基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究

合集下载

基于模糊理论的证据航迹关联算法分析

优先出版计算机应用研究第32卷--------------------------------基金项目：安徽省自然科学基金(1308085QF105)；“十二五”国防预研项目(41101020303)作者简介：丁锋(1978--)，男，安徽毫州人，讲师，博士，主要研究方向为目标跟踪、数据融合(dfdf11@)；薛磊(1963--)，男，硕士，教授，主要研究方向为信号处理．基于模糊理论的证据航迹关联算法分析 *丁锋，薛磊(电子工程学院，合肥 230037)摘要：针对模糊推理航迹关联算法隶属度函数确定较为繁琐，影响算法灵活性等现实问题，将证据理论引入模糊航迹关联算法，对隶属度函数进行加权处理以获取证据信息，并在此基础上进行基于证据理论的融合处理。

仿真分析表明，基于模糊理论的证据航迹关联算法具有较强的环境适应性，能够在不大幅增加运算量的情况下进一步降低模糊航迹关联的不确定性，体现了证据理论在解决不确定问题上的优良特性。

关键词：模糊推理；证据理论；航迹关联中图分类号：TN95；TP274 文献标志码：AAnalysis of track association based on fuzzy evidence theoryDING Feng, XUE Lei(Electronic Engineering Institute, Hefei 230037, China)Abstract: Aiming at the factual problems existed in distributed fuzzy reasoning track association algorithms such as the cockamamie process in confirming the membership function. This paper imported the evidence theory into fuzzy track association, modified the subjection regulation to acquire evidence information, and then disposed the information based on evidence theory. The simulation result shows that algorithm of evidence theory based on fuzzy reasoning possesses preferable circumstances adaptability, can reduce the uncertainty of the fuzzy track association in reasonable calculation capacity, and indicates the excellent characteristic of the evidence theory on uncertain problems. Key Words: fuzzy reasioning; evidence theory; track association0 引言航迹关联由于其较低的通信要求、较高的系统可信性等特点，已成为分布式系统多目标跟踪的核心关键技术。

多传感器信息融合技术及其应用

第29卷第5期2009年9月海洋测绘HYDROGRAP H I C SURV E Y I N G AND CHART I NGV o l 29,N o 5Sep .,2009收稿日期:2009 04 14;修回日期:2009 07 20作者简介:孙辉(1968 ),男,江西景德镇人,工程师,硕士研究生,主要从事水文气象装备和数据处理研究。

多传感器信息融合技术及其应用孙辉1,赵峰1,张峰云2(1 海军司令部航海保证部,天津 300042;2 北京泰富坤科技有限公司,北京 100190)摘要:介绍了多传感器信息融合的起源、发展及应用现状,阐述了多传感器数据融合的基本概念、主要类别、相关技术和方法,研究了几个主要算法及其适用场合,最后分析了该技术存在的主要问题及其发展趋势。

关键词:多源传感器;信息融合;卡尔曼滤波;贝叶斯网络;D -S 证据理论;神经网络中图分类号:P 204 文献标识码:B 文章编号:1671 3044(2009)05 0077 051 引言目前被普遍接受的数据融合的概念是1998年1月以B chr o it h ner 和W a l d 的工作为基础给出的定义[1]:数据融合是一个形式化的框架,由用于处理多个数据源数据的一组明确的方法和工具组成;处理的目的是为了获得更高质量的信息,这里更高质量的确切涵义则取决于应用。

数据融合最初是针对多传感器系统中多源异构信息的处理和集成而开展的一个研究领域。

随着多传感器系统的广泛应用,便出现了多传感器信息的处理和使用问题,多传感器数据融合技术应运而生,它是利用计算机技术对按时序获得的若干传感器的观测信息,以及数据库和知识库的信息,在一定准则下加以自动汇集、相关、分析、综合为一种表示形式,以完成所需要的估计和决策任务所进行的信息处理过程[2]。

由于多传感器信息的冗余性、互补性、时效性和低代价,使得多传感器信息融合系统克服了单一传感器的局限,从而具有较强的鲁棒性和较高的置信度。

基于动态估计反馈的灰色理论航迹关联算法

第４６卷　第４期２０２４年４月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４６　Ｎｏ．４Ａｐｒｉｌ２０２４文章编号：１００１５０６Ｘ（２０２４）０４１４０１１１　网址：ｗｗｗ．ｓｙｓｅｌｅ．ｃｏｍ收稿日期：２０２３０５２５；修回日期：２０２３０９１１；网络优先出版日期：２０２３１０２４。

网络优先出版地址：ｈｔｔｐ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２３１０２４．１３３２．０１６．ｈｔｍｌ基金项目：国家自然科学基金（６１５０２５２２）资助课题通讯作者．引用格式：邱建杰，蔡益朝，李浩，等．基于动态估计反馈的灰色理论航迹关联算法［Ｊ］．系统工程与电子技术，２０２４，４６（４）：１４０１１４１１．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＱＩＵＪＪ，ＣＡＩＹＣ，ＬＩＨ，ｅｔａｌ．Ｇｒｅｙｔｈｅｏｒｙｔｒａｃｋａｓｓｏｃｉａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｙｎａｍｉｃｅｓｔｉｍａｔｉｏｎｆｅｅｄｂａｃｋ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２４，４６（４）：１４０１１４１１．基于动态估计反馈的灰色理论航迹关联算法邱建杰，蔡益朝，李　浩，黄权印（空军预警学院，湖北武汉４３００１４）摘　要：针对传统基于灰色理论航迹关联算法未充分利用航迹历史信息，在密集目标以及时变噪声协方差等场景下关联正确率下降问题，在传统灰色分析法基础上增加了一种动态估计反馈机制。

改进后的算法引入了ＳａｇｅＨｕｓａ估计器来实时估计传感器的噪声协方差作为评估输出数据质量的依据，并使用Ｃｒｉｔｉｃ赋权法将实时噪声协方差转换为各时刻序贯权重，从而保证最大程度上的利用航迹历史信息。

仿真证明，在密集目标与时变噪声协方差等特殊关联场景下，所提算法明显优于传统灰色分析法以及模糊法、加权法等经典算法，充分证明了所提算法的性能优越性以及鲁棒性。

多传感器信息融合技术论文2

多传感器信息融合技术论文(2) 多传感器信息融合技术论文多传感器信息融合，又称多源信息融合，是用于包含多个或多类传感器或信息源的系统的一种信息处理方法。

Walz将多源信息融合定义为：通过对多个传感器产生的数据或信息进行检测、组合估计、关联等多级操作，从而得到关于观测环境或目标的精确状态、身份估计以及完整、及时的态势评估的过程。

其基本原理是充分利用多源系统中各信息源所提供的信息的不同特征，按照某种优化准则，将这些互补冗余的信息进行重新组合、关联，从而产生对观测目标或环境的一致性解释和描述。

多传感器信息融合通过对各种分离的观测信息进行优化组合，从而导出更多的有效信息，以达到利用多个信源协同工作的优势来系统整体效能的最终目的。

2 功能模型和融合方法2.1 功能模型根据输入信息的抽象层次，多传感器信息融合可以分为信源、预处理、检测级融合、位置级融合、目标识别融合(特征级融合)、状态级融合(态势估计)、威胁估计和精细处理。

