航迹融合算法原理

基于隶属度的动态加权航迹融合算法陆小科施岩龙（南京电子技术研究所，南京210013）摘要：在使用航迹融合对实际目标跟踪过程中，由于实际接入雷达中会存在系统误差残余，从而影响目标跟踪的连续性和平滑度。

本文提出了存在系统误差残余情况下基于隶属度模型的航迹融合算法。

试验结果表明，在同时存在系统误差残余以及测量误差情况下，该算法的连续性和平滑性更好。

关键字：系统误差隶属度航迹融合Dynamic Weighting Track-to-Track Fusion Algorithm Based on Subjection-MeasurementLU Xiao-ke, SHI Yan-long(Nanjing Research Institute of Electronics Technology, Nanjing 210039, China) Abstract:In the actual tracking by track-to-track fusion, continuity and smoothness were affected because of the system error remains in existence. The track-to-track fusion algorithm based on subjection model to eliminate the system error was presented. When both of system error remains and measure error exist, continuity and smoothness of this algorithm were improved better by the result of the simulation experimentKeyword: System error, Subjection- Measurement, track-to-track fusion0引言多雷达航迹融合是将多部雷达对同一目标探测得到的航迹信息作融合，从而得到一条更新、更优的航迹，它是一种常用的多雷达数据融合技术，已经在C4ISR信息融合系统中广泛应用，特别是一些雷达组网、情报组网项目中。

海面目标的动态协方差加权航迹融合算法陈泽铭【摘要】现代化战争时代中,由于电磁干扰技术和隐身技术等飞速发展,使用组网雷达测量目标已经十分普遍,因此对多雷达数据融合算法处理速度与融合精度要求日益增高.由于处理机性能与通信带宽限制,工程中通常使用分布式数据融合算法.分布式数据融合算法是在各自处理机对原始点迹进行跟踪滤波等处理,生成各自航迹数据,然后将各自航迹送往融合中心,融合中心对航迹进行时空配准、航迹融合处理得到最终的融合航迹.本文在动态权值分配航迹融合算法的基础上,考虑到组网雷达测量海面目标时局部误差的相关性,对原有加权矩阵进行优化,提高了航迹融合的距离精度与方位精度.最后采用此种算法对组网雷达测量海面目标的实测数据进行航迹融合并计算精度,验证本文的航迹融合算法.【期刊名称】《雷达与对抗》【年(卷),期】2018(038)001【总页数】5页(P41-44,56)【关键词】海面目标;测量航迹;动态协方差加权航迹融合算法【作者】陈泽铭【作者单位】成都中电锦江信息产业有限公司,成都610051【正文语种】中文【中图分类】TN957.521 雷达测量航迹时空配准融合中心接收到各雷达发送的目标测量航迹数据后，由于各雷达天线转速、中心位置等不同，需要对航迹进行时空同步，空间配准。

[1]组网雷达包含M部雷达，对同一目标测量，得到M条目标测量航迹Xk，其中，k=1,2,…,M。

雷达天线转速不同会导致各目标测量航迹的点数不同。

M条目标测量航迹的点数为Nk，k=1,2,…,M。

为了便于航迹融合处理，需要统一目标测量航迹点数。

本文采用最小二乘法对M条目标测量航迹进行时间配准。

[2]最小二乘法是通过计算各目标测量航迹对应的时间点与拟合曲线对应点之间的误差选取误差最小的时间点为对准后的时间。

[3]对于量测数据(ti,Xi)(k=1,2,…,N)作曲线拟合时，假设观测目标近似作匀速运动，取下列表达式作为其拟合曲线：X(t)=a·t+b(1)假设t时刻的观测数据为(ti,Xi)(k=1,2,…,N)，则每一时刻的观测值与拟合曲线之间的误差应为X(ti)-Xi=a·ti+b-Xi, i=1,2,…,N(2)偏差的平方和为(3)根据最小二乘原理，应取a与b使F(a,b)有极小值。

