[发明专利]一种方位测量融合与多目标定位方法

摘要

本发明涉及一种方位测量融合与多目标定位方法，主要应用于多传感器网络中的多目标纯方位被动定位，在传感器性能存在差异，检测过程存在虚警与漏报的情况下，利用概率假设密度函数建立空间概率模型，利用启发式搜索进行似然估计，最后利用最近邻关联技术完成数据关联实现多目标的定位。

主权项

1.一种方位测量融合与多目标定位方法，其特征在于，包括以下步骤：步骤一：定义N个(传感器数目)传感器的场景模型和观测模型，包括以下子步骤：子步骤一：N个传感器的位置分别为：(x_i,y_i),i＝1,2…N，其中各个参数含义为：i为传感器编号，(x_i,y_i)表示标号为i的传感器的二维坐标；定义空间中任意位置相对于传感器i的方位角为：ξ_i(x,y)＝tan^‑1(y‑y_i,x‑x_i),i＝1,2…N其中各个参数含义为：(x,y)表示空间任意位置；子步骤二：定义传感器的检测概率为P_d＝{d_i,i＝1,2…N},0<d_i≤1传感器的漏报概率为P_f＝{f_i,i＝1,2…N},0<f_i≤1P_d,P_f表示检测概率和漏报概率的集合，d_i,f_i表示第i个传感器的检测概率和漏报概率；子步骤三：定义集合来表示来自各个传感器所有的方位量测，其中的每个元素用表示，它来源于传感器i的第j个量测；m_i表示第i个传感器总共返回的量测个数；集合中的量测有部分来源于目标，有部分属于虚警，其中来源于目标的量测存在一个零均值高斯误差，它是传感器的一个性能指标。定义第i个传感器的量测方差为结合子步骤一、子步骤二、子步骤三和子步骤四，共同组成了传感器的场景模型和观测模型；步骤二：根据步骤一中得到的场景模型和观测模型，建立由PHD函数主导的优化目标函数，其峰值对应着最有可能存在目标的位置：其中：表示任意一个估计的位置；表示对空间中目标个数的估计，η_i表示传感器i的目标数估计。步骤三：运用启发式搜索算法‑差分进化算法对目标函数进行最优化：定义(x_r,y_r)表示目标位置的粗估计，初始化种群时有Γ(Γ是一个百分比)的个体服从分布：Γ,Ω是用户自行设置的控制参数。经过初始化后的差分进化会将主要的算力投放在粗估计附近位置的搜索上。将上述的包含粗估计对目标函数进行差分进化找到优化目标函数最大的位置的过程封装成如下的函数表示：步骤四：通过步骤三搜索到最优位置，对该位置进行和量测集的数据关联，得到量测集的两个子集：(A,B)＝NN(Θ,x_r,y_r)其中门限设置为3σ_i可保证如果没有发生漏报，集合A是一个包含N个元素的量测集，对应着每个传感器能与粗估计位置关联的量测，额外定义A的补集B＝Θ\A表示那些没有被关联的量测。