基于SVM的多传感器的目标跟踪数据融合算法及其系统技术方案

技术编号:13118276 阅读:79 留言:0更新日期:2016-04-06 08:57
本发明专利技术公开了一种基于SVM的多传感器的目标跟踪数据融合算法,将传感器采集到的目标信息,采用紧致结合方式,以支持向量机作为中间层,环境变量和测量方差归一化向量作为支持向量机的输入,支持向量机输出为传感器的信任度,用已知训练样本做离线训练,用实时滤波器信息做在线估计,融合知识库根据所得传感器信任度通过实时加权作出航迹融合。本发明专利技术所提供的一种基于SVM的多传感器的目标跟踪数据融合算法及其系统,采用支持向量机原理,是算法复杂度低,并引入环境变量和测量方差归一化向量,使本发明专利技术具有较强生物鲁棒性和容错性,且易于扩展,本发明专利技术所提供的一种基于SVM的多传感器的目标跟踪数据融合算法及其系统适合应用于多传感器追踪跟踪领域中。

【技术实现步骤摘要】

专利技术涉及一种基于SVM的多传感器的目标跟踪数据融合算法及其系统,属于网络通信

技术介绍
单一传感器信号难以保证输入信息的准确性和可靠性,不能满足应用系统获取环境信息及系统决策能力。多传感器信息融合技术通过一定的技术融合手段,协调使用多个传感器,把分布在不同位置的多个同质或异质传感器所提供的局部不完整测量及相关联数据库中的相关信息加以综合,消除多传感器之间可能存在的冗余和矛盾,并加以互补,降低其不确定性,获得对对象或环境的一致性描述。但是,多传感器系统受到传感器状态不稳定、多模态、高冲突等因素的限制。因此,如何删除故障节点,融合支持度较高的传感器之间的冗余数据,既能降低传感器网络的通信开销,又能提高数据的可靠性。多传感器数据融合在智能机器人、遥感、雷达和导航等领域正得到广泛的研究。数据融合是多传感器目标跟踪中的关键技术。也就是说,多传感器跟踪系统必须满足在不稳定和未知环境参数的情况下保持稳健的执行力和持续较高的定位精度。近来,大量研究人员在雷达/红外传感器的数据融合算法研究上做出了大量成果。例如微波相控阵列雷达协同低频雷达目标跟踪的数据融合算法,以低雷达横截面追踪目标,获得了较好的融合效果;GPS/IMU多传感器融合算法引入环境变量作为各个传感器的效度,算法提高了目标位置信息的可靠性。在融合过程中将IMU加速度信息加入多传感器卡尔曼滤波器中,并且此滤波器可以自由添加其它传感器来获得更高的性能。多传感器卡尔曼滤波器适合整合多个传感器而无需重建整个滤波器结构。卡尔曼滤波器通过最小化均方误差(MSE)来获得线性过程的最优状态估计。一种新的研究方向是利用卡尔曼滤波器结合模糊自适应系统来提高算法的鲁棒性。传统的多传感器数据融合理论缺乏有效性并且存在大量误差,原因是多传感器系统的不确定因素和外界干扰复杂的非线性。所以有必要增强对传感器状态的监测。传统的极大似然估计、最小二乘法、卡尔曼滤波适用于原始数据的融合,但需要获得对象比较精确的数学模型,对于复杂、难于建立数学模型的场合无法适用。新进的人工智能算法凭借较强的适应能力已成为数据融合的最具潜力的研究方向,为了避免复杂的系统方法,以机器学习的方法拟合复杂的非线性映射关系越来越被接受和运用,如模糊逻辑理论(FL)、人工神经网络(ANN)以及混合模糊神经网络。软计算的基础思想是利用训练数据进行系统辨识和回归。支持向量机(SupportVectorMachine,简称SVM)是在统计学习理论的基础上发展起来的一种新的机器学习方法,它是建立在统计理论的VC维理论和结构风险最小化原则上的,避免陷入局部最小点,并能有效地解决过学习问题,具有良好的推广性能和较好的分类或回归精确性。
技术实现思路
