基于GLMB滤波器的多传感器自适应角度控制方法技术

本发明专利技术公开了一种基于GLMB滤波的多传感器自适应角度控制方法，包括以下步骤：S1、采用广义标号多伯努利滤波器进行本地滤波；S2、基于广义协方差交叉准则进行分布式融合；S3、多目标采样处理；S4、采用广义标号多伯努利滤波器进行伪预测；S5、计算每个传感器的理想量测；S6、对传感器进行两两分组，产生决策集合，对决策集合里的传感器对进行分布式融合处理；S7、计算两两配对的控制决策组合下的柯西施瓦兹散度；S8、对各个传感器对选取局部最优的传感器控制决策；S9、将所有的局部最优的传感器控制决策合并成一个集合。本发明专利技术能够保证较小的误差损失，解决了精度和计算代价均可实现的基于GLMB滤波的多传感器自适应角度控制。

Multi-sensor adaptive angle control method based on GLMB filter

The invention discloses a multi-sensor adaptive angle control method based on GLMB filtering, which includes the following steps: S1, local filtering using generalized labeled Dobernoulli filter; S2, distributed fusion based on generalized covariance crossover criterion; S3, multi-target sampling processing; S4, using generalized labeled Dobernoulli filter. S5, calculating the ideal measurement of each sensor; S6, dividing the sensors into two groups, generating decision sets, and processing the distributed fusion of sensor pairs in the decision sets; S7, calculating the Cauchy Schwartz divergence under the control decision combination of two pairs; S8, selecting each sensor pair. Locally optimal sensor control decisions; S9. Merge all locally optimal sensor control decisions into a set. The invention can ensure a small error loss and solve the multi-sensor adaptive angle control based on GLMB filter, which can be realized both in accuracy and calculation cost.

【技术实现步骤摘要】
基于GLMB滤波器的多传感器自适应角度控制方法
本专利技术属于传感器
，它涉及了随机集理论下多源信息融合算法和多传感器管控
，特别涉及一种基于GLMB滤波器的多传感器自适应角度控制方法。
技术介绍
现代技术的飞速发展，单一传感器因自身特性所决定的局限性而无法满足新一代作战系统对探测信息的需求，而多传感器网络可以提供不同维度的观测数据，不仅扩展了网络的探测范围，也改善了系统的探测能力和空间分辨力，进而提高了系统探测的可信度。由于多传感器可以对目标的发现性能、定位精度和识别能力进行改善，近年来得到了快速地发展与应用，并成为传感器领域的研究热点之一。分布式多传感器网络探测技术能够充分收集和传递组网内单部传感器的信息，实现网络内传感器间的资源共享，最终实现复杂环境下的多目标的探测，具有很强的可靠性和高精度。因此，多传感器管控技术是多传感器探测技术中不可忽略的一部分。近年来，针对多传感器管控技术，很多学者进行了大量研究并取得了相应研究成果。该技术主要的目的在于通过寻找多传感器的相应的可操作命令集合，进而得到理想的量测信息，实现整个传感器网络架构下最优的滤波结果。多传感器管控技术主要涉及两部分：1)多目标跟踪过程；2)决策过程。对于多目标跟踪过程，在随机集理论下，通过将传感器监视区域内的目标和量测分别建模成集合的形式，以集合为单位进行滤波处理，避免了传统的跟踪算法里的数据关联过程，另外，在滤波的过程中也可以估计出目标的个数。随着随机集的发展，相继出现了很多种跟踪算法，主要包括非标签的滤波器和标签滤波器，由于非标签滤波器不能形成目标的航迹而标签滤波器可以形成各个目标的航迹信息，因此，标签滤波器具有很强的实用价值，也越来越多地应用于传感器领域。对于传感器决策过程，目的就是优化目标函数得到一个最优解。常用的优化策略分别是基于任务驱动的技术和基于信息驱动的技术。前者主要是根据期望得到的性能而将目标函数设计成代价函数的表达式，其缺点是只适用于单任务的场景，不能对多个任务的复杂场景进行决策。而后者主要是针对多个任务下将目标函数设计为奖励函数的形式，进而求得全局最优解。而基于信息驱动的技术常常利用设计奖励函数的形式来进行决策，用于设计奖励函数的准则如交叉熵准则、瑞利熵等，但是这些准则往往带来很复杂的表达式和巨大的计算量，且得不到闭合解，限制了实际的应用。2016年，在文献“Multi-sensorcontrolformulti-targettrackingusingCauchy-Schwarzdivergence[C],InformationFusion(Fusion),201619thInternationalConferenceon.IEEE,2016:2056-2066.”中提出了两种基于广义标号多目标多伯努利滤波器的在柯西施瓦兹准则下的传感器管控方法，然后所提算法只考虑了两个传感器的框架，并且其中多传感器的联合管控方法计算代价太大，而独立的管控方法估计误差又过低，因此两种算法限制了其在实际的多传感器网络中的应用。
技术实现思路
本专利技术的目的在于克服现有技术基于广义标号多伯努利滤波器的多传感器自适应角度调整计算代价过大的不足，提供一种能够保证了较小的误差损失，解决了精度和计算代价均可实现的基于GLMB滤波器的多传感器自适应角度控制方法。本专利技术的目的是通过以下技术方案来实现的：基于GLMB滤波器的多传感器自适应角度控制方法，包括以下步骤：S1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数；S2、基于广义协方差交叉准则进行分布式融合；S3、进行多目标采样处理；S4、设定管控步长H，同时假设预测过程中没有目标的出生于死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行H步伪预测；S5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化H步之后得到理想量测；S6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；S7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；S8、分别对各个传感器对选取局部最优的传感器控制决策；S9、将所有的局部最优的传感器控制决策合并成一个集合。进一步地，所述步骤S1得到的各个传感器本地的后验概率密度分布函数为：其中，πi(X)表示第i个传感器下目标状态集合X的后验概率分布，其中i∈{1,2,...,N}，X＝{x1,…,xn}，xn表示第n个目标的状态；Δ(X)满足表示目标状态集合X的标签的个数与目标状态集合中目标的个数|X|是相等的，其中δ为广义Kronekerdelta函数，表示集合X的标签集合，且满足其中x＝(x,l)，x表示目标状态，l表示与状态x对应的标签，满足为假设集合的离散空间；表示与第i个传感器的多目标状态X的标签集合相对应的权重；表示多目标指数分布，满足其中为概率密度函数，满足进一步地，所述步骤S2融合后的后验分布表示为：其中，表示标签集合L融合后的权重；表示标签集合L融合后的概率密度分布；ωi表示传感器i融合时对应的融合权重；表示标签集合L对应的多目标指数混合；参数表示传感器i的集合L对应的权值；定义为：传感器i的集合F对应的权值；参数表示传感器i在集合L下对应的联合概率分布；F表示标签集合空间的子集合。进一步地，所述步骤S3具体实现方法为：对进行多目标采样，得到一个采样集合ΨS：其中，M表示采样的数目，{X(1),...X(M)}表示对应的一个多目标采样集合。进一步地，所述步骤S5具体实现方法为：每一个传感器i的每一种对应的可操作命令在理想环境下演化H步之后得到理想量测，并用于更新处理：其中，i∈{1,...,N}，表示第i个传感器所有可操控命令的空间集合；GLMB(·)表示利用广义标号多伯努利滤波器进行滤波的过程；理想环境是指无杂波、无噪声、发现概率为1的环境。进一步地，所述步骤S6具体实现方法为：在每一个多目标采样X(j)下，对N个传感器进行两两分组，偶数个传感器则组成个传感器对，产生的两两联合决策组合的集合为奇数个传感器则组成个传感器对和一个单独的传感器，产生的决策集合为然后分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布，对于传感器对(i,i+1)，对应的分布式融合过程如下：其中，GCI表示利用广义协方差交叉准则进行融合的过程。进一步地，所述步骤S7具体实现方法为：分别计算两两配对的控制决策组合下的柯西施瓦兹散度；首先，在每一个多目标采样X(j)下，对每一个决策组合计算伪融合预测分布与该决策组合对应的融合后的伪更新分布之间的柯西施瓦兹散度值：其中，DCS表示计算柯西施瓦兹散度：φ表示ψ表示K表示单位因子；表示标签空间；L表示标签空间中的一种集合；c表示与广义标号多伯努利密度φ(X)对应的假设集合空间中的一种假设；d表示与广义标号多伯努利密度ψ(X)对应的假设集合空间中的一种假设；表示与广义标号多伯努利密度ψ(X)对应的假设集合空间；表示广义标号多伯努利密度φ(X)中假设集合为c时的概率密度函数；表示广义标号多伯努利密度ψ(X)中假设集合为d时的概率密度函数；然后在所有多目标采样集ΨS条本文档来自技高网...

