多傳感器模糊—概率交互作用的數(shù)據(jù)關(guān)聯(lián)算法
加入技術(shù)交流群
最后，由重心去模糊算法得出關(guān)聯(lián)度
其中
j是μBj(Z)達(dá)最大值的點(diǎn).
模糊系統(tǒng)的學(xué)習(xí)算法有多種［6］，但它們都是基于半模糊模型，即前提的模糊隸屬函數(shù)為單值.單值模糊產(chǎn)生方法不適合含有噪聲的情況.作者在文獻(xiàn)［5］中采用了一種基于最陡下降法的全模糊模型學(xué)習(xí)算法，可用于受噪聲影響的模糊關(guān)聯(lián)系統(tǒng)的學(xué)習(xí).
五、仿真舉例
1.航跡模型
該機(jī)動(dòng)目標(biāo)的航跡由三個(gè)不同的運(yùn)動(dòng)段組成.第一段為勻速運(yùn)動(dòng)段，沿X軸方向，起始于點(diǎn)x=0,y=5km,vx=0.5km/s,vy=0，持續(xù)1～50秒.第二階段為加速轉(zhuǎn)彎段，加速度為ay=5g,ax=0，持續(xù)51～70秒.第三階段為勻速運(yùn)動(dòng)段，沿Y軸方向，vy=0.5km/s,vx=0，持續(xù)71～100秒.假設(shè)每個(gè)采樣點(diǎn)上，有效雜波回波數(shù)為2個(gè).采樣間隔T=1s.
2.性能檢驗(yàn)與比較
首先，考慮用PDAF和多模型方法共同作用的情況.圖1給出了所得到的跟蹤結(jié)果.可見，當(dāng)機(jī)動(dòng)發(fā)生時(shí)，由于密集雜波的干擾，造成關(guān)聯(lián)錯(cuò)誤，導(dǎo)致目標(biāo)丟失.圖2，3分別給出了上述情況時(shí)，各有效回波源于目標(biāo)的概率.可見，當(dāng)機(jī)動(dòng)發(fā)生時(shí)，真實(shí)目標(biāo)回波的概率趨于零.而雜波的概率卻趨于1.
圖1 用PDAF得出的跟蹤結(jié)果 | 圖2 真實(shí)目標(biāo)回波的關(guān)聯(lián)概率 |
圖3 雜波回波的關(guān)聯(lián)概率 其次，考慮用本文提出的模糊邏輯和概率交互作用的數(shù)據(jù)關(guān)聯(lián)方法與多模型方法共同作用的情況.經(jīng)Monte Carlo仿真，得如下結(jié)果.圖4給出了跟蹤結(jié)果.可見，較好地實(shí)現(xiàn)了對(duì)該機(jī)動(dòng)目標(biāo)的跟蹤.圖5，6分別給出了上述情況時(shí)，各有效回波的加權(quán)系數(shù).可見，真實(shí)目標(biāo)回波的加權(quán)系數(shù)明顯大于雜波的權(quán)系數(shù).最后，考慮分別使用多傳感器和單傳感器時(shí)，目標(biāo)狀態(tài)估計(jì)精度上的差異.圖7給出了上述兩種情況時(shí)的目標(biāo)位置估計(jì)的均方誤差.可見，多傳感器的估計(jì)精度明顯好于單傳感器時(shí)的估計(jì)精度，尤其是在機(jī)動(dòng)發(fā)生處. |
圖4 用本文算法得出的跟蹤結(jié)果 | 圖5 真實(shí)目標(biāo)回波的加權(quán)系數(shù) |
圖6 雜波回波的加權(quán)系數(shù) |
關(guān)鍵詞：
多傳感器
概率交互
數(shù)據(jù)關(guān)聯(lián)
相關(guān)推薦
技術(shù)專區(qū)
|
評(píng)論