本专利技术所要解决的技术问题是提供一种算法复杂度低,易于实现的基于SVM的多传感器的目标跟踪数据融合算法,进一步地,提供一种具有较强的鲁棒性和容错性,并且易于扩展的基于SVM的多传感器的目标跟踪数据融合算法,更进一步地,提供一种采用基于SVM的多传感器的目标跟踪数据融合算法的系统。为解决以上技术问题,本专利技术采用的技术方案是:一种基于SVM的多传感器的目标跟踪数据融合算法,将传感器采集到的目标信息,采用紧致结合方式,以支持向量机作为中间层,环境变量和测量方差归一化向量作为支持向量机的输入,支持向量机输出为传感器的信任度,用已知训练样本做离线训练,用实时滤波器信息做在线估计,融合知识库根据所得传感器信任度通过实时加权作出航迹融合。所述传感器的测量模型为:结合雷达传感器的距离测量能力和红外传感器的测角度能力,在同一个节点上同时安装雷达、红外传感器,可以得到描述一个目标位置的完整信息;测量向量对应于一个三维极坐标,以第i个传感器节点为原点,传感器测量模型为:Yi(k)=hi(k,X(k))+vi(k)(1)其中hi(k,X(k))=x2(k)+y2(k)+z2(k)tan-1z(k)x2(k)+y2(k)tan-1y(k)x(k)---(2)]]>为测量转换函数,此处为非线性;测量向量为k为时间索引,li(k)为目标在k时刻与第i个传感器的距离,θi(k)为k时刻第i个传感器观测到的目标的仰角,为k时刻第i个传感器观测到的方向角,x(k)、y(k)、z(k)为目标的位置状态,v为测量噪声变量,vi(k)∈R3为第i个传感器在k时刻的噪声,仿真时采用统一的高斯白噪声作为环境噪声,即噪声满足正态分布v~N(0,V),V为观测噪声协方差矩阵,可以通过多次测量得到;设离散时间状态方程描述为:X(k+1)=AX(k)+w(k)(3)其中,状态向量为X(k)=[x(k),y(k),z(k),vx(k),vy(k),vz(k)]T表示垂直方向、正北方和正东方向的位置与速度矢量,vx(k),vy(k),vz(k)分别为k时刻垂直方向、正北方和正东方向的速度,A∈R6为一步状态转移矩阵,表达为T为采样间隔,I为单位矩阵,B∈R3视具体路线而定,w(k)为状态噪声向量,w~N(0,Q),Q为过程激励噪声协方差阵,各状态变量的噪声独立分布,所以Q=diag(σ2,σ2,σ2,ε2,ε2,ε2),位置噪声wx~N(0,σ2),速度噪声wv~N(0,ε2)。式(1)和(3)构成了多传感器目标跟踪的基本模型,其中状态方程是线性的,测量方程是非线性的。进一步地,扩展卡尔曼滤波器用来解决非线性离散时间过程;定义先验估计误差和后验估计误差ek分别为:ek-=X(k)-X^(k|k-1),ek=X(k)-X^(k)---(5)]]>其中为先验状态估计,为后延状态估计,先验估计误差的协方差和后验估计误差的协方差Pk分别为:Pk-=E[ek-ek-T]]]>Pk=E[ekekT](6)后验状态估计是用先验状态估计计算得到:X^(k)=X^(k|k-1)+K(Y(k)-h(k,X^(k|k-1))---(7)]]>式(7)测量变量及预测之差被称为测量过程的残余,残余值反映了预测值与真实值不一致的程度,残余为零表明预测完全正确;式(7)中6×3矩阵K叫做残余增益,作用是使(6)式后验估计误差协方差最小,K的求取步骤如下:将(7)式带入(5),再将ek带入(6)式的Pk中,求得期望后,将Pk对ek求得并令导数为零求得K的值,K的表达式为:K=Pk-HT(HPk-HT+V)-1=Pk-HTHPk-HT+V---(8)]]>其中H∈R3×6是h(k,X(k))对X(k)的偏导的雅可比矩阵:H(i,j)=∂hi(X)∂X(j)---(9)]]>H中的第i行第j列元素为函数h的第i项对状态向本文档来自技高网
...

