多傳感器模糊—概率交互作用的數(shù)據(jù)關(guān)聯(lián)算法

多傳感器模糊—概率交互作用的數(shù)據(jù)關(guān)聯(lián)算法

本文基于估計(jì)理論和模糊系統(tǒng)理論，提出了一種多傳感器多回波模糊一概率交互作用的數(shù)據(jù)關(guān)聯(lián)濾波算法，以解決密集雜波干擾環(huán)境中多傳感器跟蹤機(jī)動(dòng)目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問(wèn)題.模糊關(guān)聯(lián)度和關(guān)聯(lián)概率共同組成了各有效回波的加權(quán)系數(shù)，彌補(bǔ)了概率數(shù)據(jù)關(guān)聯(lián)濾波方法(PDAF)的不足.提高了雜波環(huán)境中機(jī)動(dòng)目標(biāo)的跟蹤性能.
　　關(guān)鍵詞:模糊邏輯——概率交互作用；數(shù)據(jù)關(guān)聯(lián)；密集雜波環(huán)境；機(jī)動(dòng)目標(biāo)跟蹤；多傳感器數(shù)據(jù)融合

Multisensor Fuzzy-Probability Interacting Data Association Algorithm

LIU Yuan　XU Lu-ping
(School of Electronic Engineering,Xidian University.,Xi'an 710071,China)
XIE Wei-xin
(Shenzhen University,Shenzhen 518060,China)

　　Abstract:Based on the theory of the estimation and fuzzy logical system,this paper proposes a data association algorithm of the fuzzy logic-probability interacting,to solve the data association problems typically encountered in the application of multisensor in tracking a maneuvering target in a heavily-cluttered environment.The combination of fuzzy association degree and probabilistic association forms the weights that the ith received measurment is target originated.The proposed data association algorithm counteracts the weaknesses of probabilistic data association filter (PDAF),and improves the performances of tracking a maneuvering target in a heavily-cluttered enviroment.
　　Key words:fuzzy logic-probability interacting;data association;heavily-cluttered environment;multisensor tracking maneuvering target;data fusion

一、引　　言
　　在密集雜波干擾環(huán)境中，跟蹤機(jī)動(dòng)目標(biāo)的困難在于眾多回波與目標(biāo)航跡關(guān)聯(lián)的不確定性.它使我們無(wú)法確定哪一個(gè)回波來(lái)自于真實(shí)的目標(biāo).目前，雜波干擾環(huán)境中，跟蹤單目標(biāo)的數(shù)據(jù)關(guān)聯(lián)算法中最有代表性的是概率數(shù)據(jù)關(guān)聯(lián)算法(PDAF)，它通過(guò)計(jì)算位于跟蹤門(mén)內(nèi)所有回波的加權(quán)平均來(lái)更新目標(biāo)航跡.但在密集雜波干擾環(huán)境中，當(dāng)跟蹤門(mén)內(nèi)平均雜波數(shù)達(dá)2后，該算法將有可能產(chǎn)生錯(cuò)誤的數(shù)據(jù)關(guān)聯(lián)［1］，而導(dǎo)致目標(biāo)丟失.經(jīng)研究發(fā)現(xiàn)，在目標(biāo)勻速或勻加速運(yùn)動(dòng)期間，PDAF可以較好地實(shí)現(xiàn)目標(biāo)的跟蹤.一旦目標(biāo)出現(xiàn)機(jī)動(dòng)，就容易產(chǎn)生數(shù)據(jù)關(guān)聯(lián)錯(cuò)誤.這是因?yàn)镻DAF的實(shí)質(zhì)是計(jì)算多回波的統(tǒng)計(jì)中心.它是所有有效回波的加權(quán)平均，各權(quán)重的大小與該回波和目標(biāo)預(yù)測(cè)值之間的距離，即新息的大小緊密相關(guān).當(dāng)目標(biāo)出現(xiàn)強(qiáng)機(jī)動(dòng)，既使采用多模型自適應(yīng)跟蹤方法，由于密集雜波干擾，真實(shí)目標(biāo)回波新息也將增大，從而它的關(guān)聯(lián)概率將減小，這必將導(dǎo)致真實(shí)目標(biāo)回波新息的進(jìn)一步增大.這種不良循環(huán)，最終導(dǎo)致關(guān)聯(lián)失敗和目標(biāo)丟失.可見(jiàn)，單用PDAF關(guān)聯(lián)方法，不能有效解決密集雜波干擾環(huán)境下的機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題.
　　本文給出了一種多傳感器模糊邏輯-概率交互作用的數(shù)據(jù)關(guān)聯(lián)濾波方法.使用模糊邏輯解決數(shù)據(jù)關(guān)聯(lián)問(wèn)題的理由：一是數(shù)據(jù)關(guān)聯(lián)問(wèn)題本身的不確定性或模糊性，正是模糊邏輯研究的對(duì)象.二是應(yīng)用模糊邏輯可以快速建立目標(biāo)特征空間與關(guān)聯(lián)度空間之間的非線性映射關(guān)系模型.該模型可以融合數(shù)字，語(yǔ)言等多種信息，具有良好的魯棒性.一些有效的自學(xué)習(xí)方法可用于支持建模.模糊關(guān)聯(lián)方法可以有效解決目標(biāo)機(jī)動(dòng)期間的關(guān)聯(lián)問(wèn)題，彌補(bǔ)了PDAF的不足，提高了系統(tǒng)的數(shù)據(jù)關(guān)聯(lián)性能.多傳感器目標(biāo)狀態(tài)估計(jì)采用序列估計(jì)法［2］實(shí)現(xiàn)，估計(jì)精度明顯高于單傳感器目標(biāo)狀態(tài)估計(jì).

