[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

摘要

本发明的目的在于提供基于传感器网络的复杂环境下多目标信息融合方法，分为以下步骤：选用适当的小波基函数将量测数据分解在若干个尺度上，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，得到新的滤波数据，将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据，将每个尺度上处理后的数据通过小波重构算法，得到原始量测数据在不同尺度上滤波后的结果。本发明具有高灵敏度、高精度、高准确率、高稳定性和高可靠性等特点。

主权项

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： E [ w ( i , k ) w T ( i , j ) ] = Q ( i , k ) δ kj E [ v ( i , k ) v T ( i , j ) ] = R ( i , k ) δ kj E [ w ( i , k ) v ( i , j ) ] = 0 , δ kj = 0 ( k ≠ j ) 1 ( k = j ) , 其中Q(i，k)和R(i，k)分别为系统噪声和量测噪声的方差矩阵，它们分别是已知非负阵和正定阵；δkj是Kronecker函数，卡尔曼滤波滤波包括时间更新和量测更新：时间更新即预测估计： X ^ ( i , k / k - 1 ) = Φ ( i , k / k - 1 ) X ^ ( i , k - 1 / k - 1 ) P(i，k/k‑1)＝Φ(i，k/k‑1)P(i，k‑1/k‑1)ΦT(i，k/k‑1)+G(i，k‑1)Q(i，k‑1)GT(i，k‑1)量测更新即滤波估计：K(i，k)＝P(i，k/k‑1)HT(i，k)×[H(i，k)×P(i，k/k‑1)HT(i，k)+R(i，k)]‑1 X ^ ( i , k / k ) = X ^ ( i , k / k - 1 ) + K ( i , k ) [ Z ( i , k ) - H ( i , k ) X ^ ( i , k / k - 1 ) ] P(i，k/k)＝(I‑K(i，k)×H(i，k)]P(i，k/k‑1)式中K(i，k)为滤波增益阵；(3)将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤 波数据；(4)将每个尺度上处理后的数据通过小波重构方法，得到原始量测数据在不同尺度上滤波后的结果：所述的小波重构方法为：通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i‑1上的低频子空间信号xL(i‑1，k)，通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i‑1上的高频子空间信号xH(i‑1，k)：xL(i‑1，k)＝∑lh(l)x(i，2k‑l)xH(i‑1，k)＝∑lg(l)x(i，2k‑l)。