一种随机集理论下的分布式多传感器融合方法

摘要

该发明公开了一种随机集理论下的分布式多传感器融合方法，属于多传感器融合领域。首先，通过去除标号，将广义标号多目标伯努利分布转化为广义多目标伯努利分布，然后通过匹配广义多目标伯努利分布的概率假设密度和基数分布信息，对其进行二阶近似，最后假设目标状态之间是分离的，对求和项的分数阶指数次幂进行化简，使得二阶近似的广义多目标伯努利分布的分布式融合成为可能，并建立传感器间航迹关系映射集合。该方法具近似代价小、近似程度高、鲁棒性强、可以在多传感器网络中实现广义标号多目标伯努利融合等特点，有效的解决了在实际应用中常出现的标号空间不匹配现象，实现了在复杂场景下的分布式多传感器融合。

主权项

一种随机集理论下的分布式多传感器融合方法，它包括以下步骤：步骤1、各本地传感器接收回波信号，并采用广义标号多目标伯努利族滤波器进行本地滤波，各传感器得到的本地后验概率密度分布均为广义标号多目标伯努利分布：其中，π_s(X)表示第s(s＝1,2,...,S)个传感器后验概率分布，X表示目标状态集合X＝{x₁,…,x_n}，x_n表示第n个目标的状态；为离散空间；表示映射，其中代表权重，非负且满足表示目标航迹的空间，L为其任意目标个数的集合；为概率密度函数，满足步骤2、去除各目标标号，将各传感器本地广义标号多目标伯努利分布转化为其非标号版本，得到广义多目标伯努利分布：其中σ_s表示中元素的所有排列情况，Φ为离散空间，是密度的索引集，为由集合中的元素排列组成的向量，代表权重，非负且满足表示所有子集的集合；为概率密度函数，满足ι表示x表示步骤3、对步骤2得到的广义多目标伯努利分布进行二阶近似，使近似后的分布匹配原始广义多目标伯努利分布的概率假设密度和基数分布信息，称近似后的分布为二阶近似的广义多目标伯努利分布：其中步骤4、选定多传感器融合准则：${\pi }_{\omega }\left(X^k\right|Z_1^k,Z_2^k)=\frac{{\pi }_1{\left(X^k\right|Z_1^k)}^{{\omega }_1}{\pi }_2{\left(X^k\right|Z_2^k)}^{{\omega }_2}}{\int {\pi }_1{\left(X^k\right|Z_1^k)}^{{\omega }_1}{\pi }_2{\left(X^k\right|Z_2^k)}^{{\omega }_2}{\mathrm{\delta X}}^k}$此准则即广义协方差交叉信息准则，其中，表示第s(s＝1,2,...,S)个传感器k时刻的后验概率分布；表示融合后的后验概率密度分布；Z表示传感器的量测集合；ω_s表示该融合准则的参数，满足0≤ω_s≤1,ω₁+ω₂＝1，这个参数决定了其相应后验合分布在融合时的权重，δX表示集合变量的微分符号；步骤5、建立传感器1到传感器2的假设航迹映射关系集合：5.1建立传感器1到传感器2的假设航迹映射关系；定义映射函数该映射函数为一一映射的单映射函数；5.2将5.1建立传感器1到传感器2的所有航迹映射关系τ组成一个大集合步骤6、假设目标状态之间是分离的，则分数阶指数次幂可近似为实数的分数阶指数次幂的求和，将步骤3得到的二阶近似的广义多目标伯努利分布变换成分数阶指数次幂的形式：将其近似化简为实数的分数阶指数次幂的求和的形式：步骤7、获得二阶近似的广义多目标伯努利分布的广义协方差交叉信息融合表达式；7.1、获得二阶近似的广义多目标伯努利分布的广义协方差交叉信息融合表达式的分子项；7.1.1将步骤6得到的传感器1和传感器2的化简后分布式带入广义协方差交叉信息融合表达式的分子项，得到非闭合形式的分子项的表达式；7.1.2、利用步骤5建立的假设航迹映射集合将步骤7.1.1得到的分子表达式化简为:其中7.2、获得二阶近似的广义多目标伯努利分布的广义协方差交叉信息融合表达式的分母项；通过对步骤7.1.2得到的分子项进行集合积分，得7.3、将步骤7.1得到的分子项和步骤7.2得到的分母项代入步骤4的融合准则，得出分布式融合的闭合解表达式：其中注意到融合后的分布是广义多目标伯努利分布。步骤8、采用与步骤5～7相同的方法将传感器1和传感器2的融合多目标伯努利分布与传感器3的多目标伯努利分布进行融合；按照该方法进一步融合后序所有传感器的多目标伯努利分布；通过上面的步骤，就可以得到基于广义协方差交叉信息融合准则的广义标号多目标伯努利分布族的分布式融合闭合表达式,并可以实现其分布式融合。