CN102833882A - 一种基于水声传感器网络的多目标数据融合方法及*** - Google Patents

Abstract

本发明提供一种基于水声传感器网络的多目标数据融合方法及***，所述方法包含如下步骤：步骤101，在观测区域布放若干水声传感器网络的采集节点步骤，在水域中布放N个采集节点，所述N个采集节点采用线阵列水听器或者矢量水听器作为探测部分，该探测部分还进行实时信号处理，得到所述各个采集节点在所述观测区域中观测到的若干目标元素的方位信息，并将得到的方位信息通过水下网传输给主节点；步骤102，所述主节点对所述方位信息进行数据融合的步骤，该主节点首先将所述方位信息与该主节点已经存储的目标的信息数据采用数据关联策略进行数据关联，然后对多目标进行跟踪和定位，以完成对多目标的航迹起始、航迹维持和航迹删除。

Description

一种基于水声传感器网络的多目标数据融合方法及***

技术领域

本***涉及声纳信号处理领域。特别涉及到利用水声传感器网络进行多目标数据融合的一种基于水声传感器网络的多目标数据融合方法及***。

背景技术

水声传感器网络就是在一定的水下区域内布放若干个水下声学传感器节点，水下传感器节点既可以获取水下信息，也可以完成相互之间的水下通信和组网的功能，还具有一定的信号处理功能，各个传感器节点将获取的水下信息通过水声传感器网络传输给特定的节点(主节点)，然后主节点通过无线或者有线的方式将所有传感器节点的信息纳入岸上常规网络，并发送给观察者的水下网络。

关于水声传感器网络的研究才刚刚起步，虽然面临着许多挑战，但仍然有着无可比拟的优势。水声传感器网络能够广泛用于军事和民用领域，可以被用于环境监测、资源勘探、海底探索、灾害预防、辅助航行器导航、防潜、水下反恐预警等。对于这些应用来说，目标定位和跟踪技术是上述应用的基础。对于目标导航，防潜定位，水下预警，海底地质勘探测量等都需要对目标进行精确定位跟踪处理，所以基于水声传感器网络的目标定位跟踪是水声传感器网络最为重要的技术，对于某些应用场合，水下目标的定位和跟踪是水下传感器网络的应用目的。

水下传感器网络与陆地上的无线传感器网络不同，由于声信号在水中的传播速度很慢，因此其数据传输速率很小，把所有节点的原始信息通过传感器网络传输给主节点是不可能的，因此需要每个节点自身有一定的信号处理功能，能对其传感器获取的信息进行一定的预处理，然后将节点的预处理结果通过水声传感器网络传输给主节点，主节点通过将各节点传输过来的结果进行数据融合对目标进行定位和跟踪。

采用主动方式进行目标定位时，在达到目标定位的同时很容易暴露自身，隐蔽性差，所以采用被动方式定位是该研究领域的热点。但是水下被动探测节点一般很难探测出目标的距离信息，这就增加了目标定位和跟踪的难度。对于水下被动定位领域来说，单传感器探测出的方位信息比距离信息要精确得多，因此利用方位信息传感器作为水声传感器网络中节点的探测部分是一个可行的建议，对于水下探测器，能探测方位信息的传感器有各种水听器阵列传感器，也可以是矢量水听器，通过各种阵列信号处理算法能够实现水下声源的方位测量。

由于单个方位探测节点无法进行目标定位和跟踪，因此需要多个节点同时进行目标协同定位和跟踪，而水声传感器网络的多节点特性为其提供了应用平台，因此利用水声传感器网络进行目标协同定位和跟踪具有一定的可行性，但是现有技术并没有关于将无线传感器网络应用在水下多目标跟踪的领域中。本发明具有前瞻性地填补了利用水声传感器网络进行水下多目标定位和跟踪这一技术领域的空白，为水声传感器网络的数据融合提供了一种新的思路。

在利用纯方位信息进行多传感器多目标跟踪时，很重要的一点是解决数据关联问题，即判断每个方位测量值来自哪个目标，当目标已经建立航迹时，需要进行测量值-航迹数据关联，关联算法有最近邻算法、联合概率密度关联算法等；若目标航迹没有建立起来，则需要进行测量值-测量值数据关联，关联算法有最小距离法、最大似然法等；本发明从***角度考虑，先通过测量值-测量值数据关联来发现目标，建立初始航迹，然后通过测量值-测量值数据关联来维持航迹，使整个数据融合过程能够自动进行，不需要人工的参与。

发明内容

本发明目的在于，为克服现有技术在实现水下多目标实时跟踪处理领域的空白提供一种基于水声传感器网络的多目标数据融合方法及***。

本发明旨在提供一种可以用于实时监测的多目标数据融合方法，该方法能够进行实时数据处理，能自动建立航迹、维持航迹、删除航迹，为水声传感器网络数据融合提供了一种新思路。

