[发明专利]一种动态自适应多雷达信息融合方法

说明书

本发明公开了一种动态自适应多雷达信息融合方法，针对多雷达航迹信息进行有效动态自适应加权融合，接收并分析雷达数据源实时质量特点，进而计算数据源质量权值因子，根据权值因子实现动态自适应数据融合，以达到将多源数据融合为一更优结果的目的；同时，为使融合结果稳定性及准确性进一步提升，利用滤波器迭代优化传感器数据。本发明方法在实际场景及仿真场景下，都表现出较好的融合效果，较大地降低了雷达传感器误差及误报的影响。

技术领域

本发明涉及多传感器信息融合处理及应用领域，特别是一种动态自适应多雷达信息融合方法。

背景技术

多雷达信息融合是充分利用多种雷达信息源，并根据一定的处理标准把多个雷达信息源在空间或时间上的冗余或互补信息进行组合，来得到对被测对象的一致性解释或者描述，使得该信息系统相对于由其包含的各个子集所构成的系统具有更好的性能。多源信息融合的目的主要有两个方面：一方面，针对多源信息的冗余性，消除输入信息中的噪声和异常值；另一方面，针对多源信息的互补性，获取与实际应用相关的有价信息，最大限度地获取所观察对象的完整信息描述。

多源信息融合方法种类繁多，每种方法都各有优缺点，各种方法相互之间也具有一定的差异性。按照多源信息融合算法的数学基础可分为估计理论方法、不确定性推理方法和人工智能和模式识别方法。而根据处理信息源所在的层次，信息融合可分为数据层融合、特征层融合和决策层融合。按融合层次对融合方法分类时，数据层信息融合中多采用加权平均值或聚类算法；特征层信息融合算法包括神经网络、模糊理论和D-S证据理论等；决策层信息融合常用的算法包括D-S证据理论、Bayes推理和模糊理论。

估计理论方法，包括线性估计技术和非线性估计技术。常见的线性估计技术有卡尔曼滤波与加权平均等；非线性估计技术如扩展卡尔曼滤波(Extended Kalman Filter，EKF)、强跟踪滤波器(Strong Tracking Filter，STF)和无损卡尔曼滤波(UnscentedKalman Filter，UKF)等。随着对信息融合认知程度的加深，基于随机抽样技术的非线性非高斯系统的研究也获得了很多成果。

不确定推理方法的目的就是实现根据不确定信息进行信息处理，用来实现对目标身份的识别和属性判断等。不确定推理方法主要包括主观贝叶斯方法、D-S证据推理方法、DSmT方法、模糊数学理论方法和可能性推理方法等。其中，主观贝叶斯方法要求系统可能的决策相互独立，是早期使用的一种高效率的信息融合方法；D-S证据理论采用信任函数作为量度，能够较好解决未知所引起的不确定问题；DSmT方法是传统D-S理论的延伸，通过组合使用信任函数，可以表达任何类型的独立源。而且，考虑到实际应用中正常情况下先验概率是未知的，因此当设置的先验概率值不匹配时，结果是不准确的。

人工智能和模式方法可以处理不完善数据，在处理信息的过程中通过自身不断学习与归纳，最终把不完善的信息融合为较为统一和完善的信息。主要方法包括粗糙集理论、随机理论、信息熵理论、灰色系统理论、贝叶斯网络、神经网络和遗传算法等。

发明内容

本发明所要解决的技术问题是提供一种动态自适应多雷达信息融合方法，在复杂实际场景下取得较好融合效果，较大地克服传感器误报、漏报、误差问题，在输出精度上得到提高。

为解决上述技术问题，本发明采用的技术方案是：

一种动态自适应多雷达信息融合方法，包括以下步骤：

步骤1：接收预处理：接收各雷达源发送航迹数据，并对接收到原始数据进行预处理，包括：

1)数值合法性判断||pos-center||₂指雷达航迹位置与融合中心距离，ε指设置容许范围；