本发明属于信息融合领域,涉及一种改进k-means聚类的分布式多传感器航迹关联算法,用于解决在分布式多传感器多目标环境下目标真实数目未知的航迹关联问题。
背景技术:
分布式结构可以以较低的费用获得较高的可靠性和可用性,可减少数据总线的频宽和处理要求,当一个信源降级,其观测结果不会损害整个多源信息融合功能和特性,它可以逐步增加要实现自动化功能的数量,而且能使系统结构适应控制中心的操作要求,并且也有与集中式结构相同或类似的精度。因此,分布式结构已成为优先选用的方案。另外,就现有的分布式多传感器系统来看,分布式结构是一种自然的、合理的和最经济的选择。
在分布式多信源环境中,每个信源都有自己的信息处理系统,并且各系统(传感器)中都收集了大量的目标航迹。航迹关联是将来自多个/不同的传感器航迹进行关联,也就是判断来自不同传感器的局部航迹是否代表同一个目标的问题,并确保输入到融合中心的航迹具有一致性和完整性。实际上,航迹关联就是解决传感器空间覆盖区域中的重复跟踪问题。因而航迹关联也称为去重复。同时它也包含了将不同目标区分开的任务。为了解决在分布式多传感器多目标环境下的航迹关联问题,本发明针对目标真实数目未知的情况,提出了一种改进k-means聚类的分布式多传感器航迹关联算法。
技术实现要素:
本发明的目的是针对分布式多传感器多目标环境下的航迹关联问题,考虑目标真实数目未知的情况,提出了一种改进k-means聚类的分布式多传感器航迹关联算法,本发明采用技术方案如下:
(1)从局部航迹集合中随机选取一条局部航迹作为初始聚类中心;
(2)计算每条局部航迹与当前已有聚类中心之间的最短距离;
(3)计算每条局部航迹被选为下一个聚类中心的概率并选择下一个聚类中心;
(4)迭代(2)和(3)直到选择出聚类中心;
(5)计算每条局部航迹与聚类中心间的距离;
(6)将局部航迹分配到距离最小的聚类中心所对应的类中;
(7)重新计算聚类中心和均方差之和;
(8)迭代(5)-(7)直到均方差之和收敛并得到航迹关联结果。
本发明的有益效果:本发明能够在目标真实数目未知的情况下的进行航迹关联,它可以改善航迹关联结果的误差并降低计算时间。
附图说明
图1本发明的流程图。
具体实施方式
以下结合技术方案和附图1,详细叙述本发明的具体实施方式。
(1)从局部航迹集合中随机选取一条局部航迹作为初始聚类中心。
假设各个传感器的局部航迹集合为cs:
cs={1,2,…,ns}
式中,局部航迹集合中局部航迹数目为ns并记为
其中
心xs1。
(2)计算每条局部航迹与当前已有聚类中心之间的最短距离。
式中,dis(x)表示每条局部航迹与当前已有聚类中心之间的最短距离;(3)计
算每条局部航迹被选为下一个聚类中心的概率并选择下一个聚类中心。
式中,p(x)表示每条局部航迹被选为下一个聚类中心的概率。
然后按照轮盘法选择出下一个聚类中心。
(4)迭代(2)和(3)直到选择出k个聚类中心。
通过迭代选择出k个聚类中心且k为目标的真实数目及系统航迹数目。假设
系统航迹集合为cg:
cg={1,2,…,ng}
式中,系统航迹集合中系统航迹数目为ng,ng=k,并记为
其中
(5)计算每条局部航迹与聚类中心间的距离。
将系统航迹与局部航迹的欧式距离作为距离测度。局部航迹i和系统航迹j欧式距离定义为:
其中1≤i≤ns,1≤j≤ng;
航迹i和航迹j的距离测度定义为
dij=dis
(6)将局部航迹分配到距离最小的聚类中心所对应的类中,即
(7)重新计算聚类中心和均方差之和。
1)计算每个聚类中局部航迹的均值
式中,kt表示聚类,ut表示聚类kt的聚类中心,nt表示聚类kt中数据的个数,其中1≤t≤k。
2)计算每条航迹与所对应类中的聚类中心得均方差之和
式中,z表示所有数据的均方差之和。
(8)迭代(5)-(7)直到均方差之和收敛并得到航迹关联结果。
当均方差之和开始收敛时,即下式函数达到最优时,
式中,v表示阈值。
当均方差之和收敛时,表明各个类之间已经被分离,即迭代结束,得到航迹关联的结果。