二、多傳感器目標(biāo)跟蹤的模糊濾波算法
　　目標(biāo)的動(dòng)力學(xué)方程為：

X(k+1)=Φ(k)X(k)+W(k)　(1)

這里X(k)是k時(shí)刻n維狀態(tài)矢量，Φ(k)是n×n維狀態(tài)轉(zhuǎn)移矩陣，W(k)是n維狀態(tài)噪聲，假設(shè)其均值為零，方差為E{W(k)WT(l)}=Q(k)δkl的正態(tài)分布.
　　如果量測(cè)來(lái)自被跟蹤的目標(biāo)，則第i個(gè)傳感器量測(cè)方程為

Zim(k)=Hi(k)X(k)+vi(k)　(2)

其中Zim(k)是測(cè)量矢量，Hi(k)是已知的m×n維測(cè)量增量矩陣，vi(k)是m×1維的測(cè)量噪聲，設(shè)它為正態(tài)分布，其均值為零，方差為E{vi(k)viT(l)}=Ri(k)δkl.
　　如果量測(cè)不是來(lái)自被跟蹤的目標(biāo)，既為雜波，則第i個(gè)傳感器量測(cè)方程為

Zic(k)=Hi(k)(k)+ui(k)　(3)

其中ui(k)是均勻分布的隨機(jī)變量，(k)是目標(biāo)的預(yù)測(cè)值.對(duì)這些雜波作如下假設(shè)：(1)雜波在觀測(cè)空間中均勻分布，(2)雜波測(cè)量相互獨(dú)立.
　　第i個(gè)傳感器在k時(shí)刻得到的一組有效量測(cè)為

Zi(k)={Zij(k)},j=1,2,…,mk　(4)

在論域Zi(k)={Zij(k)}上，“某一量測(cè)可能來(lái)自目標(biāo)”所構(gòu)成的模糊集合Ai的關(guān)聯(lián)矩陣為(設(shè)目標(biāo)數(shù)為1)

μiA={μiA(Zij(k))}1×mk　(5)

μiA(Zij(k))反映了目標(biāo)和第j個(gè)量測(cè)之間的模糊關(guān)聯(lián)度.于是，一旦得到一組量測(cè)，就查得到一組模糊信息Ai.由估計(jì)理論和模糊系統(tǒng)理論，可得到如下模糊最小方差估計(jì).
　　設(shè)參數(shù)集合X={X1,X2,…,Xm}為要估計(jì)的參數(shù).若所得到的估計(jì)量ij使估計(jì)的均方誤差最小，則稱ij為模糊最小方差估計(jì).

J=E{(Xj-ij)(Xj-ij)}=∫(Xj-ij).(Xj-ij)P(Xj|A)dXj　(6)

ij應(yīng)使J達(dá)到極小.其中ij是基于模糊信息Ai對(duì)Xj的估計(jì)，它是Ai的函數(shù).令g(Ai)=ij.則

J=E{(Xj-g(Ai))T(Xj-g(Ai))}　(7)

在上式中兩邊對(duì)g(Ai)求導(dǎo)，并令其為零，可得

ij=g(Ai)=E［Xj|Ai］=∫XjP(Xj|Ai)dXj　(8)

為方便起見(jiàn)，略去下標(biāo)j,目標(biāo)在k時(shí)刻，第i個(gè)傳感器的狀態(tài)估計(jì)可以寫(xiě)成如下形式

i(k/k)=∫X(k)P(X(k)|Ai,Zi,k-1)dX(k)　(9)

