一种基于随机集理论的多雷达异步数据分布式融合方法

1.一种基于随机集理论的多雷达异步数据序贯式融合方法，该方法包括：步骤1：对高斯混合概率假设密度进行参数化表征；其中，v k-1 (x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；J k-1 表示在k-1时刻的高斯分量的个数； 表示在k-1时刻第i个高斯分量的权重； 表示在k-1时刻期望为 方差为 的第i个高斯分量对应的高斯密度函数，且满足 步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；2.1对幸存目标进行预测：其中，v S,k|k-1 (x)表示在k时刻幸存目标S的强度；p S,k 表示k时刻目标S的幸存概率； 是幸存目标在k时刻的第i个高斯分量的期望，且满足： 是幸存目标在k时刻的第i个高斯分量的方差，且满足： 其中F k-1 表示k-1时刻的状态转移矩阵，Q k-1 表示k-1时刻的过程噪声协方差矩阵；2.2对衍生目标进行预测：其中，v β,k|k-1 (x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，J β,k 表示在k时刻衍生目标高斯分量的个数； 是k-1时刻第i个高斯分量的权重； 是k时刻衍生的第l个高斯分量的权重； 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望，且满足： 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差，且满足： 2.3对新生目标进行预测：其中，γ k (x)表示在k时刻时的新生目标后验概率强度；J γ,k 表示新生目标在k时刻的高斯分量的个数； 表示在k时刻第i个高斯分量的权重； 表示期望为 方差为 的第i个高斯分量对应的高斯密度函数；步骤3：对多部雷达接收到的数据根据时间序列采用如下公式进行依次更新：其中： 其中， 分别表示k时刻第N次更新后和预测后的强度函数； 和 分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数；N表示雷达总数；p D,k 表示雷达检测概率； 表示k时刻第i部雷达的量测集合；J k|k-1 表示k时刻预测状态对应的高斯分量的个数； 和 分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差； 和 分别表示k时刻利用第i部雷达的第j个高斯分量的权重、均值和方差；κ k (z)表示k时刻的杂波密度，H k 表示k时刻的状态转移矩阵，R k 表示k时刻的量测噪声协方差矩阵；步骤4：高斯分量的剪枝处理； T是设定的门限；剪枝循环开始： l:＝l+1I:＝I\L直到 时结束剪枝循环处理；其中，L是满足门限的高斯分量集合； 是剪枝前的高斯分量的权重、均值和方差； 和 是剪枝后的高斯分量的权重、均值和方差；步骤5：目标个数和状态提取；剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。 2.一种基于随机集理论的多雷达异步数据分布式融合方法，该方法包括：步骤1：对高斯混合概率假设密度进行参数化表征；其中，v k-1 (x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；J k-1 表示在k-1时刻的高斯分量的个数； 表示在k-1时刻第i个高斯分量的权重； 表示在k-1时刻期望为 方差为 的第i个高斯分量对应的高斯密度函数，且满足 步骤2：建立模型，得到预测的多模型的高斯混合概率密度假设强度；2.1对幸存目标进行预测：其中，v S,k|k-1 (x)表示在k时刻幸存目标S的强度；p S,k 表示k时刻目标S的幸存概率； 是幸存目标在k时刻的第i个高斯分量的期望，且满足： 其中F k-1 表示状态转移矩阵； 是幸存目标在k时刻的第i个高斯分量的方差，且满足： 其中Q k-1 表示过程噪声协方差矩阵；2.2对衍生目标进行预测：其中，v β,k|k-1 (x)表示在k-1时刻存在的目标在k时刻衍生出状态为x的目标(衍生目标)的强度，J β,k 表示衍生目标在k时刻高斯分量的个数； 是k-1时刻第i个高斯分量的权重； 是k时刻衍生的第l个高斯分量的权重； 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的期望，且满足： 是幸存目标在k时刻的第i个高斯分量衍生出的第l个高斯分量的方差，且满足： 2.3对新生目标进行预测：其中，γ k (x)表示在k时刻时的新生目标后验概率强度；J γ,k 表示新生目标在k时刻的高斯分量的个数； 表示在k时刻第i个高斯分量的权重； 表示期望为 方差为 的第i个高斯分量对应的高斯密度函数；步骤3：进行目标状态的更新：对于第i部雷达：其中， 分别表示第i部雷达在第k时刻更新后和预测后的状态； 和 分别表示k时刻第N次预测时的幸存强度函数、衍生强度函数和新生强度函数； 表示时刻第i部雷达的量测集合；p D,k 表示雷达检测概率；J k|k-1 表示k时刻预测状态对应的高斯分量的个数； 和 分别表示k时刻利用第i部雷达的量测更新后第j个高斯分量的权重、均值和方差；κ k (z)表示k时刻的杂波密度； 表示量测为z时对应的高斯函数的值；步骤4：得到多部雷达的距离融合节点最近的局部后验密度之后，采用广义协方差交叉算法进行融合处理，得到融合结果：其中： 其中，s k (x)表示融合后的强度函数；N a 和N b 分别是雷达a和b的高斯分量在第k个融合节点的个数；ω表示雷达a的权重； 和 分别表示雷达a和b距第k个融合节点最近的局部后验密度的过程噪声协方差矩阵；F a,k 、 和F b,k 、 分别表示雷达a和b距第k个融合节点最近的局部后验密度的状态转移矩阵及其转置； 和 分别表示融合前雷达a和雷达b的均值和协方差； 和 分别表示雷达a距第k个融合节点最近的局部后验密度预测后的权重、均值和方差； 和 分别表示雷达b距第k个融合节点最近的局部后验密度预测后的权重、均值和方差； 和 分别表示雷达a和b在第k个融合节点的融合后的权重、均值和方差；步骤5：高斯分量的剪枝处理； T是设定的门限；剪枝循环开始： l:＝l+1I:＝I\L直到 时结束剪枝循环处理；其中，L是满足门限的高斯分量集合； 是剪枝前的高斯分量的权重、均值和方差； 和 是剪枝后的高斯分量的权重、均值和方差；步骤6：目标个数和状态提取；剪枝处理后的高斯分量，满足权重值大于0.5的高斯分量即是目标状态。