[发明专利]一种面向多无人机协同探测的多传感器自适应管理方法

摘要

本发明涉及一种面向多无人机协同探测的多传感器自适应管理方法。该方法包括采用贝叶斯网络推理技术的目标协同识别模型；利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；使用感知信息熵来表征目标类别的“不确定性”；基于感知信息熵建立了目标协同识别到传感器动态管理的“感知‑学习‑决策‑行动”的探测闭环；使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机‑多目标”的分配效率；从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

主权项

1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别，其中该步骤包括：在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为Xk＝(x1，x2，...，xm)，则根据贝叶斯理论对目标的判决概率p(wi|Xk)为：其中p(xj|wi)为目标探测的先验概率，p(wi)是目标类型wi出现的概率，p(xj)测量值xj出现的先验概率；步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；步骤C：使用感知信息熵来表征目标类别的不确定性，该步骤包括：各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：X1：k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合，pi(w|X1：k)是指在第k个控制周期已知目标特征组合X1：k的前提下，对第i个目标识别的贝叶斯判决概率，感知信息熵增量ΔH定义为：ΔHk＝Hk(p)‑Hk‑1(p)，ΔHk越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别；步骤D：基于感知信息熵建立目标协同识别到传感器动态管理的“感知‑学习‑决策‑行动”的探测闭环；步骤E：使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；步骤F：采用遗传算法与粒子群算法相结合的算法来建立多无人机‑多目标分配模型：步骤G：从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。