【技术保护点】
一种基于SVM的多传感器的目标跟踪数据融合算法,其特征在于:将传感器采集到的目标信息,采用紧致结合方式,以支持向量机作为中间层,环境变量和测量方差归一化向量作为支持向量机的输入,支持向量机输出为传感器的信任度,用已知训练样本做离线训练,用实时滤波器信息做在线估计,融合知识库根据所得传感器信任度通过实时加权作出航迹融合。

【技术特征摘要】
1.一种基于SVM的多传感器的目标跟踪数据融合算法,其特征在于:将传感器采集到的目标信息,采用
紧致结合方式,以支持向量机作为中间层,环境变量和测量方差归一化向量作为支持向量机的输入,支持
向量机输出为传感器的信任度,用已知训练样本做离线训练,用实时滤波器信息做在线估计,融合知识库
根据所得传感器信任度通过实时加权作出航迹融合。
2.如权利要求1所述的基于SVM的多传感器的目标跟踪数据融合算法,其特征在于:所述传感器的测量
模型为:
结合雷达传感器的距离测量能力和红外传感器的测角度能力,在同一个节点上同时安装雷达、红外传
感器,可以得到描述一个目标位置的完整信息;测量向量对应于一个三维极坐标,以第i个传感器节点为
原点,传感器测量模型为:
Yi(k)=hi(k,X(k))+vi(k)(1)
其中hi(k,X(k))=x2(k)+y2(k)+z2(k)tan-1z(k)x2(k)+y2(k)tan-1y(k)x(k)---(2)]]>为测量转换函数,此处为非线性;测量向量为k为时间索引,li(k)为目标
在k时刻与第i个传感器的距离,θi(k)为k时刻第i个传感器观测到的目标的仰角,为k时刻第i个传
感器观测到的方向角,x(k)、y(k)、z(k)为目标的位置状态,v为测量噪声变量,vi(k)∈R3为第i个传感器在
k时刻的噪声,仿真时采用统一的高斯白噪声作为环境噪声,即噪声满足正态分布v~N(0,V),V为观测噪
声协方差矩阵,可以通过多次测量得到;
设离散时间状态方程描述为:
X(k+1)=AX(k)+w(k)(3)
其中,状态向量为X(k)=[x(k),y(k),z(k),vx(k),vy(k),vz(k)]T表示垂直方向、正北方和正东方向的位置与速度
矢量,vx(k),vy(k),vz(k)分别为k时刻垂直方向、正北方和正东方向的速度,A∈R6为一步状态转移矩阵,表
达为
T为采样间隔,I为单位矩阵,B∈R3视具体路线而定,w(k)为状态噪声向量,w~N(0,Q),Q为过程激
励噪声协方差阵,各状态变量的噪声独立分布,所以Q=diag(σ2,σ2,σ2,ε2,ε2,ε2),位置噪声wx~N(0,σ2),速度
噪声wv~N(0,ε2)。
3.如权利要求2所述的基于SVM的多传感器的目标跟踪数据融合算法,其特征在于:扩展卡尔曼滤
波器用来解决非线性离散时间过程;定义先验估计误差和后验估计误差ek分别为:
ek-=X(k)-X^(k|k-1),ek=X(k)-X^(k)---(5)]]>其中为先验状态估计,为后延状态估计,先验估计误差的协方差和后验估计误差的协
方差Pk分别为:
Pk-=E[ek-ek-T]Pk=E[ekekT]---(6)]]>后验状态估计是用先验状态估计计算得到:
X^(k)=X^(k|k-1)+K(Y(k)-h(k,X^(k|k-1))---(7)]]>式(7)测量变量及预测之差被称为测量过程的残余,残余值反映了预测值与真
实值不一致的程度,残余为零表明预测完全正确;式(7)中6×3矩阵K叫做残余增益,作用是使(6)
式后验估计误差协方差最小,K的求取步骤如下:将(7)式带入(5),再将ek带入(6)式的Pk中,求得
期望后,将Pk对ek求得并令导数为零求得K的值,K的表达式为:
K=Pk-HT(HPk-HT+V)-1=Pk-HTHPk-HT+V---(8)]]>其中H∈R3×6是h(k,X(k))对X(k)的偏导的雅可比矩阵:
H(i,j)=∂hi(X)∂X(j)---(9)]]>H中的第i行第j列元素为函数h的第i项对状态向量X中第j个变量求偏导所得,带入(2)式得:
Hk=x(k)x2(k)+y2(k)+z2(k)y(k)x2(k)+y2(k)+z2(k)z(k)x2(k)+y2(k)+z2(k)000-x(k)z(k)Sk3/2+z2(k)Sk1/2-y(k)z(k)Sk3/2+z2(k)Sk1/21Sk1/2+z2(k)000-y(k)Sk-x(k)Sk0000---(10)]]>其中S=x2+y2,扩展卡尔曼滤波器的时间跟新方程为:
X^(...

【专利技术属性】
技术研发人员:周杰蔡世清朱伟娜
申请(专利权)人:南京信息工程大学
类型:发明
国别省市:江苏;32

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1