其中Zi,k-1={Zi(n)}k-1n=1表示第i個(gè)傳感器直到時(shí)刻k-1的累積量測(cè)集.式(9)的離散形式為

　(10)
　(11)

　　令　Wij(k)=μiA(Zij(k))P(Zij(k)|Zi,k-1)/Pi(Ai)　(12)
稱Wij(k)為加權(quán)系數(shù).則式(10)可寫(xiě)為

　(13)

假設(shè)X(k)是正態(tài)分布，則由Kalman濾波器得

　(14)

估計(jì)誤差協(xié)方差矩陣為

-Vi(k)(Vi(k))T］(Ki(k))T　(15)
Pi(k+1/k)=Φ(k)Pi(k/k)ΦT(k)+Q(k)　(16)
　(17)
Vij(k)=Zij(k)-Hi(k)Xi(k/k-1)　(18)
Ki(k)=Pi(k/k-1)(Hi(k))T［Si(k)］-1　(19)
Si(k)=Hi(k)Pi(k/k-1)(Hi(k))T+Ri(k)　(20)

其中βi0(k)是跟蹤門(mén)設(shè)有一個(gè)測(cè)量來(lái)自于被跟蹤目標(biāo)的概率，其算式下一節(jié)給出.目標(biāo)狀態(tài)的多傳感器估計(jì)為

(k/k)=∫X(k)P(X(k)/A,Z1,k-1,…,Zn,k-1)dX(k)　(21)

為簡(jiǎn)化起見(jiàn)，我們僅考慮兩個(gè)傳感器的情形，對(duì)(k/k)的序列估計(jì)方法如下.
　　(1)預(yù)測(cè)　基于(k-1/k-1)和它的協(xié)方差P(k-1/k-1),分別應(yīng)用以下各式計(jì)算預(yù)測(cè)的狀態(tài)(k/k-1)和它的協(xié)方差P(k/k-1),以及預(yù)測(cè)的量測(cè)Z1(k)和相應(yīng)的協(xié)方差S1(k).

(k/k-1)=Φ(k-1)(k-1/k-1)　(22)
P(k/k-1)=Φ(k-1)P(k-1/k-1)ΦT(k-1)+Q(k-1)　(23)
Z1(k)=H1(k)(k/k-1)　(24)
S1(k)=H1(k)P(k/k-1)(H1(k))T+R1(k)　(25)

　　(2)對(duì)第一個(gè)傳感器確認(rèn)量測(cè)　用Z1(k)，S1(k)按照下式確認(rèn)量測(cè)

(V1j(k))T［S1(k)］-1V1j(k)＜γ1　(26)

其中V1j(k)=Z1j(k)-Z1(k).γ1為第一個(gè)傳感器的跟蹤門(mén)的門(mén)限值.
　　(3)用第一個(gè)傳感器確認(rèn)的量測(cè)進(jìn)行狀態(tài)估計(jì)

　(27)
　(28)

　　(4)對(duì)第二個(gè)傳感器確認(rèn)量測(cè)　基于(k/k)和P1(k/k)，按照下式確認(rèn)量測(cè).

Z2(k)=H2(k)1(k/k)　(29)
S2(k)=H2(k)P1(k/k)(H2(k))T+R2(k)　(30)
(V2j(k))T［S2(k)］-1V2j(k)＜γ2　(31)

其中V2j(k)=Z2j(k)-Z2(k).γ2為第二個(gè)傳感器的跟蹤門(mén)的門(mén)限值.
　　(5)用第二個(gè)傳感器確認(rèn)的量測(cè)計(jì)算狀態(tài)估計(jì)和它的協(xié)方差，且作為多傳感器的狀態(tài)估計(jì)和它的協(xié)方差

　(32)

-V2(k)(V2(k))T}(K2(k))T　(33)

　　令　(k/k)=2(k/k),P(k/k)=P2(k/k)

三、對(duì)加權(quán)系數(shù)Wj(k)的分析
　　為簡(jiǎn)化起見(jiàn)，省去式(12)中的i標(biāo)注.式中的μA(Zj(k))表示第j個(gè)量測(cè)與目標(biāo)航跡間的模糊關(guān)聯(lián)度.P(Zj(k)/Zk-1)表示第j個(gè)量測(cè)與目標(biāo)航跡之間的關(guān)聯(lián)概率.P(A)為歸一化系數(shù).可見(jiàn)，加權(quán)系數(shù)Wj(k)實(shí)際上由模糊關(guān)聯(lián)度和關(guān)聯(lián)概率共同組成.

