一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法技术

本发明专利技术公开一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，首先，根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；然后，使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量，并使用EKF实现飞行器的状态估计；最后，使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声，提高EKF的跟踪精度。通过本发明专利技术方法有效解决了飞行器飞行过程中红外和雷达的传感器信号融合以及环境噪声的不确定性所导致的状态估计困难的问题。难的问题。难的问题。

【技术实现步骤摘要】
一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法


[0001]本专利技术涉及信号处理领域，尤其涉及飞行器的传感器多源信号融合方法，具体来说是一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方。

技术介绍

[0002]伴随着战场规模的扩大以及作战武器的不断更新，现代战争对武器系统的跟踪性能提出了更高的要求。战争中的各类信息都是通过传感器设备获得的，而单传感器的各类性能都十分有限，且一旦被敌方察觉并进行打击，其性能会大幅下降。因此单传感器的作战性能已经不能满足实际需要，充分整合多传感器的各种观测数据才是更好的选择。不同种类的多个传感器充分发挥各自的优势，观测不同类型的目标信息，在一定的规则下进行处理综合，这样就能达到提升系统精度的目的。
[0003]非线性信息融合过程中常用到的状态估计方法是扩展卡尔曼滤波算法。然而，在飞行器的实际飞行环境中，信号的噪声特性极易收到各种因素干扰而发生改变，仅仅依靠扩展卡尔曼滤波算法难以对目标状态保持高精度的估计。

技术实现思路

[0004]本专利技术为了解决飞行器飞行过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：包括下述步骤：步骤1：根据红外和雷达传感器不同的量测信号特征进行时空对准的信号预处理；步骤2：使用最优数据压缩算法将两者的信息进行压缩融合，形成新的观测量；步骤3：使用EKF实现飞行器的状态估计；步骤4：使用DBN算法根据收到的估计值与观测值实时估计并调整系统受到的实际观测噪声。2.如权利要求1所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：步骤1中信号预处理具体方法为：101、时间对准雷达传感器在t时刻的观测数据X
R
(t)定义如下：其中，r
R
(t)表示雷达传感器测得目标相对距离，θ
R
(t)表示雷达传感器测得目标方位角，表示雷达传感器测得目标俯仰角；红外传感器在t时刻的观测数据X
I
(t)定义如下：其中，θ
I
(t)表示红外传感器测得目标方位角，表示红外传感器测得目标俯仰角；使用线性插值方法，将多传感器量测信号转化成具有相同采样频率和时间基准的数字信号；102、空间对准雷达和红外传感器的观测数据一般都是在球坐标系下表征，为了方便后续在直角坐标系下处理，须要根据以下转换关系式将观测数据转换到直角坐标系：上式中，(x,y,z)为直角坐标系下的状态量，为球坐标系下状态量。3.如权利要求1所述一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法，其特征在于：步骤2中新的观测数据：其计算方法如下：r(t)＝r
R
(t)(t)其中，和分别是雷达传感...

【专利技术属性】
技术研发人员：李昭莹，石若凌，张超凡，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：