一种基于后验信息融合的多传感器多帧联合检测算法

摘要

本发明公开了一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；S2、接收回波数据；S3、进行本地后验概率密度函数计算；S4、后验概率密度函数表征参数的近似计算；S5、进行信息传递；S6、进行全局后验概率密度计算；S7、进行目标航迹估计。本发明的算法能够同时发挥多传感器信息融合和多帧联合检测技术的优势，进一步改善算法对微弱目标的检测跟踪性能；并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率；可以广泛应用于组网雷达，MIMO雷达、阵列声呐等多个领域。

权利要求

1.一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，包括以下步骤：S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；

S2、接收回波数据，第m个传感器接收第k帧回波数据记为表示第(x,y)个分辨单元的量测值；

S3、进行本地后验概率密度函数计算；

S4、后验概率密度函数表征参数的近似计算；具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数， 表示第m个传感器第n个高斯分布的均值，表示第n个高斯分布的方差， 为加权系数，其中，n＝1,…,Nm； 的计算方法包括以下步骤：S41、令i＝0，初始化 和 的值为 和S42、令i＝i+1，计算：

表示均值为 方差为 时， 的后验概率密度；

S43、计算相邻两次迭代的误差，即 判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令否则，返回步骤S42；

S5、进行信息传递；具体实现方法为：传递 值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，其中， 表示高斯分布；

S6、进行全局后验概率密度计算；

S7、进行目标航迹估计。

2.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S3包括以下子步骤：S31、计算当前时刻的值函数：

其中，xk表示k时刻的目标状态， 表示当前时刻值函数，表示上一时刻的值函数， 表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列， 表示1到K时刻的状态空间， 表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；

S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：其中， 表示离散状态空间， 表示迪拉克函数。

3.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S6具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：其中，ωm＝1/M。

4.根据权利要求1所述的一种基于后验信息融合的多传感器多帧联合检测算法，其特征在于，所述步骤S7具体实现方法为：按照下式计算目标航迹全局估计，其中， 表示从分布 中得到的状态序列的采样。

说明书

一种基于后验信息融合的多传感器多帧联合检测算法

技术领域

[0001] 本发明属于目标检测跟踪领域，涉及了多传感器融合和微弱目标检测跟踪技术领域，特别涉及一种基于后验信息融合的多传感器多帧联合检测算法。

背景技术

[0002] 多传感器融合是目标状态估计领域的一个研究热点。该方法能够利用多部传感器从多个角度对目标的观测数据，获得目标的空间分集同时提升目标状态估计精度。近些年来，多传感器融合算法的研究受到了广泛关注。但这些研究工作主要集中在单帧检测领域，即算法只利用多个传感器当前时刻的回波数据完成目标的检测估计。当目标的信噪比较高时，该方法可以获得比较好的检测跟踪性能。但当目标的信噪比较低时，其回波信号无法超过检测门限，算法性能会大幅下降。

[0003] 多帧联合检测算法是一种有效的检测低信噪比目标的方法。该方法在每个时刻联合处理多帧回波数据，通过利用目标的空时相关性积累目标能量同时抑制噪声和杂波，最终改善目标的信噪比，提高检测性能。目前，多帧联合检测算法方面也存在很多研究，但这些研究主要以单传感器为背景，无法直接应用于多传感器系统中。

[0004] 如上所述，多传感器融合和多帧联合检测算法在目标检测跟踪方面各自存在一定的优势。直观地，二者结合将进一步提升算法性能。一方面，可以利用多传感器的平台优势获取空间分集，另一方面，可以通过数据积累改善目标信噪比。但目前，多传感器多帧联合检测算法的研究还很少。这主要是因为，不同于单传感器多帧联合检测算法或者多传感器单帧检测算法，多传感器多帧联合检测算法无论在数据处理量还是算法复杂度上都大大增加，难以实现。

发明内容

[0005] 本发明的目的在于克服现有技术中针对多传感器多帧联合检测算法复杂度高，难以实现的的不足，提供一种能够同时发挥多传感器信息融合和多帧联合检测技术的优势，并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率的基于后验信息融合的多传感器多帧联合检测算法。

[0006] 本发明的目的是通过以下技术方案来实现的：一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：

[0007] S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；

[0008] S2、接收回波数据，第m个传感器接收第k帧回波数据记为 m＝1,…,M；表示第(x,y)个分辨单元的量测值；

[0009] S3、进行本地后验概率密度函数计算；

[0010] S4、后验概率密度函数表征参数的近似计算；

[0011] S5、进行信息传递；

[0012] S6、进行全局后验概率密度计算；

[0013] S7、进行目标航迹估计。

[0014] 进一步地，所述步骤S3包括以下子步骤：

[0015] S31、计算当前时刻的值函数：

[0016]

[0017]

[0018]

[0019] 其中，xk表示k时刻的目标状态， 表示当前时刻值函数， 表示上一时刻的值函数， 表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列， 表示1到K时刻的状态空间， 表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；

[0020] S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：

[0021]

