多平台航迹关联与融合方法 - Google Patents
一种基于全局航迹构建的多平台航迹关联与融合方法 Download PDFInfo
- Publication number
- CN114329120B CN114329120B CN202111427774.9A CN202111427774A CN114329120B CN 114329120 B CN114329120 B CN 114329120B CN 202111427774 A CN202111427774 A CN 202111427774A CN 114329120 B CN114329120 B CN 114329120B
- Authority
- CN
- China
- Prior art keywords
- track
- platform
- global
- global track
- association
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000011159 matrix material Substances 0.000 claims description 47
- 238000012790 confirmation Methods 0.000 claims description 21
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 24
- 238000001514 detection method Methods 0.000 abstract description 15
- 230000008447 perception Effects 0.000 abstract description 7
- 230000015572 biosynthetic process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种基于全局航迹构建的多平台航迹关联与融合方法,通过设计全局航迹的起始、更新与终止策略,简化多平台/多数据源航迹文件管理过程;在各更新周期内,设计全局航迹与各平台/数据源航迹的并行关联与融合逻辑,缓解融合顺序、平台探测范围差异、平台探测性能的影响;通过本申请能够提升飞机平台融合处理多平台/数据源信息的能力,提升飞机对战场目标与战场态势的全面感知能力。
Description
技术领域
本申请属于机载航空电子系统综合技术领域,尤其涉及一种基于全局航迹构建的多平台航迹关联与融合方法。
背景技术
为全维、全向地完成对战场目标与战场态势的感知,要求飞机突破单一平台在态势感知上的桎梏,能够充分利用各类型数据链上报的编队友机、预警机、地面雷达等的探测信息,形成经过全局融合的目标航迹,从而,实现对态势的全面感知,支持飞机编队的协同防御、协同站位和协同攻击。
目前,各飞机平台通过数据链共享目标航迹数据,当平台或数据源数量超过3个时,为避免NP-hard问题,通常基于分层处理思想设计关联与融合方法。该类方法对于多个数据源,首先选出两个源进行两两融合,然后将两两融合的结果与第三个源进行融合,以此类推,最后形成所有数据源的融合结果。然而,随着平台数目及数据源数目的增多、以及多平台探测在时空维度上愈发呈现出分布式的特点,导致基于分层处理思想的传统方法在算法可扩展性、自适应性方面的不足愈发突出,具体表现为:
1)传统方法采用两两融合的处理逻辑,导致航迹文件管理复杂,特别是当平台或数据源数目发生变化时,易引起算法处理逻辑的改变,使得该类方法的可扩展性与自适应性不足。
2)传统方法的融合结果受到融合顺序的影响,当平台探测范围、探测性能差异明显时,难以保证稳定、较优的融合性能。虽然可以通过设计融合优先级来缓解这一问题,然而,引入融合优先级将导致算法处理逻辑的复杂化,从而,恶化该类方法的可扩展性与自适应性。
因此,本申请给出一种基于全局航迹构建的多平台航迹关联与融合方法,通过设计全局航迹的起始、更新与终止策略,简化多源航迹文件管理过程;在更新周期内,全局航迹通过与各平台或数据源航迹作并行的关联与融合,缓解融合顺序、平台探测范围差异、平台探测性能的影响。
发明内容
针对上述技术问题,本申请提出了一种基于全局航迹构建的多平台航迹关联与融合方法,所述方法包括:
初始化全局航迹集合、初始化全局航迹号计数cout=0、初始化关联关系列表和初始化稳定关联关系列表;其中,所述全局航迹集合包括全局航迹状态、误差协方差阵、全局航迹批号、全局航迹更新时刻和标识;
