专利名称：基于传感器网络的复杂环境下多目标信息融合方法
技术领域：
本发明涉及的是一种目标跟踪与识别领域的信息融合方法。
背景技术：
目标的跟踪与识别是传感器网络的主要用途之一，也是一个难点和关键问题，在许多领域例如交通监控、机构安全和战场状况获取等方面具有广阔的应用前景。在信息时代，传感器网络所提供的信息量很大，电磁环境十分复杂，这就要求信息融合装置必须具有高灵敏度(作用距离远)、高准确率、高稳定性和高可靠性。一个传感器网络往往可以获得关于目标的多个特征信息，如目标的中心频率、脉宽、脉冲重复周期、脉冲到达时间等，而一般的信息融合装置只利用了很少的一部分信息，从而造成了传感器信息的大量浪费。另外，由于信息的利用率不足，判决依据单一，往往容易造成误判和错判，会对整个跟踪和识别过程产生重大影响。因而综合利用传感器网络提供的多个特征信息是十分必要的，这样既不浪费信息，又能保证信息融合装置的高灵敏度、高准确率、高稳定性和高可靠性。
发明内容
本发明的目的在于提供一种高灵敏度、高精度、高准确率、高稳定性和高可靠性的基于传感器网络的复杂环境下多目标信息融合方法。本发明的目的是这样实现的本发明基于传感器网络的复杂环境下多目标信息融合方法，其特征是(1)选用小波基函数将量测数据分解在尺度上；(2)在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波离散系统在尺度i下的状态方程和量测方程为
权利要求
1.基于传感器网络的复杂环境下多目标信息融合方法，其特征是(1)选用小波基函数将量测数据分解在尺度上；(2)在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波 离散系统在尺度i下的状态方程和量测方程为Jx(/·, k+l) = Φ(/, k+H Λ)Χ(/, k)+G(/, k、w(i, k) [Z(i, k) = H(/, k)X(i, k)+v(/, k)，在尺度i下，X(i，k)为k时刻的η维状态矢量，也是被估计矢量；Z(i，k)为k时刻的 m维量测矢量；Φ (i，k+l/k)为k到k+l时刻的一步转移矩阵(nXn阶)；w(i，k)为k时刻的系统噪声；H(i，k)为k时刻的量测矩阵(mXn阶)；G(i，k)是系统噪声的加权噪声；v(i， k)为k时刻的m维量测噪声，w (i，k)和v(i，k)满足如下条件 E[w(i,k)wT(iJ)] = Q(i,k)S^< E[y(i, k)yT (/，j)] = R(/，k)Sk]rQ (众类))可w(U)V(/J)] = 0^ = {i (k = j)；其中Q(i，k)和R(i，k)分别为系统噪声和量测噪声的方差矩阵，它们分别是已知非负阵和正定阵；S kJ是Kronecker函数，卡尔曼滤波滤波包括时间更新和量测更新时间更新即预测估计X(i,k/k-l) = 0(i,k/k-l)X(i,k-i/k-l)P(i, k/k-1) = Φ (i, k/k-l)P(i, k-l/k-l) Φτ( , k/k-1) +G(i, k-l)Q(i, k-l)GT(i, k-1)量测更新即滤波估计K(i，k) = P(i，k/k-1)Ht(i, k) X [H(i，k) XP(i，k/k-1)Ht(i, k)+R(i，k) Γ1%,kl k)=%,kl k-\)+nj,k)V7{i,k)-nj,k)%,kl k-风P(i，k/k) = (I-K(i，k)XH(i，k)]P(i，k/k-1) 式中K(i，k)为滤波增益阵；(3)将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据；(4)将每个尺度上处理后的数据通过小波重构方法，得到原始量测数据在不同尺度上滤波后的结果所述的小波重构方法为通过一个脉冲响应为h(l)的低通滤波器可以从尺度i上获得尺度i_l上的低频子空间信号&(i_l，k)，通过一个脉冲响应为g(l)的高通滤波器可以获得尺度i_l上的高频子空间信号A(i_l，k) xL(i-l，k) =Σ ^(I)X(Uk-I) xH(i-l, k) =Σ lg(l)x(i，2k-l)。
全文摘要
本发明的目的在于提供基于传感器网络的复杂环境下多目标信息融合方法，分为以下步骤选用适当的小波基函数将量测数据分解在若干个尺度上，在每个尺度上的低频子空间信号利用卡尔曼算法进行滤波，得到新的滤波数据，将每个尺度上的高频子空间中细节信号的极大值点去掉，得到新的滤波数据，将每个尺度上处理后的数据通过小波重构算法，得到原始量测数据在不同尺度上滤波后的结果。本发明具有高灵敏度、高精度、高准确率、高稳定性和高可靠性等特点。
文档编号G06F19/00GK102509020SQ20111036160
公开日2012年6月20日 申请日期2011年11月15日 优先权日2011年11月15日
发明者叶方, 康健, 李一兵, 李靖超, 林云, 田雪宜, 葛娟 申请人:哈尔滨工程大学