[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

说明书

技术领域

本发明涉及的是一种目标跟踪与识别领域的信息融合方法。

背景技术

目标的跟踪与识别是传感器网络的主要用途之一，也是一个难点和关键问题，在许多领域例如交通监控、机构安全和战场状况获取等方面具有广阔的应用前景。

在信息时代，传感器网络所提供的信息量很大，电磁环境十分复杂，这就要求信息融合装置必须具有高灵敏度(作用距离远)、高准确率、高稳定性和高可靠性。一个传感器网络往往可以获得关于目标的多个特征信息，如目标的中心频率、脉宽、脉冲重复周期、脉冲到达时间等，而一般的信息融合装置只利用了很少的一部分信息，从而造成了传感器信息的大量浪费。另外，由于信息的利用率不足，判决依据单一，往往容易造成误判和错判，会对整个跟踪和识别过程产生重大影响。因而综合利用传感器网络提供的多个特征信息是十分必要的，这样既不浪费信息，又能保证信息融合装置的高灵敏度、高准确率、高稳定性和高可靠性。

发明内容

本发明的目的在于提供一种高灵敏度、高精度、高准确率、高稳定性和高可靠性的基于传感器网络的复杂环境下多目标信息融合方法。

本发明的目的是这样实现的：

本发明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：