按照序贯方式提取第k个更新周期的平台级航迹,令第k-1个更新周期的全局航迹集合表示为其中,mf,k-1表示全局航迹数目,/>分别表示第j条全局航迹的状态、误差协方差、全局航迹批号和全局航迹更新时刻,/>表示第j条全局航迹标识,/>表示对应全局航迹最初来源平台/数据源所对应的平台级航迹批号,/>表示全局航迹最初来源的平台/数据源编号,/>用于标识临时航迹、确认航迹;
获取平台/数据源n、批号为的平台级航迹,将所述平台/数据源n、批号为/>的平台级航迹转换到与全局航迹相同的坐标系,表示为/>其中,分别表示平台/数据源n、第j条全局航迹的状态、误差协方差阵、平台级航迹批号与更新时刻;
采用卡尔曼一步预测滤波,将第k-1个更新周期的全局航迹状态与协方差阵递推到时刻得到时间对准后的全局航迹集合/>
若平台级航迹与集合中各全局航迹并不包括在稳定关联关系列表中,则计算两者的等效距离:
建立各平台/数据源上报航迹与全局航迹的价值矩阵Αn,k(n=1,2,…,M);其中,矩阵元素Αn,k(j,i)表示第j条全局航迹与第i条平台级航迹的关联权重;
若dj,i≤γ1,表示粗关联成功,更新矩阵元素Αn,k(j,i),采用如下公式:
其中,第k-1个更新周期的价值矩阵单元Αn,k-1(j',i')与Αn,k(j,i)对应于同一条全局航迹、同一条平台级航迹;α∈[0,1]表示遗忘因子,表征历史信息的影响程度,并标记该平台级航迹已被使用;
若dj,i>γ1,表示粗关联失败,不更新矩阵元素Αn,k(j,i);其中,γ1表示粗门限。
优选地,所述方法还包括:
若该平台级航迹与集合中所有全局航迹都粗关联失败,则将该平台级航迹作为新的全局航迹,加入全局航迹集合中,全局航迹号计数cout=cout+1,新的全局航迹可表示为:
其中,全局航迹标识:
并更新对应的价值矩阵元素Αn,k(mf,k-1+1,i)=-1/γ1。
优选地,所述方法还包括:
对于所述全局航迹集合中非新起始航迹集合中的临时航迹,判断在更新周期内,所述临时航迹是否与任一平台级航迹粗关联成功。
优选地,所述方法还包括:
若有,则航迹标识
否则,对于第j条全局航迹,若/>则标记所述第j条全局航迹为确认航迹;其中,γ6表示临时航迹确认门限;若/>则标记所述第j条全局航迹为删除航迹;其中,γ5表示临时航迹删除门限。
优选地,所述方法还包括:
建立各平台级航迹与全局航迹的关联矩阵Bn,k(n=1,2,…,M),矩阵元素Bn,k(j,i)表示第j条全局航迹与第i条平台级航迹关联的次数;
由价值矩阵Αm,对于不包括在稳定关联关系列表中的全局航迹与平台级航迹,采用拍卖算法,求解标识为确认航迹的全局航迹与各平台级航迹一一对应的精关联关系;
若判断精关联成功,则Bn,k(j,i)=Bn,k-1(j',i')+1;若判断精关联失败,则Bn,k(j,i)=Bn,k-1(j',i')-1;
其中,Bn,k-1(j',i')与Bn,k(j,i)对应同一条全局航迹与同一条平台级航迹,且Bn,k(j,i)∈[0,γ3];其中,γ3表示稳定关联关系确认门限。
优选地,所述方法还包括:
对于标识为确认航迹的全局航迹,判断关联矩阵Bn,k(n=1,2,…,M)中各元素是否大于等于门限γ2、γ3;其中,γ2、γ3表示判断关联关系门限,且γ2≤γ3;
当全局航迹j的标识为确认航迹,则判断Bn,k(j,i)是否超过门限。
优选地,所述方法还包括:
若Bn,k(j,i)≥γ3,则确定第j条全局航迹与第n个平台、第i条平台级航迹稳定关联,加入稳定关联关系列表,之后的更新周期不再进行关联;
若γ2≤Bn,k(j,i)<γ3,则判断第j条全局航迹与第n个平台、第i条平台级航迹关联,加入关联关系列表。
优选地,所述方法还包括:
从关联关系列表、稳定关联关系列表中,提取与全局航迹关联的各平台级航迹,对准到同一时刻,采用凸组合算法融合各平台级航迹的状态与误差协方差阵,形成该全局航迹的状态与误差协方差阵,将所述时刻作为全局航迹更新时刻,保留全局航迹的批号。
优选地,所述方法还包括:
若Bn,k(j,i)<γ2,对全局航迹集合中各航迹,统计各航迹的更新时刻;
若航迹超过γ4个更新周期没有更新,则将没有更新的全局航迹从集合中删除;
对于全局航迹集合中标记为删除航迹的临时航迹,将标记为删除航迹的临时航迹从集合中删除;其中,γ4表示全局航迹删除门限。
本申请具有以下技术效果:
