一种基于最近邻法的概率数据关联优化方法

摘要

本发明提供一种基于最近邻法的概率数据关联优化方法，具体步骤如下：一、参数设置：设传感器每个时刻接收到量测值的数量为N，门限值为γ，常数M；二、残差向量及其统计距离的计算；三、统计落入跟踪门内量测值数量，记为mk；四、事件定义；五、有效量测值的选择；六、新状态方程的计算；七、判断跟踪是否结束；通过以上步骤，实现了一种基于最近邻法的概率数据关联优化方法，可以减少错误关联发生的概率和数据关联的计算量，从而有效的提高数据关联的正确率和速度，解决了目标跟踪过程中数据关联资源消耗大和错误关联的实际问题。

说明书

技术领域

本发明涉及数据关联方法，尤其涉及一种基于最近邻法的概率数据关联优化方法，属于信息融合技术领域。

背景技术

随着科学技术的飞速发展，现代战争中的战场环境日益复杂，要求作战系统要能在复杂的战场背景和强干扰环境下，准确地跟踪目标。因此，对系统的抗干扰能力和可靠性提出了越来越高的要求。

数据关联问题广泛存在于目标跟踪的各个阶段。跟踪的起始阶段，需要在多个采样周期间进行量测与量测的关联，以便为新目标起始航迹提供充分的初始化信息和依据；在航迹更新和维持阶段，则需要进行量测与已建立目标轨迹之间的关联以确定用于轨迹更新的量测；在分布式融合跟踪系统中，为了对多个传感器输出的数据进行融合，首先就需要进行轨迹与轨迹的关联，以判断那些局部轨迹是源于同一个被跟踪的目标，进而进行轨迹的融合。这里的传感器是指可以获取目标信息的装置，如雷达，红外，紫外等。本发明重点应用于轨迹更新和维持阶段，将多传感器获得的目标量测值与从状态估计得到的目标轨迹数据相关联的同时，克服外界干扰对数据关联的影响，有效提高关联精度和可靠性。

发明内容

1、目的：

本发明的目的是提供一种基于最近邻法的概率数据关联优化方法，它是在多模复合制导的数据关联阶段，克服外界干扰回波的影响，减少运算量，得到量测值与量测目标的正确关联匹配，从而提高目标跟踪预测精度，并节约计算开销。

2、技术方案：

图1为本发明所述的方法流程图，本发明为一种基于最近邻法的概率数据关联优化方法，该方法具体步骤如下：

步骤一：参数设置

设传感器每个时刻接收到量测值的数量为N，门限值为γ，常数M；

步骤二：残差向量及其统计距离的计算

假设k-1时刻之前的目标轨迹已经建立，k时刻传感器接收到的每个量测值为Y_i(k),i＝1,2,···,N。第i个量测值与航迹的差矢量定为量测值与预测值之差，即残差向量为：

$v_i\left(k\right)=Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1),i=1,2,...,N$

式中符号说明如下：Y_i(k)为k时刻第i个传感器的量测值，H(k)为观测矩阵，X(k|k-1)为k时刻状态X(k)的预测值；

残差向量的统计距离为：

$\left(\begin{array}{c}{g}_i\left(k\right)=\left|\right|Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)|{|}^2\\ ={[Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)]}^T{S}^{-1}\left(k\right)·[Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)]\end{array}\right)$

式中符号说明如下：S^-1(k)为残差向量的协方差矩阵的逆矩阵；

步骤三：统计落入跟踪门内量测值数量，记为m_k

将统计距离g_i(k)与门限值γ进行比较，如果g_i(k)≤γ，则认为第i个量测值落入跟踪门内，如果g_i(k)＞γ，则认为第i个量测值未落入跟踪门内；计算跟踪门内量测值的数量，记为m_k；

步骤四：事件定义

考虑到所有可能的情况，事件定义：

在累积量测Y^k下的条件概率为：

β_i(k)＝p{φ_i(k)|Y^k}i＝1,2,…,m_k

这些事件是互斥且完备的，因此满足如下：

$\underset{i=0}{\overset{m_k}{\Sigma }}{\alpha }_i\left(k\right)+\underset{i=1}{\overset{m_k}{\Sigma }}{\beta }_i\left(k\right)=1;$

步骤五：有效量测值的选择

设当i＝s时的量测值距离预测目标的统计距离最短，g_s＝min(g_i)；

如果m_k＝0，则选择距离目标预测位置统计距离最短的量测值为与目标相关联的点迹。此时的状态方程为：

如果0＜m_k≤M，则选择跟踪门内所有的量测值为有效的量测值，此时的状态方程为：

如果m_k＞M，则选取距离目标预测位置统计距离最短的M个量测值为有效的量测值，此时的状态方程为：

$\left(\begin{array}{c}{\hat{X}}_{m_k>M}\left(k\right|k)=\underset{i=1}{\overset{m_k}{\Sigma }}E\left[X\left(k\right)\right|{\phi }_i\left(k\right),Y^k\left]p\right\{{\phi }_i\left(k\right),Y^k\}\\ =\underset{i=1}{\overset{m_k}{\Sigma }}{\phi }_i\left(k\right){\hat{X}}_i\left(k\right|k)\end{array}\right)$