本发明提供一种基于水声传感器网络的多目标实时数据融合方法，该数据融合方法用于实时进行多目标的航迹起始、航迹维持和航迹删除，所述方法包含如下步骤：

步骤101，在观测区域布放若干无线传感器网络的采集节点步骤，在水域中布放N(N≥3)个采集节点，所述N个采集节点采用线阵列水听器或者矢量水听器作为探测部分，该探测部分还进行实时信号处理，得到所述各个采集节点在所述观测区域中的目标方位信息，并将得到的方位信息通过水下网传输给主节点；

步骤102，所述主节点对所述方位信息进行数据融合的步骤，该主节点采用数据关联策略对多目标进行跟踪定位，完成对多目标的航迹起始、航迹维持和航迹删除；

其中，所述多目标包含：确定性目标集合和试验性目标集合；其中，所述确定性目标是所述采集节点探测到的某一时间段内连续存在于所述观测区域中的目标；所述试验性目标是所述采集节点探测到的但不确定是否在某一连续的时间段内能够连续出现的目标，当所述试验性目标集合中某个目标如果能够连续关联所述方位信息的次数达到某一设定阈值C₁次时，该试验性目标元素就转换为确定性目标集合中的一个目标。

上述技术方案中，所述数据关联策略为：对所述采集节点最新发送的方位信息数据与存放在所述主节点上的确定性目标集合中的目标、试验性目标集合中的目标进行测量值-航迹数据关联，得出所述采集节点的方位信息数据来自于所述确定性目标集合或所述试验性目标集合中哪一个目标元素；而未关联到任何目标的方位值之间进行测量值-测量值关联，检测是否有新的试验性目标出现，若有，则利用目标定位的方法进行目标状态初始化。

基于以上叙述，优选的所述采用数据关联策略对多目标进行跟踪定位进一步包含如下步骤：

步骤201，将所述方位信息与存放在所述主节点上的确定性目标集合中的目标进行关联，然后将剩余的未被关联到的方位信息数据与存放在所述主节点上的试验性目标集合中的目标进行关联，用于确定所述方位信息中的每一个方位值来自于所述确定性目标集合和所述试验性目标集合中的哪一个目标；

步骤202，航迹更新和预测的步骤，若所述确定性目标集合或所述试验性目标集合中的一个目标被两个以上的方位信息数据关联，则对该目标的航迹信息进行更新；如果一个目标元素能关联到的方位信息的数据个数小于2个，则将该目标元素的状态预测值作为当前时刻的更新值；

步骤203，确定性目标航迹起始和航迹删除的步骤，根据设定的阈值检查各个目标元素的状态，进行目标的角色转变，即若有所述确定性目标集合中的某个目标连续未被所述方位信息关联的次数超过某一设定阈值C₂，则删除该确定性目标；若有所述试验性目标集合中的某个目标连续被节点方位信息关联的次数超过另一个设定阈值C₁，则将该试验性目标转变为确定性目标集合中的目标；

步骤204，所述的方位值中，未关联到任何目标的方位值之间进行测量值-测量值数据关联，检查是否有新的试验性目标出现。如果发现有新的试验性目标出现，则对该试验性目标进行初始化，位置信息初始化采用最小二乘法进行定位，速度初始化为0；

其中，上述技术方案中步骤201所述的数据关联算法采用经典的最近邻算法；步骤202所述状态更新算法采用扩展卡尔曼滤波；步骤204所述数据关联算法采用最小距离法，步骤204所述目标定位算法采用最小二乘法。

本发明还提供一种基于水声传感器网络的多目标实时数据融合***，该***基于水声传感器网络，用于实时进行多目标的航迹起始、航迹维持和航迹删除；所述***包含：

水声传感器网络的信息采集节点：用于采集某一区域内的数据，进行处理，得到若干个方位信息；

主节点，用于接受信息采集节点发送的方位信息，并采用数据关联进行数据融合，实时得到多目标的航迹起始、航迹维持和航迹删除；

其中，所述多目标包含：确定性目标集合包含的目标和试验性目标集合包含的目标；所述确定性目标是所述采集节点探测到的某一时间段内连续存在于所述观测区域中的目标，所述试验性目标是所述采集节点探测到的但不确定是否在某一连续的时间段内能够连续出现的目标，当所述试验性目标集合中某个目标元素如果能够连续关联所述方位信息的次数达到某一设定阈值C₁次时，该试验性目标就转换为确定性目标集合中的一个目标。

上述技术方案中，所述采集节点进一步包含：

采用线阵列水听器或者矢量水听器的探测单元，用于采集节点覆盖区域的原始数据信息；信号处理单元，用于实时对采集的原始信号进行处理，得到原始信息包含的方位信息；发送单元，用于将得到方位信息过水下网传输给主节点。