本申请提升了飞机平台融合处理多平台/数据源信息的能力,也提升了飞机对战场目标和战场态势的全面感知能力。
附图说明
图1是本申请实施例提供的一种基于全局航迹构建的多平台航迹关联与融合方法的处理流程图;
图2是本申请实施例提供的一种目标运动与平台运动的航迹图;
图3A是本申请实施例提供的一种平台1航迹与融合形成的全局航迹的比较;
图3B是本申请实施例提供的一种平台2航迹与融合形成的全局航迹的比较;
图3C是本申请实施例提供的一种平台3航迹与融合形成的全局航迹的比较;
图3D是本申请实施例提供的一种平台4航迹与融合形成的全局航迹的比较;
图4是本申请实施例提供的各平台航迹与融合形成的全局航迹的比较。
具体实施方式
请参阅图1-4,本申请公开了一种基于全局航迹构建的多平台航迹关联与融合方法,通过设计全局航迹的起始、更新与终止策略,简化多平台/多数据源航迹文件管理过程;在各更新周期内,设计全局航迹与各平台/数据源航迹的并行关联与融合逻辑,缓解融合顺序、平台探测范围差异、平台探测性能的影响。通过本发明,能够提升飞机平台融合处理多平台/数据源信息的能力,提升飞机对战场目标与战场态势的全面感知能力。
在本申请实施例中,令M表示平台/数据源数目,N表示目标数目。设置更新周期,保证在更新周期内,各平台/数据源上报的航迹都发生更新,当有平台/数据源未发生航迹更新时,则通过一步预测实现该平台的航迹更新。
在第k个更新周期,各平台/数据源上报的平台级目标航迹,包括目标状态、误差协方差阵(可以用目标状态的精度组成矩阵来代替)、上报航迹对应的平台/数据源编号、平台级航迹批号、航迹更新时刻。对于平台n,其上报的平台级航迹可描述为:
其中,n表示航迹对应的上报平台编号,mk,n表示在更新周期k、平台/数据源n形成的平台级航迹数目,表示平台/数据源n、第i条平台级航迹的状态;/>表示平台/数据源n、第j条全局航迹的误差协方差阵,/>表示第n个平台/数据源、第i条航迹的更新时刻,表示航迹i在平台/数据源n中所对应的平台级航迹批号。由于各平台/数据源的探测区域不同,且目标可能会出现与消失,因此,在各更新周期内,平台/数据源最大的平台级航迹批号与平台/数据源上报的平台级航迹数量并不相等,即
在基于全局航迹构建的多平台航迹关联与融合方法处理过程中,全局航迹包括全局航迹状态、全局航迹误差协方差阵、全局航迹批号、全局航迹更新时刻、全局航迹标识,对于第k个更新周期,可描述为:
其中,mf,k表示更新周期k形成的全局航迹数目;表示第j条全局航迹的状态;表示第j条全局航迹的误差协方差阵;/>表示第j条全局航迹的批号;/>表示第j条全局航迹的更新时刻;/>表示第j条全局航迹的标识,包括三个方面的度量,即最初来源的平台/数据源编号、对应该平台/数据源的平台级航迹批号、临时航迹/确认航迹标识,表示为:
其中,表示全局航迹最初来源的平台/数据源编号,/>表示对应全局航迹最初来源平台/数据源所对应的平台级航迹批号,/>用于标识临时航迹、确认航迹。
令γ1表示粗门限,γ2表示关联关系确认门限、γ3表示稳定关联关系确认门限,γ4表示全局航迹删除门限,γ5表示临时航迹删除门限,γ6表示临时航迹确认门限。本发明的基于全局航迹构建的多平台航迹关联与融合方法,包含以下步骤:
第一步:初始化全局航迹集合,初始化全局航迹号计数cout=0。集合中,各全局航迹状态包括全局航迹状态、误差协方差阵、批号、更新时刻与标识。初始化关联关系列表、稳定关联关系列表,初始值为空。
第二步:按照序贯方式提取第k个更新周期的平台级航迹,令第k-1个更新周期的全局航迹集合表示为当获取源于平台/数据源n、批号为/>的平台级航迹,将其转换到与全局航迹相同的坐标系,表示为采用卡尔曼一步预测滤波,将第k-1个更新周期的全局航迹状态与协方差阵递推到时刻/>得到时间对准后的全局航迹集合
第三步:若平台级航迹与集合中各全局航迹并不包括在稳定关联关系列表中,则计算两者的等效距离:
建立各平台/数据源上报航迹与全局航迹的价值矩阵Αn,k(n=1,2,…,M)(共M个,即并行形成M个价值矩阵),其中,矩阵元素Αn,k(j,i)表示第j条全局航迹(全局航迹批号为)与第i条平台级航迹(平台级航迹的批号为/>)的关联权重。若dj,i≤γ1,表示粗关联成功,更新矩阵元素Αn,k(j,i),采用如下公式:
式中,第k-1个更新周期的价值矩阵单元Αn,k-1(j',i')与Αn,k(j,i)对应于同一条全局航迹、同一条平台级航迹;α∈[0,1]表示遗忘因子,反映历史信息的影响程度,并标记该平台级航迹已被使用。若dj,i>γ1,表示粗关联失败,不更新矩阵元素Αn,k(j,i)。
