[发明专利]基于最大期望近似的切尔诺夫融合方法

说明书

本发明公开了一种基于最大期望近似的切尔诺夫融合方法。其包括在每部传感器进行粒子滤波获得本地的估计结果，同时采用最大期望方法将本地估计结果近似为高斯混合分布，并在多传感器之间交互高斯混合参数，然后利用一阶近似模型下的切尔诺夫融合方法进行初步的数据融合，将融合结果作为重要性采样函数，恢复各个传感器的本地粒子样本，同时计算对应的指数权值，获得每个粒子样本的指数加权结果，并作为新的粒子样本，并再次利用最大期望方法将其近似为高斯混合分布，最后依据切尔诺夫融合准则进行分布式数据融合，利用融合结果计算得到目标的估计状态。该方法可以实现最优的切尔诺夫融合，获得精度高且保守的分布式数据融合结果。

技术领域

本发明属于多传感器数据融合技术领域，尤其涉及一种基于最大期望近似的切尔诺夫融合方法。

背景技术

随着现代战场环境的日益复杂，隐身与反隐身、对抗与反对抗等迫切需求，强机动、高杂波、低检测率和高虚警率等问题的出现，利用多传感器数据融合从而获得更加全面、准确、可靠的环境态势信息越来越受到人们的关注。其中，分布式数据融合因其具有通信量低、可扩展性强、鲁棒性好等众多优点得到了长足的发展，并广泛地应用到了区域监视、目标跟踪、目标定位等众多领域。

对于分布式数据融合，由于不同传感器的本地估计结果具有公共的过程噪声、不同传感器的量测噪声存在相关性等原因，不同传感器的估计结果通常也存在一定的相关性。一般来说，忽略该相关性进行分布式数据融合将导致融合结果发散，多传感器融合系统失效。而计算不同传感器估计结果之间的相关性，再进行移除又通常需要系统无法承受的计算量。现有技术提出了两种融合方法。一种是通过对不同传感器的估计结果进行加权平均，最终可以获得收敛的融合结果。但该方法没有相应的理论支撑，经验性地利用协方差交叉方法对高斯混合分量进行两两融合，融合结果次优，且精度较低；另一种是通过对不同传感器的估计结果进行指数加权，最终可以获得收敛的融合结果，并在理论上证明了该方法的正确性及可行性。但该方法在实现过程中引入了一些不合理的假设和近似过程，导致融合结果存在较大的信息损失，融合精度也较低，融合结果次优。

发明内容

本发明的发明目的是：为了解决现有技术中存在的以上问题，本发明提出了一种基于最大期望近似的切尔诺夫融合方法，以期实现最优的切尔诺夫融合，获得精度高且保守的分布式数据融合结果。

本发明的技术方案是：一种基于最大期望近似的切尔诺夫融合方法，包括以下步骤：

A、初始化多传感器系统的系统参数，并且设置初始n＝0；

B、获取本地传感器量测，并利用粒子滤波方法进行本地滤波，得到粒子样本近似的本地后验概率密度函数，同时接收并存储其它传感器发送来的高斯混合参数；

C、采用最大期望方法将粒子样本近似的本地后验概率密度函数近似为高斯混合分布，并将高斯混合参数发送至其他传感器；

D、利用步骤B中存储的其它传感器的高斯混合参数和步骤C中的高斯混合参数进行一阶近似模型下基于切尔诺夫融合准则的分布式数据融合，并以切尔诺夫信息最小为准则，求取对应的指数权值；

E、将步骤D中分布式数据融合的融合结果作为重要性采样函数，对重要性采样函数进行重要性采样，恢复各个传感器本地的粒子样本，并根据步骤D获得的指数权值求取每个粒子样本的指数加权结果，将作为新的粒子样本；

F、利用最大期望方法将步骤E获得的新的粒子样本近似为高斯混合分布；

G、根据步骤F中的高斯混合参数进行基于切尔诺夫融合准则的分布式数据融合，获得解析的切尔诺夫融合结果；

H、根据步骤G中解析的切尔诺夫融合结果计算目标估计状态；

I、将n递增1，判断n是否大于观测总帧数L；若是，则操作结束；若否，则返回步骤B。