一种基于多因素多模型选择的航迹关联方法技术

本发明专利技术提供一种基于多因素多模型选择的航迹关联方法，包括如下步骤：S10，选取模糊因素集和评价集。S20，基于模糊因素集和评价集计算权重模糊集。S30，基于模糊因素集、评价集和权重模糊集计算关联程度模糊集。S40，基于关联程度模糊集对航迹进行关联决策。本发明专利技术克服了现有方法存在同一因素和合成运算模型无法适用于所有评价等级的缺陷，提高了关联性能。提高了关联性能。提高了关联性能。

【技术实现步骤摘要】
一种基于多因素多模型选择的航迹关联方法


[0001]本专利技术涉及多源传感器航迹关联融合
，具体而言，涉及一种基于多因素多模型选择的航迹关联方法。

技术介绍

[0002]随着现代信息化技术的发展，传感器种类日益增多且多源信息日趋复杂，多源传感器融合技术越来越受到研究者的关注。传感器信息融合主要包括目标检测、识别、关联、融合、状态估计等技术，其中目标关联是融合的基础，决定了综合识别的上限。
[0003]分布式系统是工程应用实践中最经济合理的选择，可用较低的费用获得较高的可靠性和可用性。在航迹融合分布式系统中，决定融合性能的关键是对不同传感器的航迹进行正确、稳定、高效的关联。分布式系统中的多传感器数据关联为航迹—航迹关联，目的是判断不同传感器中的航迹是否属于同一目标。航迹关联是航迹融合的先决条件，决定了航迹融合性能的上限，正确的关联是目标稳定跟踪的基础。因此，对航迹进行关联是多传感器信息融合的关键，研究航迹关联是必要的、有意义的。
[0004]关联的目的是判断不同传感器的量测是否属于同一目标，航迹关联算法按是否为统计检验问题分为基于统计的航迹关联算法和基于模糊数学的航迹关联算法。基于统计的航迹关联方法包括最近邻法、加权法、序贯法、多维分配法等。基于模糊数学的方法包括模糊综合函数法、多因素模糊决策法等。基于统计的方法将航迹关联问题转换为假设检验问题，由于导航、传感器延迟和误差问题导致关联存在较大的模糊性，因此基于统计的方法在目标密集等场景下无法取得较好的关联性能。基于模糊数学的方法引入关联模糊度描述航迹间的相关性，具有处理不确定性的能力，适用于存在较大模糊关系的关联场景。
[0005]传统多因素模糊决策方法在计算不同关联程度的模糊集时，使用同一的因素集与合成模型生成相应的隶属度。但值得注意的是，不同评价所适用的因素和合成模型是不同的，若对所有评价等级均使用相同的因素和合成模型将导致关联隶属度的准确性下降，从而降低关联性能,具体体现在两个方面：
[0006]第一，不同因素适用的评价不同，如果所有评价等级均使用相同的因素进行关联度运算，则将导致关联性能的下降。特别是在空面杂波密集、多近邻(交叉、分岔)下，当有多个目标以相同的速度运动时，速度间的高相似度将会影响(增加)航迹整体的相似度。类似地，当有多个目标以相同的航向运动时，航向间的相似度将会影响航迹整体的关联质量。因此采用速度、航向作为模糊因素衡量目标间的相似度将降低关联性能。
[0007]第二，不同评价准则适用的合成运算模型不同，“关联”考虑的是各因素相似度的整体作用，“不关联”需考虑的是提供最大不相似贡献的模糊因素。因此，若将“关联”和“不关联”采用相同的合成模型将降低对关联评价的表达能力，降低关联性能。