第四步:若该平台级航迹与集合中所有全局航迹都粗关联失败,则将该平台级航迹作为新的全局航迹,加入全局航迹集合中,全局航迹号计数cout=cout+1,新的全局航迹可表示为:
其中,全局航迹标识:
并更新对应的价值矩阵元素Αn,k(mf,k-1+1,i)=-1γ1。
第五步:转到第二步,当第k个更新周期中所有的平台级航迹都处理完毕,转到第六步。
第六步:对于全局航迹集合中非新起始航迹集合中的临时航迹,判断在该周期内,这些航迹是否与某条平台级航迹粗关联成功,如果有,则航迹标识否则,对于第j条全局航迹,若/>则标记该全局航迹为确认航迹;如果/>则标记该全局航迹为删除航迹。
第七步:建立各平台级航迹与全局航迹的关联矩阵Bn,k(n=1,2,…,M),矩阵元素Bn,k(j,i)表示第j条全局航迹(全局航迹批号为)与第i条平台级航迹(平台级航迹的批号为/>)关联的次数。由价值矩阵Αm,对于不包括在稳定关联关系列表中的全局航迹与平台级航迹,采用拍卖算法,求解标识为确认航迹的全局航迹与各平台级航迹一一对应的精关联关系,若判断精关联成功,则Bn,k(j,i)=Bn,k-1(j',i')+1;若判断精关联失败,则Bn,k(j,i)=Bn,k-1(j',i')-1。这里,Bn,k-1(j',i')与Bn,k(j,i)对应同一条全局航迹与同一条平台级航迹,且Bn,k(j,i)∈[0,γ3]。
第八步:对于标识为确认航迹的全局航迹,判断关联矩阵Bn,k(n=1,2,…,M)中各元素是否大于等于门限γ2、γ3(γ2表示判断关联关系门限,γ3表示判断稳定关联关系门限,γ2≤γ3),当全局航迹j的标识为确认航迹,则判断Bn,k(j,i)是否超过门限。如果Bn,k(j,i)≥γ3,则确定第j条全局航迹(全局航迹批号为)与第n个平台、第i条平台级航迹(平台级航迹的批号为/>)稳定关联,加入稳定关联关系列表,之后的更新周期不再进行关联,转到第九步;如果γ2≤Bn,k(j,i)<γ3,则判断第j条全局航迹(全局航迹批号为/>)与第n个平台、第i条平台级航迹(平台级航迹的批号为/>)关联,加入关联关系列表,转到第九步;如果Bn,k(j,i)<γ2,转到第十步。
第九步:从关联关系列表、稳定关联关系列表中,提取与全局航迹关联的各平台级航迹,对准到同一时刻,采用凸组合算法融合各平台级航迹的状态与误差协方差阵,形成该全局航迹的状态与误差协方差阵,将该时刻作为该全局航迹更新时刻,保留该全局航迹的批号。
第十步:对全局航迹集合中各航迹,统计各航迹的更新时刻,若某航迹超过γ4个更新周期没有更新,则将该全局航迹从集合中删除;对于全局航迹集合中标记为删除航迹的临时航迹,同样将其从集合中删除。转到第二步。
本申请提供的一种基于全局航迹构建的多平台航迹关联与融合方法,通过设计全局航迹的起始、更新与终止策略,简化多源航迹文件管理过程;在各更新周期内,设计全局航迹与各平台/数据源航迹的并行关联与融合逻辑,缓解融合顺序、平台探测范围差异、平台探测性能的影响。最终,提升飞机平台融合处理多平台/数据源信息的能力,提升飞机对战场目标和战场态势的全面感知能力。
在本申请实施例中,提供的测试实例:
场景一,设置编队飞机协同感知多个目标的场景,其中,编队飞机的数量设置为4,初始位置设置为(5,0,10)km、(0,-5,20)km、(-5,0,8)km和(0,5,12)km,初始速度设置为(150,0,0)m/s。编队各机各自形成平台级航迹,目标的数目为6,目标包括协同转弯、匀速直线、三维常速率转弯三种运动形式,附图2给出编队飞机与目标运动图。
其中,各飞机平台的范围探测范围:方位扫描中心线两侧±60°、俯仰扫描中心线两侧±10°,仿真周期总数为100,周期时长T=1s,算法中相关参数设置为:粗门限γ1=25,关联关系确认门限γ2=10、稳定关联关系确认门限γ3=20,航迹删除门限γ4=5,临时航迹删除门限γ5=0,航迹确认门限γ6=3,遗忘因子α=0.7。仿真中,目标在某些时刻出现,经过一段时间后,在某些时刻消失;另外,受限于各平台的探测范围,各平台并不能保证始终能上报目标的平台级航迹。
经过1次MonteCarlo仿真,附图3给出四机平台级航迹与全局航迹的比较图。由图可见,由于全局航迹源于各飞机上报的平台级航迹,因此,能够在时间和空间维度上获得更全面的目标数据。
经过500次Monte Carlo仿真,表一给出全局航迹相对各平台航迹,在精度上的平均提升比例。
