[发明专利]一种多目标跟踪数据关联方法及系统

权利要求书

1.一种多目标跟踪数据关联方法，其特征在于，包括：

结合目标上一时刻状态及运动属性构建用于预测当前时刻目标位置的强化学习数据关联模型；

在目标当前时刻已知观测值周围模拟随机杂波点并根据设定的波门获得门内候选观测值及观测值位置分布；

根据候选观测值位置分布在关联模型的经验矩阵中选择权值，根据该权值对候选观测值与目标的状态匹配度的波动影响及候选观测值与目标的运动匹配度获得每个候选观测值的关联概率；

根据当前时刻目标一步已知观测值获得当前时刻目标的实际状态一步估计值并进行点迹-航迹关联；

根据关联概率和候选观测值获得当前时刻目标的模拟状态一步估计值，以模拟状态一步估计值与实际状态一步估计值之间的欧式距离为损失对经验矩阵进行训练，重复上述训练和关联过程，直到起始时间段所有已知观测值均完成关联和训练，获得训练模型；

将目标进入杂波区后雷达采集数据点作为观测值，根据设定的波门获得门内候选待测观测值及观测值位置分布，结合所述训练模型及运动匹配获得目标的一步状态估计值，并以此进行关联；计算目标下一时刻的一步状态预测值，以目标下一时刻的一步状态预测值的一步观测预测值与目标的一步状态估计值的一步观测预测值之间的马氏距离为损失对训练模型的经验矩阵进行优化，重复关联和优化直到完成航迹关联。

2.如权利要求1所述的多目标跟踪数据关联方法，其特征在于，所述获得关联概率的步骤包括：

根据候选观测值位置分布在关联模型的经验矩阵中选择权值；

通过计算每个候选观测值与目标的一步观测预测值的欧氏距离，获得每个候选观测值与目标的状态匹配度；

通过将选择的权值与上述欧式距离作代数运算获得权值对状态匹配度的波动影响；

通过计算每个候选观测值与目标的三步观测预测值的欧氏距离，获得每个候选观测值与目标的运动匹配度；

根据运动匹配度和波动后的状态匹配度获得每个候选观测值的关联概率。

3.如权利要求2所述的多目标跟踪数据关联方法，其特征在于，构建强化学习数据关联模型的步骤包括：

已知目标观测值Z^t(k|k),k＝1,...,K_train和杂波区观测值Z(k)，确定k时刻目标t的状态转移矩阵F^t(k)、观测矩阵H^t(k)、过程噪声协方差矩阵Q^t(k)和观测噪声协方差矩阵R^t(k)，计算k时刻目标t的一步状态预测值一步观测预测值一步状态协方差预测值和新息协方差矩阵S^t(k)；

设定λ为学习因子和γ为折扣因子，建立强化学习模型的经验矩阵Q-table，状态s为观测的分布，动作a为经验矩阵的权值选择，Q-table初始化为0矩阵；

所述k时刻目标t的一步状态预测值一步观测预测值一步状态协方差预测值和新息协方差矩阵S^t(k)的计算表达式为：

其中，F^t(k)表示k时刻目标t的状态转移矩阵，H^t(k)表示k时刻目标t的观测矩阵，Q^t(k)表示k时刻目标t的过程噪声协方差矩阵，R^t(k)表示k时刻目标t的观测噪声协方差矩阵，其中K_train为训练过程上限，X^t(k-1|k-1)为当前时刻的状态值，P^t(k-1|k-1)为当前时刻的状态协方差值。