一种基于最大熵准则的多传感器机动目标跟踪方法
【技术领域】
[0001] 本发明属于多传感器目标跟踪领域，涉及一种基于最大熵准则的多传感器机动目 标跟踪方法。
【背景技术】
[0002] 近年来，模糊理论在目标跟踪、识别领域已有了广泛的运用，本发明基于最大熵准 则将模糊聚类算法应用于多传感器机动目标跟踪。在经典的聚类算法中，通常经过若干次 迭代使隶属度和聚类中心进入到设定门限而实现求解，这就面临迭代门限选择和多次迭代 运算。在实时系统中，为避免迭代运算而采用直接初始化类中心的方法，但这会因聚类中心 初始选择不当而造成较大的聚类误差；本发明提出向量解析的方法，既不需要迭代运算，也 可避免因类中心初始选择不当而造成较大的聚类误差，实现无需类中心参与的隶属度解耦 求解。
【发明内容】
[0003] 发明目的：本发明基于最大熵准则实现机动目标状态融合估计，针对聚类算法中 隶属度计算与聚类中心耦合、以及类中心初始化不当的引入误差问题，提出基于最大熵准 则的多传感器机动目标跟踪方法。
[0004] 技术方案：本发明提出一种基于最大熵准则的多传感器机动目标跟踪方法。本发 明将来自多传感器的同一目标数据看成一个模糊集合，对集合内数据进行合并时采用基于 模糊最大熵的准则进行数据聚类处理，同时针对传统聚类算法中隶属度计算与聚类中心耦 合、以及类中心初始化不当的引入误差问题，提出向量解析方法解耦求解隶属度。在对集合 内数据进行聚类合并后，采用交互式多模型算法对目标进行滤波跟踪，本发明将模糊理论 引入到多传感器数据处理，能够实现对多传感器数据的充分利用，并通过与交互式多模型 相结合实现对高机动目标的精确跟踪。
[0005] 本方法包括以下步骤：
[0006] 步骤1，建立来源于同一目标的多传感器量测数据集；所述多传感器为三个以上 的传感器；
[0007] 步骤2,计算多传感器量测数据集中数据之间的隶属度；
[0008] 步骤3,通过聚类处理求取类中心，完成对多传感器量测数据集的数据合并；
[0009] 步骤4,利用交互式多模型对合并数据进行滤波跟踪处理，实现对目标的更新；
[0010] 步骤5,输出更新处理后的目标航迹数据。
[0011] 其中，步骤2包括：设时刻k融合中心系统（融合中心系统在C4ISR体系结构和数 据融合领域是一个通用概念，是指对多传感器数据进行集中处理的处理系统，也可以理解 为数据融合系统集成众多传感器，所有传感器的数据处理都在该系统来集中处理，所以通 常将该系统成为融合中心系统。）收到关于某目标T的mk个有效量测 聚类分析是基于样本空间中样本特征的相似性，将样本划分成若干类，使类内样本具有很 大的相似性，而类间样本具有很大的相异性，并在类内寻找最大共性特征；对某时刻同一目 标T的叫个量测样本而言，均源于同一目标，因此其最大共性是对目标状态的共同反映，这 一目标状态共性正是本发明所要求解的问题。为了精确地估计目标状态，根据信息理论最 大熵原理，由于实际中叫个量测样本的获取为独立的随机事件，应使[//,;}=尽可能地接近 mk.. 量测的真实随机概率分布，可通过熵最大化解决这一问题。根据香农熵& = -Σ尺#i取值1~mk，其中μi表示第i个有效量测值zi属于类中心C的可能程度，即隶属度，应用
拉格朗日乘子法将代价函I 和最大化熵H 转化为单一优化 /-1 目标函数J:
[0012]
?-1 ?-1
[0013] 通过最大化目标函数式可得隶属度μι:
[0014]
[0015] 其中，β为拉格朗日乘子，c为量测数据集的类中心，e是标准的指数函数。
[0016] 步骤3包括：通过最小化代价函数E以求取数据集的类中心c:
[0017]
:1=1 :1=|
[0018] 其中，d(Zl，c)为有效量测Zl关于类中心c的欧氏距离；μi满足
[0019]在yi已知的条件下，可求得类中心为