如下图所示。

1)信源主要有红外、雷达、ESM、声纳、敌我识别器、通信情报、电子情报、侦察情报等。

2)信源预处理，是指根据信息特征和属性、传感器种类、观测时间等各种基本信息，对多源信息进行分选、误差补偿、过程分配、像素级或信号级数据关联等。

主要目的是降低系统需要处理的数据量，避免系统过载，提高系统性能。

3)检测级融合是第一级融合，属于信号处理级的融合。

它根据预先设定的检测准则形成最优化检测门限，从而产生最终的检测输出。

其结构主要有五种：分散式结构、树状结构、串行结构、并行结构和带反馈的并行结构。

4)位置级融合是第二级融合，它通过综合来自多传感器的关于同一观测目标的时间和空间等信息，建立该观测目标的航迹，并得出观测目标的行进速度和位置等信息，主要包括空间融合、时间融合和时空融合。

具体过程主要有数据校准、数据关联、目标跟踪、状态估计、航迹关联、估计融合等。

其结构主要有集中式结构、分布式结构、混合式结构和多级式结构。

多传感器数据融合技术及应用

2010年七大水系的408个重点监测断面
I~III类水 IV~V类水劣V类水
检测指标
59.6%
水质建模、水质综合评判
• 汽车尾气排放检测
24%
16.4%
6、智能交通
• 空中交通：空中交通管制系统在雷达网的监视、引导和管理下进行工作，多雷达融合，通过二次雷达识别各种类型的飞机、确定民航机航班号、飞行状态，且与一次雷达进行配对
车路协同
• 车路协同系统主要包含智能车辆、车车通信（Vehicle to Vehicle, V2V）、车路通信（Vehicle to Infrastructure, V2I）、车路协同控制和微观仿真等，它显著提高道路基础设施的使用效率道路，大大降低交通事故、延误和环境污染
CVIS展望图
7、农业
传感器
通信（数据融合）
Internet
云平台智能信息处理（数据融合）
无线传感网络
用户
五、多传感器数据融合研究现状
自20世纪70年代末以来，MSDF受到了各国学术界、工业界和军届的广泛关注，成为研究热点
（一）国外 • 美国将MSDF技术列为90年代重点研发的二十项关键技术之一，A类，
发展C4I系统，经费投资数亿美元 • 学术方面： 87年起，美三军每年召开一次数据融合学术会议，出版SPIE专集 • IEEE 94年首次举办智能系统多传感器融合与集成会议MFI94，MFI96，
data fusion • 学术期刊 IEEE sensors journal IEEE system, man and cybernetics Information fusion Information science Sensor and actuator A Sensor and actuator B （二）国内

基于局部估计误差相关的多传感器异步航迹融合

算法的有效性。
关键词：传感器，步，迹融合，部估计误差，关多异航局相
中图分类号：２２ＴＰ１文献标识码：Ａ
ＭｕｔｓｎｓｒＡｓｎｃ０ｕａｋＦｕｉｎＢａｅｎｌｉｅｏｙｈｒｎ０ｓＴｒｃｓｏｓｄｏ
１模型描述
假定连续时间系统的目标状态方程为
（）ＡＸ（）Ｇ（）￡＝＋
且从方程（）以看出，厶＋厶一时，是４可当Ｘｆ
无偏的［。６］
设各传感器预测估计误差（／一Ｘ（）ｋｋ）一
式（），，４中厶
为待定的融合加权矩阵，
Ｘｋｋ）Ｘｋｋ）本地航迹产生预测估计为：（／，（／是
Ｘ１ｋｋ）（／１＝Ｆ（／１（１ｋ）ｋｋ）正／１Ｘ是五）（／２￣Ｆ（／２（２ｋ）ｋｋ）志／２２
ＡｂｔａｔＦｒｄｆｅｅｔｓｍｐｅｒｔｆｄｓｉｌｒｓｎｏｎｒｒｇｎｔｏｃｍｍｕｉａｉｎｄｌｙａｄｓｒｃ：ｏｉｒｎａｌａｅｏｉｓｍｉｅｓｒａｄｗｏｋｏｉｉａｉｎ、ｏｆａｎｃｔｏｅａｎｉｈｒｅａｔ．ｗｈｃｄｈｔｔｅｒｓａｃｆｔｅｍｕｔｅｓｒａｙｃｒｎｕｕｉｎｉｏｅｐａｔｃｌｎｅｅｄｌｙｅｃ，ｉｈｍａｅｔａｈｅｅｓｈｏｈｌｉｎｏｓｎｈｏｏｓｆｓｏｓｍｒｒｃｉａｓｔａｙｃｒｎｕａａｆｓｏｎｏａｓｉｔｒｏｓｃｒｅａｅｏｍｏｌ．ａｅｎｍｉｉｚｎｈｈｎｓｎｈｏｏｓｄｔｕｉｎａｄｌｃｌｅｔｍａｅｅｒｒｉｏｒｌｔｄｃｍｎｙＢｓｄｏｎｍｉｉｇｔｅｔａｅｆｈｆｓｏｅｒｒｏａｉｎｅｒｃｏｔｅｕｉｎｒｏｃｖｒａｃｍａｒｘ，ａｔｉｍｕｔｓｎｏａｙｃｒｎｕｆｓｏａｇｒｔｍｂｓｄｎｌｉｅｓｒｓｎｈｏｏｓｕｉｎｌｏｉｈａｅｏｃｒｅａｅｏａｓｉｔｒｏｒｓｎｅ．ｉｎｌｓｍｕａｅｅｕｔｈｗｈｔｔｅａｇｒｔｍｓｅｆｃｉｅｏｒｌｔｄ１ｃｌｅｔｍａｅｅｒｒｉｐｅｅｔｄＦｎａｙ，ｉｌｔｄｒｓｌｓｓｏｔａｈｌｏｉｓｈｉｆｅｔｖ．Ｋｅｒｓｍｕｔｓｎｏ，ｓｎｈｏｉａｉｎ，ｒｃｕｉｎ，ｃｌｅｔｍａｅｅｒｒｃｒｅａｉｎｙｗｏｄ：ｌｉｅｓｒａｙｃｒｎｚｔｏｔａｋｆｓｏｌａｓｉｔｒｏ，ｏｒｌｔｏｏ

(完整版)多传感器分布式航迹融合综述

多传感器航迹融合综述在20年代70年代初，R. A. Singer等人首次提出航迹融合问题，其推导了表征两航迹关联概率的“相关方程”，其实就是计算两条航迹间的玛氏距离：将关联概率小于门限值的航迹视为待融合的航迹，这即是一个假设检验问题；但其后续的航迹融合有一个隐含假设：来自同一目标、不同传感器的两个局部估计误差是相互独立的[1][2]。

[1] R. A. Singer and A. J. Kanyuck, “Computer control of multiple site track correlation”, Automatica, vol. 7, pp. 455-463, July 1971.[2] R. A. Singer and A. J. Kanyuck, “Correlation of Multiple-Site Track Data”, IEEE Transactions on Aerospace and Electronic System, vol. 6, No. 2, pp. 180-187, March 1970.而实际情况中，尽管不考虑目标机动性或量测噪声，过程噪声是相同的，因此局部估计误差往往是高度相关的，因此相关性不容忽视。