令　μj(k)=μA(Zj(k));βj(k)=P(Zj(k)/Zk-1).
則　Wj(k)=μj(k).βj(k)/P(A)　(34)
μj(k)的求法在下一節(jié)給出；βj(k)的求法已在文獻(xiàn)［3］中給出.

　(35)
　(36)

其中ei(k)=exp{-(Vi(k))TS-1(k)Vi(k)};
b(k)=λ|2πS(k)|1/2(1-PDPG)/PD.
PG為正確測(cè)量落入跟蹤門(mén)的概率，PD為正確測(cè)量的檢測(cè)概率，λ為雜波密度.為簡(jiǎn)化起見(jiàn)，本文假設(shè)PD=PG=1.
　　進(jìn)一步研究發(fā)現(xiàn)，在目標(biāo)的勻速和勻加速運(yùn)動(dòng)段，PDAF可以較好地解決數(shù)據(jù)關(guān)聯(lián)問(wèn)題.當(dāng)目標(biāo)發(fā)生強(qiáng)機(jī)動(dòng)時(shí)，由于密集雜波干擾，真實(shí)目標(biāo)回波的新息Vj(k)增大，關(guān)聯(lián)概率βj(k)減小.這將進(jìn)一步使新息Vj(k)增大，關(guān)聯(lián)概率βj(k)減小，最終導(dǎo)致關(guān)聯(lián)失敗，目標(biāo)丟失，如圖1所示.因此，當(dāng)目標(biāo)發(fā)生強(qiáng)機(jī)動(dòng)時(shí)，單用PDAF方法將容易丟失目標(biāo).而在這種情況下，基于目標(biāo)的機(jī)動(dòng)特征，模糊邏輯關(guān)聯(lián)方法卻可以較好地解決目標(biāo)的數(shù)據(jù)關(guān)聯(lián)問(wèn)題.所以，在目標(biāo)不同的運(yùn)動(dòng)段，模糊關(guān)聯(lián)度μj(k)和關(guān)聯(lián)概率βj(k)應(yīng)有不同的側(cè)重，兩者交互作用，充分發(fā)揮各自的優(yōu)勢(shì)，使系統(tǒng)的關(guān)聯(lián)性能達(dá)到最佳.
　　模糊關(guān)聯(lián)度μj(k)和關(guān)聯(lián)概率βj(k)相互切換的依據(jù)是判定目標(biāo)的運(yùn)動(dòng)狀況.本文采用如下方法［4］檢測(cè)目標(biāo)的運(yùn)動(dòng)狀況；首先，計(jì)算各時(shí)刻的所有有效回波新息之和(k).其次，取一個(gè)長(zhǎng)度為L(zhǎng)的滑窗，滑窗內(nèi)新息序列(k)的總和定義為：

　(37)

根據(jù)統(tǒng)計(jì)量DL(k)，用公式表示假設(shè)檢驗(yàn)問(wèn)題.在H0假設(shè)下，無(wú)機(jī)動(dòng)目標(biāo)時(shí)，DL(k)呈正態(tài)分布，其均值趨于零，方差為：

　(38)

式中s(i|i-1)為(i)的方差.如果H1假設(shè)成立，即目標(biāo)出現(xiàn)機(jī)動(dòng)，DL(k)就呈非零均值的正態(tài)分布，但方差仍與式(38)中的相同.其均值由下式給出：

　(39)

式中,m(i)為機(jī)動(dòng)模型下的滑窗內(nèi)新息序列.最佳Neyman-Pearson檢驗(yàn)由如下似然比確定.

　(40)

對(duì)上式兩邊取對(duì)數(shù)，得

　(41)

用兩個(gè)高斯概率密度代替P(DL(k)|H1)和P(DL(k)|H0)，可得到

　(42)

選擇門(mén)限(k)以滿足由下式給出的特定虛警率：

Pf=∫∞γ(k)N(a;m,σ2L(k))dα　(43)

式中的N(α;m,σ2L(k))表示均值為m，方差為σL的高斯概率密度函數(shù).門(mén)限?(k)為

?(k)=σ2L(k)erf1(1-pf)　(44)

式中　erf1(u)=∫u-∞N(α;0,1)dα.當(dāng)目標(biāo)發(fā)生機(jī)動(dòng)時(shí)，DL(k)的期望值將逐漸增大.因此，在系統(tǒng)規(guī)定的虛警率下，由Neyman-Pearson準(zhǔn)則可確定出一門(mén)限.將DL(k)與該門(mén)限值比較來(lái)判定目標(biāo)的運(yùn)動(dòng)狀況.
　　如果將上述的模糊-概率數(shù)據(jù)關(guān)聯(lián)算法與多模型算法相結(jié)合，將會(huì)得到更好的跟蹤性能.文獻(xiàn)［5］中給出了完整的多傳感器相互作用多模型-模糊，概率數(shù)據(jù)關(guān)聯(lián)算法及分析.該算法能夠?qū)崿F(xiàn)的關(guān)鍵步驟是給出了多模型概率之間的相互轉(zhuǎn)換計(jì)算式：