表一
目标序号 | 1 | 2 | 3 | 4 | 5 | 6 |
精度提升率(%) | 26.07 | 27.17 | 30.06 | 41.92 | 24.34 | 34.25 |
场景二,设置编队飞机的数量设置为8,作近似匀速直线运动,其中4个平台的初始位置为(5,0,10)km、(0,-5,20)km、(-5,0,8)km和(0,5,12)km,初始速度设置为(150,0,0)m/s;另外4个平台的初始位置为(25,0,10)km、(20,-5,14)km、(15,0,8)km和(20,5,12)km,初始速度为(150,100,0)m/s;目标数目为30个,初始X、Y方向位置分布在60到100km的范围内,初始高度分布在7到13km的范围内。算法参数设置同场景一,附图4给出各平台级航迹与全局航迹比较图。由该图可见,本方法可基于多平台上报的目标航迹,实现对多目标的融合估计;并且,相对于各平台,能够在时间和空间维度上获得更全面的目标数据。
Claims (9)
1.一种基于全局航迹构建的多平台航迹关联与融合方法,其特征在于,所述方法包括:
初始化全局航迹集合、初始化全局航迹号计数cout=0、初始化关联关系列表和初始化稳定关联关系列表;其中,所述全局航迹集合包括全局航迹状态、误差协方差阵、全局航迹批号、全局航迹更新时刻和标识;
按照序贯方式提取第k个更新周期的平台级航迹,令第k-1个更新周期的全局航迹集合表示为其中,mf,k-1表示全局航迹数目,分别表示第j条全局航迹的状态、误差协方差、全局航迹批号和全局航迹更新时刻,/>表示第j条全局航迹标识,/> 表示对应全局航迹最初来源平台/数据源所对应的平台级航迹批号,/>表示全局航迹最初来源的平台/数据源编号,/>用于标识临时航迹、确认航迹;
获取平台/数据源n、批号为的平台级航迹,将所述平台/数据源n、批号为/>的平台级航迹转换到与全局航迹相同的坐标系,表示为/>其中,分别表示平台/数据源n、第j条全局航迹的状态、误差协方差阵、平台级航迹批号与更新时刻;
采用卡尔曼一步预测滤波,将第k-1个更新周期的全局航迹状态与协方差阵递推到时刻得到时间对准后的全局航迹集合/>
若平台级航迹与集合中各全局航迹/>并不包括在稳定关联关系列表中,则计算两者的等效距离:
建立各平台/数据源上报航迹与全局航迹的价值矩阵Αn,k(n=1,2,…,M);其中,矩阵元素Αn,k(j,i)表示第j条全局航迹与第i条平台级航迹的关联权重;
若dj,i≤γ1,表示粗关联成功,更新矩阵元素Αn,k(j,i),采用如下公式:
其中,第k-1个更新周期的价值矩阵单元Αn,k-1(j',i')与Αn,k(j,i)对应于同一条全局航迹、同一条平台级航迹;α∈[0,1]表示遗忘因子,表征历史信息的影响程度,并标记该平台级航迹已被使用;
若dj,i>γ1,表示粗关联失败,不更新矩阵元素Αn,k(j,i);其中,γ1表示粗门限。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若该平台级航迹与集合中所有全局航迹都粗关联失败,则将该平台级航迹作为新的全局航迹,加入全局航迹集合中,全局航迹号计数cout=cout+1,新的全局航迹可表示为:
其中,全局航迹标识:
并更新对应的价值矩阵元素Αn,k(mf,k-1+1,i)=-1/γ1。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
对于所述全局航迹集合中非新起始航迹集合中的临时航迹,判断在更新周期内,所述临时航迹是否与任一平台级航迹粗关联成功。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若有,则航迹标识
否则,对于第j条全局航迹,若/>则标记所述第j条全局航迹为确认航迹;其中,γ6表示临时航迹确认门限;若/>则标记所述第j条全局航迹为删除航迹;其中,γ5表示临时航迹删除门限。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
建立各平台级航迹与全局航迹的关联矩阵Bn,k(n=1,2,…,M),矩阵元素Bn,k(j,i)表示第j条全局航迹与第i条平台级航迹关联的次数;
由价值矩阵Αm,对于不包括在稳定关联关系列表中的全局航迹与平台级航迹,采用拍卖算法,求解标识为确认航迹的全局航迹与各平台级航迹一一对应的精关联关系;