1979年，J．Speyer在多传感器分布式估计问题中将估计间的相关性考虑其中，但其不适用于假设检验问题[3]。

此外，Willsky等人也在其研究中考虑了相关性等问题[4]。

[3] J. L. Speyer, “Computation and Transmission Requirements for a Decentralized Linear- Quadratic-Gaussian Control Problem”, IEEE Transactions on Automatic Control, vol. 24 no. 2 pp. 266-269, 1979.[4] A. Willsky, M. Bello, D. Castanon, B. Levy, G. Verghese, “Combining and Updating of Local Estimates and Regional Maps Along Sets of One-Dimensional Tracks”, IEEE Transactions on Automatic Control, vol. 27, no. 4, pp. 799-813, 1982.1981年,Y. Bar-shalom等人推导了两局部估计误差互相关的简单递推公式，将互相关性融入假设统计量公式中。

分步的基于模糊聚类的多雷达航迹关联算法

虽然对样本量要求不高，但航迹关联判定准则是局部最优
达的环境下，各雷达独立观测目标，得到大量目标的重复航迹航迹进行预关联判断，然后通过模糊相似计算，简化航迹相似
信息。然而，航迹与航迹关联（或互联）问题就是判断不同系矩阵，进而减少相似计算与矩阵迭代的次数，以期达到减小运
统的航迹是否代表同一个目标，以获取目标的正确信息… 。算量的目的。
（ＣｏｌｌｅｇｅｏｆＡｅｒｏｎａｕｔｉｃｓａｎｄＡｓｔｒｏｎａｕｔｉｃｓＥｎｇｉｎｅｅｒｉｎｇ，ＡｉｒＦｏｒｃｅＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎＳｈａａｎｘｉ７１００３８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｓｉｎｃｅｔｈｅｍｕｌｔｉ—ｒａｄａｒｔｒａｃｋｃｏｒｒｅｌａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄＯｎｔｒａｎｓｉｔｉｖｅｃｌｏｓｕｒｅｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｈａｓｈｉｇｈｃｏｍｐｕｔａｔｉｏｎａｌｃｏｍｐｌｅｘｉｔｙ，ａｓｔｅｐ·ｂｙ—ｓｔｅｐｍｕｌｔｉ·ｒａｄａｒｔｒａｃｋｃｏｒｒｅｌａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，
航迹关联是多雷达数据融合的一个关键问题，也是实现１问题描述
多雷达航迹数据合成的前提，关联判定结果将直接影响到整
个融合系统的性能Ｊ。现有的主要方法有拓扑序列的方
假设两部雷达对同一空域的目标进行探测，且认为同一
Ｋｅｙｗｏｒｄｓ：ｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎ；ｓｔｅｐ－·ｂｙ－－ｓｔｅｐ；ｔａｒｇｅｔｔｒａｃｋｉｎｇ；ｔｒａｃｋｃｏｒｅｌａｔｉｏｎ；ｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇ

多传感器多目标航迹关联与融合算法研究

航迹融合算法是将多个传感器获取的目标运动轨迹数据进行融合，从而得到更加准确的目标运动状态估计。
航迹融合算法的输入包括多个传感器获取的目标运动轨迹数据以及一些先验信息，如目标的速度、加速度、运动方向等。
航迹融合算法的主要步骤
航迹融合算法的主要步骤包括数据预处理、特征提取、状态估计和结果输出。其中，数据预处理是对原始数据进行滤波、去噪等操作，特征提取是提取目标运动轨迹的特征，状态估计是根据一定的准则对目标运动状态进行估计，结果输出是输出融合后的目标运动状态。
03
算法改进与优化
基于聚类的航迹关联算法改进
要点一
总结词
要点二
详细描述
提高准确性、降低漏检率
基于聚类的航迹关联算法在多传感器多目标环境下，存在航迹交叉、遮挡等问题，导致准确性下降、漏检率上升。针对这些问题，提出了一种改进的聚类算法，将空间位置和速度作为主要考虑因素，同时引入时间窗口限制，以减少计算量和提高准确性。实验结果表明，该算法能够更准确地进行航迹关联，降低了漏检率，提高了算法性能。
军事领域
多传感器多目标航迹关联与融合算法在军事领域具有广泛的应用前景，如雷达网、红外预警系统等。该研究可以为军事应用提供更有效、更可靠的航迹关联与融合方法。
民用领域
该算法也可以应用于民用领域，如智能交通系统、无人机编队、目标跟踪等。通过与其他先进技术的结合，可以进一步提高民用领域的智能化水平。
传感器数据可能存在误差、噪声和缺失等问题，对算法的性能产生一定影响。未来可以研究更有效的数据预处理方法，提高传感器数据的准确性和可靠性。
动态环境适应性
该研究主要关注静态环境下的多传感器多目标航迹关联与融合问题。在动态环境下，目标的运动轨迹和速度会发生变化，需要研究更适应动态环境的方法。

模糊逻辑在飞行器设计优化中的应用

模糊逻辑在飞行器设计优化中的应用模糊逻辑在飞行器设计优化中的应用已经成为航空工程领域中的重要研究方向。

随着飞行器设计的复杂性和多变性不断增加，传统的精确逻辑方法在解决实际问题时面临着种种挑战。

模糊逻辑作为一种能够处理不确定性和模糊性问题的方法，逐渐成为飞行器设计优化中不可或缺的工具。

本文将探讨模糊逻辑在飞行器设计优化中的应用，并分析其在提高飞行器性能、降低能耗、增强安全性等方面所取得的成果。

一、模糊逻辑在飞行器控制系统设计中的应用1.1 模糊控制系统传统的控制系统设计通常基于精确数学模型，但是由于环境变化和传感器误差等因素，精确数学模型无法完全描述实际情况。

而模糊控制系统则通过将输入输出映射关系建立为一系列隶属度函数，并通过模糊规则来描述输入输出关系。

这种基于经验和直觉建立起来的控制系统具有较强的鲁棒性和适应性，能够应对环境变化和传感器误差等不确定性因素，因此在飞行器控制系统设计中得到了广泛应用。

1.2 模糊控制器设计在飞行器控制系统设计中，模糊控制器的设计是一个关键环节。

模糊控制器的输入通常是一组模糊变量，输出是一组模糊规则。

通过对输入变量的隶属度函数和输出规则的定义，可以建立起输入输出之间的映射关系。

模糊控制器能够通过学习和优化来不断改进其性能，并适应不同的环境和任务需求。

因此，在飞行器设计中，通过优化模糊控制器的设计可以提高飞行器的操纵性、稳定性和安全性。

1.3 模糊逻辑在自动驾驶系统中的应用随着自动驾驶技术的发展，越来越多的飞行任务可以由自主无人机完成。

在自动驾驶系统中，模糊逻辑被广泛用于路径规划、障碍物避免等关键任务中。

通过将传感数据映射到一组隶属度函数，并建立起一系列模糊规则，可以实现对复杂环境中的飞行器行为的控制。

模糊逻辑能够有效处理环境中的不确定性和模糊性，提高自动驾驶系统的安全性和可靠性。

二、模糊逻辑在飞行器性能优化中的应用2.1 模糊逻辑在飞行器气动优化中的应用飞行器气动优化是提高飞行器性能和降低能耗的重要手段。

多传感器数据融合与航迹预测-论文

多传感器数据融合与航迹预测摘要本文针对多传感器的数据融合与航迹预测问题进行了探讨，结合附件中所给的数据，分别建立了基于改进的最近邻判定准则的航迹相关模型、基于最小二乘法的航迹时间配准模型、雷达站点的误差修正模型、基于最大似然的航迹融合模型以及动态航迹预测模型，在较合理的假设下，对各个模型进行求解，得到了较理想的结果。

