专利名称：基于神经网络数据融合的机动目标跟踪系统的制作方法
技术领域：
本发明属于多传感器数据融合与神经网络技术领域，更具体地涉及一种基于神经网络数据融合的机动目标跟踪系统。
背景技术：
在军事弹道导弹防御、空中预警、空中攻击等领域中，目标跟踪的应用受到各国广泛的重视。多传感器跟踪产生多源信号，减少信号的不确定度给出信源更加完善的描述是关键技术问题，从而产生了多传感器数据融合的概念，这一概念源于人类的神经系统对于多种感觉器官的存活的能力，在现代研究领域中称之为神经网络，神经网络模仿人类的推理和模仿能力，将多传感器数据融合和神经网络更好的联系在一起，目的是根据源于同一目 标的观测所具有的相似性，采用一定的分配策略将多个传感器进行分组划分，由于传感器观测过程中的不确定性因素，破坏了回波观测和目标源之间的对应关系，使各目标数据的互联对应关系出现了模糊。20世纪70年代末，出现了基于多传感器数据融合意义的融合一词。数据融合是指对不同时间不同空间的多传感器资源数据，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的组成部分更充分的信息。20世纪80年代初，数据融合技术逐渐受到军方的重视，以军事应用为主的数据融合技术研究蓬勃发展起来。美国国防部将“多传感器数据融合”列为90年代重点研究、开发的关键技术之一，从1992年起，每年投巨资用于数据融合技术的开发和研究。为实现多传感器数据融合，现有的检验理论，D-S证据推理理论、模糊理论以及专家系统等理论和方法，都在数据融合中的到了应用。神经网络的基本单元是神经元，相当于数据融合的基本单位，两者都是多输入、单输出的器件，来完成非线性运算；数据融合一般可划分为三层，即原始数据层、特征层和决策层，同样能用三层的神经网络来描述，即输入层、隐含层、输出层；而数据融合的并行结构则对应于神经网络的层层相连结构。而多传感器融合过程中，传感器输出并非一个值，如传感器同时输出目标属性数据、目标状态数据，或者是在观测的时间间隔内，传感器的输出是变化的，使用精确的值来进行神经网络的判断，也就降低了对目标跟踪的准确性。
发明内容
本发明公开了一种基于神经网络数据融合的机动目标跟踪系统，能够有效地将多传感器数据融合，解决目标发现、跟踪和识别问题，可以提高合成信息的质量，提高目标跟踪定位的精确度。基于神经网络数据融合的机动目标跟踪系统，如图I所示，主要包括传感器、A/D转换器、输出单元、数据预处理单元、特征提取单元、粗神经网络数据融合单元。 传感器获得的目标数据经过A/D转换器转换成数字量后，通过数据预处理单元滤除干扰和噪声，再经过特征提取后，特征数据经过粗神经网络数据融合单元进行融合计算，最后由输出单元输出结果。传感器的数据可以是实时的也可以是非实时的。数据预处理单元滤除数据采集过程中弓丨A的干扰和噪声。特征提取单元主要提出被测目标的多种物理量。粗神经网络数据融合单元对数据融合的处理方法包括以下步骤A :对不精确、不确定性数据进行处理，将每个神经元分为上、下两层分别代表粗糙集合的上下近似形成一个粗神经元； B :确定粗神经元之间的传递函数；C :神经元全互联的情况下，粗神经元上下两层输出结果相同；D :传统神经网络的学习方法中的误差传递函数中的误差为上下层方差的均值；E :数据融合结果输出。采用多传感器数据融合的机动目标跟踪系统，其主要优点是增加了系统的生存能力，在有若干传感器不能利用或受到干扰，或某个目标不在覆盖范围时，总还会有一部分传感器可以提供信息，使系统能够不受干扰连续运行、弱化故障，并增加检测概率。通过粗神经网络数据融合单元处理进行数据信息组合，得到最佳协同效果，提高多传感器系统的有效性，消除单个传感器和少量传感器的局限性，提高目标跟踪定位的准确度。在同类传感器情况下，不论是等精度测量，还是非等精度测量，基于神经网络数据融合后的参数测量精度都可以得到显著提高。在异类传感器情况下，神经网络能改善数据融合的质量，能够提高对机动目标的跟踪定位精度。
图I为本系统的系统结构图。
具体实施例方式实施例在多个实时传感器中，获取图形目标的传感器为电荷耦合器件。数据预处理单元通过均值、滤波、消除趋势项、剔除野点等方法，滤除数据采集过程中引入的干扰和噪声。在粗神经网络数据融合单元对数据融合的处理方法步骤B中，粗神经元之间的传
2
，其中fu(x)为上传递函数，为下传递函数。
2 n=\在粗神经网络数据融合单元对数据融合的处理方法步骤D中，传统神经网络的学习方法中的误差传递函数中的误差为上下层方差的均值，
权利要求
1.基于神经网络数据融合的机动目标跟踪系统，主要包括传感器、A/D转换器、输出単元，其特征在于系统还包括数据预处理单元、特征提取単元、粗神经网络数据融合単元；传感器获得的目标数据经过A/D转换器转换成数字量后，通过数据预处理单元滤除干扰和噪声，再经过特征提取后，特征数据经过粗神经网络数据融合单元进行融合计算，最后由输出单元输出結果。
2.根据权利要求I所述的机动目标跟踪系统，其特征在于传感器的数据可以是实时的，也可以是非实时的。
3.根据权利要求2所述的机动目标跟踪系统，其特征在于获取图形目标的传感器为电荷稱合器件。
4.根据权利要求I所述的机动目标跟踪系统，其特征在于数据预处理单元滤除数据采集过程中引入的干扰和噪声。
5.根据权利要求4所述的机动目标跟踪系统，其特征在于数据预处理单元主要方法包括去均值、滤波、消除趋势项、剔除野点。
6.根据权利要求I所述的机动目标跟踪系统，其特征在于特征提取単元主要提出被测目标的多种物理量。
7.根据权利要求I所述的机动目标跟踪系统，其特征在于粗神经网络数据融合単元对数据融合的处理方法包括以下步骤 A :对不精确、不确定性数据进行处理，将每个神经元分为上、下两层分别代表粗糙集合的上下近似形成ー个粗神经元； B :确定粗神经元之间的传递函数； C :神经元全互联的情况下，粗神经元上下两层输出结果相同； D :传统神经网络的学习方法中的误差传递函数中的误差为上下层方差的均值； E :数据融合结果输出。
全文摘要
本发明属于多传感器数据融合与神经网络技术领域，公开了一种基于神经网络数据融合的机动目标跟踪系统。主要包括传感器、A/D转换器、数据预处理单元、特征提取单元、粗神经网络数据融合单元、输出单元。传感器获得的目标数据经过A/D转换器转换成数字量后，通过数据预处理单元滤除干扰和噪声，再经过特征提取后，特征数据经过粗神经网络数据融合单元进行融合计算，最后由输出单元输出结果。通过粗神经网络数据融合单元处理进行数据信息组合，得到最佳协同效果，提高多传感器系统的有效性，消除单个传感器和少量传感器的局限性，提高目标跟踪定位的准确度。
文档编号G06N3/02GK102663492SQ201210073730
公开日2012年9月12日 申请日期2012年3月19日 优先权日2012年3月19日
发明者马小云 申请人:南京理工大学常熟研究院有限公司