论文部分内容阅读
航迹融合问题是利用信息融合技术,将来自不同传感器的航迹进行有效的处理、关联和综合,估计出较融合前更为精确可靠的目标航迹。航迹融合在战术和战略指挥、控制、通信、监视、侦查、空中交通管制、飞行器故障诊断、飞行训练质量辅助评估等军事和民用领域有着广泛的应用。 在目标密集环境下,信息容量巨大,信息之间的关系复杂,被探测的目标数量很多,且目标运动方式复杂多变,目标航迹间存在交叉、分叉、合并等多种形态,因此目标密集环境下的航迹融合问题是一个具有挑战性的课题,具有重要的研究价值。本论文对目标密集环境下多传感器航迹融合中的航迹过滤、航迹关联、航迹状态估计融合等理论和关键技术进行研究,并给出了相应的解决方法。 第一,目前,航迹融合过程多关注融合策略的适应性和完备性,而很少考虑传感器提供信息的不确定性。针对目前多传感器航迹融合系统不能很好处理不确定性,对曲线航迹拐点的融合误差较大等问题,将降低信息的不确定程度作为重点考虑的问题,提出了基于不确定性分析的航迹过滤方法。首先运用肖维涅准则对异常传感器进行检测,从总体上消除一部分不确定源,然后对每条参与融合的航迹进行不确定性分析,用正交多项式回归方法剔除传感器中的离群点,进一步降低航迹信息的不确定程度,为后续的航迹关联和航迹状态估计融合提供更为可靠的航迹,解决了目前对曲线航迹拐点融合误差较大的问题。 第二,将航迹关联问题转化成一种带约束的在线聚类问题,并基于该思想提出一种基于 Leader-Follower在线聚类的系统级航迹关联算法。该算法根据航迹的类别将其对应为Leader或Follower,采用将Follower和Leader进行聚类的策略,很大程度上降低了需要关联的航迹对数量,提高了关联效率;引入关联度熵函数进行 Leader与 Follower的点关联,该方法计算量小,并且对传感器数据分布没有要求;将关联的 Leader-Follower进行航迹状态估计融合,形成新 Leader,使得航迹状态估计融合过程和产生新 Leader的过程融为一体,降低了传统聚类算法对中心点轮换的沉重代价;该算法在目标数量未知的情况下,仍具有较高的可塑性和稳定性,适合目标密集的动态环境。 第三,航迹关联问题在目标密集环境下变得非常复杂,其复杂性主要由于三种典型航迹的存在,即交叉、分叉、合并航迹。目前大部分航迹关联算法在对这三种航迹进行关联处理时,都遇到正确关联率大幅下降的情况,本文针对这种现状提出了基于加权关联图的量测级航迹关联算法。引入信息散度作为航迹点关联的标准,在此基础上构造加权关联图进行航迹点关联,并利用加权的思想计算关联质量,更好的反映了航迹之间的关联关系,有效解决了交叉、分叉、合并航迹的关联问题,提高了目标密集环境下航迹关联算法的性能。 第四,提出基于信息量分析的航迹状态估计融合方法,通过分析其航迹状态估计融合结果和参与融合的传感器航迹数量,发现有选择的融合一些高质量的航迹比融合所有航迹效果更好。这个发现很值得思考,因为目前大多数方法都是融合所有传感器航迹,而不管它们的质量和对系统航迹的贡献如何。为了从传感器航迹集合中选择适当数量的传感器航迹,在基于信息量分析的航迹状态估计融合方法的基础上提出了用启发式引导航迹状态估计融合的思想。通过设计启发式函数引导航迹状态估计融合过程,确保最优数量的传感器航迹参与航迹状态估计融合。 综上所述,本文对目标密集环境下的多传感器航迹融合算法进行研究,解决了目标密集环境下的航迹过滤、航迹关联以及航迹状态估计融合等关键技术问题。