[发明专利]基于KMDL准则判据的核K‑均值航迹关联方法

说明书

技术领域

本发明属于多传感器多目标跟踪技术领域，具体涉及一种基于KMDL准则判据的核K-均值航迹关联方法。

背景技术

多传感器多目标跟踪系统主要通过数据链接收每个传感器系统传来的局部航迹信息，然后对这些局部航迹信息进行关联、配准、融合等核心问题的计算，形成协同探测融合后的目标航迹。

多传感器协同目标跟踪可实现对目标的精确跟踪，实际应用中，待跟踪目标存在多个，此时需要正确地确定传感器所接收到的量测信息与感兴趣的目标间的对应关系。然而，由于虚假的辐射源产生的杂波，干扰杂波以及假目标等原因，会造成量测起源的不确定性，即目标与量测的对应关系不确定性，消除这种不确定性的方法是应用航迹关联技术。在分布式系统结构中，融合中心接收单个传感器处理得到的局部航迹信息，然后对这些局部航迹进行融合形成对目标状态更精确的估计，首先需要知道局部航迹与目标间的对应关系。航迹关联问题就是要判断各传感器得到的局部航迹中是否来自同一目标。

真实战场目标具有密集、复杂度高等特点，多目标之间的相互影响，目标飞行的高机动性，杂波的干扰，传感器量测误差的存在，都使得航迹关联问题变得非常困难。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于 KMDL准则判据的核K-均值航迹关联方法，该方法能够快速、准确的解决复杂环境下的多目标航迹关联问题。

本发明是通过以下技术方案来实现：

基于KMDL准则判据的核K-均值航迹关联方法，包括以下步骤：

步骤一：构建典型航迹关联场景

首先，选择接近目标真实运动模式的典型模型，生成目标量测；其次，采用泊松分布生成杂波；然后，生成目标群体高机动交叉飞行，且目标密集度高的航迹关联场景；

步骤二：使用KMDL准则判据确定目标航迹个数

任意提取航迹关联场景中某一时刻的航迹观测场景，选取该时刻数据作为航迹关联样本数据，把核函数引入到最小描述长度MDL准则中，利用核函数下最小描述长度准则KMDL判据建立精确描述对象的模型，进行KMDL值计算，KMDL的值随K值选取的不同变化，当KMDL最小时，模型复杂度和模型数据匹配度之间达到最优，选取该时刻的K值为最佳航迹个数；

步骤三：对航迹观测场景用核K-均值算法关联

对航迹观测场景采用核K-均值算法关联，聚类簇的个数K为步骤二获得的最佳航迹个数，然后在核空间内进行K-均值聚类，核K-均值聚类结果分别为某一时刻的K个航迹。

步骤二中，设模型集合为M，MDL准则选择出的模型为M_mdl，模型M_mdl的标准是最小化以下两项之和：

|L_m(M_i)|：描述模型M_i所需的位数；

|L_c(D|M_i)|：给定模型M_i，描述对象D所需的位数，|L_c(D|M_i)|为基于模型 Mi描述对象D的语言；

则MDL表达如下：

扩展核函数下的MDL形式，MDL仅与描述模型误差的协方差矩阵|Σ_j|有关，误差由原空间以及核转换后的转换空间决定，MDL的形式为：

n_j是第j个簇的样本个数，Dist是在将样本X_k归入到第j个簇的误差， P(J,D,I)为惩罚函数，D是样本的维数，I是簇的个数；

误差函数是使用内核公式计算的欧式距离，第j个聚类簇中各点到其中心的距离平方和为核K-均值的优化函数：

假设K是线性核，S等于在原始空间X中方差，即K(X_k,X_l)＝X_kX_l；

获得完整的MDL公式，假设每个维度簇的方差相等，替换协方差矩阵行列式Σ_j为：

假定聚类各维无差异，则S_j在任意的核函数中得到，则有：

步骤三中所述的核K-均值算法，包括以下步骤：

1)在核空间中任意选择航迹场景中的K个样本作为初始聚类中心