若判断精关联成功,则Bn,k(j,i)=Bn,k-1(j',i')+1;若判断精关联失败,则Bn,k(j,i)=Bn,k-1(j',i')-1;
其中,Bn,k-1(j',i')与Bn,k(j,i)对应同一条全局航迹与同一条平台级航迹,且Bn,k(j,i)∈[0,γ3];其中,γ3表示稳定关联关系确认门限。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
对于标识为确认航迹的全局航迹,判断关联矩阵Bn,k(n=1,2,…,M)中各元素是否大于等于门限γ2、γ3;其中,γ2、γ3表示判断关联关系门限,且γ2≤γ3;
当全局航迹j的标识为确认航迹,则判断Bn,k(j,i)是否超过门限。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
若Bn,k(j,i)≥γ3,则确定第j条全局航迹与第n个平台、第i条平台级航迹稳定关联,加入稳定关联关系列表,之后的更新周期不再进行关联;
若γ2≤Bn,k(j,i)<γ3,则判断第j条全局航迹与第n个平台、第i条平台级航迹关联,加入关联关系列表。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
从关联关系列表、稳定关联关系列表中,提取与全局航迹关联的各平台级航迹,对准到同一时刻,采用凸组合算法融合各平台级航迹的状态与误差协方差阵,形成该全局航迹的状态与误差协方差阵,将所述时刻作为全局航迹更新时刻,保留全局航迹的批号。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
若Bn,k(j,i)<γ2,对全局航迹集合中各航迹,统计各航迹的更新时刻;
若航迹超过γ4个更新周期没有更新,则将没有更新的全局航迹从集合中删除;
对于全局航迹集合中标记为删除航迹的临时航迹,将标记为删除航迹的临时航迹从集合中删除;其中,γ4表示全局航迹删除门限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427774.9A CN114329120B (zh) | 2021-11-26 | 2021-11-26 | 一种基于全局航迹构建的多平台航迹关联与融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111427774.9A CN114329120B (zh) | 2021-11-26 | 2021-11-26 | 一种基于全局航迹构建的多平台航迹关联与融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114329120A CN114329120A (zh) | 2022-04-12 |
CN114329120B true CN114329120B (zh) | 2024-05-03 |
Family
ID=81046749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111427774.9A Active CN114329120B (zh) | 2021-11-26 | 2021-11-26 | 一种基于全局航迹构建的多平台航迹关联与融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114329120B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN111829505A (zh) * | 2020-01-08 | 2020-10-27 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器航迹质量外推航迹融合方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN113591976A (zh) * | 2021-07-29 | 2021-11-02 | 杭州电子科技大学 | 一种基于前向全近邻解相关的乱序航迹融合方法 |
-
2021
- 2021-11-26 CN CN202111427774.9A patent/CN114329120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7719461B1 (en) * | 2008-08-05 | 2010-05-18 | Lockheed Martin Corporation | Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path |