一种用于确定融合航迹与真实航迹对应关系的方法融合技术是一种广泛应用于航空航天领域的集成技术。

其中，对于航迹融合技术来说，快速、高效地确定融合航迹与真实航迹的对应关系是十分重要的。

针对这个问题，本文提出一种将航迹融合算法与多源数据融合方法相结合的新型算法。

该算法的主要思路是：利用多种数据源来获取航班的位置、高度、速度等信息，然后通过算法判断它们之间的关联性，最终确定融合航迹与真实航迹的对应关系。

该算法的实现基于以下步骤：1. 数据采集：本算法采集包括雷达、卫星、航班计划等多种数据源。

这些数据源在不同的场景下能够提供不同的航班信息。

2. 数据预处理：在获取的数据中，可能会存在一些错误、重叠或不完整的数据。

因此，需要对数据进行预处理，例如：去除噪声数据，标定数据坐标系等。

3. 数据处理：该步骤包括对数据进行匹配、滤波、融合等处理。

通过匹配不同数据源获得的信息，可以识别出数据源间的逻辑联系，并进行滤波和融合。

这些操作可帮助确保所获取的数据信息是有效的、准确的。

4. 航迹验证：航迹验证是本算法的核心步骤。

该步骤需要根据实际的数据和航班计划进行对准，以便识别真实的航迹和融合航迹的关系。

多种算法包括航线匹配、动态统计学方法等可以被用于实现验证。

5. 航迹关联：通过将融合后的航迹数据关联到真实航迹数据中，可以最终实现对应关系的确定。

在获得相关数据后，可以对数据进行分析和管理，以便更好地评估每种算法的性能。

总体来说，该算法能够通过从多种数据源获取航班信息来确定融合航迹与真实航迹之间的对应关系。

算法的优势在于可以用来处理包含多种数据源的融合数据，充分利用这些数据源获得更准确的航班信息，从而提高飞行安全性和可靠性。

在实现中，我们可以根据实际情况选择不同的数据源和算法给出最佳效果。

在航迹验证和关联的过程中，可以通过检查数据的变化确保算法的可靠性，同时也可以通过改进算法以最大限度地提高精度。

简而言之，本算法可以为融合航迹和真实航迹的对应关系的建立提供一种全新的、高效的解决方案。

多传感器航迹融合综述在20年代70年代初，R. A. Singer等人首次提出航迹融合问题，其推导了表征两航迹关联概率的“相关方程”，其实就是计算两条航迹间的玛氏距离：将关联概率小于门限值的航迹视为待融合的航迹，这即是一个假设检验问题；但其后续的航迹融合有一个隐含假设：来自同一目标、不同传感器的两个局部估计误差是相互独立的[1][2]。

[1] R. A. Singer and A. J. Kanyuck, “Computer control of multiple site track correlation”, Automatica, vol. 7, pp. 455-463, July 1971.[2] R. A. Singer and A. J. Kanyuck, “Correlation of Multiple-Site Track Data”, IEEE Transactions on Aerospace and Electronic System, vol. 6, No. 2, pp. 180-187, March 1970.而实际情况中，尽管不考虑目标机动性或量测噪声，过程噪声是相同的，因此局部估计误差往往是高度相关的，因此相关性不容忽视。

1979年，J．Speyer在多传感器分布式估计问题中将估计间的相关性考虑其中，但其不适用于假设检验问题[3]。

此外，Willsky等人也在其研究中考虑了相关性等问题[4]。

[3] J. L. Speyer, “Computation and Transmission Requirements for a Decentralized Linear- Quadratic-Gaussian Control Problem”, IEEE Transactions on Automatic Control, vol. 24 no. 2 pp. 266-269, 1979.[4] A. Willsky, M. Bello, D. Castanon, B. Levy, G. Verghese, “Combining and Updating of Local Estimates and Regional Maps Along Sets of One-Dimensional Tracks”, IEEE Transactions on Automatic Control, vol. 27, no. 4, pp. 799-813, 1982.1981年,Y. Bar-shalom等人推导了两局部估计误差互相关的简单递推公式，将互相关性融入假设统计量公式中。