【技术保护点】
1.基于GLMB滤波器的多传感器自适应角度控制方法，其特征在于，包括以下步骤：S1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数；S2、基于广义协方差交叉准则进行分布式融合；S3、进行多目标采样处理；S4、设定管控步长H，同时假设预测过程中没有目标的出生于死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行H步伪预测；S5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化H步之后得到理想量测；S6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；S7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；S8、分别对各个传感器对选取局部最优的传感器控制决策；S9、将所有的局部最优的传感器控制决策合并成一个集合。

【技术特征摘要】
1.基于GLMB滤波器的多传感器自适应角度控制方法，其特征在于，包括以下步骤：S1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数；S2、基于广义协方差交叉准则进行分布式融合；S3、进行多目标采样处理；S4、设定管控步长H，同时假设预测过程中没有目标的出生于死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行H步伪预测；S5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化H步之后得到理想量测；S6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；S7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；S8、分别对各个传感器对选取局部最优的传感器控制决策；S9、将所有的局部最优的传感器控制决策合并成一个集合。2.根据权利要求1所述的基于GLMB滤波器的多传感器自适应角度控制方法，其特征在于，所述步骤S1得到的各个传感器本地的后验概率密度分布函数为：其中，πi(X)表示第i个传感器下目标状态集合X的后验概率分布，其中i∈{1,2,...,N}，X＝{x1,…,xn}，xn表示第n个目标的状态；Δ(X)满足表示目标状态集合X的标签的个数与目标状态集合中目标的个数|X|是相等的，其中δ为广义Kronekerdelta函数，表示集合X的标签集合，且满足其中x＝(x,l)，x表示目标状态，l表示与状态x对应的标签，满足为假设集合的离散空间；表示与第i个传感器的多目标状态X的标签集合相对应的权重；表示多目标指数分布，满足其中为概率密度函数，满足3.根据权利要求2所述的基于GLMB滤波器的多传感器自适应角度控制方法，其特征在于，所述步骤S2融合后的后验分布表示为：其中，表示标签集合L融合后的权重；表示标签集合L融合后的概率密度分布；ωi表示传感器i融合时对应的融合权重；表示标签集合L对应的多目标指数混合；参数表示传感器i的集合L对应的权值；定义为传感器i的集合F对应的权值；参数表示传感器i在集合L下对应的联合概率分布；F表示标签空间的子集合。4.根据权利...

【专利技术属性】
技术研发人员：易伟，李固冲，杨琪，孙智，田团伟，周涛，李溯琪，孔令讲，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51