[0022] 其中， 表示离散状态空间， 表示迪拉克函数。

[0023] 进一步地，所述步骤S4具体实现方法为：具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数， 表示第m个传感器第n个高斯分布的均值，表示第n个高斯分布的方差， 为加权系数，其中，n＝1,…,Nm； 的计算方法包括以下步骤：

[0024] S41、令i＝0，初始化 和 的值为 和

[0025] S42、令i＝i+1，计算：

[0026]

[0027]

[0028]

[0029]

[0030] 表示均值为 方差为 时， 的后验概率密度；

[0031] S43、计算相邻两次迭代的误差，即 判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令否则，返回步骤S42。

[0032] 进一步地，所述步骤S5具体实现方法为：传递 值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，

[0033]

[0034] 其中， 表示高斯分布。

[0035] 进一步地，所述步骤S6具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：

[0036]

[0037] 其中，ωm＝1/M。

[0038] 进一步地，所述步骤S7具体实现方法为：按照下式计算目标航迹全局估计，[0039]

[0040] 其中， 表示从分布 中得到的状态序列的采样。

[0041] 本发明的有益效果是：本发明能够同时发挥多传感器信息融合和多帧联合检测技术的优势，进一步改善算法对微弱目标的检测跟踪性能；并通过高斯混合近似降低了算法的传输代价，在保证算法性能的同时提高算法实现效率；可以广泛应用于组网雷达，MIMO雷达、阵列声呐等多个领域。

附图说明

[0042] 图1为本发明的基于后验信息融合的多传感器多帧联合检测算法的流程图；

[0043] 图2为本发明实施例得到的仿真图像；

[0044] 图3为本发明的航迹估计误差与本地单传感器多帧检测算法的航迹估计误差对比图。

具体实施方式

[0045] 下面结合附图进一步说明本发明的技术方案。

[0046] 如图1所示，一种基于后验信息融合的多传感器多帧联合检测算法，包括以下步骤：

[0047] S1、初始化系统参数，包括：系统包含的传感器数目M，传感器回波数据平面大小Nx×Ny，算法联合处理周期数K；初始化变量k＝1；

[0048] S2、接收回波数据，第m个传感器接收第k帧回波数据记为 m＝1,…,M；表示第(x,y)个分辨单元的量测值；同时将
回波数据输入存储器进行缓存，存储器用来存储1到K帧数据，缓存之前的 为最新一帧数据输入，缓存之后的数据表示一起把存储的1到K帧数据 都输出。

[0049] S3、进行本地后验概率密度函数计算；具体包括以下子步骤：

[0050] S31、计算当前时刻的值函数：

[0051]

[0052]

[0053]

[0054] 其中，xk表示k时刻的目标状态， 表示当前时刻值函数， 表示上一时刻的值函数， 表示似然函数，p(xk|xk-1)表示状态转移函数，ε(xk)表示状态xk前一时刻的状态估计值，X1:K表示从1到K时刻状态序列， 表示1到K时刻的状态空间， 表示可能是目标的状态序列的集合，s(xk)表示可能转移到xk的k-1时刻状态集合；

[0055] S32、判断k是否满足1≤k＜K，若是则令k＝k+1，返回步骤S2；如果k＝K，则得到本地后验概率密度为：

[0056]

[0057] 其中， 表示离散状态空间， 表示迪拉克函数。

[0058] S4、后验概率密度函数表征参数的近似计算；具体实现方法为：具体实现方法为：Nm表示用来近似第m个传感器本地后验概率密度的高斯分布的个数， 表示第m个传感器第n个高斯分布的均值， 表示第n个高斯分布的方差， 为加权系数，其中，n＝1,…,Nm；
的计算方法包括以下步骤：

[0059] S41、令i＝0，初始化 和 的值为 和

[0060] S42、令i＝i+1，计算：

[0061]

[0062]

[0063]

[0064]

[0065] 表示均值为 方差为 时， 的后验概率密度；

[0066] S43、计算相邻两次迭代的误差，即 判断相邻两次迭代的误差是否小于预设的阈值，若误差小于预设的阈值，则令否则，返回步骤S42。

[0067] S5、进行信息传递；具体实现方法为：传递 值至融合中心，并在融合中心根据下式恢复本地传感器后验概率密度，

[0068]

[0069] 其中， 表示高斯分布。

[0070] S6、进行全局后验概率密度计算；具体实现方法为：在融合中心根据广义协方差交叉融合准则计算全局后验概率密度，如下：

[0071]

[0072] 其中，ωm＝1/M。

[0073] S7、进行目标航迹估计；具体实现方法为：按照下式计算目标航迹全局估计，[0074]

[0075] 其中， 表示从分布 中得到的状态序列的采样。

[0076] 本实施例令M＝2，Nx×Ny＝100×100，K＝12，Nm＝3,m＝1,2；得到其仿真结果如图2所示，图3为本发明的航迹估计误差与本地单传感器多帧检测算法的航迹估计误差对比图。从图2中可以看出，本发明可以有效估计目标航迹，验证了算法的检测跟踪性能。从图3中可以看出，相比于传统的单传感器多帧检测算法，本发明的目标状态估计精度更高。

[0077] 本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。