针对问题一，本文采用改进的最近邻算法，对各离散点是否来自于同一个目标进行检测，并用Matlab编程实现，对所有的雷达站点数据进行处理，得到各雷达站点的航迹统计情况（见正文表5-1）。

同时本文还对各站点受干扰情况进行了相应分析。

针对问题二，本文利用最小二乘法的样条插值把离散的点迹连续化，对各雷达站点的航迹进行了时间配准，使它们的观测时间和观测时间间隔趋于统一。

针对问题三，本文把传感器的误差划分为系统误差和随机误差，并通过对附件数据的分析与计算，发现2025等站点的雷达对目标速度的监测存在较大误差，同时本文给出了修正以后的数据。

针对问题四，本文建立了最大似然的航迹融合模型，对同一目标在不同雷达站点的航迹进行融合，同时结合动态航迹预测模型，对航迹进行短期的预测，利用附件中提供的数据进行计算，发现模型的预测结果准确，具有实用性。

问题五中考虑目标飞机机动情况下的导弹拦截，本文利用三次样条曲线对雷达返回的的数据进行航迹预测，发现效果并不显著。

通过分析导弹的飞行情况，最终我们选定平行接近法来对目标进行逼近，效果很好。

关键词：多传感器数据融合；航迹预测；最近邻；时间配准；导弹拦截一、问题重述1.1 背景分析未来的战争,将是陆、海、空相结合的立体战争, 成功地收集各种情报非常重要，甚至对战争的胜负起着决定性的作用。

在实战中各种情报的收集依赖于多种传感器设备，由于，1.电磁环境将异常复杂，敌方会主动或随机发送错误、无用的信号使我方传感器受到各种欺骗和干扰；2.需要检测目标的数量越来越多,运动速度也越来越快；3.多数目标会利用散射或吸收的方法大大减少对电磁波的反射等隐身技术和低空、超低空突防技术，让目标的反射电磁波和地面所反射电磁波混在一起，无法区分；总之使传感器难以捕捉和跟踪检测目标。

基于模糊逻辑的航空发动机虚拟传感器

基于模糊逻辑的航空发动机虚拟传感器
黄向华
【期刊名称】《南京航空航天大学学报》
【年(卷),期】2005(037)004
【摘要】在双通道的发动机控制系统中,未超过故障阈值的传感器慢漂移故障难以隔离,且在故障检出前影响控制系统的反馈信号.引入机载自校正实时模型作为第三通道的虚拟传感器,并提出模糊隶属度加权和动态阈值技术以获得可靠的传感器适应值,实现双余度系统中失效传感器的检测和隔离.仿真结果表明,这种方法能可靠地改进适应信号,将由于传感器故障引起的发动机控制系统扰动抑制到0.2%以内,并能避免失控.
【总页数】5页(P447-451)
【作者】黄向华
【作者单位】南京航空航天大学能源与动力学院,南京,210016
【正文语种】中文
【中图分类】V233
【相关文献】
1.基于模糊逻辑的多传感器管理算法 [J], 崔博鑫;许蕴山;肖冰松;张波雷
2.多传感器数据融合中基于模糊逻辑和神经网络的传感器管理 [J], 张兆礼;孙圣和;王祁
3.基于双模糊逻辑的无线传感器网络分簇算法 [J], 林梅金;苏彩红
4.论虚拟仿真实验在航空发动机教学中的重要性
——以南京航空航天大学航空发动机原理虚拟仿真实验平台为例 [J], 俞凯凯;徐惊雷;葛建辉
5.基于模糊逻辑的无线传感器网络簇头选择算法 [J], 罗琴;王小明
因版权原因，仅展示原文概要，查看原文内容请购买。

多传感器数据融合与航迹预测的模型设计

多传感器数据融合与航迹预测的模型设计
吕博;王大伟;王卓群
【期刊名称】《应用科技》
【年(卷),期】2010(037)012
【摘要】文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.
【总页数】4页(P32-35)
【作者】吕博;王大伟;王卓群
【作者单位】哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,自动化学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001
【正文语种】中文
【中图分类】TN929.5
【相关文献】
1.多传感器数据融合的平均航迹算法 [J], 仪晓可;黄建国
2.多传感器数据融合系统中的序贯航迹相关算法研究 [J], 王睿;张金成
3.多传感器数据融合系统中两种新的航迹相关算法 [J], 何友;高志永
4.杂波中多传感器数据融合改善目标航迹丢失的理论分析 [J], 崔宁周;刘源
5.基于Transformer模型和Kalman滤波预测船舶航迹 [J], 徐瑞龙;祁云嵩;石琳因版权原因，仅展示原文概要，查看原文内容请购买。

反馈式多目标多传感器系统误差融合估计技术

反馈式多目标多传感器系统误差融合估计技术宋强;崔亚奇;何友【期刊名称】《宇航学报》【年(卷),期】2011(032)001【摘要】本文对多目标情况下的多传感器系统误差估计问题进行了研究,提出了反馈式多目标多传感器系统误差融合估计算法.算法首先对EX算法进行了修正,无需计算各目标状态估计及其增益伪逆,直接利用各传感器量测数据来构建伪量测,通过滤波获得局部传感器组合系统误差估计;其次,算法通过构建状态空间转移矩阵实现了全局估计到局部组合估计关系描述,并从多目标多传感器两个层面对系统误差估计进行更新,即对多目标信息进行递归融合以有效利用空间分布的多目标信息,对多传感器组合估计信息进行反馈融合获得全局估计.蒙特卡洛仿真结果说明该算法能够进行多传感器系统误差的快速精确融合估计,相比EX算法在实时性与估计精度方面均具有较大的优越性.【总页数】8页(P115-122)【作者】宋强;崔亚奇;何友【作者单位】海军航空工程学院信息融合技术研究所,烟台,264001;海军航空工程学院信息融合技术研究所,烟台,264001;海军航空工程学院信息融合技术研究所,烟台,264001【正文语种】中文【中图分类】TP953;TN957【相关文献】1.基于遗传算法的静电反馈式微传感器多目标优化 [J], 王永泉;陈花玲;贺学明2.一种新的异类多传感器系统误差融合估计算法 [J], 宋强;何友;熊伟3.基于信息融合和扩维Kalman滤波技术的系统误差估计算法研究 [J], 郭路;康鹏4.多目标环境下分布未知的系统误差估计方法研究 [J], 陈林元;何佳洲;罗双喜5.基于相对系统误差估计的组网雷达点迹融合技术 [J], 余安喜;杨宏文;胡卫东;郁文贤因版权原因，仅展示原文概要，查看原文内容请购买。

