多傳感器模糊—概率交互作用的數(shù)據(jù)關聯(lián)算法

本文基于估計理論和模糊系統(tǒng)理論，提出了一種多傳感器多回波模糊一概率交互作用的數(shù)據(jù)關聯(lián)濾波算法，以解決密集雜波干擾環(huán)境中多傳感器跟蹤機動目標的數(shù)據(jù)關聯(lián)問題.模糊關聯(lián)度和關聯(lián)概率共同組成了各有效回波的加權(quán)系數(shù)，彌補了概率數(shù)據(jù)關聯(lián)濾波方法(PDAF)的不足.提高了雜波環(huán)境中機動目標的跟蹤性能.
　　關鍵詞:模糊邏輯——概率交互作用；數(shù)據(jù)關聯(lián)；密集雜波環(huán)境；機動目標跟蹤；多傳感器數(shù)據(jù)融合

Multisensor Fuzzy-Probability Interacting Data Association Algorithm

LIU Yuan　XU Lu-ping
(School of Electronic Engineering,Xidian University.,Xi'an 710071,China)
XIE Wei-xin
(Shenzhen University,Shenzhen 518060,China)

　　Abstract:Based on the theory of the estimation and fuzzy logical system,this paper proposes a data association algorithm of the fuzzy logic-probability interacting,to solve the data association problems typically encountered in the application of multisensor in tracking a maneuvering target in a heavily-cluttered environment.The combination of fuzzy association degree and probabilistic association forms the weights that the ith received measurment is target originated.The proposed data association algorithm counteracts the weaknesses of probabilistic data association filter (PDAF),and improves the performances of tracking a maneuvering target in a heavily-cluttered enviroment.
　　Key words:fuzzy logic-probability interacting;data association;heavily-cluttered environment;multisensor tracking maneuvering target;data fusion

一、引　　言
　　在密集雜波干擾環(huán)境中，跟蹤機動目標的困難在于眾多回波與目標航跡關聯(lián)的不確定性.它使我們無法確定哪一個回波來自于真實的目標.目前，雜波干擾環(huán)境中，跟蹤單目標的數(shù)據(jù)關聯(lián)算法中最有代表性的是概率數(shù)據(jù)關聯(lián)算法(PDAF)，它通過計算位于跟蹤門內(nèi)所有回波的加權(quán)平均來更新目標航跡.但在密集雜波干擾環(huán)境中，當跟蹤門內(nèi)平均雜波數(shù)達2后，該算法將有可能產(chǎn)生錯誤的數(shù)據(jù)關聯(lián)［1］，而導致目標丟失.經(jīng)研究發(fā)現(xiàn)，在目標勻速或勻加速運動期間，PDAF可以較好地實現(xiàn)目標的跟蹤.一旦目標出現(xiàn)機動，就容易產(chǎn)生數(shù)據(jù)關聯(lián)錯誤.這是因為PDAF的實質(zhì)是計算多回波的統(tǒng)計中心.它是所有有效回波的加權(quán)平均，各權(quán)重的大小與該回波和目標預測值之間的距離，即新息的大小緊密相關.當目標出現(xiàn)強機動，既使采用多模型自適應跟蹤方法，由于密集雜波干擾，真實目標回波新息也將增大，從而它的關聯(lián)概率將減小，這必將導致真實目標回波新息的進一步增大.這種不良循環(huán)，最終導致關聯(lián)失敗和目標丟失.可見，單用PDAF關聯(lián)方法，不能有效解決密集雜波干擾環(huán)境下的機動目標跟蹤問題.
　　本文給出了一種多傳感器模糊邏輯-概率交互作用的數(shù)據(jù)關聯(lián)濾波方法.使用模糊邏輯解決數(shù)據(jù)關聯(lián)問題的理由：一是數(shù)據(jù)關聯(lián)問題本身的不確定性或模糊性，正是模糊邏輯研究的對象.二是應用模糊邏輯可以快速建立目標特征空間與關聯(lián)度空間之間的非線性映射關系模型.該模型可以融合數(shù)字，語言等多種信息，具有良好的魯棒性.一些有效的自學習方法可用于支持建模.模糊關聯(lián)方法可以有效解決目標機動期間的關聯(lián)問題，彌補了PDAF的不足，提高了系統(tǒng)的數(shù)據(jù)關聯(lián)性能.多傳感器目標狀態(tài)估計采用序列估計法［2］實現(xiàn)，估計精度明顯高于單傳感器目標狀態(tài)估計.

二、多傳感器目標跟蹤的模糊濾波算法
　　目標的動力學方程為：

X(k+1)=Φ(k)X(k)+W(k)　(1)

這里X(k)是k時刻n維狀態(tài)矢量，Φ(k)是n×n維狀態(tài)轉(zhuǎn)移矩陣，W(k)是n維狀態(tài)噪聲，假設其均值為零，方差為E{W(k)WT(l)}=Q(k)δkl的正態(tài)分布.
　　如果量測來自被跟蹤的目標，則第i個傳感器量測方程為

Zim(k)=Hi(k)X(k)+vi(k)　(2)

其中Zim(k)是測量矢量，Hi(k)是已知的m×n維測量增量矩陣，vi(k)是m×1維的測量噪聲，設它為正態(tài)分布，其均值為零，方差為E{vi(k)viT(l)}=Ri(k)δkl.
　　如果量測不是來自被跟蹤的目標，既為雜波，則第i個傳感器量測方程為

Zic(k)=Hi(k)(k)+ui(k)　(3)

其中ui(k)是均勻分布的隨機變量，(k)是目標的預測值.對這些雜波作如下假設：(1)雜波在觀測空間中均勻分布，(2)雜波測量相互獨立.
　　第i個傳感器在k時刻得到的一組有效量測為