　(45)

其中c為歸一化系數(shù)，,Λj(k)為似然函數(shù).它的計(jì)算式如下

　(46)

式中各參量的定義與式(36)的相同.可見(jiàn)，似然函數(shù)是新息的聯(lián)合概率密度函數(shù).新息自然是模型之間轉(zhuǎn)換的主要依據(jù).從而確定出模糊關(guān)聯(lián)度μj(k)和關(guān)聯(lián)概率βj(k)的作用期.

四、模糊關(guān)聯(lián)度μ(k)的計(jì)算
　　應(yīng)用模糊邏輯推理系統(tǒng)［6］來(lái)求模糊關(guān)聯(lián)度.該模糊關(guān)聯(lián)系統(tǒng)包含四個(gè)基本單元：模糊化界面，模糊知識(shí)庫(kù)，模糊推理機(jī)和去模糊界面.以各回波的新息范數(shù)，即

gi(k)=VTi(k)S-1(k)Vi(k)　(47)

和滑窗內(nèi)新息序列(k)的總和DL(k)，作為模糊關(guān)聯(lián)系統(tǒng)的輸入特征量.因?yàn)?，?dāng)目標(biāo)出現(xiàn)機(jī)動(dòng)時(shí)，真實(shí)目標(biāo)的新息范數(shù)gi(k)和DL(k)都將明顯增大.而雜波的新息范數(shù)沒(méi)有這種特征.系統(tǒng)的輸出量為模糊關(guān)聯(lián)度.由于受虛警率，滑窗長(zhǎng)度，機(jī)動(dòng)量及噪聲水平等多種因素的影響，輸入量與輸出量之間的映射關(guān)系是非線性的.經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練，該模糊系統(tǒng)可得到如下形式的M條推理規(guī)則：
Rj:IF y1 is Aj1 and y2 is Aj2 Then Z is Bj，j=1,2,…,M　(48)

其中Aji和Bj分別為用模糊隸屬函數(shù)μjAi(yi)和μjB(Z)表示的語(yǔ)義項(xiàng).設(shè)A′y是輸入論域U中的任意模糊集；則式(48)的每一條規(guī)則Rj可用取大-星乘合成算子Sup-star composition確定輸出論域V中的模糊集

最后，由重心去模糊算法得出關(guān)聯(lián)度

其中j是μBj(Z)達(dá)最大值的點(diǎn).
　　模糊系統(tǒng)的學(xué)習(xí)算法有多種［6］，但它們都是基于半模糊模型，即前提的模糊隸屬函數(shù)為單值.單值模糊產(chǎn)生方法不適合含有噪聲的情況.作者在文獻(xiàn)［5］中采用了一種基于最陡下降法的全模糊模型學(xué)習(xí)算法，可用于受噪聲影響的模糊關(guān)聯(lián)系統(tǒng)的學(xué)習(xí).

五、仿真舉例
　　1.航跡模型
　　該機(jī)動(dòng)目標(biāo)的航跡由三個(gè)不同的運(yùn)動(dòng)段組成.第一段為勻速運(yùn)動(dòng)段，沿X軸方向，起始于點(diǎn)x=0,y=5km,vx=0.5km/s,vy=0，持續(xù)1～50秒.第二階段為加速轉(zhuǎn)彎段，加速度為ay=5g,ax=0，持續(xù)51～70秒.第三階段為勻速運(yùn)動(dòng)段，沿Y軸方向，vy=0.5km/s,vx=0，持續(xù)71～100秒.假設(shè)每個(gè)采樣點(diǎn)上，有效雜波回波數(shù)為2個(gè).采樣間隔T=1s.
　　2.性能檢驗(yàn)與比較
　　首先，考慮用PDAF和多模型方法共同作用的情況.圖1給出了所得到的跟蹤結(jié)果.可見(jiàn)，當(dāng)機(jī)動(dòng)發(fā)生時(shí)，由于密集雜波的干擾，造成關(guān)聯(lián)錯(cuò)誤，導(dǎo)致目標(biāo)丟失.圖2，3分別給出了上述情況時(shí)，各有效回波源于目標(biāo)的概率.可見(jiàn)，當(dāng)機(jī)動(dòng)發(fā)生時(shí)，真實(shí)目標(biāo)回波的概率趨于零.而雜波的概率卻趨于1.