所述主节点进一步包含：

通信单元，用于接受所有采集节点发送的方位信息；

存储单元，用于存放所有采集节点探测到的确定性目标集合中的所有目标的数据信息、试验性目标集合中的所有目标的数据信息及接收到的所有节点传输过来的方位信息；

确定性目标元素关联单元，用于将通信单元接收到的最近的方位信息与所述存储单元存放的确定性目标进行数据关联；

试验性目标元素关联单元，用于将未被确定性目标关联的所述通信单元收到的最近的方位信息与所述存储单元存放的试验性目标进行数据关联；

方位值之间的数据关联单元，用于未被确定性目标和试验性目标关联上的所述接收单元收到的最近的方位信息之间进行数据关联；

目标跟踪单元，当所述确定性目标集和试验性目标集中有目标关联到测量值时，利用关联到的测量值对该目标进行航迹预测和更新，从而完成航迹的维持。

目标定位单元，若在进行方位信息之间的测量值-测量值关联过程中，发现到了新的试验性目标，则需要利用目标定位的方法对试验性目标的状态进行初始化。

阈值设置及状态转换单元，用于设置删除该确定性目标元素的阈值C₂和将试验性目标转换为确定性目标的另一个阈值C₁；如果满足阈值C₁，则将该试验性目标转换为确定性目标。

其中，所述确定性目标元素关联单元的数据关联算法采用经典的最近邻算法，所述与存放的方位信息数据关联的单元中所述数据关联算法采用最小距离法，所述的目标跟踪方法采用扩展卡尔曼滤波方法，所述的目标定位采用最小二乘法进行。

本发明的主要技术优点有：

(1)定位和跟踪算法计算量简单，完全适合于实时处理。

(2)两种关联算法都是经典的常用算法，便于理解且效果显著。

(3)航迹起始、航迹维持和航迹删除都能自动进行，不需要人工的参与。

(4)为水声传感器网络的数据融合提供了一种新的适合于实时处理的方法。

本发明的数据融合方法是在特征层进行数据融合，能够自动进行多目标的航迹起始、航迹维持和航迹删除，能够克服一定程度的虚警和漏警，计算量简单，效果显著，适合于实时处理。

附图说明

图1是本发明采用现有技术的数据融合模型的结构示意图；

图2是本发明采用的数据融合流程图；

图3是本发明采用的测量值-航迹数据关联流程图；

图4是本发明采用的测量值-测量值数据关联流程图；

图5是本发明采用的水声传感器网络模型图；

图6是本发明采用的采集节点示意图；

图7是本发明采用的主节点示意图。

具体实施方式

下面结合框图，对本发明——基于水声传感器网络的多目标实时数据融合方法——进行详细说明。

本发明在将数据关联分为两个部分，即：测量值-航迹数据关联、测量值-测量值数据关联其中测量值-航迹关联的算法有最近邻算法、JPDA法等，最近邻算法计算量简单，很容易实施；JPDA算法从概率的角度考虑，计算出各种可能关联组合的联合概率密度，然后加权计算目标的状态，随着目标个数和方位测量值个数的增加，该方法的计算量呈组合***式增长。测量值-测量值的关联过程中，经典算法有最小距离法、最大似然法等，最大似然法需要穷举各种关联组合，计算每种组合的概率，因此计算量大，而最小距离法虽然关联效果略差，但是其计算量简单，适合实时处理。

本发明的水声传感器网络的应用模型可以用图1所示的框图来表示，各个传感器节点将采集到的原始数据进行预处理得到一些目标的方位信息，方位信息传输给主节点进行数据融合，数据融合包括航迹的起始，航迹的维持，航迹的删除，然后主节点将数据融合后的结果发送给观察者或者岸上基站进行决策或者目标实时显不。

本发明采用以下技术方案：在水域中布放N(N≥3)个节点，节点采用线阵列水听器或者矢量水听器作为探测部分，探测部分能进行实时信号处理，得到目标的方位信息，各个节点将得到的方位信息通过水下网传输给主节点，主节点将这些方位信息进行数据融合，得出观测区域中的目标信息。每个节点在每一时刻处理出来的方位角个数未知，方位信息中出现虚警的概率为P_f≥0，目标的发现概率P_d≤1，设节点方位处理时间间隔为T_s。数据融合中，将目标分为两种：确定性目标和试验性目标，确定性目标是传感器网络探测到的连续存在于该水域中的目标，试验性目标是传感器网络探测到的但不确定是否能够连续出现的目标，当试验性目标能够连续关联测量值的次数达到C₁次时，试验性目标就可以转换为确定性目标。