雀多传感器背景下，若采用某一 最新量测为类中心，那么将导致被选中的观察值的?乂值将为1，其他量测的权值变为零，显 然不合理。若选用目标状态的预测值为类中心将导致两种不理想情况：其一，若预测偏差大 且正好靠近某一量测，此时将导致该量测权值偏大而其他量测权值偏小的情况；其二，若当 目标快速机动时，预测值往往会较大偏离所有量测值，由于欧氏距离是以指数关系反应于 隶属度μ4勺，当其值超过一定程度后将出现各量测权值趋于相等的情况，从而失去精确聚 类作用。鉴于以上原因，本发明提出向量解析的方法，不仅可以避免繁琐迭代运算，还能避 开设置类中心的问题，直接实现隶属度μi的解耦求解。
[0020] 有益效果：
[0021]本方法能有效避免聚类中心难选择问题，具有良好的估计精度。本发明采用向量 解析的方法，既不需要迭代运算，也可避免因类中心初始选择不当而造成较大的聚类误差， 实现无需类中心参与的隶属度解耦求解。解决经典的聚类算法中，通常经过若干次迭代使 隶属度和聚类中心进入到设定门限求解，所面临迭代门限选择和多次迭代运算的困难，解 决因聚类中心初始选择不当而造成较大的聚类误差；通过工程实践证明，本发明能够很好 地解决机动目标跟踪问题，提高机动目标的跟踪和实时性。
[0022] 下面结合附图对本发明作进一步详细描述。
【附图说明】
[0023] 图la是本发明的量测向量关系图。
[0024] 图lb是本发明的向量合成示意图。
[0025] 图2a是本发明的仿真想定图。
[0026] 图2b是本发明的局部跟踪放大图。
[0027] 图3为本发明流程图。
【具体实施方式】
[0028] 本发明采用基于模糊最大熵的机动目标跟踪方法，如图3所示，本发明从以下几 个步骤实现对机动目标进行跟踪处理：
[0029] 步骤1，建立来源于同一目标的多传感器量测数据集；
[0030] 步骤2,计算多传感器量测数据集中数据之间的隶属度；
[0031] 步骤3,通过聚类处理求取类中心，完成对多传感器量测数据集的数据合并；
[0032] 步骤4,利用交互式多模型对合并数据进行滤波跟踪处理，实现对目标的更新；
[0033] 步骤5,输出更新处理后的目标航迹数据。
[0034] 其中，基于最大熵的模糊聚类公式推导过程如下：
[0035] (1)基于最大熵的模糊聚类
[0036] 设时刻k融合中心收到关于某目标了的叫个有效量测Zk= {Zl，z2，…，zj，感兴 趣的是如何通过该mk个量测估计目标的当前状态。根据模糊聚类思想，可将这一问题看成 最优规划的聚类过程，相应的代价函数如式（1)所示。
[0037]
(])
[0038] 其中，d(Zl，c)为量测Zl关于类中心c的欧氏距离；其中μi表示第i个有效量测 值Zl属于类中心c的可能程度，即隶属度，且满屈
扣1.
[0039] 在μi已知的条件下，可求得类中心c为：
[0040]
(2)
[0041] 聚类分析是基于样本空间中样本特征的相似性，将样本划分成若干类，使类内样 本具有很大的相似性，而类间样本具有很大的相异性，并在类内寻找最大共性特征；对某时 刻同一目标T的叫个量测样本而言，均源于同一目标，因此其最大共性是对目标状态的共 同反映，这一目标状态共性正是本发明所要求解的问题。为了精确地估计目标状态，根据 信息理论最大熵原理，由于实际中叫个量测样本的获取为独立的随机事件，应使式（1)中 {m.E尽可能地接近量测的真实随机概率分布，可通过熵最大化解决这一问题。香农熵表 达式为，
[0042]
[0043] 应用拉格朗日乘子法将代价函数（1)和最大化熵转化为单一优化目标函数：
[0044]
./-1 i=i
[0045] 其中β为拉格朗日乘子，通过最大化目标函数式（4)可得：
[0046]
[0047] 其中，类中心c选择过程如下：
[0048] (2)类中心c选择
[0049] 观察式（2)和式（5)，式（2)中类中心c正是本发明要估计的目标Τ的状态参数。 由于μ1与类中心c耦合，在通常的聚类算法中，采用预设精度门限进行多次迭代求解。但 该