[发明专利]一种分布式融合结构中的强跟踪渐消因子计算方法

说明书

本发明涉及一种分布式融合结构中的强跟踪渐消因子计算方法。本发明通过引入一个名为渐消参数向量的新参数，间接揭示了局部传感器强跟踪渐消因子与融合中心强跟踪渐消因子的解析关系，有效降低了融合中心计算全局渐消因子的计算量。与此同时，本发明涉及的方法适用于线性系统和非线性系统，因此在分布式融合框架下是一种通用的强跟踪渐消因子计算方法，推动了强跟踪滤波技术在分布式融合系统中的应用。

技术领域

本发明属于信号处理领域，具体涉及一种分布式融合结构中的强跟踪渐消因子计算方法。

背景技术

传感器技术和计算机技术的快速发展大大推动了信息融合技术的研究，信息融合技术应用与目标检测与跟踪、惯性导航、模式识别、机器人和智能仪器系统、智能制造系统、图像分析与理解等众多领域。常用的信息融合系统体系结构有集中式和分布式。相较于集中式结构，分布式结构对通信带宽的需求低、计算速度快、可靠性和延续性好。卡尔曼滤波(KF)及其一系列衍生方法如扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)等滤波器由于具有递推计算的特性，且对存储空间和计算要求很小，因而被广泛用于设计信息融合方法。

需要注意的是，上述的这些滤波器需要已知准确的系统参数，且系统状态不能出现突变的现象。但在实际的多传感器融合系统中，目标状态突变时常发生，比如被跟踪目标产生一次机动，或被检测系统突发一次系统故障等。强跟踪滤波技术能有效解决这一问题，其核心是通过计算强跟踪渐消因子对状态的预测误差协方差阵进行调整，从而达到改善融合滤波的精度。由于计算融合中心的全局强跟踪渐消因子时需要用到所有局部传感器的残差信息，涉及到高维矩阵运算，易造成计算负担。此外，在分布式融合框架下，融合中心的全局强跟踪渐消因子与局部传感器的强跟踪渐消因子之间没有计算解析式，这些都严重阻碍了强跟踪滤波技术在分布式融合系统中的应用。

发明内容

针对上述的这些问题，本发明提供一种分布式融合结构中的强跟踪渐消因子计算方法。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：参数初始化

(1.1)系统状态初始化：P(0|0)＝P₀，传感器数量N_s，仿真步长L。

(1.2)强跟踪滤波参数初始化：初始化遗忘因子ρ和弱化因子β。

步骤2：利用局部滤波器计算局部传感器的状态预测协方差阵P_i(k|k-1)和测量残差向量γ_i(k)。其中，下标i为传感器标号，k为离散时刻。线性系统的局部滤波器采用Kalman滤波(KF)，非线性系统的局部滤波器采用扩展Kalman滤波(EKF)、无迹Kalman滤波(UKF)或容积Kalman滤波(CKF)。

步骤3：计算局部渐消参数向量q_i(k)＝[q_i,1(k),q_i,2(k),q_i,3(k),q_i,4(k),q_i,5(k)]^T，且有

上式中，上标T表示矩阵转置运算，tr表示矩阵的迹运算。V_i⁰(k)为k时刻第i个传感器的实际残差序列的协方差矩阵；R_i(k)为k时刻第i个传感器的测量噪声方差；H_i(k)为k时刻第i个传感器的测量矩阵，对于非线性系统而言，H_i(k)为相应的线性化测量矩阵；Q(k-1)为k-1时刻系统过程噪声方差。

步骤4：计算全局渐消参数向量

步骤5：利用全局渐消参数向量q_g(k)估算全局渐消因子λ_g(k)。