多传感器模糊—概率交互作用的数据关联算法

2013-11-27 13:59:26来源: 互联网

本文基于估计理论和模糊系统理论,提出了一种多传感器多回波模糊一概率交互作用的数据关联滤波算法,以解决密集杂波干扰环境中多传感器跟踪机动目标的数据关联问题.模糊关联度和关联概率共同组成了各有效回波的加权系数,弥补了概率数据关联滤波方法(PDAF)的不足.提高了杂波环境中机动目标的跟踪性能.
  关键词:模糊逻辑——概率交互作用;数据关联;密集杂波环境;机动目标跟踪;多传感器数据融合

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
  在密集杂波干扰环境中,跟踪机动目标的困难在于众多回波与目标航迹关联的不确定性.它使我们无法确定哪一个回波来自于真实的目标.目前,杂波干扰环境中,跟踪单目标的数据关联算法中最有代表性的是概率数据关联算法(PDAF),它通过计算位于跟踪门内所有回波的加权平均来更新目标航迹.但在密集杂波干扰环境中,当跟踪门内平均杂波数达2后,该算法将有可能产生错误的数据关联[1],而导致目标丢失.经研究发现,在目标匀速或匀加速运动期间,PDAF可以较好地实现目标的跟踪.一旦目标出现机动,就容易产生数据关联错误.这是因为PDAF的实质是计算多回波的统计中心.它是所有有效回波的加权平均,各权重的大小与该回波和目标预测值之间的距离,即新息的大小紧密相关.当目标出现强机动,既使采用多模型自适应跟踪方法,由于密集杂波干扰,真实目标回波新息也将增大,从而它的关联概率将减小,这必将导致真实目标回波新息的进一步增大.这种不良循环,最终导致关联失败和目标丢失.可见,单用PDAF关联方法,不能有效解决密集杂波干扰环境下的机动目标跟踪问题.
  本文给出了一种多传感器模糊逻辑-概率交互作用的数据关联滤波方法.使用模糊逻辑解决数据关联问题的理由:一是数据关联问题本身的不确定性或模糊性,正是模糊逻辑研究的对象.二是应用模糊逻辑可以快速建立目标特征空间与关联度空间之间的非线性映射关系模型.该模型可以融合数字,语言等多种信息,具有良好的鲁棒性.一些有效的自学习方法可用于支持建模.模糊关联方法可以有效解决目标机动期间的关联问题,弥补了PDAF的不足,提高了系统的数据关联性能.多传感器目标状态估计采用序列估计法[2]实现,估计精度明显高于单传感器目标状态估计.

二、多传感器目标跟踪的模糊滤波算法
  目标的动力学方程为:

X(k+1)=Φ(k)X(k)+W(k) (1)

这里X(k)是k时刻n维状态矢量,Φ(k)是n×n维状态转移矩阵,W(k)是n维状态噪声,假设其均值为零,方差为E{W(k)WT(l)}=Q(k)δkl的正态分布.
  如果量测来自被跟踪的目标,则第i个传感器量测方程为

Zim(k)=Hi(k)X(k)+vi(k) (2)

其中Zim(k)是测量矢量,Hi(k)是已知的m×n维测量增量矩阵,vi(k)是m×1维的测量噪声,设它为正态分布,其均值为零,方差为E{vi(k)viT(l)}=Ri(k)δkl.
  如果量测不是来自被跟踪的目标,既为杂波,则第i个传感器量测方程为

Zic(k)=Hi(k)ts31-1.gif (121 bytes)(k)+ui(k) (3)

其中ui(k)是均匀分布的随机变量,ts31-1.gif (121 bytes)(k)是目标的预测值.对这些杂波作如下假设:(1)杂波在观测空间中均匀分布,(2)杂波测量相互独立.
  第i个传感器在k时刻得到的一组有效量测为

Zi(k)={Zij(k)},j=1,2,…,mk (4)

在论域Zi(k)={Zij(k)}上,“某一量测可能来自目标”所构成的模糊集合Ai的关联矩阵为(设目标数为1)

μiA={μiA(Zij(k))}1×mk (5)

μiA(Zij(k))反映了目标和第j个量测之间的模糊关联度.于是,一旦得到一组量测,就查得到一组模糊信息Ai.由估计理论和模糊系统理论,可得到如下模糊最小方差估计.
  设参数集合X={X1,X2,…,Xm}为要估计的参数.若所得到的估计量ts31-2.gif (110 bytes)ij使估计的均方误差最小,则称ts31-2.gif (110 bytes)ij为模糊最小方差估计.