多传感器多目标航迹关联与融合算法研究

分类号密级UDC注1学位论文多传感器多目标航迹关联与融合算法研究(题名和副题名)程跃兵(作者姓名)指导教师姓名戴跃伟教授闫玉德副教授申请学位级别硕士专业名称控制理论与控制工程论文提交日期2010.05 论文答辩日期2010.06学位授予单位和日期南京理工大学答辩委员会主席评阅人年月日声明本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的材料。

与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。

研究生签名：年月日学位论文使用授权声明南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。

对于保密论文，按保密的有关规定和程序处理。

研究生签名：年月日摘要随着现代科技的飞速发展以及现代战争的需求，在机动目标跟踪领域应用信息融合技术是近年来研究的热点。

面对现代战场中敌方飞行目标的高机动性和复杂性，为了对目标实施有效地打击和防御，必须有机结合多部传感器提供目标的信息，进行精确地跟踪。

本文结合某项科研项目，利用分布式雷达组网技术，对本文采用的IMM滤波、航迹关联与融合算法予以软件实现，并进行一系列计算机仿真。

首先，介绍了目标跟踪领域中的量测数据预处理技术，以及在kalman滤波基础上分析了交互式多模型跟踪算法，并通过仿真实例，证明了该算法是行之有效的。

为后续研究航迹关联与融合算法提供了数据支持。

其次，基于实际工程研究背景，对目前广泛采用的加权、修正、独立序贯分布式航迹关联算法进行了总结讨论，并分析了在航迹交叉、分岔以及合并的情况下，独立序贯算法的理论可行性，并通过多组仿真实例，证明了算法的实用性。

