CN109190647B - 一种有源无源数据融合方法 - Google Patents

一种有源无源数据融合方法 Download PDF

Info

Publication number
CN109190647B
CN109190647B CN201810665685.XA CN201810665685A CN109190647B CN 109190647 B CN109190647 B CN 109190647B CN 201810665685 A CN201810665685 A CN 201810665685A CN 109190647 B CN109190647 B CN 109190647B
Authority
CN
China
Prior art keywords
data
active
passive
time
membership
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810665685.XA
Other languages
English (en)
Other versions
CN109190647A (zh
Inventor
刘田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN201810665685.XA priority Critical patent/CN109190647B/zh
Publication of CN109190647A publication Critical patent/CN109190647A/zh
Application granted granted Critical
Publication of CN109190647B publication Critical patent/CN109190647B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种有源无源数据融合方法，通过模糊聚类的方法，在时间维度和空间维度上根据有源数据和无源数据之间的相似度，在时间维上数据对准，空间维上模糊聚类，进行数据子集划分和关联隶属度计算。与现有技术相比，灵活性好，相较于现有方法中融合结果的好坏取决于角度差阈值门限的选取，不再需要设置专门的融合门限，使用更加灵活化；融合误差低，大大提高了融合可靠性，降低了融合误差；适应性好，可适用于所有的有源/无源数据融合***，对于多种传感器的数据融合***也可适用，具有很好的***适用性。

