基于svm的多传感器的目标跟踪数据融合算法及其系统的制作方法
【技术领域】
[0001] 发明涉及一种基于SVM的多传感器的目标跟踪数据融合算法及其系统，属于网络 通信技术领域。
【背景技术】
[0002] 单一传感器信号难以保证输入信息的准确性和可靠性，不能满足应用系统获取环 境信息及系统决策能力。多传感器信息融合技术通过一定的技术融合手段，协调使用多个 传感器，把分布在不同位置的多个同质或异质传感器所提供的局部不完整测量及相关联数 据库中的相关信息加以综合，消除多传感器之间可能存在的冗余和矛盾，并加以互补，降低 其不确定性，获得对对象或环境的一致性描述。但是，多传感器系统受到传感器状态不稳 定、多模态、高冲突等因素的限制。因此，如何删除故障节点，融合支持度较高的传感器之间 的冗余数据，既能降低传感器网络的通信开销，又能提高数据的可靠性。多传感器数据融合 在智能机器人、遥感、雷达和导航等领域正得到广泛的研究。数据融合是多传感器目标跟踪 中的关键技术。也就是说，多传感器跟踪系统必须满足在不稳定和未知环境参数的情况下 保持稳健的执行力和持续较高的定位精度。
[0003] 近来，大量研究人员在雷达/红外传感器的数据融合算法研究上做出了大量成果。 例如微波相控阵列雷达协同低频雷达目标跟踪的数据融合算法，以低雷达横截面追踪目 标，获得了较好的融合效果;GPS/mu多传感器融合算法引入环境变量作为各个传感器的效 度，算法提高了目标位置信息的可靠性。在融合过程中将MU加速度信息加入多传感器卡尔 曼滤波器中，并且此滤波器可以自由添加其它传感器来获得更高的性能。多传感器卡尔曼 滤波器适合整合多个传感器而无需重建整个滤波器结构。卡尔曼滤波器通过最小化均方误 差(MSE)来获得线性过程的最优状态估计。一种新的研究方向是利用卡尔曼滤波器结合模 糊自适应系统来提高算法的鲁棒性。
[0004] 传统的多传感器数据融合理论缺乏有效性并且存在大量误差，原因是多传感器系 统的不确定因素和外界干扰复杂的非线性。所以有必要增强对传感器状态的监测。传统的 极大似然估计、最小二乘法、卡尔曼滤波适用于原始数据的融合，但需要获得对象比较精确 的数学模型，对于复杂、难于建立数学模型的场合无法适用。新进的人工智能算法凭借较强 的适应能力已成为数据融合的最具潜力的研究方向，为了避免复杂的系统方法，以机器学 习的方法拟合复杂的非线性映射关系越来越被接受和运用，如模糊逻辑理论(FL)、人工神 经网络(ANN)以及混合模糊神经网络。软计算的基础思想是利用训练数据进行系统辨识和 回归。支持向量机(Support Vector Machine，简称SVM)是在统计学习理论的基础上发展起 来的一种新的机器学习方法，它是建立在统计理论的VC维理论和结构风险最小化原则上 的，避免陷入局部最小点，并能有效地解决过学习问题，具有良好的推广性能和较好的分类 或回归精确性。
【发明内容】
[0005] 本发明所要解决的技术问题是提供一种算法复杂度低，易于实现的基于SVM的多 传感器的目标跟踪数据融合算法，进一步地，提供一种具有较强的鲁棒性和容错性，并且易 于扩展的基于SVM的多传感器的目标跟踪数据融合算法，更进一步地，提供一种采用基于 SVM的多传感器的目标跟踪数据融合算法的系统。
[0006] 为解决以上技术问题，本发明采用的技术方案是:一种基于SVM的多传感器的目标 跟踪数据融合算法，将传感器采集到的目标信息，采用紧致结合方式，以支持向量机作为中 间层，环境变量和测量方差归一化向量作为支持向量机的输入，支持向量机输出为传感器 的信任度，用已知训练样本做离线训练，用实时滤波器信息做在线估计，融合知识库根据所 得传感器信任度通过实时加权作出航迹融合。
