多傳感器模糊—概率交互作用的數(shù)據(jù)關(guān)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(guān)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(jī)動目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問題.模糊關(guān)聯(lián)度和關(guān)聯(lián)概率共同組成了各有效回波的加權(quán)系數(shù)，彌補(bǔ)了概率數(shù)據(jù)關(guān)聯(lián)濾波方法(PDAF)的不足.提高了雜波環(huán)境中機(jī)動目標(biāo)的跟蹤性能.
　　關(guān)鍵詞:模糊邏輯——概率交互作用；數(shù)據(jù)關(guān)聯(lián)；密集雜波環(huán)境；機(jī)動目標(biāo)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(jī)動目標(biāo)的困難在于眾多回波與目標(biāo)航跡關(guān)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(biāo).目前，雜波干擾環(huán)境中，跟蹤單目標(biāo)的數(shù)據(jù)關(guān)聯(lián)算法中最有代表性的是概率數(shù)據(jù)關(guān)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(biāo)航跡.但在密集雜波干擾環(huán)境中，當(dāng)跟蹤門內(nèi)平均雜波數(shù)達(dá)2后，該算法將有可能產(chǎn)生錯誤的數(shù)據(jù)關(guān)聯(lián)［1］，而導(dǎo)致目標(biāo)丟失.經(jīng)研究發(fā)現(xiàn)，在目標(biāo)勻速或勻加速運動期間，PDAF可以較好地實現(xiàn)目標(biāo)的跟蹤.一旦目標(biāo)出現(xiàn)機(jī)動，就容易產(chǎn)生數(shù)據(jù)關(guān)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(biāo)預(yù)測值之間的距離，即新息的大小緊密相關(guān).當(dāng)目標(biāo)出現(xiàn)強(qiáng)機(jī)動，既使采用多模型自適應(yīng)跟蹤方法，由于密集雜波干擾，真實目標(biāo)回波新息也將增大，從而它的關(guān)聯(lián)概率將減小，這必將導(dǎo)致真實目標(biāo)回波新息的進(jìn)一步增大.這種不良循環(huán)，最終導(dǎo)致關(guān)聯(lián)失敗和目標(biāo)丟失.可見，單用PDAF關(guān)聯(lián)方法，不能有效解決密集雜波干擾環(huán)境下的機(jī)動目標(biāo)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(guān)聯(lián)濾波方法.使用模糊邏輯解決數(shù)據(jù)關(guān)聯(lián)問題的理由：一是數(shù)據(jù)關(guān)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(yīng)用模糊邏輯可以快速建立目標(biāo)特征空間與關(guān)聯(lián)度空間之間的非線性映射關(guān)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(xué)習(xí)方法可用于支持建模.模糊關(guān)聯(lián)方法可以有效解決目標(biāo)機(jī)動期間的關(guān)聯(lián)問題，彌補(bǔ)了PDAF的不足，提高了系統(tǒng)的數(shù)據(jù)關(guān)聯(lián)性能.多傳感器目標(biāo)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(biāo)狀態(tài)估計.

二、多傳感器目標(biāo)跟蹤的模糊濾波算法
　　目標(biāo)的動力學(xué)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(shè)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(biāo)，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(shè)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(biāo)，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(jī)變量，(k)是目標(biāo)的預(yù)測值.對這些雜波作如下假設(shè)：(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