CN112198504A - 一种主被动观测特征交织的融合滤波方法 - Google Patents
一种主被动观测特征交织的融合滤波方法 Download PDFInfo
- Publication number
- CN112198504A CN112198504A CN202011048293.2A CN202011048293A CN112198504A CN 112198504 A CN112198504 A CN 112198504A CN 202011048293 A CN202011048293 A CN 202011048293A CN 112198504 A CN112198504 A CN 112198504A
- Authority
- CN
- China
- Prior art keywords
- observation
- active
- passive
- sensor
- substep
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种主被动观测特征交织的融合滤波方法。针对传统主被动差异维度观测对环境及目标的联合感知能力弱、航迹融合方法多传感器观测目标特征丢失等问题,本发明提出了一种主被动观测特征交织的融合滤波方法,通过采用主被动传感器目标观测特征估计、高可靠主被动野值剔除、目标观测特征交织的高精度融合滤波,解决传统多传感器联合观测存在的高误差野值对关联融合精度的不利影响、融合滤波导致部分传感器的目标特征丢失的问题,有效提升多传感器关联正确率及融合精度。
Description
技术领域
本发明涉及一种主被动传感器观测数据融合方法。
背景技术
多传感器数据的高置信度融合是实现多传感器感知数据深度综合、发挥一体化感知效能的关键。在多传感器组成的融合中,有源无源传感器的数据融合(异类传感器)融合是重要而困难的问题。有源雷达能够对运动目标进行精确定位及连续跟踪,但是有源雷达由于需要辐射信号导致其位置容易暴露;无源传感器隐蔽性强,可以获得辐射源的信号特征,易于识别目标,但是数据精度较差。利用主被动传感器所提供的信息的互补性,对观测结果进行联合处理,一方面可以使得无源传感器获取到精确的目标定位信息,以利于目标的隐蔽识别与跟踪;另一方面为有源传感器定位目标提供属性识别信息,利于对重点目标的预警、识别、跟踪。现有传统关联融合方法由于缺乏对异质传感器统计信息的有效准确估计、缺乏有效的输入输出航迹的数据清理方法,使得现有主被动融合技术存在高误差野值对关联融合精度的不利影响、融合滤波导致部分传感器的目标特征丢失的问题等问题,难以满足复杂探测环境下观测信息高可靠融合应用的需求。
发明内容
针对主动传感器与被动传感器测量维数不同,导致无法采用传统基于完整测量的融合方法的问题,本发明给出一种主被动观测特征交织的融合滤波方法,充分利用有源无源传感器对目标运动特征的估计实现对主被动观测数据的有效融合,解决传统航迹融合方法多传感器观测目标特征丢失等问题。
本发明主要包括以下步骤:
步骤一:主动传感器目标运动特征统计特性估计;
步骤二:被动传感器目标运动特征统计特性估计;
步骤三:主动观测量的野值判断:
步骤四:基于被动角度滤波的野值剔除:
步骤五:精确模型融合滤波算法设计。
本发明可有效解决传统多传感器联合观测存在的高误差野值对关联融合精度的不利影响、有效利用差异维传感器观测目标特征进行融合滤波,从而能够有效提升主被动多源传感器融合结果的可靠性。
附图说明
图1为本发明方法步骤简图。
图2为本发明方法具体实施方式示例图。
具体实施方式
本发明提出的一种主被动观测特征交织的融合滤波方法具体包括以下步骤:
步骤一:按照下述子步骤实现主动传感器目标运动特征的统计特性估计:
子步骤2:针对第n次观测,按照下述公式,计算主动传感器目标状态估计、主动传感器目标状态估计协方差矩阵:
P(n|n-1)=A(n-1)P(n-1|n-1)AH(n-1)+Q(n),
P(n|n)=[I-K(n)C(n)]P(n|n-1),
K(n)=P(n|n-1)CH(n)[C(n)P(n|n-1)CH(n)]-1;
y(k)=[g1,g2,g3,g4,g5]′;
其中:
将主动传感器目标状态估计记为:
将主动传感器目标状态估计协方差矩阵记为:
步骤二:按照下述子步骤实现被动传感器目标运动特征统计特性估计:
子步骤2:按照下述公式,计算被动传感器目标状态估计、被动传感器目标状态估计协方差矩阵:
1)计算Ei:
2)计算Ei,b:
其中:
Wk-1=N(0,Q(T1))
un-1=Xn-F(T1)Xo n-1,
T1为本次观测与上次观测的时间差,
3)计算wi:
k为任意值;
4)计算ηn|n-1:
5)计算Pn|n-1:
6)计算量测预测协方差Sn:
H=[0,0,0,1,1,0],
Sn=HPn|n-1H'+R;
7)计算Kn:
Kn=Pn|n-1H'Sk -1;
8)计算预处理后被动传感器观测结果ηn|n:
ηn|n=ηn|n-1+kn(zn-Hηn|n-1);
9)计算被动传感器观测结果的协方差矩阵Pn|n:
Pn|n=Pn|n-1-KnSnKn';
将被动传感器目标状态估计记为:
将被动传感器目标状态估计协方差矩阵记为:
步骤三:按照如下子步骤执行主动观测量的野值判断:
子步骤1:计算主动观测新息Va(n+1):
子步骤2:计算主动观测新息误差统计特性Fa(n):
Ra(n+1)为主动观测协方差矩阵:
子步骤3:按照如下方法判断主动观测是否为野值点:
若满足:
若满足:
设定C=5。
步骤四:按照下述子步骤实现基于被动角度滤波的野值剔除:
子步骤1:记录新息
按照如下公式,计算被动传感器观测新息Vp(n+1):
其中,H(n+1)=[0,0,0,1,1,0]为被动传感器观测矩阵;Z(n+1)为n+1时刻被动传感器观测目标的被动观测向量;
子步骤2:计算被动观测新息的误差统计特性Fp(n+1):
Fp(n+1)=H(n+1)P(n+1|n)H′(n+1)+Rp(n+1),其中,
Rp(n+1)为被动观测协方差矩阵:
子步骤3:按照如下公式执行被动观测结果的野值判断:
若满足:
若满足:
设定C=5。
步骤五:按照如下方法执行多传感器目标观测特征交织的高精度融合滤波:
Claims (1)
1.一种主被动观测特征交织的融合滤波方法,其特征在于:
步骤一:按照下述子步骤实现主动传感器目标运动特征的统计特性估计:
其中:
子步骤2:针对第n次观测,按照下述公式,计算主动传感器目标状态估计、主动传感器目标状态估计协方差矩阵:
P(n|n-1)=A(n-1)P(n-1|n-1)AH(n-1)+Q(n);
P(n|n)=[I-K(n)C(n)]P(n|n-1);
其中:
K(n)=P(n|n-1)CH(n)[C(n)P(n|n-1)CH(n)]-1;
y(k)=[g1,g2,g3,g4,g5]′;
其中:
将主动传感器目标状态估计记为:
将主动传感器目标状态估计协方差矩阵记为:
步骤二:按照下述子步骤实现被动传感器目标运动特征统计特性估计:
子步骤2:按照下述公式,计算被动传感器目标状态估计、被动传感器目标状态估计协方差矩阵:
1)计算Ei:
2)计算Ei,b:
其中:
Wk-1=N(0,Q(T1))
un-1=Xn-F(T1)Xo n-1;
3)计算wi:
其中:k为任意值;
4)计算ηn|n-1:
5)计算Pn|n-1:
6)计算量测预测协方差Sn:
H=[0,0,0,1,1,0];
Sn=HPn|n-1H'+R;
7)计算Kn:
Kn=Pn|n-1H'Sk -1;
8)计算预处理后被动传感器观测结果ηn|n:
ηn|n=ηn|n-1+kn(zn-Hηn|n-1);
9)计算被动传感器观测结果的协方差矩阵Pn|n:
Pn|n=Pn|n-1-KnSnKn';
将被动传感器目标状态估计记为:
将被动传感器目标状态估计协方差矩阵记为:
步骤三:按照如下子步骤执行主动观测量的野值判断:
子步骤1:计算主动观测新息Va(n+1):
子步骤2:计算主动观测新息误差统计特性Fa(n):
Ra(n+1)为主动观测协方差矩阵:
子步骤3:按照如下方法判断主动观测是否为野值点:
若满足:
若满足:
设定C=5;
步骤四:按照下述子步骤实现基于被动角度滤波的野值剔除:
子步骤1:记录新息;
按照如下公式,计算被动传感器观测新息Vp(n+1):
其中,H(n+1)=[0,0,0,1,1,0]为被动传感器观测矩阵;Z(n+1)为n+1时刻被动传感器观测目标的被动观测向量;
子步骤2:计算被动观测新息的误差统计特性Fp(n+1):
Fp(n+1)=H(n+1)P(n+1|n)H′(n+1)+Rp(n+1);
其中,Rp(n+1)为被动观测协方差矩阵:
子步骤3:按照如下公式执行被动观测结果的野值判断:
若满足:
若满足:
设定C=5;
步骤五:按照如下方法执行多传感器目标观测特征交织的高精度融合滤波:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048293.2A CN112198504B (zh) | 2020-09-29 | 2020-09-29 | 一种主被动观测特征交织的融合滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048293.2A CN112198504B (zh) | 2020-09-29 | 2020-09-29 | 一种主被动观测特征交织的融合滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112198504A true CN112198504A (zh) | 2021-01-08 |
CN112198504B CN112198504B (zh) | 2022-04-08 |
Family
ID=74007840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011048293.2A Active CN112198504B (zh) | 2020-09-29 | 2020-09-29 | 一种主被动观测特征交织的融合滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198504B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导*** |
CN109116349A (zh) * | 2018-07-26 | 2019-01-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器协同跟踪联合优化决策方法 |
CN109521395A (zh) * | 2018-09-09 | 2019-03-26 | 李涛 | 基于ut-dc的主被动传感器目标定位方法 |
CN110286357A (zh) * | 2019-07-10 | 2019-09-27 | 中国电子科技集团公司第三十六研究所 | 一种基于水声探测的目标运动定位方法 |
CN110738275A (zh) * | 2019-10-30 | 2020-01-31 | 中国人民解放军海军航空大学 | 基于ut-phd的多传感器序贯融合跟踪方法 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及*** |
-
2020
- 2020-09-29 CN CN202011048293.2A patent/CN112198504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105277939A (zh) * | 2015-09-30 | 2016-01-27 | 深圳大学 | 用于被动传感器对空观测网的目标引导方法及引导*** |
CN109116349A (zh) * | 2018-07-26 | 2019-01-01 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器协同跟踪联合优化决策方法 |
CN109521395A (zh) * | 2018-09-09 | 2019-03-26 | 李涛 | 基于ut-dc的主被动传感器目标定位方法 |
CN110286357A (zh) * | 2019-07-10 | 2019-09-27 | 中国电子科技集团公司第三十六研究所 | 一种基于水声探测的目标运动定位方法 |
CN110738275A (zh) * | 2019-10-30 | 2020-01-31 | 中国人民解放军海军航空大学 | 基于ut-phd的多传感器序贯融合跟踪方法 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112198504B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108444478B (zh) | 一种用于水下航行器的移动目标视觉位姿估计方法 | |
CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
CN107688179B (zh) | 基于多普勒信息辅助的综合概率数据互联方法 | |
CN110061716B (zh) | 一种基于最小二乘和多重渐消因子的改进kalman滤波方法 | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
CN112146648B (zh) | 一种基于多传感器数据融合的多目标跟踪方法 | |
CN110058222B (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
CN111999735A (zh) | 一种基于径向速度和目标跟踪的动静目标分离方法 | |
CN112328959A (zh) | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 | |
CN110672103B (zh) | 一种多传感器目标跟踪滤波方法及*** | |
CN112666519B (zh) | 一种基于广义二阶时延差的水下目标高精度定位方法 | |
CN112034445B (zh) | 基于毫米波雷达的车辆运动轨迹跟踪方法和*** | |
CN112198504B (zh) | 一种主被动观测特征交织的融合滤波方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN112986977A (zh) | 一种克服雷达扩展卡尔曼航迹滤波发散的方法 | |
CN112255612A (zh) | 一种雷达航迹随机抖动性评估方法 | |
CN111693051A (zh) | 一种基于光电传感器的多目标数据关联方法 | |
CN110007298B (zh) | 一种目标超前预测跟踪方法 | |
CN113280821B (zh) | 基于斜率约束和回溯搜索的水下多目标跟踪方法 | |
CN112083410B (zh) | 机动目标跟踪方法 | |
CN109856624B (zh) | 一种针对单雷达直线航迹线的目标状态估计方法 | |
CN114488104A (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 | |
CN113933798A (zh) | 一种基于相似性原理的全局传感器***误差分区配准算法 |
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 |