CN111829505A (zh) * | 2020-01-08 | 2020-10-27 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器航迹质量外推航迹融合方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
CN113591976A (zh) * | 2021-07-29 | 2021-11-02 | 杭州电子科技大学 | 一种基于前向全近邻解相关的乱序航迹融合方法 |
Non-Patent Citations (1)
Title |
---|
刘晟 ; 徐飞雄 ; 宋少雷 ; .一种面向复杂体系作战的多源信息融合处理方法.航空电子技术.2020,(03),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114329120A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104101875B (zh) | 一种空管雷达多目标跟踪方法 | |
CN110361727A (zh) | 一种毫米波雷达多目标跟踪方法 | |
CN110673090B (zh) | 基于dbscan的无源多站多目标定位方法 | |
CN102707276B (zh) | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 | |
CN108133028A (zh) | 基于视频分析与定位信息结合的航空器挂牌方法 | |
CN107063259A (zh) | 一种航迹关联方法及电子设备 | |
CN111079859B (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
JP2004511029A (ja) | 複数ソースのターゲットの関係づけ | |
CN110333480B (zh) | 一种基于聚类的单无人机多目标aoa定位方法 | |
CN104007426A (zh) | 一种基于lse(最小方差估计)的ads与雷达信息系统误差配准算法 | |
CN108764157B (zh) | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 | |
CN109581359B (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN110376581B (zh) | 基于高斯混合概率假设密度滤波器的显式多目标跟踪方法 | |
CN114329120B (zh) | 一种基于全局航迹构建的多平台航迹关联与融合方法 | |
Le et al. | Short-term trajectory prediction using generative machine learning methods | |
CN114067224A (zh) | 一种基于多传感器数据融合的无人机集群目标数量检测方法 | |
CN109656271B (zh) | 一种基于数据关联思想的航迹软关联方法 | |
CN108562893A (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
CN105865457B (zh) | 一种基于文化算法的动态环境下航迹规划方法 | |
CN114998886B (zh) | 基于雷视融合的车辆追踪方法以及装置 | |
CN105828434B (zh) | 一种子网划分式DV-hop无线传感器网络定位方法 | |
CN113065604B (zh) | 一种基于dtw-dbscan算法的空中目标分群方法 | |
CN112965530B (zh) | 一种多无人机自适应变尺度动态目标搜索方法 | |
CN108957435B (zh) | 基于遗传算法的航迹匹配方法 | |
CN102064907A (zh) | Tcas系统接收信号野值剔除方法 |
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 |