最后，本文介绍了目标跟踪中几种常见的航迹融合算法，包括集中式和分布式两种。

基于反馈结构的多传感器自适应航迹融合算法

第29卷第12期2006年12月计算机学报CH INESE JOURNA L OF COM PU TERSV ol.29N o.12Dec.2006收稿日期:2006-01-11;修改稿收到日期:2006-11-10.本课题得到航空基础科学基金(2006ZC53023)资助.李辉,男,1968年生,博士研究生,副教授,研究方向为信息融合、雷达数据处理、通信信号处理等.E -mail:lihui@mail.n .程,男,1975年生,硕士研究生,讲师,研究方向为多传感器信息融合、目标跟踪、信号处理等.张安,男,1962年生,博士,教授,博士生导师,研究领域为航空武器电子综合化系统及综合电子战仿真与效能评估分析等.沈莹,女,1982年生,硕士研究生,研究方向为信息融合、雷达数据处理.基于反馈结构的多传感器自适应航迹融合算法李辉1) 程1),2)张安1) 沈莹1)1)(西北工业大学电子信息学院西安 710072)2)(郑州航空工业管理学院机电工程系郑州 450015)摘要在分布式多传感器信息融合系统中,自适应融合算法通过预先设定两个距离测度,然后将它们与逻辑判决树中的阈值进行比较来选择不同的融合算法,达到适应系统特性的不断变化,平衡精度与计算量之间矛盾的目的;反馈结构可用来提高局部节点的跟踪性能,进而提高全局航迹的融合精度.综合上述两种方法,提出一种新的基于反馈结构的多传感器自适应航迹融合算法,并在传感器异步的情况下讨论了其具体的计算过程.仿真结果表明该算法以较小的计算量达到了近似加权协方差算法(WCF)的融合精度.关键词雷达数据处理;航迹融合;自适应;反馈结构;计算机仿真中图法分类号T N 953Adaptive Algorithm for Multisensor Track Fusion with Feedback ArchitectureLI H ui 1) CH ENG Cheng 1),2) ZH ANG An 1) SH EN Ying 1)1)(Dep artment of Electronic En gineer ing ,N or th w ester n P olytechnical Univ ersity ,X i c an 710072)2)(Dep artment of M echanical and Elec tronic Engineering ,Zheng z hou I nstitute of A er onautical Ind ustry M anagement,Zheng zh ou 450015)Abstract The adaptive fusion algorithm,in the multisensor data fusion sy stem w ith distr ibu -tional structure,can select different m ethods based on the comparison betw een tw o distance measur em ents defined in advance and thresholds o f logic tree.It m ay satisfy the characteristic of the changed fusion system and balance the contradiction betw een the fusion precision and com pu -tational burden.T he feedback architectur e m ay enhance the tracking per for mance o f lo cal sensor.Sy nthesized the merit of tw o methods above,the authors put fo rw ar d a new method for m ultisen -sor track fusion w ith feedback inform ation,and the concrete process of the track fusion alg orithm is introduced in the situation o f asynchronous in detail.T he simulatio n result illustrates that this new algor ithm approaches the Weighted Covariance Fusion(WCF)method in the fusion prec-ision,w ith the less com putational burden.Keywords radar data process;track fusion;adaptive;feedback architecture;com puter simulation1 引言在多传感器数据融合系统中,经常采用集中式和分布式两种结构[1].在集中式结构中,传感器的探测报告被直接送到融合中心处理,其优点是信息损失小,融合精度高,但计算和通信资源要求高,可靠性差.在分布式结构中,每个局部传感器都独立地处理它的局部量测,产生局部航迹并送到融合中心,进行航迹关联与融合.分布式结构的特点是可以以较低的费用获得较高的可靠性和可用性.因此,在设计新系统时,分布式结构已成为优先选择的方案.为了改善分布式多传感器信息融合系统中局部传感器的跟踪性能,融合系统可以采用反馈结构[2,3].融合中心将融合后的目标状态估计X ^f (k /k)以及误差协方差P f (k/k )反馈给各个局部节点,以此作为各局部节点在下一时间段内滤波的初始值,从而使各局部节点的滤波精度都得到了改善.在分布式多传感器系统设计时,不仅要考虑系统的性能,同时还要考虑运算量和系统的通信能力等多种因素,特别是系统特性的变化,基于此,Beugnon 等人提出了一种自适应航迹融合算法[4].本文将此算法用于带反馈结构的分布式融合系统中,不仅获得了较高的跟踪性能和融合精度,而且计算开销也减少了一半左右.2 带反馈信息的融合模型在具有M 个传感器的信息融合系统中,假设其公共监视区中有N 个目标,则其中目标i 的状态方程为X i(k +1)=U i (k +1,k)X i(k)+W i (k),i =1,2,,,N (1)式中,X i (k )表示目标i 在t =kT 时刻的状态信息,其中T 为传感器采样时间;U i (k +1,k)为目标i 的状态转移矩阵.系统噪声W i (k)为零均值的高斯白噪声序列,其协方差为E [W i (k)W T i (j )]=Q i R kj(2)目标i 的量测方程为Z i(k )=H i X i(k)+V i (k )(3)其中H i 量测矩阵,V i (k)零均值高斯白噪声序列,其协方差为E [V i (k)V Ti (j )]=R i R kj (4)在多传感器环境中,出于计算开销和通信带宽的考虑,经常采用分布式结构的融合系统.在这种系统中,每个局部传感器都基于自己的局部量测独立地完成对多目标的跟踪,也就是形成局部航迹,然后将这些局部航迹送到融合中心,再经融合中心的处理获得全局决策,即全局航迹.为了提高局部传感器的跟踪性能,可以将融合中心的数据反馈给局部传感器,这就是带反馈结构的多传感器航迹融合系统结构,如图1所示.在此结构中,融合中心完成融合后,将新的全局目标状态估计X ^f (k/k)以及预测协方差P f (k/k)反馈给各个局部节点,各局部节点以此作为(k ,k +1)时间段内滤波的初始值,从而提高各局部节点的状态估计和滤波精度.假设在k 时刻,融合后的目标i 的状态估计是X ^i f (k,k),协方差为P i f (k,k),在存在反馈的情况下,传感器j 的状态估计可用下式计算:X ^ij (k +1,k +1)=U i (k +1,k )X ^if (k,k)+K i j [Z i j (k +1)-H i j U i (k +1,k)X ^if (k,k)](5)图1 分布式融合系统协方差可用下式计算:P i j (k +1,k)=U i (k +1,k)P if (k,k)#U Ti (k +1,k )+Q j (k)(6)3 自适应航迹融合算法迄今提出的各种航迹融合算法均是在算法的计算量与融合精度间做出了不同折中.高精度的全局融合估计通常对计算、通信资源要求较高,而资源要求较低的简单融合方法其解通常又是次优的.由于系统可获取的资源以及系统对融合精度的要求是变化的,所以有时采用简单的融合方法,也可能会得到和采用复杂方法一样的结果.正是基于这样的考虑,文献[4]提出一种自适应航迹融合算法.为使问题表述简单,本文假定融合系统中只有两个局部节点,并且假设航迹关联已经完成.对于多个局部节点的情况,可以采用序贯融合的方法[5],即局部传感器1先和传感器2融合,其融合结果再和传感器3融合,以此类推[6].自适应航迹融合算法的计算过程是根据当前系统的特性和需求,依据融合逻辑判断树自适应地选定航迹融合算法,融合节点则依据所选定的融合算法求解全局航迹.逻辑判决树如图2所示.第1个距离测度允许融合系统根据需要选择是进行航迹融合亦或是将本地航迹估计作为全局估计直接输出.若系统选择进行融合,第2个距离测度将决定融合节点是执行简单融合(SF 方法)[7]亦或是加权协方差融合(WCF 方法)[8].判决流程首先根据已关联的各传感器的航迹状态估计计算得到第一个距离测度D 1,并与门限T 1比较.若D 1小于T 1则融合节点将223312期李辉等:基于反馈结构的多传感器自适应航迹融合算法可选择任一条局部航迹估计作为全局航迹估计,否则计算距离测度D 2,若D 2小于门限T 2则判决融合节点执行简单融合,否则判决融合节点执行加权协方差融合.这里门限值T 1和T 2代表了系统对融合航迹质量的要求以及系统可用资源对融合算法的综合影响,文献[4]做了详细说明.图2 自适应融合算法逻辑判决树统计距离D 1定义为局部航迹和采用SF 算法所得到的系统航迹估计之间的距离,D 1=(X ^1-X ^S F )T (P 1+P SF )-1(X ^1-X ^S F )(7)其中P 1+P S F =P 1(P 1+P 2)-1(P 1+2P 2)(8)X ^1-X ^SF =P 1(P 1+P 2)-1(X ^1-X ^2)(9)则推导出D 1=(X ^1-X ^2)T(P 1+P 2)-1P 1(P 1+2P 2)-1#(X ^1-X ^2)(10)这样,统计距离D 1就演化为只与两个局部估计以及它们的协方差有关.统计距离D 2定义为局部航迹和采用WCF 算法所得到的系统航迹估计之间的距离,D 2=(X ^1-X ^WCF )T (P 1+P WCF )-1(X ^1-X ^WCF )(11)其中X ^1-X ^WCF =(P 1-P 12)-1P -1E (X ^1-X ^2)(12)P 1+P WCF =(P 1-P 12)P -1E P A(13)其中P A =P 1+P 21+2(P 2+P 21)(P 1-P 12)-1P 1(14) P E =P 1+P 2-P 12-P 21(15)则D 2=(X ^1-X ^2)TP -1E((P 1-P 12)-1)TP -1A (X ^1-X ^2)(16)至此,系统就可以自适应地选择SF 方法、WCF 方法进行航迹融合了,或者在没有必要对两条航迹进行融合的情况下,任选其中一条航迹作为全局航迹.4 将自适应融合结果反馈给局部传感器经过上面的自适应融合算法后,我们就可以得到融合后的全局航迹了.为改善局部传感器的跟踪性能,可将这个全局航迹反馈给各个局部传感器,用于下一次的跟踪滤波.但在利用式(5)和(6)计算时假定了各个局部传感器是同步的,并且和融合中心也是同步的,也就是它们具有相同采样频率,同时也已经进行了时间对准,完全忽略了通信延时.但实际上,传感器通常是异步工作的,而且采样速率也不相等,通信延迟各不相同.例如,空域监视系统由多部雷达组成,这些雷达必须根据指挥控制命令随机开始工作,不可能同步开机,也不可能同步从一个方向开始扫描,而且各个雷达承担的任务不同,扫描速率也不同.此外,传感器在实际工作中,扫描速率也不可能是衡定不变的.所以在利用反馈结构进行信息融合的工程应用中,必须考虑传感器异步工作的问题.为了分析方便,假定系统中有两个异步传感器L P m 和L P n ,图3是局部传感器和融合中心的融合时序关系图.图3 异步融合的系统时序其中(k -1)T,kT 是融合中心的两个相邻的融合时间节点.k -1+t nk m 时刻,传感器L P m 的估计值是X ^m (k -1+t nk m ,k -1+t nk m ),k -1+t nk n 时刻,传感器L P n 的估计值是X ^n (k -1+t nk n ,k -1+t nk n ).它们是融合时刻kT 前两个局部传感器的最后一次估计,利用最小二乘法[9],可将它们外推到kT 时刻,可得估计值X ^m (k,k),X ^n (k,k ).