[发明专利]一种多传感器选择性量测数据融合估计算法

权利要求书

1.一种多传感器选择性量测数据融合估计方法，其特征在于，该方法会选择各传感器量测数据中部分有价值数据提交给融合中心，在融合中心处进行量测数据的融合，然后基于融合后的量测数据对目标进行跟踪估计；该方法是以人工神经网络为有价值量测数据选取的计算框架，并结合遗传算法来进行优化，使多传感器跟踪系统在总的数据带宽一定时获得较好的目标跟踪估计效果；具体为：该方法以量测数据和目标位置预测值为输入通过人工神经网络N计算来获取传感器感兴趣区域，该区域则确定了各传感器中需要提交给融合中心的有价值的量测数据，再采用遗传算法的方式进行离线训练，以仿真的量测数据Z_k和目标位置信息X_k作为训练集，以跟踪的均方根误差RMSE的倒数作为适应度函数，优化上述人工神经网络N的相关权值和偏置；该方法包含离线部分和在线部分两部分；

其中离线部分步骤为：

步骤一，建立若干个人工神经网络N并对其相关参数进行初始化；

步骤二，以当前时刻k训练集中的各个传感器量测数据Z_k和目标位置的预测作为输入值，通过步骤一中建立的若干个人工神经网络并行计算，得到相应的感兴趣区域中心位置X_c；

步骤三，将各传感器所选择的量测数据提交融合中心进行融合；

步骤四，利用滤波器对目标状态进行估计；

步骤五，当前时刻k＝k+1，重复步骤二至步骤四流程，对目标进行若干帧的跟踪估计，计算应用各个人工神经网络所得到的估计均方根误差；

步骤六，以步骤五中得到的均方根误差的倒数作为适应度函数，以各个人工神经网络作为种群中的个体，进行遗传算法中的选择、交叉、变异的操作，确定新一代的各个人工神经网络；

步骤七，重复步骤五和步骤六，进行若干次迭代，获得经遗传算法优化后的人工神经网络N’；

在线部分步骤为：

步骤一，各个传感器获取当前k时刻的量测数据Z_k和目标位置的预测

步骤二，由离线部分步骤得到的人工神经网络N’计算各个传感器的感兴趣区域中心位置X_c；

步骤三，将各传感器所选择的量测数据提交融合中心进行融合；

步骤四，利用滤波器对目标状态进行估计，获得最终目标跟踪估计结果。