Description

一种有源无源数据融合方法
技术领域
本发明涉及一种有源无源数据融合方法，涉及雷达/电子战数据融合领域。
背景技术
近年来，随着武器装备的提升和信息化作战能力的提高，雷达、电子战一体化的***成为发展趋势，使得基于有源数据与无源数据的融合技术成为研究重点。数据融合技术的本质是通过融合算法将不同传感器的信息融合到一起，从而获得比单一传感器更精确的信息。通过数据融合处理技术，可以扩展***的时空覆盖范围，增强***的稳定性和可靠性，同时增强对目标的跟踪能力和识别能力。
但是，由于有源传感器与无源传感器之间存在感知范围不匹配、感知维度不匹配、信息获取丢失等原因，导致目前并没有一种适用于有源传感器与无源传感器数据融合行之有效的方法。通常，有源传感器可以提供较为精确的目标位置信息，而无源传感器可以提供丰富的辐射源属性信息，但其提供的辐射源位置能力较弱，仅能给出到达角，且精度较差。现有的数据融合手段多是基于位置信息进行融合，通过对比有源与无源角度量测值，按照设定的角度差阈值门限进行融合判定，其融合结果受限于角度差阈值门限取值，可靠性低，误差大，极大的限制了该技术的应用范围。
发明内容
本发明要解决的技术问题是提供一种有源无源数据融合方法，能够克服现有方法受限于角度差阈值门限值设定导致的数据融合结果可靠性低、误差大的不足，降低了有源数据和无源数据的融合误差，提供了融合可靠性。
本发明采用的技术方案如下：
一种有源无源数据融合方法，通过模糊聚类的方法，在时间维度和空间维度上根据有源数据和无源数据之间的相似度，在时间维上数据对准，空间维上模糊聚类，进行数据子集划分和关联隶属度计算。
具体方法包括，
对有源数据和无源数据进行时间融合(1)，对在不同的观测时间和扫描周期内获取的有源数据和无源数据在时间维度上进行数据整合，包括时间片划分和时间对准；其中，所述时间对准是指，在选择的时间片内，对有源数据和无源数据量测时刻进行统一排序，形成量测时刻统一排序的有源量测数据和无源量测数据；
获取隶属关系表(3)，基于模糊聚类方法，按照对应量测时刻，计算同一量测时刻对应的有源数据与无源数据的空间统计距离，并构造模糊矩阵，获取隶属度关系表；
关联融合(4)，根据隶属度关系表，对有源数据与无源数据进行关联融合。
所述方法还包括，补全有源数据(2)，时间融合后，按照统一排序的量测时刻，查询该时刻是否存在量测的有源数据，如果是，则基于模糊聚类方法获取隶属关系表，如果否，则推算该时刻的有源数据。
推算有源数据的具体方法为，按照融合后的时间序列，通过内插或外推的方法，补足对应所有无源数据量测时刻的有源数据。
所述时间片划分以具体时间的运动属性确定，目标速度越快，划分的时间片越短。
获取隶属关系表的具体方法包括，
根据同一量测时刻某一有源数据对应的所有无源数据，得到该时刻有源数据与其所对应的所有无源数据的距离模糊子集；所述距离模糊子集中的距离根据有源数据与无源数据的空间位置的距离平方差确定；
根据有源数据与无源数据之间各个距离的关联程度，选择至少两种隶属度函数进行度量；
将距离模糊子集中的各个距离值带入所述隶属度函数，获得一个三维模糊矩阵；
对所述三维模糊矩阵中同一距离值对应的各个隶属度取权值，各个隶属度与其对应的权值相乘后相加得到所述距离值的隶属关系，从而获得有源数据与无源数据的隶属度关系表。
所述方法还包括，利用有源数据和无源数据之间的冗余性和互补性，进行融合后结果的数据精炼，并统计持续一段时间内融合结果之间的相关性，赋予相应的权值，相关性越大，权值越大，反之则减小。
根据有源数据与无源数据之间各个距离的关联程度，所述隶属度函数包括好、中、可和差四种隶属度函数。
三维模糊矩阵中同一距离值对应的好、中、可和差四种隶属度的权值，分别为0.4、0.3、0.2和0.1。
与现有技术相比，本发明的有益效果是：
灵活性好，相较于现有方法中融合结果的好坏取决于角度差阈值门限的选取，本发明采用基于时空维模糊聚类的方法，通过隶属度关系表判定有源数据与无源数据之间的融合关系，不再需要设置专门的融合门限，使用更加灵活化。
融合误差低，本发明采用模糊聚类的方法获取有源数据与无源数据的隶属度关联表，并根据隶属度关联表进行关联，并赋予关联结果一定的权值，根据长时间融合结果对权值进行更新，从而大大提高了融合可靠性，降低了融合误差。
适应性好，本发明采用基于时空维模糊聚类的方法，可适用于所有的有源/无源数据融合***，对于多种传感器的数据融合***也可适用，具有很好的***适用性。
附图说明
图1为本发明其中一实施例的有源无源融合方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
一种有源无源数据融合方法，通过模糊聚类的方法，在时间维度和空间维度上根据有源数据和无源数据之间的相似度，在时间维上数据对准，空间维上模糊聚类，进行数据子集划分和关联隶属度计算。
本发明方案，相比现有技术方法，不再需要设定专门的角度差阈值门限，融合结果具有更高的可靠性，融合误差大大降低。