本技术方案的主要步骤如下，其中以下描述中的所述的测量值即为节点测量得到的方位信息数据：

(1)测量值-航迹数据关联；即将测量值与观测得到的目标进行数据关联，先将测量值与确定性目标进行关联，然后将剩余的未被关联到的测量值与试验性目标进行关联，数据关联算法采用经典的最近邻算法。

(2)航迹更新和预测(航迹维持)；若一个目标能被两个以上的测量值关联，则对目标进行航迹更新，采用扩展卡尔曼滤波对目标的状态进行更新；

如果一个目标能关联到的测量值小于2个，则将目标的状态预测值作为目标当前时刻的更新值。

(3)检查目标状态(确定性目标航迹起始和航迹删除)；根据设定的阈值(一是试验性目标转变为确定性目标需要的目标连续关联次数C₁，一是确定性目标被删除需要的目标连续未关联次数C₂)检查各个目标的状态，进行目标的角色转变，若有确定性目标连续未关联的次数超过阈值，则删除目标，若有试验性目标连续关联次数超过阈值，则将试验性目标转变为确定性目标。

(4)测量值-测量值关联；将剩余的未被目标关联的测量值进行测量值-测量值关联，数据关联算法采用最小距离法。

(5)如果步骤(4)中有测量值关联到了目标，则产生一个新的试验性目标，目标的位置用最小二乘定位法进行计算，速度初始化为0。

图2显示了整个水声传感器网络的数据融合过程，从图中可以看出，本方法包含的步骤有测量值-航迹数据关联，单目标跟踪，目标跟踪状态检测，测量值-测量值预测，单目标定位与航迹起始。

步骤1)：当有测量值到来时，首先需要进行测量值-航迹数据关联，将测量值与已经观测到的目标进行关联。设当前时刻有M(M≥2)个节点有数据到来，节点j的测量值个数为L_j(k)，测量值表示为{θ_jl(k)，l＝1，…，L_j(k)}，则进行数据关联时每个节点的数据需要单独进行，本发明采用经典的最近邻算法进行关联。

在进行目标跟踪时，需要对目标的状态值进行预测(详细介绍见步骤二)，设第i个目标当前时刻的状态预测值为X_i(k)′＝[x_i(k)′，y_i(k)′，vx_i(k)′，vy_i(k)′]^T，i＝1，…，N。由此可以计算目标i相对于节点j的方位预测值为：

${\mathrm{\θ}}_{\mathrm{ij}}{\left(k\right)}^{\′}={\tan }^{-1}\left(\frac{y_i{\left(k\right)}^{\′}-y_{\mathrm{sj}}\left(k\right)}{x_i{\left(k\right)}^{\′}-x_{\mathrm{sj}}\left(k\right)}\right)$

其中(x_sj(k)，y_sj(k))表示节点j在时刻k的位置，是一个已知量。根据最近邻算法的原理，每一个目标应该选择在其跟踪门内且与其预测值误差最小的测量值进行关联。

图3给出最近邻关联算法的基本流程图。如果有多个目标关联到了一个测量值，就产生了所谓的冲突，可以则通过竞争机制来解决此问题。竞争机制就是从测量值的角度出发，选择与其误差最小的目标进行关联，没有被选中的目标再重新关联其他测量值。

需要注意的是，在该步骤中，我们采用确定性目标优先选择的方式，即先将测量值与确定性目标进行数据关联，然后将未被关联的测量值与试验性目标进行关联。关于测量值-航迹关联的方法还有很多，比如JPDA等，但其计算量随着角度值的个数和目标的个数呈***式增长，不利于实时操作，本发明不再详细介绍JPDA方法。

步骤2)：当测量值和目标的数据关联结束时，就可以对目标(包括确定性目标和试验性目标)进行状态更新。对于确定性目标，需要注意的是，如果该目标关联到两个以上的测量值(不需要所有节点都能关联到目标，这样可以克服部分漏警)，则利用关联到的测量值进行目标状态更新；如果该目标关联到的测量值少于两个，则不能利用关联到的测量值进行状态更新，对于这种情况，本发明利用当前时刻的预测值作为当前时刻的观测值来进行目标状态更新。状态更新过程中，本发明采用扩展卡尔曼滤波算法，该算法步骤如下。

在二维区域中，第k时刻目标位置为[x(k)，y(k)]，目标速度为[vx(k)，vy(k)]，目标的状态向量X(k)＝[x(k)，y(k)，vx(k)，vy(k)]^T，目标运动模型采用最简单的匀速直线运动模型(CV模型)，设其加速度服从零均值高斯分布，则目标的运动方程为：

X(k+1)＝AX(k)+Γw                (1)