J=E{(Xj-ts31-2.gif (110 bytes)ij)(Xj-ts31-2.gif (110 bytes)ij)}=∫(Xj-ts31-2.gif (110 bytes)ij).(Xj-ts31-2.gif (110 bytes)ij)P(Xj|A)dXj (6)

ts31-2.gif (110 bytes)ij应使J达到极小.其中ts31-2.gif (110 bytes)ij是基于模糊信息Ai对Xj的估计,它是Ai的函数.令g(Ai)=ts31-2.gif (110 bytes)ij.则

J=E{(Xj-g(Ai))T(Xj-g(Ai))} (7)

在上式中两边对g(Ai)求导,并令其为零,可得

ts31-2.gif (110 bytes)ij=g(Ai)=E[Xj|Ai]=∫XjP(Xj|Ai)dXj (8)

为方便起见,略去下标j,目标在k时刻,第i个传感器的状态估计可以写成如下形式

ts31-2.gif (110 bytes)i(k/k)=∫X(k)P(X(k)|Ai,Zi,k-1)dX(k) (9)

其中Zi,k-1={Zi(n)}k-1n=1表示第i个传感器直到时刻k-1的累积量测集.式(9)的离散形式为

g31-1.gif (1825 bytes) (10)
g31-2.gif (1122 bytes) (11)

  令 Wij(k)=μiA(Zij(k))P(Zij(k)|Zi,k-1)/Pi(Ai) (12)
称Wij(k)为加权系数.则式(10)可写为

g31-3.gif (1237 bytes) (13)

假设X(k)是正态分布,则由Kalman滤波器得

g31-4.gif (1267 bytes) (14)

估计误差协方差矩阵为

g31-5.gif (2323 bytes)
-Vi(k)(Vi(k))T](Ki(k))T (15)
Pi(k+1/k)=Φ(k)Pi(k/k)ΦT(k)+Q(k) (16)
g31-6.gif (776 bytes) (17)
Vij(k)=Zij(k)-Hi(k)Xi(k/k-1) (18)
Ki(k)=Pi(k/k-1)(Hi(k))T[Si(k)]-1 (19)
Si(k)=Hi(k)Pi(k/k-1)(Hi(k))T+Ri(k) (20)

其中βi0(k)是跟踪门设有一个测量来自于被跟踪目标的概率,其算式下一节给出.目标状态的多传感器估计为

ts31-2.gif (110 bytes)(k/k)=∫X(k)P(X(k)/A,Z1,k-1,…,Zn,k-1)dX(k) (21)

为简化起见,我们仅考虑两个传感器的情形,对ts31-2.gif (110 bytes)(k/k)的序列估计方法如下.
  (1)预测 基于ts31-2.gif (110 bytes)(k-1/k-1)和它的协方差P(k-1/k-1),分别应用以下各式计算预测的状态ts31-2.gif (110 bytes)(k/k-1)和它的协方差P(k/k-1),以及预测的量测Z1(k)和相应的协方差S1(k).

ts31-2.gif (110 bytes)(k/k-1)=Φ(k-1)ts31-2.gif (110 bytes)(k-1/k-1) (22)
P(k/k-1)=Φ(k-1)P(k-1/k-1)ΦT(k-1)+Q(k-1) (23)
Z1(k)=H1(k)ts31-2.gif (110 bytes)(k/k-1) (24)
S1(k)=H1(k)P(k/k-1)(H1(k))T+R1(k) (25)

  (2)对第一个传感器确认量测 用Z1(k),S1(k)按照下式确认量测

(V1j(k))T[S1(k)]-1V1j(k)<γ1 (26)

其中V1j(k)=Z1j(k)-Z1(k).γ1为第一个传感器的跟踪门的门限值.
  (3)用第一个传感器确认的量测进行状态估计

g31-7.gif (1244 bytes) (27)
g31-8.gif (2922 bytes) (28)

  (4)对第二个传感器确认量测 基于ts31-2.gif (110 bytes)(k/k)和P1(k/k),按照下式确认量测.