具体方法包括，
如图1所示，对有源数据和无源数据进行时间融合(1)，对在不同的观测时间和扫描周期内获取的有源数据和无源数据在时间维度上进行数据整合，包括时间片划分和时间对准；其中，所述时间对准是指，在选择的时间片内，对有源数据和无源数据量测时刻进行统一排序，形成量测时刻统一排序的有源量测数据和无源量测数据；
获取隶属关系表(3)，基于模糊聚类方法，按照对应量测时刻，计算同一量测时刻对应的有源数据与无源数据的空间统计距离，并构造模糊矩阵，获取隶属度关系表；
关联融合(4)，根据隶属度关系表，对有源数据与无源数据进行关联融合。
所述方法还包括，补全有源数据(2)，时间融合后，按照统一排序的量测时刻，查询该时刻是否存在量测的有源数据，如果是，则基于模糊聚类方法获取隶属关系表，如果否，则推算该时刻的有源数据。
作为一种实施方式，推算有源数据的具体方法为，按照融合后的时间序列，通过内插或外推的方法，补足对应所有无源数据量测时刻的有源数据。
由于无源数据获取的数据率高于有源数据，为了方便后续融合，需要推算出无源数据量测时刻对应的所有有源数据。具体操作时，按照融合后的统一排序的量测时刻，根据无源量测时刻对有源数据进行筛选和补全：若对应无源量测时刻存在有源数据，则继续后续操作，否则，根据内插或外推的方式补全该无源量测时刻对应的有源数据。
当对应无源量测时刻不存在有源量测数据时，采用内插或外推的方法进行有源数据补全。内插或外推时采用曲线拟合构建逼近函数的方法，逼近函数设为y＝f(t)，其中t为无源数据量测时刻,y为该无源数据量测时刻对应的有源数据。逼近函数的具体公式如下：
Figure BDA0001707606030000061
其中，t0、t1、t2为无源数据量测时刻临近时刻存在有源量测数据的时间时刻，y0＝f(t0)、y1＝f(t1)、y2＝f(t2)分别为t0、t1、t2对应的有源量测数据，即t0、t1、t2、y0、y1、y2均为已知量。利用t0、t1、t2时刻值，以及其对应的函数值y0、y1、y2即可确定逼近函数y＝f(t)的二次多项式系数，代入需要进行内插或外推的无源量测时刻值t，则可进一步推算出在该无源量测时刻对应的有源数据。
所述时间片划分以具体时间的运动属性确定，目标速度越快，划分的时间片越短，如静止/低速目标可选择融合时间片可选择为分钟，高速目标可选择融合时间片可选择为秒级。
获取隶属关系表的具体方法包括，
根据同一量测时刻某一有源数据对应的所有无源数据，得到该时刻有源数据与其所对应的所有无源数据的距离模糊子集；所述距离模糊子集中的距离根据有源数据与无源数据的空间位置的距离平方差确定；
根据有源数据与无源数据之间各个距离的关联程度，选择至少两种隶属度函数进行度量；
将距离模糊子集中的各个距离值带入所述隶属度函数，获得一个三维模糊矩阵；
对所述三维模糊矩阵中同一距离值对应的各个隶属度取权值，各个隶属度与其对应的权值相乘后相加得到所述距离值的隶属关系，从而获得有源数据与无源数据的隶属度关系表。
所述方法还包括，利用有源数据和无源数据之间的冗余性和互补性，进行融合后结果的数据精炼，并统计持续一段时间内融合结果之间的相关性，赋予相应的权值，相关性越大，权值越大，反之则减小。根据长时间融合结果和给出权值结果，缩小错误关联带来的影响，从而获得更为精准的有源数据与无源数据融合结果。
若量测时刻对应的有源数据为Pi(i＝1,…,N)，对应的无源数据为Qj(j＝1,…,M)，取定一个有源数据Pi,则它相对该时刻所有无源数据构成一个关于统计距离r的有限模糊子集R＝(ri1,ri2,…,riM)。其中，统计距离r根据有源数据与无源数据的空间位置的距离平方差确定；i为有源数据Pi中某个有源数据的编号；j为无源数据中某个无源数据Qj的编号。
作为一种具体实施方式，对于有源数据与无源数据之间各个距离的关联程度，选取好、中、可、差四种隶属度函数u1、u2、u3、u4进行度量，隶属度函数表示如下。
其中:
Figure BDA0001707606030000071
Figure BDA0001707606030000072
上式中w1、w2、w3为调整参数,具体根据有源数据与无源数据之间统计距离r的计算范围进行确定,通过调整参数w1、w2、w3划分的统计r的四个区域[0，w1]、[w1、w2]、[w2、w3]、[w3、∞]分别对应了距离关联的好、中、可、差四种关联程度。
将模糊子集R中的各个距离值代入隶属度函数u1、u2、u3、u4，获得一个维度N×M×4的三维模糊矩阵。
对模糊矩阵中同一统计距离rij对应的4个隶属度按照好、中、可、差取权值，依次取为0.4、0.3、0.2、0.1，相乘获得统计距离rij对应的隶属关系cij＝0.4*u1(rij)+0.3*u2(rij)+0.2*u3(rij)+0.1*u4(rij)，从而获得有源数据与无源数据的隶属度关系表C＝(cij)N×M，该隶属度关系表为维度为N×M的二维矩阵,反映了有源数据与无源数据的关联情况。

