[发明专利]一种基于随机集理论的多雷达异步数据分布式融合方法

说明书

本发明公开了一种基于随机集理论的多雷达异步数据分布式融合方法，解决了在随机集融合理论框架下的多部雷达接收数据不同步时的目标跟踪融合问题。它的特点是在融合之前选取固定的融合节点，首先分别对多部雷达检测到的数据建立高斯混合模型，并进行GM‑PHD跟踪滤波，然后在设定的融合区间内分别选取GM‑PHD跟踪后离融合节点最近的概率假设密度，最后利用广义协方差交叉算法进行融合处理，它有效解决了在实际应用中多部雷达对同一检测区域多目标接收数据的不同步而造成目标融合失配跟踪性能差的问题，从而实现了对任意多部雷达的接收数据不同步的跟踪融合处理。

技术领域

本发明属于雷达技术领域，涉及随机集理论下的多目标跟踪、异步雷达数据处理和多传感器融合技术研究。

背景技术

信息化条件下，组网雷达充分发挥单部雷达的作用，把不同体质、不同频段、不同工作模式的雷达适当部署，通过通信数据链构成一个网络，并由一个中心基站进行调控，借助于信息融合技术将各部雷达接收到的信息进行处理进而得到可信度高的雷达情报。

传统的数据融合之前都需要进行多源数据关联，如最近邻数据关联(NNDA)、概率数据关联(PDA)、联合概率数据关联(JPDA)、简易联合概率数据关联(CJPDA)和最近邻联合概率数据关联(NNJPDA)等。这些方法都是利用雷达获取与目标状态向量直接相关的信息来进行多目标关联，采用经典推理和统计方法、贝叶斯推理技术、Dempster-Shafer技术和聚类分析等技术实现融合过程，但是当目标数目较多且虚警概率较大时，其计算量非常大且易出错，造成后续的融合结果很差。针对这一缺点，Mahler在研究多目标贝叶斯滤波问题时提出随机集理论，他利用一阶统计矩近似方法对多目标后验概率密度函数求集合积分运算得到多目标强度，避免了直接计算完全后验概率密度函数，避免了数据关联过程，同时该算法还可以实时地对目标个数进行评估，适用于目标个数未知且时变的场景。随着随机集的发展，学者们相继将随机集理论应用到融合领域。2013年，在文献“Distributed Fusion ofPHD Filters Via Exponential Mixture Densities[J].IEEE Journal of SelectedTopics in Signal Processing,2013,7(3):521-531.”中，将PHD应用到分布式融合理论中，在利用PHD跟踪目标之后，采用协方差交叉方法进行数据的融合处理，但是仅仅是针对数据同步的场景。但是在实际雷达场景中，由于开机时间、扫描周期不同等，导致雷达之间接收到的数据是异步的，因此该模型只能在雷达接收的数据是同步的场景中，不能应用于实际雷达场景中。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计了一种针对多雷达异步数据传输下的基于随机集理论分布式融合算法，解决现有利用传统融合跟踪技术来解决异步数据处理的问题。

本发明的解决方案是采用分布式融合跟踪处理的方式，首先对每部雷达的PHD跟踪采用混合高斯模型(Gaussian-Mixture)来表示，在融合之前设定好融合节点，然后分别将各部雷达在融合区间内的接收到的最新的PHD通过Kalman预测的方法外推至融合节点时刻，最后将在融合节点时刻的所有概率假设密度通过广义协方差交叉算法进行融合处理，得到融合数据。该方法有效解决了在实际应用中数据异步且计算量大的问题，从而实现任意部雷达进行目标跟踪时异步数据的处理问题。

本发明提出了一种基于随机集理论的多雷达异步数据序贯式融合方法，具体包括步骤：

步骤1：对高斯混合概率假设密度进行参数化表征；

其中，v_k-1(x)表示在k-1时刻时的多目标后验概率强度，x表示目标状态集合；J_k-1表示在k-1时刻的高斯分量的个数；表示在k-1时刻第i个高斯分量的权重；表示在k-1时刻期望为方差为的第i个高斯分量对应的高斯密度函数，且满足