基于ahcif的集中式测量值扩维融合方法
【专利摘要】本发明涉及一种基于AHCIF的集中式测量值扩维融合方法。本发明首先根据实际工程中的目标运动模型进行系统建模；其次将极大后验(MAP)估计器与高度容积卡尔曼滤波（HCKF）方法相结合设计自适应HCKF方法(AHCKF)。然后在AHCKF基础上给出其相应的信息滤波形式(AHCIF)；更新过程，计算状态估计的信息向量和信息矩阵；估计噪声方差。最后给出基于AHCIF的集中式测量值扩维融合方法。本发明能够实时估计和修正系统噪声的统计特性，降低模型误差；此外，它能将多台雷达对运动目标进行跟踪时所采集的距离和方位角等信息进行融合估计，提高了目标估计精度，有效地实现了目标跟踪的功能。
【专利说明】基于AHCIF的集中式测量值扩维融合方法
【技术领域】
[0001] 本发明属于网络化多传感器系统的目标跟踪领域，特别涉及基于AHCIF的集中式 测量值扩维融合方法。
【背景技术】
[0002] 在实际动态系统中，总会存在着不同程度的非线性，所以非线性随机系统广泛存 在于工程实践当中，例如，导航定位、遥感监测、目标跟踪等军事和民用领域。另外，随着现 代信息和网络技术的蓬勃发展，有关无线多传感器网络的应用日益增多。因此，在这个大背 景下，信息滤波和融合技术在信号处理领域日渐成为了热门研究方向。
[0003] 由于扩展卡尔曼（EKF)的思路简单明了，因此在进行非线性系统状态估计时使用 最多。但由于它在线性化过程中引入了线性误差，直接影响了估计效果。此外，EKF需要计 算雅克比矩阵，计算的不准确性也将给滤波带来精度不高甚至发散等一系列问题。因此随 后便出现了无迹卡尔曼滤波（UKF)、粒子滤波（PF)、容积卡尔曼滤波（CKF)等等。这些方法 的提出为解决非线性滤波问题提供了有效的途径。但是，这些非线性滤波和融合方法在实 际应用时的前提条件是模型精确、噪声统计特性已知。而对于一个实际系统，由于外界干 扰等原因往往存在着很多不确定因素，使得滤波方法失去最优性，估计精度大大降低，严重 时甚至会导致滤波发散。因此，在设计滤波和融合方法时应该对噪声统计特性进行实时估 计，可通过引入一下自适应方法，例如强跟踪滤波器（STF)、变分贝叶斯（VB)、虚拟噪声补 偿等。但不足的是，上述方法都只考虑了单个传感器的情形。
【发明内容】
[0004] 为了应对上面所提到的问题，在本发明中，首先针对单传感器滤波系统将极大后 验（MAP)估计器与高度容积卡尔曼滤波（HCKF)方法相结合设计了一种自适应HCKF方法 (AHCKF)，并给出了相应信息滤波器形式（AHCIF)，随后将结果推广至多传感器融合系统中， 设计了基于AHCIF的集中式测量值扩维融合方法。该方法能实时估计和修正系统噪声的统 计特性，降低模型误差，提高估计精度。同时由于在初始化时不需要先验信息，因此与传统 滤波相比具有更好的数值性能。
[0005] 本发明的设计内容包括四部分。第一部分根据实际工程中的目标运动进行系统建 模；第二部分是将极大后验（MAP)估计器与高度容积卡尔曼滤波（HCKF)方法相结合设计自 适应HCKF方法（AHCKF);第三部分是在AHCKF基础上给出其相应的信息滤波形式（AHCIF); 第四部分给出基于AHCIF的集中式测量值扩维融合方法。
[0006] 本发明使用基于AHCIF的集中式测量值扩维融合方法能够实时估计和修正系统 噪声的统计特性，降低模型误差，提高估计精度。同时由于在初始化时不需要先验信息，因 此与传统滤波相比具有更好的数值性能。综上所述，基于AHCIF的集中式测量值扩维融合 方法能将多台雷达对运动目标进行跟踪时所采集的距离和方位角等信息进行融合估计，提 高了目标估计精度，有效地实现了目标跟踪的功能。
【专利附图】
【附图说明】
[0007] 图1为基于AHCIF的集中式测量值扩维融合方法的流程图。
【具体实施方式】
[0008] 如图1所示，下面首先为网络化目标跟踪系统建立模型；其次设计AHCKF方法，并 在其基础上给出相应的AHCIF方法；最后设计基于AHCIF的集中式测量值扩维融合方法来 估计状态，以实现目标跟踪。下面详细介绍本发明的实施过程。
[0009] 步骤1.系统建丰旲：
[0010] 考虑二维平面目标的跟踪问题，假设目标运动为匀速转弯模型，给出如下网络化 目标跟踪系统模型
[0011] xk+1 = f (xk) +wk (1)
[0012] zk = h (xk) +vk (2)
[0013] 式中，k是时间指数；xk e Rn为目标状态，分别由水平方向和垂直方向的位置和速 度组成；zke Γ表示测量值，即由多台雷达对运动目标进行跟踪时所采集的距离和方位角； f:Rn -Rn为非线性状态演化过程，
【权利要求】
1.基于AHCIF的集中式测量值扩维融合方法，其特征在于该方法包括以下步骤： 步骤1.系统建模： 考虑二维平面目标的跟踪问题，假设目标运动为匀速转弯模型，给出如下网络化目标 跟踪系统模型： Xj5+! - f (Xk)+Wk (1) zk=h(xk) +Vk(2) 式中，k是时间指数；xkGRn为目标状态，分别由水平方向和垂直方向的位置和速度 组成；ZkeRm表示测量值，即由多台雷达对运动目标进行跟踪时所采集的距离和方位角； f:Rn -Rn为非线性状态演化过程，h:Rn -Rm为相应的非线性测量映射；过程噪声WkeRn是 均值为零的高斯白噪声，其方差Qk时变未知；测量噪声vkGRm是均值为零的高斯白噪声， 方差为Rk;假设过程噪声和测量噪声互不相关；系统的初始状态均值为X〇,方差为P〇,且独 立于Wk和Vk ; 步骤2.将极大后验估计器与高度容积卡尔曼滤波相结合设计自适应高度容积卡尔曼 滤波，具体包括： (2. 1)初始化：给状态估计:^，估计误差协方差Ptlltl和估计噪声方差么赋初值
(2. 2)预测过程：根据高度容积卡尔曼滤波方法计算状态预测估计及其预测误差 协方差PkIh1
(2.4)估计噪声方差么：将极大后验估计器引入到高度容积卡尔曼滤波中来实时估计 和修正系统噪声Wk的统计特性，即根据极大后验估计器实时估计过程噪声方差^
式中，fi^1 〇1，2,…，TV)表示第j个传感器的测量值，hj( ?)为相应的非线性测 量映射，V、e 是均值为零且方差为Ik的高斯白噪声； 扩维后的测量噪声Vk的均值为0,方差< 为Rk =diag{R1；k,RN；k} (24) (4.2)结合信息滤波形式，计算融合后状态估计的信息向量iv及其信息向量矩阵 Yk|k : 式中，&和民分别为基于信息滤波形式的集中式测量值扩维融合方法的信息向量和信 息矩阵的贡献量，可通过式（21)计算；根据该方法，即可对状态进行实时估计，以实现目标 跟踪。
【文档编号】G06K9/66GK104268597SQ201410500091
【公开日】2015年1月7日 申请日期:2014年9月25日 优先权日:2014年9月25日
【发明者】史岳鹏 申请人:郑州牧业工程高等专科学校