Claims (8)

1.一种有源无源数据融合方法，通过模糊聚类的方法，在时间维度和空间维度上根据有源数据和无源数据之间的相似度，在时间维上数据对准，空间维上模糊聚类，进行数据子集划分和关联隶属度计算；
具体方法包括，
对有源数据和无源数据进行时间融合（1），对在不同的观测时间和扫描周期内获取的有源数据和无源数据在时间维度上进行数据整合，包括时间片划分和时间对准；其中，所述时间对准是指，在选择的时间片内，对有源数据和无源数据量测时刻进行统一排序，形成量测时刻统一排序的有源量测数据和无源量测数据；
获取隶属关系表（3），基于模糊聚类方法，按照对应量测时刻，计算同一量测时刻对应的有源数据与无源数据的空间统计距离，并构造模糊矩阵，获取隶属度关系表；
关联融合（4），根据隶属度关系表，对有源数据与无源数据进行关联融合。
2.根据权利要求1所述的有源无源数据融合方法，所述方法还包括，补全有源数据（2），时间融合后，按照统一排序的量测时刻，查询该时刻是否存在量测的有源数据，如果是，则基于模糊聚类方法获取隶属关系表，如果否，则推算该时刻的有源数据。
3.根据权利要求2所述的有源无源数据融合方法，推算有源数据的具体方法为，按照融合后的时间序列，通过内插或外推的方法，补足对应所有无源数据量测时刻的有源数据。
4.根据权利要求1所述的有源无源数据融合方法，所述时间片划分以具体时间的运动属性确定，目标速度越快，划分的时间片越短。
5.根据权利要求1所述的有源无源数据融合方法，获取隶属关系表的具体方法包括，
根据同一量测时刻某一有源数据对应的所有无源数据，得到该时刻有源数据与其所对应的所有无源数据的距离模糊子集；所述距离模糊子集中的距离根据有源数据与无源数据的空间位置的距离平方差确定；
根据有源数据与无源数据之间各个距离的关联程度，选择至少两种隶属度函数进行度量；
将距离模糊子集中的各个距离值带入所述隶属度函数，获得一个三维模糊矩阵；
对所述三维模糊矩阵中同一距离值对应的各个隶属度取权值，各个隶属度与其对应的权值相乘后相加得到所述距离值的隶属关系，从而获得有源数据与无源数据的隶属度关系表。
6.根据权利要求1所述的有源无源数据融合方法，所述方法还包括，利用有源数据和无源数据之间的冗余性和互补性，进行融合后结果的数据精炼，并统计持续一段时间内融合结果之间的相关性，赋予相应的权值，相关性越大，权值越大，反之则减小。
7.根据权利要求5所述的有源无源数据融合方法，根据有源数据与无源数据之间各个距离的关联程度，所述隶属度函数包括好、中、可和差四种隶属度函数。
8.根据权利要求5所述的有源无源数据融合方法，三维模糊矩阵中同一距离值对应的好、中、可和差四种隶属度的权值，分别为0.4、0.3、0.2和0.1。
CN201810665685.XA 2018-06-26 2018-06-26 一种有源无源数据融合方法 Active CN109190647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810665685.XA CN109190647B (zh) 2018-06-26 2018-06-26 一种有源无源数据融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810665685.XA CN109190647B (zh) 2018-06-26 2018-06-26 一种有源无源数据融合方法

Publications (2)

Publication Number Publication Date
CN109190647A CN109190647A (zh) 2019-01-11
CN109190647B true CN109190647B (zh) 2022-03-08

Family

ID=64948475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810665685.XA Active CN109190647B (zh) 2018-06-26 2018-06-26 一种有源无源数据融合方法

Country Status (1)

Country Link
CN (1) CN109190647B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110007287B (zh) * 2019-04-22 2022-08-02 电子科技大学 一种模糊隶属度一维距离像多特征融合方法
CN110428154B (zh) * 2019-07-20 2023-04-07 中国船舶重工集团公司第七二四研究所 基于辐射源数据库的多频段相控阵设备相互引导侦测方法
CN112632463B (zh) * 2020-12-22 2024-06-11 中国航空工业集团公司沈阳飞机设计研究所 一种基于多属性的目标数据关联方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007030340A1 (en) * 2005-09-01 2007-03-15 Ios Technologies, Inc. Method and system for obtaining high resolution 3-d images of moving objects by use of sensor fusion
CN101216998A (zh) * 2008-01-11 2008-07-09 浙江工业大学 基于模糊粗糙集的证据理论城市交通流信息融合方法
JP2012177602A (ja) * 2011-02-25 2012-09-13 Toshiba Corp 目標追跡装置
CN102780765A (zh) * 2012-06-27 2012-11-14 浙江大学 一种基于性能融合的云制造服务资源匹配与组合方法
CN104812099A (zh) * 2015-03-27 2015-07-29 湘潭大学 一种无线传感器网络中分辨率可调的数据可视化方法
CN104931960A (zh) * 2015-05-25 2015-09-23 中国电子科技集团公司第十研究所 动向报文与雷达目标态势信息全航迹段数据关联方法
CN108061889A (zh) * 2017-11-22 2018-05-22 西南电子技术研究所（中国电子科技集团公司第十研究所） Ais与雷达角度***偏差的关联方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2287786A1 (en) * 2009-08-19 2011-02-23 University Of Leicester Fuzzy inference apparatus and methods, systems and apparatuses using such inference apparatus
US8320216B2 (en) * 2009-12-01 2012-11-27 Raytheon Company Active sonar system and active sonar method using fuzzy logic

