CN112269401A - 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 - Google Patents
基于跟踪精度与风险控制的自适应主动传感器跟踪方法 Download PDFInfo
- Publication number
- CN112269401A CN112269401A CN202010926385.XA CN202010926385A CN112269401A CN 112269401 A CN112269401 A CN 112269401A CN 202010926385 A CN202010926385 A CN 202010926385A CN 112269401 A CN112269401 A CN 112269401A
- Authority
- CN
- China
- Prior art keywords
- target
- tracking
- active sensor
- threat
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012954 risk control Methods 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000009527 percussion Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于跟踪精度与风险控制的自适应主动传感器跟踪方法,首先通过量测数据采样获得跟踪目标的参数以及状态信息,利用动态模糊贝叶斯网络(DFBN)的方法对目标的威胁度进行评估,并结合主动传感器信号被跟踪目标截获的概率对威胁风险进行预测;其次,利用目标预测协方差以及量测噪声协方差对主动传感器的跟踪精度进行评估;最后,通过融合跟踪精度以及风险控制构建效能函数对主动传感器资源进行合理地分配;本发明对威胁风险的评估方法进行改进,更加准确、合理地对目标威胁风险进行了预测;其次将跟踪精度与风险控制融合构建了自适应主动传感器跟踪方法,更加适用于复杂多变的现实环境,提高了对目标的跟踪能力。
Description
技术领域
本发明涉及目标跟踪中主动传感器管理技术领域,尤其涉及基于跟踪精度与风险控制的自适应主动传感器跟踪方法。
背景技术
随着主动传感器技术、制造水平以及计算机技术的快速发展,各种功能不同的主动传感器构成的多主动传感器平台被广泛地应用在飞行器对目标的跟踪任务中。随着飞行器工作环境的复杂化和科技水平不断的进步,现代先进飞行器上普遍安装有多主动传感器平台,比如合成孔径雷达、前视红外雷达和电子、敌我识别器等;多主动传感器的引入克服了单一主动传感器的不准确性,提高了***的鲁棒性,但同时如何对有限的主动传感器资源进行合理的分配也成为了一项重要的研究课题。
主动传感器管理的核心问题就是依据一定的优化准则,合理地分配主动传感器资源,满足对目标和扫描空间的要求;目前,常见的主动传感器管理方法有基于信息论的管理方法、基于任务需求的管理方法、基于风险控制的管理方法等;这三类方法均设定一个优化目标函数对主动传感器资源进行分配以使所需求的收益达到最大;其中,前两种方法更多关注的是通过对主动传感器管理使目标跟踪精度达到最优;但在有些情况下,如果不需要打击目标,仅保证探测方不丢失目标即可,则不需要一味地追求高的跟踪精度,此时需通过主动传感器管理使目标的丢失风险达到最小;因此,基于风险控制的管理方法将关注重点放在了控制任务风险上,不仅仅是丢失风险更包括威胁风险;一般认为风险是由任务决策所造成的潜在损失及其发生的概率所决定的,执行主动传感器管理的目的是降低任务风险以使损失达到最小,因此该类方法具有良好的实际应用价值,也成为了主动传感器管理领域内的研究热点之一。
主动传感器管理算法的提出解决了对主动传感器资源分配的问题,但是不管是基于跟踪精度还是基于风险控制的管理方法,都仅仅只考虑了其中一个方向,而无法兼顾另一个方向的需求,无法满足复杂多变的实际环境需要。
随着科技水平的不断发展,现代飞机应该具备侦察、跟踪、打击等多方面任务需求,因此单一任务目的的主动传感器管理算法显然不满足实际需要。
发明内容
本发明的目的在于提供一种基于跟踪精度与风险控制的自适应主动传感器跟踪方法,该算法改进了对目标威胁风险的评估方法,结合跟踪精度对主动传感器进行分配,同时可根据环境态势以及任务需要,灵活地对两者的权重进行调整,提高了对目标的跟踪能力。
为了实现上述目的,本发明采用以下技术方案:
基于跟踪精度与风险控制的自适应主动传感器跟踪方法,包括以下步骤:
步骤1:在目标i跟踪的过程中,探测方携带m个主动传感器构成多主动传感器平台,每一个主动传感器都具有不同的峰值功率;设定探测方与目标的初始状态信息、量测噪声协方差R、最小临界距离d_min;
步骤2:对跟踪目标i进行探测以及量测数据采样,获取目标i的参数信息:
具体的,所述目标i的参数信息包括攻击能力q、干扰能力j、目标类型k、航向角o、高度c、隐身性能g、距离r、速度l,通过以上参数信息利用动态模糊贝叶斯网络对目标威胁度进行评估;其中,目标i的攻击能力q、干扰能力j、目标类型k、隐身性能g属于离散型影响因素,{q,j,k,g∈(0,1)},由专家经验直接给定数值;目标i的航向角o、高度c、距离r、速度l属于连续型定量影响因素,通过映射函数计算数值;
步骤3:根据步骤2所述的目标i的参数信息计算出威胁度影响因素值C=[q,j,k,o,h,g,v,d],从而计算威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率;
步骤4:通过步骤3计算出的威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率,利用贝叶斯网络概率传递计算目标威胁度N;
步骤5:计算主动传感器信号被跟踪目标i截获的概率W,由于每一个主动传感器具有不同的峰值功率pi,因此通过峰值功率以及主动传感器脉冲发射次数计算截获概率W,同时结合步骤4求出的威胁度N,计算探测方所受目标i的威胁风险Q;
步骤6:利用探测方主动传感器预测协方差阵P_pre,以及量测噪声协方差R,计算主动传感器的跟踪精度O;
步骤7:根据距离以及环境态势将跟踪过程分为四个阶段:远距离阶段、辐射风险增长阶段、近距离阶段、火控阶段;根据不同阶段对跟踪精度权重λ,以及威胁风险权重1-λ计算效能函数E,随后遍历m个主动传感器,选择效能函数E值最小的主动传感器;
步骤9:重复步骤2至步骤8,直到探测方与跟踪目标之间的距离d达到最小临界值d_min时,则跟踪结束。
步骤2中所述的航向角o、高度c、距离r、速度l通过以下映射函数计算数值:
航向角o:
高度c:
距离r:
速度l:
其中,{o,c,l,r∈(0,1)};θk,i,hk,i,vk,i,dk,i分别为目标i在k时刻的航向角、高度、速度、与探测方之间的距离;f1,f2,f3,f4分别为对应的航向角系数、高度系数、速度系数、距离系数。
步骤3中所述的计算威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率采用以下方法:
威胁能力μ_1(q,j)分为强、中、弱三个等级,由攻击能力q、干扰能力j融合获得,则威胁能力隶属度函数如下:
打击意图μ_2(k,o,h)模糊子集分为大、中、小三个等级,由目标类型k、航向角o、高度c融合而成,则打击意图隶属度函数如下:
攻击机会μ_3(g,v,d)模糊子集分为大、中、小三个等级,由隐身性能g、速度l、距离r融合而成,则攻击机会隶属度函数如下:
步骤4中所述的计算目标威胁度N的方法为:
其中i∈{1,2,3,...,n},代表存在n个隐含层节点,j∈{1,2,3,...,k},代表威胁度N有k种情况,并利用重心法求出目标威胁度N。
步骤4中所述的计算截获概率W和计算探测方所受目标i的威胁风险Q的方法为:
截获概率W:
其中,pfi为目标探测***的虚警概率,SNR为目标探测***接收信号的信噪比,Tc为主动传感器控制周期,Ti为主动传感器单次脉冲发射周期;
探测方所受W的威胁风险Q:
步骤6中所述的利用探测方主动传感器预测协方差阵P_pre,以及量测噪声协方差R,计算主动传感器的跟踪精度O的方法为:
其中,P_pre为主动传感器预测协方差阵,R为主动传感器量测噪声协方差阵。
步骤7中所述的计算效能函数E的方法为:
跟踪精度权重λ:
其中,η1,η2,η3为权重影响因子;
效能函数E:
本发明的有益效果:
本发明所述的基于跟踪精度与风险控制的自适应主动传感器跟踪方法,对威胁风险的评估方法进行改进,更加准确、合理地对目标威胁风险进行了预测;其次将跟踪精度与风险控制融合构建了自适应主动传感器管理算法,更加适用于复杂多变的现实环境,提高了对目标的跟踪能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为目标威胁度评估的影响因素示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所述的基于跟踪精度与风险控制的自适应主动传感器跟踪方法,包括以下步骤:
步骤1:在目标i跟踪的过程中,探测方携带m个主动传感器构成多主动传感器平台,每一个主动传感器都具有不同的峰值功率;设定探测方与目标i的初始状态信息、量测噪声协方差R、最小临界距离d_min;
其中,m个主动传感器记为S={s1,s2,…,si}(i∈m),每个主动传感器的峰值功率记为P={p1,p2,…,pi}(i∈m);
步骤2:对跟踪目标i进行探测及量测数据采样,获取目标i的参数信息:攻击能力q、干扰能力j、目标类型k、航向角o、高度c、隐身性能g、距离r、速度l,通过以上参数信息利用动态模糊贝叶斯网络(DFBN)对目标i威胁度进行评估;
其中,目标i的攻击能力q、干扰能力j、目标类型k、隐身性能g属于离散型影响因素,{q,j,k,g∈(0,1)},由专家经验直接给定数值;目标i的航向角o、高度c、距离r、速度l属于连续型定量影响因素,通过以下映射函数计算数值:
航向角o:
高度c:
速度:
距离:
其中,{o,c,l,r∈(0,1)};θk,i,hk,i,vk,i,dk,i分别为目标i在k时刻的航向角、高度、速度、与探测方之间的距离;f1,f2,f3,f4分别为对应的航向角系数、高度系数、速度系数、距离系数;
如图2所示:步骤3:根据步骤2所述的目标i的参数信息计算出威胁度影响因素值C=[q,j,k,o,h,g,v,d],从而计算出隐含层变量节点威胁能力μ_1(q,j)、打击意图μ_2(k,o,h)、攻击机会μ_3(g,v,d);
其中,由于影响因素之间相互独立,因此采用高斯隶属度函数结合影响因素值求解隐含层节点概率,具体的:
威胁能力μ_1(q,j)分为强、中、弱三个等级,由攻击能力q、干扰能力j融合获得,则威胁能力隶属度函数如下:
同理:打击意图μ_2(k,o,h)模糊子集分为大、中、小三个等级,由目标类型k、航向角o、高度c融合而成,则打击意图隶属度函数如下:
同理:攻击机会μ_3(g,v,d)模糊子集分为大、中、小三个等级,由隐身性能g、速度l、距离r融合而成,则攻击机会隶属度函数如下:
步骤4:通过步骤3计算出的威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率,并结合贝叶斯网络概率传递的原理计算目标威胁度N;具体的,采用以下方法:
其中i∈{1,2,3,...,n},代表存在n个隐含层节点,j∈{1,2,3,...,k},代表威胁度有k种情况,并利用重心法求出目标i威胁度N;
步骤5:计算主动传感器信号被跟踪目标i截获的概率W,由于每一个主动传感器具有不同的峰值功率pi,因此通过峰值功率以及主动传感器脉冲发射次数计算截获概率W,同时结合步骤4求出的威胁度N,进而计算探测方所受目标的威胁风险Q,计算方法如下:
截获概率W:
其中,pfi为目标探测***的虚警概率,SNR为目标探测***接收信号的信噪比,Tc为主动传感器控制周期,Ti为主动传感器单次脉冲发射周期;
探测方所受目标i的威胁风险Q:
步骤6:利用探测方主动传感器预测协方差阵P_pre,以及量测噪声协方差R,计算主动传感器的跟踪精度O,计算方法如下:
其中,P_pre为主动传感器预测协方差阵,R为主动传感器量测噪声协方差阵;
步骤7:根据距离以及环境态势将跟踪过程分为四个阶段:远距离阶段、辐射风险增长阶段、近距离阶段、火控阶段;根据不同阶段对跟踪精度权重λ,以及威胁风险权重(1-λ)进行计算,在此基础上,通过跟踪精度与威胁风险融合构成效能函数E,随后遍历m个主动传感器,选择效能函数E值最小的主动传感器探测目标,计算方法如下:
跟踪精度权重λ:
其中,η1,η2,η3为权重影响因子。
效能函数E:
步骤8:利用步骤7选择的主动传感器对目标i进行跟踪,通过扩展卡尔曼滤波(EKF)对量测信息进行滤波更新,获取更新后目标状态估计值预测协方差P_pre,并通过目标状态估计值计算探测方与跟踪目标的距离d;
步骤9:重复步骤2至步骤8,直到探测方与跟踪目标之间的距离d达到最小临界值d_min时,则跟踪结束。
在目标跟踪过程中,本发明所述的基于跟踪精度与风险控制的自适应主动传感器跟踪方法,针对传统主动传感器管理方法无法兼顾跟踪精度与风险控制,以及威胁风险评估不准确等问题,提出了一种新的威胁风险评估的方法,并结合跟踪精度构成了一种自适应的主动传感器跟踪方法;
为了适应现实环境复杂多变的任务需求,本发明具备以下有益效果:
首先通过量测数据采样获得跟踪目标的参数以及状态信息,利用动态模糊贝叶斯网络(DFBN)的方法对目标的威胁度进行评估,并结合主动传感器信号被跟踪目标截获的概率对威胁风险进行预测;
其次,利用目标预测协方差以及量测噪声协方差对主动传感器的跟踪精度进行评估;
最后,通过融合跟踪精度以及风险控制构建效能函数对主动传感器资源进行合理地分配;
综上所述,本发明所述的基于跟踪精度与风险控制的自适应主动传感器跟踪方法,对威胁风险的评估方法进行改进,更加准确、合理地对目标威胁风险进行了预测;其次将跟踪精度与风险控制融合构建了自适应主动传感器管理算法,更加适用于复杂多变的现实环境,提高了对目标的跟踪能力。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.基于跟踪精度与风险控制的自适应主动传感器跟踪方法,其特征在于:包括以下步骤:
步骤1:在目标i跟踪的过程中,探测方携带m个主动传感器构成多主动传感器平台,每一个主动传感器都具有不同的峰值功率;设定探测方与目标的初始状态信息、量测噪声协方差R、最小临界距离d_min;
步骤2:对跟踪目标i进行探测以及量测数据采样,获取目标i的参数信息:
具体的,所述目标i的参数信息包括攻击能力q、干扰能力j、目标类型k、航向角o、高度c、隐身性能g、距离r、速度l,通过以上参数信息利用动态模糊贝叶斯网络对目标威胁度进行评估;其中,目标i的攻击能力q、干扰能力j、目标类型k、隐身性能g属于离散型影响因素,{q,j,k,g∈(0,1)},由专家经验直接给定数值;目标i的航向角o、高度c、距离r、速度l属于连续型定量影响因素,通过映射函数计算数值;
步骤3:根据步骤2所述的目标i的参数信息计算出威胁度影响因素值C=[q,j,k,o,h,g,v,d],从而计算威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率;
步骤4:通过步骤3计算出的威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率,利用贝叶斯网络概率传递计算目标威胁度N;
步骤5:计算主动传感器信号被跟踪目标i截获的概率W,由于每一个主动传感器具有不同的峰值功率pi,因此通过峰值功率以及主动传感器脉冲发射次数计算截获概率W,同时结合步骤4求出的目标威胁度N,计算探测方所受目标i的威胁风险Q;
步骤6:利用探测方主动传感器预测协方差阵P_pre,以及量测噪声协方差R,计算主动传感器的跟踪精度O;
步骤7:根据距离以及环境态势将跟踪过程分为四个阶段:远距离阶段、辐射风险增长阶段、近距离阶段、火控阶段;根据不同阶段对跟踪精度权重λ,以及威胁风险权重1-λ计算效能函数E,随后遍历m个主动传感器,选择效能函数E值最小的主动传感器;
步骤9:重复步骤2至步骤8,直到探测方与跟踪目标之间的距离d达到最小临界值d_min时,则跟踪结束。
3.根据权利要求1所述的基于跟踪精度与风险控制的自适应主动传感器跟踪方法,其特征在于:步骤3中所述的计算威胁能力μ_1(q,j)隐含层节点概率、打击意图μ_2(k,o,h)隐含层节点概率、攻击机会μ_3(g,v,d)隐含层节点概率采用以下方法:
威胁能力μ_1(q,j)分为强、中、弱三个等级,由攻击能力q、干扰能力j融合获得,则威胁能力隶属度函数如下:
打击意图μ_2(k,o,h)模糊子集分为大、中、小三个等级,由目标类型k、航向角o、高度c融合而成,则打击意图隶属度函数如下:
攻击机会μ_3(g,v,d)模糊子集分为大、中、小三个等级,由隐身性能g、速度l、距离r融合而成,则攻击机会隶属度函数如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926385.XA CN112269401B (zh) | 2020-09-04 | 2020-09-04 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010926385.XA CN112269401B (zh) | 2020-09-04 | 2020-09-04 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269401A true CN112269401A (zh) | 2021-01-26 |
CN112269401B CN112269401B (zh) | 2021-07-20 |
Family
ID=74349948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010926385.XA Active CN112269401B (zh) | 2020-09-04 | 2020-09-04 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269401B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435034A (zh) * | 2021-06-25 | 2021-09-24 | 河南大学 | 一种基于风险理论的主动传感器管理方法 |
CN114884694A (zh) * | 2022-04-06 | 2022-08-09 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09318726A (ja) * | 1996-05-31 | 1997-12-12 | Mitsubishi Heavy Ind Ltd | 追尾装置 |
CN103310466A (zh) * | 2013-06-28 | 2013-09-18 | 安科智慧城市技术(中国)有限公司 | 一种单目标跟踪方法及其实现装置 |
US20140125985A1 (en) * | 2012-11-08 | 2014-05-08 | James Justice | Multi-Operations Sensor System |
CN104007426A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于lse(最小方差估计)的ads与雷达信息***误差配准算法 |
CN104252178A (zh) * | 2014-09-12 | 2014-12-31 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
US20170084183A1 (en) * | 2015-09-18 | 2017-03-23 | Robert M. Knox | Automatic aircraft separation assurance |
CN106789740A (zh) * | 2016-11-11 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 按任务优先级序贯拍卖的多平台传感器协同管理方法 |
CN107667321A (zh) * | 2015-06-11 | 2018-02-06 | 英特尔公司 | 无人机控制设备和方法 |
CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
CN207231315U (zh) * | 2017-05-04 | 2018-04-13 | 成都安的光电科技有限公司 | 一种无人机狙击*** |
CN108459618A (zh) * | 2018-03-15 | 2018-08-28 | 河南大学 | 一种无人机自动对移动平台投放的飞行控制***及方法 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN108536171A (zh) * | 2018-03-21 | 2018-09-14 | 电子科技大学 | 一种多约束下多无人机协同跟踪的路径规划方法 |
EP3447436A1 (en) * | 2017-08-25 | 2019-02-27 | Aurora Flight Sciences Corporation | Aerial vehicle interception system |
CN109491241A (zh) * | 2018-11-05 | 2019-03-19 | 浙江工商大学 | 一种针对机动目标的无人机鲁棒化跟踪方法 |
EP3289430B1 (en) * | 2015-04-27 | 2019-10-23 | Snap-Aid Patents Ltd. | Estimating and using relative head pose and camera field-of-view |
CN110389594A (zh) * | 2018-04-19 | 2019-10-29 | 极光飞行科学公司 | 自适应自主***架构 |
CN110530424A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种基于目标威胁度的空中目标传感器管理方法 |
CN110609568A (zh) * | 2019-09-24 | 2019-12-24 | 广东名阳信息科技有限公司 | 一种大型无人机uav的强自耦pi协同控制方法 |
CN111026160A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种四旋翼无人机轨迹跟踪控制方法 |
CN111240357A (zh) * | 2020-01-15 | 2020-06-05 | 兰州大学 | 一种微型扑翼飞行器可避免奇异状态的位置跟踪控制方法 |
-
2020
- 2020-09-04 CN CN202010926385.XA patent/CN112269401B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09318726A (ja) * | 1996-05-31 | 1997-12-12 | Mitsubishi Heavy Ind Ltd | 追尾装置 |
US20140125985A1 (en) * | 2012-11-08 | 2014-05-08 | James Justice | Multi-Operations Sensor System |
CN103310466A (zh) * | 2013-06-28 | 2013-09-18 | 安科智慧城市技术(中国)有限公司 | 一种单目标跟踪方法及其实现装置 |
CN104007426A (zh) * | 2014-05-16 | 2014-08-27 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于lse(最小方差估计)的ads与雷达信息***误差配准算法 |
CN104252178A (zh) * | 2014-09-12 | 2014-12-31 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
EP3289430B1 (en) * | 2015-04-27 | 2019-10-23 | Snap-Aid Patents Ltd. | Estimating and using relative head pose and camera field-of-view |
US20200195833A1 (en) * | 2015-04-27 | 2020-06-18 | Snap-Aid Patents Ltd. | Estimating and using relative head pose and camera field-of-view |
CN107667321A (zh) * | 2015-06-11 | 2018-02-06 | 英特尔公司 | 无人机控制设备和方法 |
US20170084183A1 (en) * | 2015-09-18 | 2017-03-23 | Robert M. Knox | Automatic aircraft separation assurance |
CN106789740A (zh) * | 2016-11-11 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 按任务优先级序贯拍卖的多平台传感器协同管理方法 |
CN207231315U (zh) * | 2017-05-04 | 2018-04-13 | 成都安的光电科技有限公司 | 一种无人机狙击*** |
EP3447436A1 (en) * | 2017-08-25 | 2019-02-27 | Aurora Flight Sciences Corporation | Aerial vehicle interception system |
CN107748860A (zh) * | 2017-09-01 | 2018-03-02 | 中国科学院深圳先进技术研究院 | 无人机的目标跟踪方法、装置、无人机及存储介质 |
CN108459618A (zh) * | 2018-03-15 | 2018-08-28 | 河南大学 | 一种无人机自动对移动平台投放的飞行控制***及方法 |
CN108536171A (zh) * | 2018-03-21 | 2018-09-14 | 电子科技大学 | 一种多约束下多无人机协同跟踪的路径规划方法 |
CN108509918A (zh) * | 2018-04-03 | 2018-09-07 | 中国人民解放军国防科技大学 | 融合激光点云与图像的目标检测与跟踪方法 |
CN110389594A (zh) * | 2018-04-19 | 2019-10-29 | 极光飞行科学公司 | 自适应自主***架构 |
CN109491241A (zh) * | 2018-11-05 | 2019-03-19 | 浙江工商大学 | 一种针对机动目标的无人机鲁棒化跟踪方法 |
CN110530424A (zh) * | 2019-08-27 | 2019-12-03 | 西安交通大学 | 一种基于目标威胁度的空中目标传感器管理方法 |
CN110609568A (zh) * | 2019-09-24 | 2019-12-24 | 广东名阳信息科技有限公司 | 一种大型无人机uav的强自耦pi协同控制方法 |
CN111026160A (zh) * | 2019-12-26 | 2020-04-17 | 华中科技大学 | 一种四旋翼无人机轨迹跟踪控制方法 |
CN111240357A (zh) * | 2020-01-15 | 2020-06-05 | 兰州大学 | 一种微型扑翼飞行器可避免奇异状态的位置跟踪控制方法 |
Non-Patent Citations (4)
Title |
---|
CE PANG: "Sensor Scheduling Based on Risk for Target Tracking", 《 IEEE SENSORS JOURNAL》 * |
周林: "一种非线性融合***中的传感器管理方法", 《***工程与电子技术》 * |
周林: "基于信息论的传感器管理算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李天成: "粒子滤波理论、方法及其在多目标跟踪中的应用", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435034A (zh) * | 2021-06-25 | 2021-09-24 | 河南大学 | 一种基于风险理论的主动传感器管理方法 |
CN113435034B (zh) * | 2021-06-25 | 2022-07-19 | 河南大学 | 一种基于风险理论的主动传感器管理方法 |
CN114884694A (zh) * | 2022-04-06 | 2022-08-09 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
CN114884694B (zh) * | 2022-04-06 | 2023-05-30 | 北京北卡星科技有限公司 | 一种基于分层建模的工控网络安全风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112269401B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112269401B (zh) | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 | |
CN108882225B (zh) | 一种无线传感器网络中基于测距的安全定位方法 | |
CN111460597B (zh) | 一种基于改进的多目标粒子群优化算法的雷达布站方法 | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN112162246B (zh) | 一种基于贝叶斯网络雷达***复杂电磁环境效应分析方法 | |
CN110007299A (zh) | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 | |
CN110849372A (zh) | 一种基于em聚类的水下多目标轨迹关联方法 | |
Bo et al. | An adaptive dwell time scheduling model for phased array radar based on three-way decision | |
CN110852440B (zh) | 一种基于动态模糊神经网络的海洋锋预测方法 | |
CN116738334A (zh) | 一种基于dbn和topsis法的空中多目标威胁评估方法 | |
Zhang et al. | Performance analysis of deep reinforcement learning-based intelligent cooperative jamming method confronting multi-functional networked radar | |
CN117169818B (zh) | 一种面向海面机动目标跟踪的雷达波形设计方法 | |
CN112799028B (zh) | 一种基于rcs起伏统计特性差异的虚假目标识别方法 | |
CN111883265B (zh) | 一种应用于火控***的目标状态估计方法 | |
CN109671096B (zh) | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 | |
CN113435034A (zh) | 一种基于风险理论的主动传感器管理方法 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Zhang et al. | RSSI-based indoor localization using sparrow search algorithm and backward propagation neural network | |
CN113126086B (zh) | 一种基于状态预测积累的生命探测雷达弱目标检测方法 | |
Liu | Research on wsn node localization algorithm based on rssi iterative centroid estimation | |
CN114662392A (zh) | 基于深度学习的雷达防空侦察效能评估方法 | |
Böhler et al. | Stochastic partitioning for extended object probability hypothesis density filters | |
CN115033025B (zh) | 一种基于态势认知结果的航迹保障方法 |
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 |