$A=\left[\begin{array}{cccc}1& 0& \mathrm{Ts}& 0\\ 0& 1& 0& \mathrm{Ts}\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right],$ $\mathrm{\Γ}=\left[\begin{array}{cc}{\mathrm{Ts}}^2/2& 0\\ 0& {\mathrm{Ts}}^2/2\\ \mathrm{Ts}& 0\\ 0& \mathrm{Ts}\end{array}\right]$

其中Ts是采样间隔，w＝[w₁，w₂]服从高斯分布，设其协方差矩阵为Q。

观测值为目标关联到的节点对其估计出的方位角，即Z(k)＝[φ₁(k)，…，φ_N(k)]，N为目标关联到的角度个数。则测量方程写为：

$\left\{\begin{array}{c}{\mathrm{\φ}}_1\left(k\right)=\arctan \left(\frac{y\left(k\right)-y_1\left(k\right)}{x\left(k\right)-x_1\left(k\right)}\right)+v_1\\ .\\ .\\ .\\ {\mathrm{\φ}}_N\left(k\right)=\arctan \left(\frac{y\left(k\right)-y_N\left(k\right)}{x\left(k\right)-x_N\left(k\right)}\right)+v_N\end{array}\right.---\left(2\right)$

(2)式简写为φ_i(k)＝h_i(X(k))+v_i(i＝1，…，N)，观测噪声v＝[v₁，…，v_N]服从高斯分布，其协方差矩阵为R，(1)和(2)两式分别构成了目标的状态方程和观测方程。

跟踪理论中，在线性高斯噪声的情况下，卡尔曼滤波是最佳算法，但在上述的跟踪模型中，观测方程是非线性的，因此不能直接利用卡尔曼滤波进行目标跟踪。对于非线性情况，通常是将非线性问题近似转换为线性问题，然后利用卡尔曼滤波进行跟踪，这就是扩展卡尔曼滤波的基本原理，而泰勒展开为其提供了很好的工具。将(2)式进行泰勒展开后得到：

Z(k)≈HX(k)+v                   (3)

$H=\left[\begin{array}{cccc}\frac{{\∂h}_1}{\∂x\left(k\right)}& \frac{{\∂h}_1}{\∂y\left(k\right)}& \frac{{\∂h}_1}{\∂\mathrm{vx}\left(k\right)}& \frac{{\∂h}_1}{\∂\mathrm{vy}\left(k\right)}\\ ...& ...& ...& ...\\ \frac{{\∂h}_N}{\∂x\left(k\right)}& \frac{{\∂h}_N}{\∂y\left(k\right)}& \frac{{\∂h}_N}{\∂\mathrm{vx}\left(k\right)}& \frac{{\∂h}_N}{\∂\mathrm{vy}\left(k\right)}\end{array}\right]$

然后就可以利用经典的卡尔曼滤波进行目标跟踪了。扩展卡尔曼滤波过程如下：

(1)预测过程

$X^{\′}\left(k\right)=A\hat{X}(k-1)$ (向前推算状态变量)

P′(k)＝AP(k-1)A^T+ΓQΓ^T     (向前推算误差协方差)

(2)更新过程

K(k)＝P′(k)H^T(HP′(k)H^T+R)^-1    (计算卡尔曼增益)

$\hat{X}\left(k\right)=X^{\′}\left(k\right)+K\left(k\right)(Z\left(k\right)-{\mathrm{HX}}^{\′}\left(k\right))$ (由观测变量更新估计)

P(k)＝(I-K(k)H)P′(k)            (更新误差协方差)

步骤3)：目标状态检测。对于确定性目标，如果有确定性目标连续未关联到测量值的次数超过了阈值C₂次，则该目标就会被删除；对于试验性目标，如果试验性目标连续被关联的次数超过了C₁次，则将该试验性目标纳入确定性目标行列，如果试验性目标连续被关联次数小于C₁，且当前时刻没有被关联到，则将该试验性目标删除。该步骤中，C₁和C₂的选取需要依靠经验来选择。

步骤4)：测量值-测量值数据关联，在步骤2进行完毕之后，如果还有测量值没有关联到任何目标，则需要进行测量值-测量值数据关联，这一步是产生新目标的关键，且在起始时刻，由于确定性目标和试验性目标个数都为0，不需要进行前面的步骤，直接进行该步骤的数据关联。

该步骤中的数据关联算法采用最小距离法，算法流程图如图4所示，在该关联过程当中，需要多于两个节点发现目标时，才能算这个目标存在于区域中。在该步骤中，需要用到步骤5中的定位方法。

如图4所示流程图，最小距离法的主要步骤如下：

a)先产生所有可能的关联组合，计算每一个组合的角度误差。

b)删除角度误差不在阈值之内的组合。

c)挑选最优组合。

在上面的步骤a)中，角度误差计算入下：

设某一组合从每一个节点中选择任意一个角度值，设从第i(i＝1，…，M)个节点中选择测量值(1≤l_i≤L_i)，利用步骤5中的定位算法可以计算出这一个关联组合的最小二乘定位结果