将这两个值代入式(7)~(16)中,计算出D 1和D 2,与门限T 1和T 2比较,按照图2的逻辑准则即可计算出kT 时刻的全局估计X ^f (k,k)和协方差矩阵P f (k,k).把它带入式(5)中可得传感器L P 1的状态估计:X ^m (k +t 1m ,k +t 1m )=U m (k +t 1m ,k)X ^f (k,k)+K m [Z m (k +t 1m )-H m U m (k +t 1m ,k)X ^f (k ,k)](17)2234计算机学报2006年其中U m (k +t 1m ,k )=eA(k+t 1m ,k)(18)根据式(6),传感器L P m 的误差协方差矩阵为P m (k +t 1m ,k )=U m (k +t 1m ,k)P f (k,k)U m (k +t 1m ,k)T+Q m (k)(19) 同理也可得到传感器L P n 的状态估计X ^n (k +t 1n ,k +t 1n ),协方差矩阵P n (k +t 1n ,k).局部传感器利用各自状态估计和协方差以及新的量测就可以进行下一个时间点的局部预测与估计了,直到融合中心的下一个融合时刻再进行融合与反馈,依此方法不断迭代,即可实现带反馈信息的自适应航迹融合算法.5 仿真结果分析仿真中假设有两个传感器同时跟踪4个目标,传感器是2D 雷达,目标采用交叉运动模型,如图4所示.系统采用带反馈的分布式融合结构.局部传感器L P 1的测距和测角误差分别为R r 1=150m ,R H 1=0102rad ,采样时间t 1=2s ;局部传感器L P 2的测距和测角误差分别为R r 2=120m ,R H 2=01015rad ,采样时间t 2=115s ,融合中心采样间隔t =4s .目标跟踪持续时间160s ,进行100次M onte Carlo 仿真实验.图4 目标运动轨迹图5给出了传感器L P 1跟踪目标1时的位置估计RM SE 误差曲线,对比了有反馈和无反馈时的误差曲线,从图中的结果可以看出,局部传感器L P 1在跟踪目标1时,由于反馈的存在,跟踪性能明显改善.图6给出了传感器L P 1跟踪目标1时的速度RM SE 误差.同理,传感器L P 2跟踪目标1以及另外两个目标也有类似的结果,这都证明了反馈信息可以提高局部传感器的跟踪性能.图5 目标1位置估计误差图6 目标1速度估计误差图7给出了融合前后目标2位置估计的RM SE 误差的对比曲线,融合采用简单航迹融合方法(SF 方法).传感器L P 2的位置估计结果要好于传感器L P 1,这是由于传感器L P 2的采样时间要小于传感器L P 1,并且测距和测角误差也小于传感器L P 1所至.融合后的航迹精度好于任何一个局部传感器,这正符合了多传感器数据融合在目标跟踪精度方面的优势.图8给出的融合前后目标2速度估计RM SE 误差的对比曲线也有类似的结论.图7 目标2融合前后位置估计误差图9和图10分别给出了采用SF 方法、WCF 方法和本文提出的带反馈结构的自适应融合方法(方法N ),对目标3航迹进行融合的位置估计RM SE223512期李辉等:基于反馈结构的多传感器自适应航迹融合算法误差对比曲线和速度估计RMSE 误差对比曲线.WCF 融合方法由于考虑了局部航迹估计之间的协方差,所以融合效果要优于SF 方法,当然它的计算开销也高于SF 方法很多,如表1.本文提出的方法(方法N )采用了自适应融合技术,计算开销明显低于WCF 方法(如表1),由于采用了反馈结构,在融合性能上非常接近于WCF 方法.图8 目标2融合前后速度估计误差图9 三种方法融合目标3位置估计误差图10 三种方法融合目标3速度估计误差表1 融合时间表融合方法计算时间(s )SF 方法24W CF 方法56自适应方法29带反馈的自适应方法(方法N )336 结论本文首先研究了基于反馈结构的分布式数据融合系统,针对系统特性和需求不断变化的特点,在自适应融合算法的基础上,提出了带反馈信息的多传感器自适应航迹融合算法,并详细介绍了在局部传感器异步情况下的具体计算过程,最后对算法进行了仿真.仿真结果表明,由于融合中心航迹的估计值和协方差反馈给了局部传感器,局部航迹的跟踪精度得到了明显改善,如图5和图6,进而也提高了整个系统的融合性能;本文提出的带反馈信息的多传感器自适应航迹融合算法在融合性能上接近WCF 方法的,而计算开销则减小了一半左右,如图7~图10和表1.参考文献1Rob ert L.,M ark K..Data fus ion of decentralized local tracker outputs.IEEE Transactions on Aeros pace and Electronic Sys -tems ,1994,30(3):787~7992Alouani A.T.,Rice T.R..On optimal as ynchron ou s track fu -sion.In :Proceedings of the 1st Aus tralian Sym posium on Data Fusion,Adelaide,1996,147~1523Alouani A.T.,Rice T.R..Asynchronous track fusion revis-i ted.In:Proceedings of the 29th South eastern S ymposium on System Th eory,Cook eville,1997,118~1224Beugn on C.,Sing h T.,Lin as J.et al .Adaptive track fu sion in a multisen sor environment.In:Proceedings of the ISIF,Paris ,2000,24~315H e You ,Wang Gu o -H ong et al .M ultisensor In formation Fu -sion w ith Application.Beijing:Publishing H ouse of Electronics Industry,2000(in Chinese)(何友,王国宏等.多传感器信息融合及应用.北京:电子工业出版社,2000)6H e You ,L u Da -Jin e t al .Distributed multisen sor track fusion w ith feedback information.Journ al of Electronics ,2000,22(5):705~714(in Chin ese)(何友,陆大金等.带反馈信息的分布式多传感器航迹融合算法.电子科学学刊,2000,22(5):705~714)7Singer R.A..E stimating optimal tracking filter performance for manned maneuvering targets.IE EE T ran saction s on Aerospace an d Electronic S ystem s,1970,6(4):473~4838Bar -Sh alom Y.,Campo L..Th e effect of comm on process noise on th e two -sensor fus ed -track covarian ce.IEEE T ransactions on Aer os pace an d Electronic Sy stems ,1986,22(6):803~8059Feis tauer M.,Felcm an J..M athematical and Computational M eth ods for Compressib le Flow.Oxford:Clarend on Pr ess ,20032236计算机学报2006年LI Hui,bor n in1968,Ph. D.can-didate,asso ciate pro fessor.H is r esear chinter ests include info rmation fusion,r a-dar data process,communication sig nalpro cess.C HENG Cheng,bor n in1975,M.S.candidate,lectur-er.His research interests include multisensor info rmatio n fu-sion,t arg et tracking,signal pr ocess.ZHANG An,born in1962,Ph.D.,pr ofessor,Ph.D. super viso r.H is research interests include info rmatio n fu-sion,aer ial weapon electro nic system,electr onic w arfar e simulat ion,efficiency ev aluatio n and analysis.SHEN Ying,bo rn in1982,M.S.candidat e.H er re-sea rch inter ests include infor matio n fusio n,r adar sig nal pro cess.BackgroundT his research,which is mainly on the techno lo gy o f mult-i tar gets tr acking based on mult-i sensor info rmation fu-sio n,is support ed by the Aer onaut ical Basic Science F ounda-t ion of China(N o12006ZC53023).Info rmation fusio n based on multisensor infor mation fu-sio n is the leading techno log y in tar get tracking research no w,which combines multisensor info rmatio n to incr ease the pr ecision of tar get state estimation,and has mo re adv antag es than the case using sing le sensor.D ue to its bro ad perspec-t ive of a pplicat ions,study o n multisensor infor matio n fusion has been paid mor e at tention by researchers in the wo rld.T arg et tracking is t he key technique fo r low level pr o-cessing of info rmation fusion and is premise for hig h level fu-sio n;it has been applied in many fields w idely,and also is theme o f the r esea rch.T r ack association and distr ibuted track fusio n ar e t wo o f the mo st impo rtant and g ener al problems in tar get tr acking area,which ar e being resea rched by scho lars for sev eral years.Funct ion model of infor matio n fusion,distr ibuted tracks fusion alg or ithms,mult-i ta rg ets tr acking in cluttered env iro nment and asynchro no us lo ca l tracks from the different sensor are discussed deeply in ot her thesis.T he aim of this paper is t o der ive an adaptiv e approach for tr ack fusio n in a multisenso r environment,which can pro vide mo re fusio n pre-cision w ith less computational bur den fo r dist ributed fused system though sy nthesizing the mer it o f adaptive fusion and feedback ar chitectur e.223712期李辉等:基于反馈结构的多传感器自适应航迹融合算法。