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007030340A1 (en) * 2005-09-01 2007-03-15 Ios Technologies, Inc. Method and system for obtaining high resolution 3-d images of moving objects by use of sensor fusion
CN101216998A (zh) * 2008-01-11 2008-07-09 浙江工业大学 基于模糊粗糙集的证据理论城市交通流信息融合方法
JP2012177602A (ja) * 2011-02-25 2012-09-13 Toshiba Corp 目標追跡装置
CN102780765A (zh) * 2012-06-27 2012-11-14 浙江大学 一种基于性能融合的云制造服务资源匹配与组合方法
CN104812099A (zh) * 2015-03-27 2015-07-29 湘潭大学 一种无线传感器网络中分辨率可调的数据可视化方法
CN104931960A (zh) * 2015-05-25 2015-09-23 中国电子科技集团公司第十研究所 动向报文与雷达目标态势信息全航迹段数据关联方法
CN108061889A (zh) * 2017-11-22 2018-05-22 西南电子技术研究所（中国电子科技集团公司第十研究所） Ais与雷达角度***偏差的关联方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Clustering Methods for Multi-sensor Data Fusion;Liu Han 等;《2012 International Conference on Industrial Control and Electronics Engineering》;20121004;第1166-1169页 *
Data Fusion for Magnetic Sensor Based on Fuzzy Logic Theory;Zhu Jian等;《 2011 Fourth International Conference on Intelligent Computation Technology and Automation》;20110415;第87-92页 *
一种无源雷达的数据关联技术;马敏等;《雷达科学与技术》;20100215(第01期);第49-63、59页 *
基于信息融合的机动多目标单站无源跟踪关键技术研究;王杰贵等;《***仿真学报》;20051220(第12期);第2983-2986+2990页 *

Also Published As

Publication number Publication date
CN109190647A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN106646338B (zh) 一种快速精确的室内定位方法
CN109901153B (zh) 基于信息熵权和最近邻域数据关联的目标航迹优化方法
CN109190647B (zh) 一种有源无源数据融合方法
CN106249256B (zh) 基于粒子群优化算法的实时glonass相位偏差估计方法
CN110570449B (zh) 一种基于毫米波雷达与视觉slam的定位与建图方法
CN109975798B (zh) 一种基于毫米波雷达与摄像头的目标检测方法
CN110503071A (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN106443664B (zh) ***误差下基于拓扑信息的雷达与esm航迹关联方法
JP2012514210A (ja) 一般化した誤差分布を用いる位置推定方法
CN105182311B (zh) 全向雷达数据处理方法及***
CN108508439B (zh) 双机载sar对目标协同成像立体定位的方法
CN106934324A (zh) 基于简化多假设算法的雷达数据关联方法
CN113777600A (zh) 一种多毫米波雷达协同定位跟踪方法
CN112233179A (zh) 一种视觉里程计测量方法
CN108596117B (zh) 一种基于二维激光测距仪阵列的场景监控方法
CN114529615B (zh) 雷达标定方法、装置及存储介质
CN105445732B (zh) 在密集杂波条件下利用多径观测的目标航迹初始化方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN116147618B (zh) 一种适用动态环境的实时状态感知方法及***
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN113219452B (zh) 未知视域下的分布式多雷达联合配准与多目标跟踪方法
CN112344966B (zh) 一种定位失效检测方法、装置、存储介质及电子设备
CN111693962B (zh) 一种基于交叉检验的目标运动模型估计方法
CN111505575B (zh) 基于转化toa模型的针对tdoa定位的传感器选择方法
CN114202025A (zh) 一种多传感器数据融合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant