[发明专利]基于传感器网络的复杂环境下多目标信息融合方法

权利要求书

1.基于传感器网络的复杂环境下多目标信息融合方法，其特征是：

(1)选用小波基函数将量测数据分解在尺度上；

(2)在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波：

离散系统在尺度i下的状态方程和量测方程为：

X(i,k+1)=Φ(i,k+1/k)X(i,k)+G(i,k)w(i,k)Z(i,k)=H(i,k)X(i,k)+v(i,k),]]>

在尺度i下，X(i，k)为k时刻的n维状态矢量，也是被估计矢量；Z(i，k)为k时刻的m维量测矢量；Φ(i，k+1/k)为k到k+1时刻的一步转移矩阵(n×n阶)；w(i，k)为k时刻的系统噪声；H(i，k)为k时刻的量测矩阵(m×n阶)；G(i，k)是系统噪声的加权噪声；v(i，k)为k时刻的m维量测噪声，w(i，k)和v(i，k)满足如下条件：

E[w(i,k)wT(i,j)]=Q(i,k)δkjE[v(i,k)vT(i,j)]=R(i,k)δkjE[w(i,k)v(i,j)]=0,]]>δkj=0(k≠j)1(k=j),]]>

其中Q(i，k)和R(i，k)分别为系统噪声和量测噪声的方差矩阵，它们分别是已知非负阵和正定阵；δ_kj是Kronecker函数，

卡尔曼滤波滤波包括时间更新和量测更新：

时间更新即预测估计：

X^(i,k/k-1)=Φ(i,k/k-1)X^(i,k-1/k-1)]]>

P(i，k/k-1)＝Φ(i，k/k-1)P(i，k-1/k-1)Φ^T(i，k/k-1)+

G(i，k-1)Q(i，k-1)G^T(i，k-1)

量测更新即滤波估计：

K(i，k)＝P(i，k/k-1)H^T(i，k)×[H(i，k)×P(i，k/k-1)H^T(i，k)+R(i，k)]^-1

X^(i,k/k)=X^(i,k/k-1)+K(i,k)[Z(i,k)-H(i,k)X^(i,k/k-1)]]]>

P(i，k/k)＝(I-K(i，k)×H(i，k)]P(i，k/k-1)

式中K(i，k)为滤波增益阵；

(3)将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据；

(4)将每个尺度上处理后的数据通过小波重构方法，得到原始量测数据在不同尺度上滤波后的结果：

所述的小波重构方法为：通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i-1上的低频子空间信号x_L(i-1，k)，通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i-1上的高频子空间信号x_H(i-1，k)：

x_L(i-1，k)＝∑_lh(l)x(i，2k-l)

x_H(i-1，k)＝∑_lg(l)x(i，2k-l)。