由这个定位结果可以反演出目标相对于节点的角度值

(i＝1，2，3)，[x_i，y_i]为节点i位置，定义角度误差为：

$\mathrm{Err}\left(\mathrm{\θ}\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{({\mathrm{\θ}}_{l_i}-{\widehat{\mathrm{\θ}}}_{l_i})}^2$

很显然，错误组合的角度误差将会很大。

在上面的步骤b)中，阈值由人工按照经验设置，推荐设置为

(N为节点个数)，即容许每个节点的误差平均为15度。该步骤能克服虚警带来的影响。

在上面的步骤c)中，选择最优组合的原则如下：

根据误差选择正确关联的组合有以下几个原则：

[1]一个测量值不能出现在两个正确关联组合中。

[2]正确关联组合的角度误差值应该尽量是最小值，并且误差应该在一个门限范围之内，门限值根据经验人工设置。

[3]正确关联组合中，目标个数应该尽可能的多。

测量值-测量值关联在理论上的最优关联方法是最大似然法，但是最大似然法需要穷举所有组合，然后计算每个组合的联合似然概率，选择一种概率最大的组合作为关联结果，计算量很大，不适合实时处理，而本发明采用的最小距离法计算简单，效果明显。

步骤5)：试验性目标初始化。在步骤4之后，如果产生了新的目标关联组合，则需要根据关联的测量值进行目标定位以便对目标状态进行初始化。本发明采用计算量简单并且效果显著的最小二乘法进行定位。该步骤主要计算过程如下：

假设共有N个节点关联到了目标，用矢量

(i＝1，2…N)表示第i个节点在二维平面网络中的坐标。矢量

表示被关联的目标在二维平面内的坐标。目标与第i个节点之间的方位角设为φ_i，它满足以下关系式：

${\tan \mathrm{\φ}}_i=\frac{y_T-y_i}{x_T-y_i},(i=\mathrm{1,2},\·\·\·N)---\left(4\right)$

当节点数N≥3时，方程组(1)是一个超定方程，解超定方程一般采用最小二乘法。将(4)式改写如下：

-x_Ttgφ_i+y_T＝-x_itgφ_i+y_i  i＝1，2…N    (5)

令：

$A=\left(\begin{array}{cc}-\mathrm{tg}{\widehat{\mathrm{\φ}}}_1& 1\\ -\mathrm{tg}{\widehat{\mathrm{\φ}}}_2& 1\\ .& .\\ .& .\\ .& .\\ -\mathrm{tg}{\widehat{\mathrm{\φ}}}_N& 1\end{array}\right)$

则可以得到：

$A\·{\stackrel{\→}{x}}_T=b---\left(6\right)$

可以看出变换后呈线性模型，由线性最小二乘估计算法可以求得

的闭式解为：

${\widehat{\stackrel{\→}{x}}}_{\mathrm{PLLS}}={\left(A^{T}A\right)}^{-1}{A}^T\stackrel{\→}{b}---\left(7\right)$

通过目标定位后，整个***就可以得到一个新的试验性目标。该试验性目标的位置就是最小二乘法的定位结果，而速度初始化为0，这就可以完成试验性目标航迹起始。

至此，本发明关于水声传感器网络的多目标实时数据融合方法陈述完毕。

本发明还提供一种基于水声传感器网络的多目标实时数据融合***，该***基于水声传感器网络，用于实时进行多目标的航迹起始、航迹维持和航迹删除；所述***包含如图5所示，在观测区域中，布放若干个传感器节点，每个节点单独采集环境数据，并且进行实时信号处理，然后将处理结果传输给主节点，主节点利用接收到来的数据进行数据融合，得到观测区域中的目标信息，然后通过有线或者无线的方式传输给用户。

水声传感器网络的信息采集节点框图如图6所示，用于采集某一区域内的环境信息，进行实时信号处理，得到若干个方位信息；其中信号采集单元采用的传感器一般采用线阵列水听器或者矢量水听器，用于采集节点覆盖区域内的环境信息；采集单元将采集的数据实时传输给信号处理单元，信号处理单元实时对采集的原始信号进行处理，得到原始信息包含的方位信息，然后将处理结果传输给通信单元，通信单元然后将处理结果发送给主节点。

所述主节点框图如图7所示，其中通信单元，用于接收所有采集节点发送的方位信息；当通信单元收集完单时刻点所有节点的方位信息之后，通信单元将节点方位信息传输给数据融合中心，数据融合中心处理传输过来的方位信息之后，得到观测区域中的目标信息，然后将目标信息通过有线或者无线的方式传输给用户。其中数据融合单元具体又分为以下几个单元：