技术实现思路

[0008]本专利技术旨在提供一种基于多因素多模型选择的航迹关联方法，以解决现有多因素
模糊综合决策方法采用的同一因素和合成运算模型无法适用于所有评价等级的问题。
[0009]本专利技术提供的一种基于多因素多模型选择的航迹关联方法，包括如下步骤：
[0010]S10，选取模糊因素集和评价集。
[0011]S20，基于模糊因素集和评价集计算权重模糊集。
[0012]S30，基于模糊因素集、评价集和权重模糊集计算关联程度模糊集。
[0013]S40，基于关联程度模糊集对航迹进行关联决策。
[0014]进一步的，步骤S10包括如下子步骤：
[0015]S11，选取模糊因素集：将两目标位置间欧式距离、两航迹目标速度间欧式距离和两航迹目标航向间欧式距离作为模糊因素，共3个模糊因素，模糊因素集表示为：
[0016]U＝{u1,u2,u3}
[0017]其中，u1表示两目标位置间欧式距离，u2表示两航迹目标速度间欧式距离，u3表示两航迹目标航向间欧式距离；
[0018]S12，选取评价集的隶属度函数：
[0019]将正态隶属度作为衡量两条航迹的相似程度，第k个模糊因素的隶属度表示为：
[0020][0021]其中，σ
k
表示第k个模糊因素的展度，u
k
表示第k个模糊因素的调整度。
[0022]按2个评价等级评判时，有r
k1
+r
k2
＝1，因此，衡量两条航迹的不相似程度的第k个模糊因素的非隶属度表示为：
[0023][0024]S13，选取评价集V＝{关联，不关联}。
[0025]进一步的，步骤S20包括如下子步骤：
[0026]S21，将所述权重模糊集表示为：
[0027][0028]其中，A1＝[a
11
,a
12
,a
13
],A2＝[a
21
,a
22
,a
23
]，其中A1表示用于衡量“关联”评价的权重模糊集，A2表示用于衡量“不关联”评价的权重模糊集，a
ij
表示用第j个模糊因素衡量第i个评价时的权重值；
[0029]S22，模糊因素充分必要性测度：分析各模糊因素的关联特性，具体为分析各模糊因素与关联评价之间的充分必要性；
[0030]S23，根据模糊因素充分必要性测度，推导每一模糊因素在各关联评价下的权重，从而得到权重模糊集。
[0031]进一步的，步骤S22中，各模糊因素与关联评价之间的充分必要性如下：
[0032]若两条航迹间的模糊因素相似度高能推导关联，则满足该模糊因素与“关联”的充分性；若航迹间关联能推导出模糊因素相似度高，则满足该模糊因素与“关联”的必要性；
[0033]若两条航迹间模糊因素相似度低能推导不关联，则满足该模糊因素与“不关联”的充分性，若航迹间不关联能推导出模糊因素相似度低，则满足该模糊因素与“不关联”的必要性。
[0034]进一步的，步骤S23包括：
[0035]若模糊因素与关联评价不满足充分性，则对应权重为0，则用于衡量“关联”评价的权重模糊集A1表示为A1＝[a
11
,0,0]＝[1,0,0]，用于衡量“不关联”评价的权重模糊集A2表示为A2＝[a
21
,a
22
,a
23
]＝[0.33,0.33,0.33]。
[0036]进一步的，步骤S30包括如下子步骤：
[0037]S31，基于模糊因素集和评价集构造多元合成模型，该多元合成模型针对不同评价等级的特性选取不同合成运算模型；
[0038]S32，基于多元合成模型与权重模糊集计算关联程度模糊集。
[0039]进一步的，步骤S31包括：
[0040]在评价“关联”时，为每一影响关联判决的模糊因素的共同影响；
[0041]在评价“不关联”时，则选取对不关联判决影响最大的模糊因素。
[0042]进一步的，步骤S32中计算关联程度模糊集表示为：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多因素多模型选择的航迹关联方法，其特征在于，包括如下步骤：S10，选取模糊因素集和评价集。S20，基于模糊因素集和评价集计算权重模糊集。S30，基于模糊因素集、评价集和权重模糊集计算关联程度模糊集。S40，基于关联程度模糊集对航迹进行关联决策。2.根据权利要求1所述的基于多因素多模型选择的航迹关联方法，其特征在于，步骤S10包括如下子步骤：S11，选取模糊因素集：将两目标位置间欧式距离、两航迹目标速度间欧式距离和两航迹目标航向间欧式距离作为模糊因素，共3个模糊因素，模糊因素集表示为：U＝{u1,u2,u3}其中，u1表示两目标位置间欧式距离，u2表示两航迹目标速度间欧式距离，u3表示两航迹目标航向间欧式距离；S12，选取评价集的隶属度函数：将正态隶属度作为衡量两条航迹的相似程度，第k个模糊因素的隶属度表示为：其中，σ
k
表示第k个模糊因素的展度，u
k
表示第k个模糊因素的调整度。按2个评价等级评判时，有r
k1
+r
k2
＝1，因此，衡量两条航迹的不相似程度的第k个模糊因素的非隶属度表示为：S13，选取评价集V＝{关联，不关联}。3.根据权利要求2所述的基于多因素多模型选择的航迹关联方法，其特征在于，步骤S20包括如下子步骤：S21，将所述权重模糊集表示为：其中，A1＝[a
11
,a
12
,a
13
],A2＝[a
21
,a
22
,a
23
]，其中A1表示用于衡量“关联”评价的权重模糊集，A2表示用于衡量“不关联”评价的权重模糊集，a
ij
表示用第j个模糊因素衡量第i个评价时的权重值；S22，模糊因素充分必要性测度：分析各模糊因素的关联特性，具体为分析各模糊因素与关联评价之间的充分必要性；S23，根据模糊因素充分必要性测度，推导每一模糊因素在各关联评价下的权重，从而得到权重模糊集。4.根据权利要求3所述的基于多因素多模型选择的航迹关联方法，其特征在于，步骤S22中，各模糊因素与关联评价之间的充分必要性如下：若两条航迹间的模糊...

【专利技术属性】
技术研发人员：王贤圆，
申请(专利权)人：中国电子科技集团公司第十研究所，
类型：发明
国别省市：