基于svm的多傳感器的目標(biāo)跟蹤數(shù)據(jù)融合算法及其系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 發(fā)明涉及一種基于SVM的多傳感器的目標(biāo)跟蹤數(shù)據(jù)融合算法及其系統(tǒng)，屬于網(wǎng)絡(luò) 通信技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 單一傳感器信號難以保證輸入信息的準(zhǔn)確性和可靠性，不能滿足應(yīng)用系統(tǒng)獲取環(huán) 境信息及系統(tǒng)決策能力。多傳感器信息融合技術(shù)通過一定的技術(shù)融合手段，協(xié)調(diào)使用多個 傳感器，把分布在不同位置的多個同質(zhì)或異質(zhì)傳感器所提供的局部不完整測量及相關(guān)聯(lián)數(shù) 據(jù)庫中的相關(guān)信息加以綜合，消除多傳感器之間可能存在的冗余和矛盾，并加以互補(bǔ)，降低 其不確定性，獲得對對象或環(huán)境的一致性描述。但是，多傳感器系統(tǒng)受到傳感器狀態(tài)不穩(wěn) 定、多模態(tài)、高沖突等因素的限制。因此，如何刪除故障節(jié)點(diǎn)，融合支持度較高的傳感器之間 的冗余數(shù)據(jù)，既能降低傳感器網(wǎng)絡(luò)的通信開銷，又能提高數(shù)據(jù)的可靠性。多傳感器數(shù)據(jù)融合 在智能機(jī)器人、遙感、雷達(dá)和導(dǎo)航等領(lǐng)域正得到廣泛的研究。數(shù)據(jù)融合是多傳感器目標(biāo)跟蹤 中的關(guān)鍵技術(shù)。也就是說，多傳感器跟蹤系統(tǒng)必須滿足在不穩(wěn)定和未知環(huán)境參數(shù)的情況下 保持穩(wěn)健的執(zhí)行力和持續(xù)較高的定位精度。
[0003] 近來，大量研究人員在雷達(dá)/紅外傳感器的數(shù)據(jù)融合算法研究上做出了大量成果。 例如微波相控陣列雷達(dá)協(xié)同低頻雷達(dá)目標(biāo)跟蹤的數(shù)據(jù)融合算法，以低雷達(dá)橫截面追蹤目 標(biāo)，獲得了較好的融合效果;GPS/mu多傳感器融合算法引入環(huán)境變量作為各個傳感器的效 度，算法提高了目標(biāo)位置信息的可靠性。在融合過程中將MU加速度信息加入多傳感器卡爾 曼濾波器中，并且此濾波器可以自由添加其它傳感器來獲得更高的性能。多傳感器卡爾曼 濾波器適合整合多個傳感器而無需重建整個濾波器結(jié)構(gòu)。卡爾曼濾波器通過最小化均方誤 差(MSE)來獲得線性過程的最優(yōu)狀態(tài)估計。一種新的研究方向是利用卡爾曼濾波器結(jié)合模 糊自適應(yīng)系統(tǒng)來提高算法的魯棒性。
[0004] 傳統(tǒng)的多傳感器數(shù)據(jù)融合理論缺乏有效性并且存在大量誤差，原因是多傳感器系 統(tǒng)的不確定因素和外界干擾復(fù)雜的非線性。所以有必要增強(qiáng)對傳感器狀態(tài)的監(jiān)測。傳統(tǒng)的 極大似然估計、最小二乘法、卡爾曼濾波適用于原始數(shù)據(jù)的融合，但需要獲得對象比較精確 的數(shù)學(xué)模型，對于復(fù)雜、難于建立數(shù)學(xué)模型的場合無法適用。新進(jìn)的人工智能算法憑借較強(qiáng) 的適應(yīng)能力已成為數(shù)據(jù)融合的最具潛力的研究方向，為了避免復(fù)雜的系統(tǒng)方法，以機(jī)器學(xué) 習(xí)的方法擬合復(fù)雜的非線性映射關(guān)系越來越被接受和運(yùn)用，如模糊邏輯理論(FL)、人工神 經(jīng)網(wǎng)絡(luò)(ANN)以及混合模糊神經(jīng)網(wǎng)絡(luò)。軟計算的基礎(chǔ)思想是利用訓(xùn)練數(shù)據(jù)進(jìn)行系統(tǒng)辨識和 回歸。支持向量機(jī)(Support Vector Machine，簡稱SVM)是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起 來的一種新的機(jī)器學(xué)習(xí)方法，它是建立在統(tǒng)計理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原則上 的，避免陷入局部最小點(diǎn)，并能有效地解決過學(xué)習(xí)問題，具有良好的推廣性能和較好的分類 或回歸精確性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種算法復(fù)雜度低，易于實現(xiàn)的基于SVM的多 傳感器的目標(biāo)跟蹤數(shù)據(jù)融合算法，進(jìn)一步地，提供一種具有較強(qiáng)的魯棒性和容錯性，并且易 于擴(kuò)展的基于SVM的多傳感器的目標(biāo)跟蹤數(shù)據(jù)融合算法，更進(jìn)一步地，提供一種采用基于 SVM的多傳感器的目標(biāo)跟蹤數(shù)據(jù)融合算法的系統(tǒng)。