存储单元，用于存放所有采集节点探测到的确定性目标集合中的所有目标的数据信息、试验性目标集合中的所有目标的数据信息及接收到的所有节点传输过来的方位信息；

确定性目标元素关联单元，用于将通信单元接收到的最近的方位信息与所述存储单元存放的确定性目标进行数据关联；

试验性目标元素关联单元，用于将未被确定性目标关联的所述通信单元收到的最近的方位信息与所述存储单元存放的试验性目标进行数据关联；

方位值之间的数据关联单元，用于未被确定性目标和试验性目标关联上的所述接收单元收到的最近的方位信息之间进行数据关联；

目标跟踪单元，当所述确定性目标集和试验性目标集中有目标关联到测量值时，利用关联到的测量值对该目标进行航迹预测和更新，从而完成航迹的维持。

目标定位单元，若在进行方位信息之间的测量值-测量值关联过程中，发现到了新的试验性目标，则需要利用目标定位的方法对试验性目标的状态进行初始化。

阈值设置及状态转换单元，用于设置删除该确定性目标元素的阈值C₂和将试验性目标转换为确定性目标的另一个阈值C₁；如果满足阈值C₁，则将该试验性目标转换为确定性目标。

其中，所述的融合单元中各个单元具体实施步骤和方法在本发明前段叙述中已经详细介绍。

至此，本发明的具体实施方式陈述完毕。

需要说明的是，以上介绍的本发明的实施方案而并非限制。本领域的技术人员应当理解，任何对本发明技术方案的修改或者等同替代都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围内。

Claims (13)

1.一种基于水声传感器网络的多目标数据融合方法，该数据融合方法用于实时进行多目标的航迹起始、航迹维持和航迹删除，所述方法包含如下步骤：

步骤101，在观测区域布放若干水声传感器网络的采集节点步骤，在水域中布放N个采集节点，所述N个采集节点采用线阵列水听器或者矢量水听器作为探测部分，该探测部分还进行实时信号处理，得到所述各个采集节点在所述观测区域中观测到的若干目标元素的方位信息，并将得到的方位信息通过水下网传输给主节点；

步骤102，所述主节点对所述方位信息进行数据融合的步骤，该主节点首先将所述方位信息与该主节点已经存储的目标的信息数据采用数据关联策略进行数据关联，然后对多目标进行跟踪和定位，以完成对多目标的航迹起始、航迹维持和航迹删除；

其中，所述目标包含：确定性目标集合和试验性目标集合；其中，所述确定性目标集合是所述采集节点探测到的某一时间段内连续存在于所述观测区域中的目标的集合；所述试验性目标集合是所述采集节点探测到的但不确定是否在某一连续的时间段内能够连续出现的目标的集合，当所述试验性目标集合中某个目标如果能够连续关联所述方位信息的次数达到某一设定阈值C₁次时，该试验性目标就转换为确定性目标集合中的一个目标；所述N≥3。

2.根据权利要求1所述的基于水声传感器网络的多目标数据融合方法，其特征在于，所述数据关联策略为：对所述采集节点最新发送的方位值依次与存放在所述主节点上的确定性目标集合中的每一个目标元素、试验性目标集合中每一个目标元素逐一进行测量的方位信息值与目标的航迹进行关联，进而确定所述各采集节点的每一个方位信息值来自于所述确定性目标集合或所述试验性目标集合中的哪一个目标；如果上述步骤之后，还有测量值没有关联上任何目标，则将剩余的方位测量值在其内部进行方位测量值与方位测量值数据关联，进一步判断是否有新的试验性目标出现，如果该所述剩余的方位信息之间的方位测量值与方位测量值数据关联未能产生任何试验性目标，则扔弃该剩余的方位测量值；如果产生了新的试验性目标，则利用最小二乘定位算法进行试验性目标的航迹起始。

3.根据权利要求1或2所述的基于水声传感器网络的多目标数据融合方法，其特征在于，所述采用数据关联策略对多目标进行跟踪定位进一步包含如下步骤：

步骤201，将所述方位信息与存放在所述主节点上的确定性目标集合中的目标进行测量值与航迹数据关联，然后将剩余的未被关联到的方位信息数据与存放在所述主节点上的试验性目标集合中的目标进行测量值与航迹数据关联，用于确定所述方位信息中的每一个方位值来自于所述确定性目标集合或所述试验性目标集合中的哪一个目标；

步骤202，航迹更新和预测的步骤，若所述确定性目标集合或所述试验性目标集合中的一个目标被两个以上的方位信息数据关联，则用所述最新的方位信息对该目标的航迹信息进行更新；如果一个目标元素能关联到的方位信息的数据个数小于2个，则将该目标元素的状态预测值作为当前时刻的航迹信息的更新值；