步骤六：新状态方程的计算

由全概率定理，可得k时刻状态的条件均值为：

式中符号说明如下：表示事件φ_i(k)或事件条件下的状态估计：

X_i(k|k)＝X(k|k-1)+K(k)v_i(k)i＝1,2,….N

式中符号说明如下：K(k)表示卡尔曼滤波器的增益。

最后可得，新的概率数据关联的状态修正方程为：

式中：

步骤七：判断跟踪是否结束

判断目标跟踪是否完成，如果完成，结束计算，如果没有完成，则返回第二步。

通过以上步骤，实现了一种基于最近邻法的概率数据关联优化方法，可以减少错误关联发生的概率和数据关联的计算量，从而有效的提高数据关联的正确率和速度。解决了目标跟踪过程中数据关联资源消耗大和错误关联的实际问题。

3.优点

本发明可以将多模复合制导系统中目标状态估计和量测值进行数据关联，解决对目标状态进行估计的问题。本发明具备以下几个优点：

(1)本发明对门限值跟踪门内的量测值进行了分类讨论，对每种情况采用了不同的处理方法，在保持了计算的精度的同时，减少了计算量，提高了运算速度；

(2)本发明在跟踪门内无量测值时，进行了改进。避免了直接利用预测值代替量测值。减少了数据关联过程中错误关联发生的可能。提高了数据关联的正确率；

(3)本发明对各种情况采取了具有针对性的处理，因此拥有很好的稳定性。

附图说明

图1是本发明所述的方法流程图。

图中，m_k表示满足量测值与状态预测值之间统计距离小于门限值的量测值的数量，为变量；M表示从m_k个量测值中选取有效的量测值的数量，为常数。

具体实施方式

以下结合附图对本发明进行了详细描述。

本发明一种基于最近邻法的概率数据关联优化方法，如图1所示，该方法具体实施方案如下：

步骤一：参数设置

设传感器每个时刻接收到量测值的数量为N，门限值为γ，常数M；

步骤二：残差向量及其统计距离的计算

假设k-1时刻之前的目标轨迹已经建立，k时刻传感器接收到的每个量测值为Y_i(k),i＝1,2,···,N。第i个量测值与航迹的差矢量定为量测值与预测值之差，即残差向量为：

$v_i\left(k\right)=Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1),i=1,2,...,N$

式中符号说明如下：Y_i(k)为k时刻第i个传感器的量测值，H(k)为观测矩阵，X(k|k-1)为k时刻状态X(k)的预测值；

残差向量的统计距离为：

$\left(\begin{array}{c}{g}_i\left(k\right)=\left|\right|Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)|{|}^2\\ ={[Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)]}^T{S}^{-1}\left(k\right)·[Y_i\left(k\right)-H\left(k\right)\hat{X}\left(k\right|k-1)]\end{array}\right)$

式中符号说明如下：S^-1(k)为残差向量的协方差矩阵的逆矩阵；

步骤三：统计落入跟踪门内量测值数量，记为m_k

将统计距离g_i(k)与门限值γ进行比较，如果g_i(k)≤γ，则认为第i个量测值落入跟踪门内，如果g_i(k)＞γ，则认为第i个量测值未落入跟踪门内；计算跟踪门内量测值的数量，记为m_k；

步骤四：事件定义

考虑到所有可能的情况，事件定义：

在累积量测Y^k下的条件概率为：

β_i(k)＝p{φ_i(k)|Y^k}i＝1,2,…,m_k

这些事件是互斥且完备的，因此满足如下：

$\underset{i=0}{\overset{m_k}{\Sigma }}{\alpha }_i\left(k\right)+\underset{i=1}{\overset{m_k}{\Sigma }}{\beta }_i\left(k\right)=1;$

步骤五：有效量测值的选择

设当i＝s时的量测值距离预测目标的统计距离最短，g_s＝min(g_i)；

如果m_k＝0，则选择距离目标预测位置统计距离最短的量测值为与目标相关联的点迹。此时的状态方程为：

如果0＜m_k≤M，则选择跟踪门内所有的量测值为有效的量测值，此时的状态方程为：

如果m_k＞M，则选取距离目标预测位置统计距离最短的M个量测值为有效的量测值，此时的状态方程为：

$\left(\begin{array}{c}{\hat{X}}_{m_k>M}\left(k\right|k)=\underset{i=1}{\overset{m_k}{\Sigma }}E\left[X\left(k\right)\right|{\phi }_i\left(k\right),Y^k\left]p\right\{{\phi }_i\left(k\right),Y^k\}\\ =\underset{i=1}{\overset{m_k}{\Sigma }}{\phi }_i\left(k\right){\hat{X}}_i\left(k\right|k)\end{array}\right)$

步骤六：新状态方程的计算

由全概率定理，可得k时刻状态的条件均值为：

式中符号说明如下：表示事件φ_i(k)或事件条件下的状态估计：

X_i(k|k)＝X(k|k-1)+K(k)v_i(k)i＝1,2,….N

式中符号说明如下：K(k)表示卡尔曼滤波器的增益。

最后可得，新的概率数据关联的状态修正方程为：

式中：

步骤七：判断跟踪是否结束

判断目标跟踪是否完成，如果完成，结束计算，如果没有完成，则返回第二步。

通过以上步骤，实现了一种基于最近邻法的概率数据关联优化方法，可以减少错误关联发生的概率和数据关联的计算量，从而有效的提高数据关联的正确率和速度。解决了目标跟踪过程中数据关联资源消耗大和错误关联的实际问题。