多传感器异步关联航迹的融合

多传感器异步关联航迹的融合
徐毓;金以慧
【期刊名称】《系统工程与电子技术》
【年(卷),期】2003(025)011
【摘要】异步航迹融合是多传感器多目标跟踪系统的一个重要问题.由于多传感器的采样速率和通信延迟不同,因此为了提高跟踪精度和准确性,融合中心必须进行异步目标航迹融合.在分布式模式下,基于各传感器在Kalman滤波器输出本地目标航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法.给出了具体的实现步骤.仿真实验结果表明,这种融合方法是有效的.
【总页数】4页(P1318-1320,1440)
【作者】徐毓;金以慧
【作者单位】清华大学自动化系,北京,100084;清华大学自动化系,北京,100084【正文语种】中文
【中图分类】TP911.1
【相关文献】
1.基于局部估计误差相关的多传感器异步航迹融合 [J], 周样晶;尹浩;江晶;盖旭刚;郑刚
2.多种异类传感器联合跟踪的异步航迹融合算法 [J], 王越;周德云;杨维;薄拾
3.基于改进加权航迹关联的异步融合算法与仿真 [J], 董金良;王荫槐;王峰
4.基于伪点迹的多传感器异步航迹关联算法 [J], 程(王争);李辉;张安;沈莹
5.分布式多传感信息融合系统的异步航迹关联方法 [J], 朱洪艳;韩崇昭;韩红;文戎
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

２带反馈信息的融合模型
用状态方程描述目标的运动特性：
（＋）（－（＋（，ｆ，，Ｔ七１＝姊姊＝１ …，２ｆ１１
这里ｘ（是ｋ时刻目标ｔ）ｋ的状态向量，ｋ为状（）态转移矩阵，过程噪声Ｖ（为高斯白噪声，。）ｋ即有
（ｕｈｕＩｓｔｔｆａｅａｄＣｏＳｚｏｎｔｕｅｏｄｎｍｍｅｃ，ｕｈｕ２５０，ｉａｉＴｒｒｅＳｚｏ１００Ｃｈｎ）
Ａｂｔｃ：ｎＭｅｍｕｔｅｓｒｄｔｓｎｓｓｅｗｔｉｉｕｉｎｌｓｕｔｒｕｄｎＴｅｆｅｂｃｒｈｔｃｕｅｍａｎａｃｓｒｔＩｌｓｎｏａａｆｉｙｔｍｉｄｓｂｔａｔｃｕｅｂｒｅ、ｈｅｄａｋａｃｉｔｒｙｅｈｎｅａｉｕｏｈｔｌｏｒｅ
模糊逻辑应用于对多个航迹的位置偏差、度偏差和加速度偏差进行模糊化、糊逻辑推理及去模糊等，出了关于模糊速模提逻辑应用于反馈结构的多传感器航迹融合的方法关键词：迹关联；据融合；糊逻辑；馈结构航数模反
ｉ（ｄｆｚｆａｏｆｕｚｏｔｕ、ｃ３ｅｚｃｔｎｏｆｚｕｐｔ；）ｕｉｉｉｙ
Ｋｅｒｓ：ａｋｃｒｅａｉｎ：ａａｆｓｏｆｚｙｌｇｃ；ｅｄａｋａｃｉｅｔｒｙｗｏｄｔｃｏｌｔｒｏｄｔｕｉｎ：ｕｚｏｉｆｅｂｃｒｈｔｃｕｅ
趣（＝；】０
（－
）＝２（）％］ｉ七－｝
第ｉ个传感器的测量方程为：
（）（）墨（）（）＝１，，七＝七七＋七，， … ；，，，２＝１ …，２
ｔｅｔａｋｎｅｆｒａｃｆｌｃｌｓｎｏ．ｆｃｉｎ．Ａｕｚｙｍｅｏｆｔｅｔａｋｃｒｅａｉｎｉｈｉｔｉｕｅｈｉｅｓｒｔａｋｎｈｒｃｉｇｐｒｏｍｎｅｏｏａｅｓｒｕｎｔｏｆｚ￣ｄｏｈｒｃｏｒｌｔｎｔｅｄｓｒｂｔｄｍｕｓｎｏｒｃｉｇｏ
维普资讯
．
人工智能及识别技术。．
基于模糊逻辑应用于反馈结构的多传感器航迹融合的研究
陈蓓玉（苏州经贸职业技术学院，苏苏州２５０）江１００
摘要：分布式多传感器信息融合系统中，馈结构可用来提高局部节点的跟踪性能，而提高全局航迹的融合精度。在反进
差进行模糊化、糊逻辑推理及去模糊等技术迹模糊融合关联方法。本
文将此算法用于带反馈结构的分布式融合系统中．较好地解决了航迹融合关联问题。．
ｆｉｉｅｄａｋＡｃｉｃｒｗｓｒｅｔａｅｎｔｒｌｎｓ（ｆｚｃｆｎｏｔｏｉｏｅｉｉ，ｅｄｄｖ－ｕｏｗｔＦｅｂｃｒｔｔｅａｅｎｅｂｓｄｏｅｅｍｅｔ１ｕｉａｏｆｈｐｓｉｄｖｔｎｓｅｅｉｓｎｈｈｅｕｐｓｄｈｅｅ：）ｚｆｉｉｅｔｎａｏｐａｔｎａｄａｃｌａｏｅｉｉｅｅｎｔｅｔｃｓｆｉｅｅｔｅｓｒｒｓｅｔｅｙ（ｆｚｆｒｎｅｂｓｄｏｌｓｆｕｚｇｉｃｅｒｉｄｖｔｎｂｔｅａｋｆｒｎｏｓｅｐｃｖｌ２ｕｚｉｅｃａｎｃｓｏｆｚｌ－ｏｎｅｔｎａｏｗｈｒｏｄｆｎｓｉ；）ｙｎｅｅａｙｏ
．
１引言
在多传感器数据融合系统中。经常采用集中式和分布式两种结构［在集中式结构中，１】。传感器的探测报告被直接送到融合中心处理．其优点是信息损失小，融合精度高，但计算和通信资源要求高，可靠性差。在分布式结构中．每个局部传感器都独立地处理它的局部量测．产生局部航迹并送到融合中心，进行航迹关联与融合。布式结构的特点是可以以较低的费用获分得较高的可靠性和可用性。因此，在设计新系统时，分布式结构已成为优先选择的方案。，了改善分布式［１２为３多传感器信息融合系统中局部传感器的跟踪性能，融合系统可以采用反馈结构。融合中心将融合后的目标
中图分类号－Ｐ１Ｔ２２
。
。
文献标识码：Ａ
文章编号：０９３４（０７２ — １１ — ３１０ — ０４２０）３４４２０
ＣＥＢｉｙＨＮｅｕ —
ＴｅＲｓａｃｆｕｚｏｉｒｆｓｎｏａｋＦｓｏｔｅｄａｋＡｒｈｔｃｕｅｈｅｅｒｈｏｚｙＬｇｃｆＦｏＭｕｉｅｓｒＴｒｃｕｉｎｗｉＦｅｂｃｃｉｔｒｈｅ