[0006] 為解決以上技術(shù)問題，本發(fā)明采用的技術(shù)方案是:一種基于SVM的多傳感器的目標(biāo) 跟蹤數(shù)據(jù)融合算法，將傳感器采集到的目標(biāo)信息，采用緊致結(jié)合方式，以支持向量機(jī)作為中 間層，環(huán)境變量和測量方差歸一化向量作為支持向量機(jī)的輸入，支持向量機(jī)輸出為傳感器 的信任度，用已知訓(xùn)練樣本做離線訓(xùn)練，用實時濾波器信息做在線估計，融合知識庫根據(jù)所 得傳感器信任度通過實時加權(quán)作出航跡融合。
[0007] 所述傳感器的測量模型為:結(jié)合雷達(dá)傳感器的距離測量能力和紅外傳感器的測角 度能力，在同一個節(jié)點(diǎn)上同時安裝雷達(dá)、紅外傳感器，可以得到描述一個目標(biāo)位置的完整信 息;測量向量對應(yīng)于一個三維極坐標(biāo)，以第i個傳感器節(jié)點(diǎn)為原點(diǎn)，傳感器測量模型為：
[0008]
[0009] w
[0010] 為測量轉(zhuǎn)換函數(shù)，此處為非線性；測量向量為(蛛離)，W)re#，k為時間索 弓l，h(k)為目標(biāo)在k時刻與第i個傳感器的距離，0,(10為k時刻第i個傳感器觀測到的目標(biāo)的 仰角，料幻為k時刻第i個傳感器觀測到的方向角，x(k)、y(k)、z(k)為目標(biāo)的位置狀態(tài)，v為 測量噪聲變量，vi(k)eR 3為第i個傳感器在k時刻的噪聲，仿真時采用統(tǒng)一的高斯白噪聲作 為環(huán)境噪聲，即噪聲滿足正態(tài)分布v~N(0，V)，V為觀測噪聲協(xié)方差矩陣，可以通過多次測量 得到；
[0011] 設(shè)離散時間狀態(tài)方程描述為：
[0012] X(k+l)=AX(k)+w(k) (3)
[0013] 其中，狀態(tài)向量為X(k) = [x(k)，y(k)，z(k)，vx(k)，vy(k)，vz(k)] T表示垂直方向、 正北方和正東方向的位置與速度矢量，vx(k)，vy(k)，v z(k)分別為k時刻垂直方向、正北方和 正東方向的速度，AER6為一步狀態(tài)轉(zhuǎn)移矩陣，表達(dá)為
(4)
[0014] 12 T為采樣間隔，I為單位矩陣，BER3視具體路線而定，w(k)為狀態(tài)噪聲向量，w~N (〇，Q)，Q為過程激勵噪聲協(xié)方差陣，各狀態(tài)變量的噪聲獨(dú)立分布，所以Q = diag(〇2,o2,o2， ε2，ε2，ε2)，位置噪聲w x~N(0，σ2)，速度噪聲Wv~N(0，ε 2)。式⑴和⑶構(gòu)成了多傳感器目標(biāo) 跟蹤的基本模型，其中狀態(tài)方程是線性的，測量方程是非線性的。 2 進(jìn)一步地，擴(kuò)展卡爾曼濾波器用來解決非線性離散時間過程;定義先驗估計誤差 <和后驗估計誤差改分別為：
[0017]
(5)
[0018] 其中1_)為先驗狀態(tài)估計，f (!)_為后延狀態(tài)估計，先驗估計誤差的協(xié)方差 和后驗估計誤差的協(xié)方差Pk分別為：
[0019]
[0020] 后驗狀態(tài)估計是用先驗狀態(tài)估計計算得到：
[0021]
(7)
[0022] 式(7)測量變量及預(yù)測之差(八/?)-A-1))被稱為測量過程的殘余，殘余值反 映了預(yù)測值與真實值不一致的程度，殘余為零表明預(yù)測完全正確;式(7)中6X3矩陣K叫做 殘余增益，作用是使(6)式后驗估計誤差協(xié)方差最小，K的求取步驟如下：將(7)式帶入(5)， 再將ek帶入(6)式的P k中，求得期望后，將Pk對說求得并令導(dǎo)數(shù)為零求得K的值，K的表達(dá)式 為：
[0023]
C8；
[0024] 其中HER3X6是h(k，X(k))對X(k)的偏導(dǎo)的雅可比矩陣：
[0025]
(9)
[0026] Η中的第i行第j列元素為函數(shù)h的第i項對狀態(tài)向量X中第j個變量求偏導(dǎo)所得，帶 入(2)式得：
[0027]
[0028] 其中S = x2+y2,擴(kuò)展卡爾曼濾波器的時間跟新方程為：
[0029]
(11)
[0030] 狀態(tài)跟新方程為：
[0031]
⑴）
[0032] (11)式的測量跟新方程利用觀測值變量Y(k)校正狀態(tài)估計和協(xié)方差估計，用上一 時刻的后驗狀態(tài)估計推進(jìn)當(dāng)前時刻的先驗估計，用當(dāng)前的先驗估計修正當(dāng)前的后驗狀態(tài)估 計。
[0033] 基于支持向量機(jī)的多傳感器數(shù)據(jù)融合，其中一個輸入使用測量方差歸一化變量， 為了描述傳感器的相對測量精度，對于雷達(dá)/紅外傳感器的測量向量
，其中三個參數(shù)分別為雷達(dá)的距離信息、紅外的仰角和紅外 測得的方位角，對yj的測量方差做如下歸一化處理：
(13)
[0034]
[0035] 〇yj⑴表示第i個傳