步骤203，确定性目标航迹起始和航迹删除的步骤，根据设定的阈值检查各个目标元素的状态，进行目标元素的角色转变，即若有所述确定性目标集合中的某个目标元素连续未被所述方位信息关联的次数超过某一设定阈值C₂，则删除该确定性目标元素；若有所述试验性目标集合中的某个目标元素连续被采集节点方位信息关联的次数超过另一个设定阈值C₁，则将该试验性目标元素转变为确定性目标集合中的一个目标元素；

步骤204，将未关联到任何目标元素的方位信息之间进行测量值与测量值数据关联，在关联过程之中检查是否有新的试验性目标出现；如果发现有新的试验性目标元素出现，则对该试验性目标元素进行初始化，

其中，所述初始化包含：采用最小二乘法进行定位的位置信息初始化，速度设置为0。

4.根据权利要求3所述的基于水声传感器网络的多目标数据融合方法，其特征在于，步骤201所述的数据关联算法采用经典的最近邻算法。

5.根据权利要求3所述的基于水声传感器网络的多目标数据融合方法，其特征在于，步骤202所述状态更新算法采用扩展卡尔曼滤波。

6.根据权利要求3所述的基于水声传感器网络的多目标数据融合方法，其特征在于，步骤204所述数据关联算法采用最小距离法。

7.一种基于水声传感器网络的多目标数据融合***，该***基于水声传感器网络，用于实时进行多目标的航迹起始、航迹维持和航迹删除；所述***包含：

水声传感器网络的信息采集节点：用于采集某一区域内的数据，进行处理，得到若干个关于目标的方位信息；

主节点，用于接收所述信息采集节点发送的方位信息，进行数据融合，实时进行多目标的航迹起始、航迹维持和航迹删除；

其中，所述多目标包含：确定性目标集合包含的目标和试验性目标集合包含的目标；所述确定性目标集合是所述采集节点探测到的某一时间段内连续存在于所述观测区域中的目标元素的集合，所述试验性目标集合是所述采集节点探测到的但不确定是否在某一连续的时间段内能够连续出现的目标元素的集合，当所述试验性目标集合中某个目标元素如果能够连续关联所述方位信息的次数达到某一设定阈值C₁次时，该试验性目标元素就转换为确定性目标集合中的一个目标元素。

8.根据权利要求7所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述采集节点进一步包含：

采用线阵列水听器或者矢量水听器的探测单元，用于采集节点覆盖区域的原始数据信息；

信号处理单元，用于实时对采集的原始信号进行处理，得到目标的方位信息；和

通信单元，用于将得到方位信息过水下网传输给主节点。

9.根据权利要求7所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述主节点进一步包含：

通信单元，用于接收所有采集节点发送的方位信息，并将该信息发送给存储单元；

存储单元，用于存放所有采集节点探测到的确定性目标集合中的所有目标元素的数据信息、试验性目标集合中的所有目标元素的数据信息及接收到的所有节点传输过来的方位信息；

确定性目标元素关联单元，用于将通信单元接收的最新的方位信息与提取的所述存储单元存放的每一个确定性目标元素的数据信息逐一进行数据关联；

试验性目标元素关联单元，用于将未被确定性目标集合中所有目标元素的数据信息关联上的最近的方位信息与所述存储单元存放的试验性目标集合中的所有元素逐一进行数据关联；

方位值之间的数据关联单元，用于将未被任何目标关联上的方位信息之间进行测量值-测量值数据关联，以判断是否有新的试验性目标出现；

目标跟踪单元，当所述最新方位信息与任意一个目标元素关联上时，利用关联到的最新的方位信息对该关联上的目标元素进行航迹预测和更新，从而完成对该目标元素航迹维持；

目标定位单元，若在方位信息之间的方位测量值与方位测量值数据关联过程当中产生了新的试验性目标，则需要利用目标定位的方法对该新的试验性目标元素的状态进行初始化；

阈值设置及状态转换单元，用于设置删除该确定性目标元素的阈值C₂和将试验性目标元素转换为确定性目标元素的另一个阈值C₁；如果满足阈值C₁，则将该试验性目标元素转换为确定性目标元素。

10.根据权利要求9所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述确定性目标数据关联单元和试验性目标关联单元的数据关联算法采用经典的最近邻算法。

11.根据权利要求9所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述方位信息之间的方位信息与方位信息进行数据关联采用最小距离法。

12.根据权利要求9所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述目标跟踪采用扩展卡尔曼滤波方法。

13.根据权利要求9所述的基于水声传感器网络的多目标数据融合***，其特征在于，所述目标定位采用最小二乘法。

Images