[0007] 所述传感器的测量模型为:结合雷达传感器的距离测量能力和红外传感器的测角 度能力，在同一个节点上同时安装雷达、红外传感器，可以得到描述一个目标位置的完整信 息;测量向量对应于一个三维极坐标，以第i个传感器节点为原点，传感器测量模型为：
[0008]
[0009] w
[0010] 为测量转换函数，此处为非线性；测量向量为(蛛離)，W)re#，k为时间索 弓l，h(k)为目标在k时刻与第i个传感器的距离，0,(10为k时刻第i个传感器观测到的目标的 仰角，料幻为k时刻第i个传感器观测到的方向角，x(k)、y(k)、z(k)为目标的位置状态，v为 测量噪声变量，vi(k)eR 3为第i个传感器在k时刻的噪声，仿真时采用统一的高斯白噪声作 为环境噪声，即噪声满足正态分布v~N(0，V)，V为观测噪声协方差矩阵，可以通过多次测量 得到；
[0011] 设离散时间状态方程描述为：
[0012] X(k+l)=AX(k)+w(k) (3)
[0013] 其中，状态向量为X(k) = [x(k)，y(k)，z(k)，vx(k)，vy(k)，vz(k)] T表示垂直方向、 正北方和正东方向的位置与速度矢量，vx(k)，vy(k)，v z(k)分别为k时刻垂直方向、正北方和 正东方向的速度，AER6为一步状态转移矩阵，表达为
(4)
[0014] 12 T为采样间隔，I为单位矩阵，BER3视具体路线而定，w(k)为状态噪声向量，w~N (〇，Q)，Q为过程激励噪声协方差阵，各状态变量的噪声独立分布，所以Q = diag(〇2,o2,o2， ε2，ε2，ε2)，位置噪声w x~N(0，σ2)，速度噪声Wv~N(0，ε 2)。式⑴和⑶构成了多传感器目标 跟踪的基本模型，其中状态方程是线性的，测量方程是非线性的。 2 进一步地，扩展卡尔曼滤波器用来解决非线性离散时间过程;定义先验估计误差 <和后验估计误差改分别为：
[0017]
(5)
[0018] 其中1_)为先验状态估计，f (!)_为后延状态估计，先验估计误差的协方差 和后验估计误差的协方差Pk分别为：
[0019]
[0020] 后验状态估计是用先验状态估计计算得到：
[0021]
(7)
[0022] 式(7)测量变量及预测之差(八/?)-A-1))被称为测量过程的残余，残余值反 映了预测值与真实值不一致的程度，残余为零表明预测完全正确;式(7)中6X3矩阵K叫做 残余增益，作用是使(6)式后验估计误差协方差最小，K的求取步骤如下：将(7)式带入(5)， 再将ek带入(6)式的P k中，求得期望后，将Pk对说求得并令导数为零求得K的值，K的表达式 为：
[0023]
C8；
[0024] 其中HER3X6是h(k，X(k))对X(k)的偏导的雅可比矩阵：
[0025]
(9)
[0026] Η中的第i行第j列元素为函数h的第i项对状态向量X中第j个变量求偏导所得，带 入(2)式得：
[0027]
[0028] 其中S = x2+y2,扩展卡尔曼滤波器的时间跟新方程为：
[0029]
(11)
[0030] 状态跟新方程为：
[0031]
⑴）
[0032] (11)式的测量跟新方程利用观测值变量Y(k)校正状态估计和协方差估计，用上一 时刻的后验状态估计推进当前时刻的先验估计，用当前的先验估计修正当前的后验状态估 计。
[0033] 基于支持向量机的多传感器数据融合，其中一个输入使用测量方差归一化变量， 为了描述传感器的相对测量精度，对于雷达/红外传感器的测量向量
，其中三个参数分别为雷达的距离信息、红外的仰角和红外 测得的方位角，对yj的测量方差做如下归一化处理：
(13)
[0034]
[0035] 〇yj⑴表示第i个传