Z2(k)=H2(k)ts31-2.gif (110 bytes)1(k/k) (29)
S2(k)=H2(k)P1(k/k)(H2(k))T+R2(k) (30)
(V2j(k))T[S2(k)]-1V2j(k)<γ2 (31)

其中V2j(k)=Z2j(k)-Z2(k).γ2为第二个传感器的跟踪门的门限值.
  (5)用第二个传感器确认的量测计算状态估计和它的协方差,且作为多传感器的状态估计和它的协方差

g31-9.gif (1234 bytes) (32)
g31-10.gif (2294 bytes)
-V2(k)(V2(k))T}(K2(k))T (33)

  令 ts31-2.gif (110 bytes)(k/k)=ts31-2.gif (110 bytes)2(k/k),P(k/k)=P2(k/k)

三、对加权系数Wj(k)的分析
  为简化起见,省去式(12)中的i标注.式中的μA(Zj(k))表示第j个量测与目标航迹间的模糊关联度.P(Zj(k)/Zk-1)表示第j个量测与目标航迹之间的关联概率.P(A)为归一化系数.可见,加权系数Wj(k)实际上由模糊关联度和关联概率共同组成.

令 μj(k)=μA(Zj(k));βj(k)=P(Zj(k)/Zk-1).
则 Wj(k)=μj(k).βj(k)/P(A) (34)
μj(k)的求法在下一节给出;βj(k)的求法已在文献[3]中给出.

g32-1.gif (1267 bytes) (35)
g32-2.gif (923 bytes) (36)

其中ei(k)=exp{-(Vi(k))TS-1(k)Vi(k)};
b(k)=λ|2πS(k)|1/2(1-PDPG)/PD.
PG为正确测量落入跟踪门的概率,PD为正确测量的检测概率,λ为杂波密度.为简化起见,本文假设PD=PG=1.
  进一步研究发现,在目标的匀速和匀加速运动段,PDAF可以较好地解决数据关联问题.当目标发生强机动时,由于密集杂波干扰,真实目标回波的新息Vj(k)增大,关联概率βj(k)减小.这将进一步使新息Vj(k)增大,关联概率βj(k)减小,最终导致关联失败,目标丢失,如图1所示.因此,当目标发生强机动时,单用PDAF方法将容易丢失目标.而在这种情况下,基于目标的机动特征,模糊逻辑关联方法却可以较好地解决目标的数据关联问题.所以,在目标不同的运动段,模糊关联度μj(k)和关联概率βj(k)应有不同的侧重,两者交互作用,充分发挥各自的优势,使系统的关联性能达到最佳.
  模糊关联度μj(k)和关联概率βj(k)相互切换的依据是判定目标的运动状况.本文采用如下方法[4]检测目标的运动状况;首先,计算各时刻的所有有效回波新息之和ts32.gif (113 bytes)(k).其次,取一个长度为L的滑窗,滑窗内新息序列ts32.gif (113 bytes)(k)的总和定义为:

g32-3.gif (596 bytes) (37)

根据统计量DL(k),用公式表示假设检验问题.在H0假设下,无机动目标时,DL(k)呈正态分布,其均值趋于零,方差为:

g32-4.gif (967 bytes) (38)

式中s(i|i-1)为ts32.gif (113 bytes)(i)的方差.如果H1假设成立,即目标出现机动,DL(k)就呈非零均值的正态分布,但方差仍与式(38)中的相同.其均值由下式给出:

g32-5.gif (1018 bytes) (39)

式中g32-6.gif (678 bytes),ts32.gif (113 bytes)m(i)为机动模型下的滑窗内新息序列.最佳Neyman-Pearson检验由如下似然比确定.

g32-7.gif (976 bytes) (40)

对上式两边取对数,得

g32-8.gif (1105 bytes) (41)

用两个高斯概率密度代替P(DL(k)|H1)和P(DL(k)|H0),可得到

g32-9.gif (1273 bytes) (42)

选择门限ts32-1.gif (83 bytes)(k)以满足由下式给出的特定虚警率:

Pf=∫

[1] [2]

关键字:多传感器  概率交互  数据关联

编辑:神话 引用地址:http://www.eeworld.com.cn/mndz/2013/1127/article_21282.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读
推荐阅读
全部
多传感器
概率交互
数据关联

小广播

独家专题更多

富士通铁电随机存储器FRAM主题展馆
富士通铁电随机存储器FRAM主题展馆
馆内包含了 纵览FRAM、独立FRAM存储器专区、FRAM内置LSI专区三大部分内容。 
走,跟Molex一起去看《中国电子消费品趋势》!
走,跟Molex一起去看《中国电子消费品趋势》!
 
带你走进LED王国——Microchip LED应用专题
带你走进LED王国——Microchip LED应用专题
 
电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved