異類傳感器實(shí)時(shí)信息融合的STMHM算法*

蘆建輝，喬巍巍，陳東鋒，盧永吉

(空軍航空大學(xué)，長春130022)

在現(xiàn)代戰(zhàn)場復(fù)雜電磁環(huán)境下，單一傳感器很難滿足作戰(zhàn)情報(bào)需要，通常將主、被動(dòng)傳感器配合使用，組成異類傳感器系統(tǒng)。主動(dòng)傳感器能夠獲得目標(biāo)的位置和運(yùn)動(dòng)特征，但不能分辨目標(biāo)的類型;被動(dòng)傳感器能夠獲得目標(biāo)的輻射屬性，從而可以分辨目標(biāo)平臺(tái)類型，并進(jìn)行準(zhǔn)確的識(shí)別，但不能獲得目標(biāo)的準(zhǔn)確位置和運(yùn)動(dòng)信息。異類傳感器系統(tǒng)充分發(fā)揮主、被動(dòng)傳感器各自的優(yōu)勢，不僅可以改善單傳感器系統(tǒng)的測量誤差，而且能夠準(zhǔn)確快速地獲得更多的情報(bào)信息，諸如目標(biāo)類型和目標(biāo)作戰(zhàn)意圖等更多更關(guān)鍵的信息。在戰(zhàn)場環(huán)境下，時(shí)效性意味著稍縱即逝的戰(zhàn)機(jī)，而異類傳感器實(shí)時(shí)信息融合可以實(shí)現(xiàn)機(jī)動(dòng)目標(biāo)瞬時(shí)分辨、識(shí)別和跟蹤。

目前，異類傳感器信息融合問題已經(jīng)得到國內(nèi)外學(xué)者的關(guān)注[1－7]，但尚未成熟;對(duì)于異類傳感器的實(shí)時(shí)信息融合問題研究更為稀少，國內(nèi)未查詢到相關(guān)文獻(xiàn)，國外有類似的研究，但主要應(yīng)用于成像傳感器的動(dòng)態(tài)信息融合。文獻(xiàn)[1]提出一種異類傳感器三維空間數(shù)據(jù)關(guān)聯(lián)算法來解決2D雷達(dá)與紅外傳感器的數(shù)據(jù)關(guān)聯(lián)問題，并獲得最優(yōu)關(guān)聯(lián)分配方案。文獻(xiàn)[2]提出使用基于角度和屬性信息建立的模糊綜合判別函數(shù)來解決機(jī)載雷達(dá)傳感器和ESM傳感器的航跡關(guān)聯(lián)問題，該方法具有較低的漏關(guān)聯(lián)概率和錯(cuò)誤關(guān)聯(lián)概率。文獻(xiàn)[3]針對(duì)純方位傳感器與二維雷達(dá)量測空間不一致的航跡數(shù)據(jù)融合問題，提出了一種基于方位合成的異類傳感器航跡數(shù)據(jù)融合算法，該方法融合航跡的精度與雷達(dá)航跡精度相比有一定提高。文獻(xiàn)[4]通過分析待識(shí)別目標(biāo)類型與結(jié)果類型的差別，提出基于DS理論的多傳感器目標(biāo)識(shí)別能力分析方法。文獻(xiàn)[5]基于分布式多傳感器航跡融合系統(tǒng)，采用序貫處理的方法，研究了相關(guān)條件下帶反饋信息的多傳感器航跡融合問題。文獻(xiàn)[6]應(yīng)用粒子群優(yōu)化方法解決來自視頻和音頻傳感器的動(dòng)態(tài)信息融合問題，該方法計(jì)算復(fù)雜度低、三維空間目標(biāo)跟蹤性能良好。文獻(xiàn)[7]研究機(jī)載異類傳感器的優(yōu)化配置問題，用以解決持續(xù)性情報(bào)偵察監(jiān)視任務(wù)(ISR)中情報(bào)質(zhì)量極大化和保持ISR的有效性問題。

本文研究的觀測對(duì)象是空中移動(dòng)雷達(dá)輻射目標(biāo)，異類傳感器信息融合算法也是針對(duì)空中目標(biāo)設(shè)計(jì)的，是在分析被動(dòng)傳感器多假設(shè)跟蹤(MHT)算法[8－11]的基礎(chǔ)上提出的，MHT 模型主要是用于被動(dòng)傳感器的純方位目標(biāo)運(yùn)動(dòng)跟蹤;STMHM算法[12]是以實(shí)現(xiàn)異類傳感器信息融合為主要功能，在一定程度上實(shí)現(xiàn)了實(shí)時(shí)目標(biāo)識(shí)別和跟蹤。

1 融合數(shù)據(jù)模型設(shè)計(jì)

異類傳感器均是在相互獨(dú)立的空間極坐標(biāo)系下測量目標(biāo)參數(shù)，為了實(shí)現(xiàn)主、被動(dòng)傳感器的信息融合，需要在測量數(shù)據(jù)的基礎(chǔ)上重新構(gòu)建兩類傳感器的數(shù)據(jù)模型，并將各自的數(shù)據(jù)模型投影在同一坐標(biāo)系下，本文在實(shí)驗(yàn)分析中選定平面直角坐標(biāo)系作為信息融合的基準(zhǔn)坐標(biāo)系。

1.1 主動(dòng)傳感器融合數(shù)據(jù)模型

主動(dòng)傳感器測量的目標(biāo)信息為目標(biāo)距離r、速度v、方位角φ和俯仰角ε，將以上測量數(shù)據(jù)投影于平面直角坐標(biāo)系，那么目標(biāo)的高度信息將損失。如果載機(jī)慣性導(dǎo)航系統(tǒng)按照主動(dòng)傳感器的數(shù)據(jù)率一一對(duì)應(yīng)的輸出直角坐標(biāo)系下載機(jī)位置信息(xC，yC)，那么目標(biāo)相對(duì)平面直角坐標(biāo)系原點(diǎn)的位置(x，y)為:

主動(dòng)傳感器的融合數(shù)據(jù)模型:

其中nA為主動(dòng)傳感器編號(hào)，mA為批號(hào)，t為測量時(shí)間，DA(nA，mA)表示第nA個(gè)主動(dòng)傳感器的第mA批數(shù)據(jù)的全體。

1.2 被動(dòng)傳感器融合數(shù)據(jù)模型

被動(dòng)傳感器測量的目標(biāo)方位角φ主要用于被動(dòng)傳感器目標(biāo)定位，也是主、被動(dòng)傳感器信息融合的紐帶。如果載機(jī)的慣性導(dǎo)航系統(tǒng)按照被動(dòng)傳感器的數(shù)據(jù)率一一對(duì)應(yīng)的輸出直角坐標(biāo)系下的載機(jī)位置信息(xC，yC)，那么被動(dòng)傳感器的融合數(shù)據(jù)模型為:

其中nP為被動(dòng)傳感器編號(hào)，mP為批號(hào)，t為測量時(shí)間，DP(nP，mP)表示第nP個(gè)被動(dòng)傳感器的第mP批數(shù)據(jù)的全體。

1.3 數(shù)據(jù)模型分析

設(shè)一段時(shí)間內(nèi)，多主被動(dòng)傳感器均測量得到一定量的數(shù)據(jù)，設(shè)NA個(gè)主動(dòng)傳感器共測得MA批數(shù)據(jù)，NP個(gè)被動(dòng)傳感器共測得MP批數(shù)據(jù)。假設(shè)單個(gè)主、被動(dòng)傳感器測得的同一批號(hào)數(shù)據(jù)都是屬于同一目標(biāo)的，不同批號(hào)的數(shù)據(jù)可能屬于同一目標(biāo);多個(gè)主、被動(dòng)傳感器可能觀察的是同一目標(biāo)，各自對(duì)同一觀察目標(biāo)生成不同批號(hào)的數(shù)據(jù)。

主、被動(dòng)傳感器的測量數(shù)據(jù)轉(zhuǎn)化為融合數(shù)據(jù)后，設(shè)集合A為多個(gè)主動(dòng)傳感器共MA批數(shù)據(jù)的全體，集合ANA為第NA個(gè)主動(dòng)傳感器融合數(shù)據(jù)的全體，ANA中包含多批數(shù)據(jù);設(shè)P為多個(gè)被動(dòng)傳感器共MP批融合數(shù)據(jù)的全體，PNP為第NP個(gè)被動(dòng)傳感器融合數(shù)據(jù)的全體，PNP中包含多批數(shù)據(jù)。即有:

其中，A中共有MA個(gè)元素，P中共有MP個(gè)元素。

實(shí)時(shí)信息融合是將集合A與集合P中元素的對(duì)應(yīng)關(guān)系在極短時(shí)間內(nèi)通過一定的算法快速地找出來，進(jìn)而實(shí)現(xiàn)實(shí)時(shí)目標(biāo)識(shí)別、定位與個(gè)體精確跟蹤。此時(shí)同一目標(biāo)處于多個(gè)主、被動(dòng)傳感器觀察的狀態(tài)，還需要將多個(gè)主、被動(dòng)傳感器相互融合成功的數(shù)據(jù)進(jìn)一步融合，實(shí)現(xiàn)多主動(dòng)傳感器信息融合和多被動(dòng)傳感器信息融合，這部分信息融合具有更加實(shí)際的應(yīng)用價(jià)值，本文暫不討論，僅研究異類傳感器實(shí)時(shí)融合算法。

2 STMHM的融合空間

STMHM算法是基于融合空間的，融合空間的構(gòu)成與主被動(dòng)傳感器的測量數(shù)據(jù)有直接的關(guān)系。融合空間包括主動(dòng)傳感器目標(biāo)量測空間和被動(dòng)傳感器目標(biāo)量測空間，多主、被動(dòng)傳感器可能配置于不同平臺(tái)，但是測量的數(shù)據(jù)類型、數(shù)據(jù)率、測量誤差均不相同，因此分別定義二者的目標(biāo)量測空間(TOS)，目標(biāo)量測空間的形成實(shí)質(zhì)是時(shí)間維和空間維的有效劃分。STMHM的融合空間是對(duì)主、被動(dòng)傳感器目標(biāo)量測空間的融合。

2.1 被動(dòng)傳感器的目標(biāo)量測空間

被動(dòng)傳感器測量的目標(biāo)方位線，測量間隔為TP，設(shè)k時(shí)刻所測得的目標(biāo)方位角為φP(k)，用φP(k)惟一標(biāo)識(shí)該時(shí)刻的方位線，把電磁波的輻射方向作為該方位線的方向。設(shè)主動(dòng)傳感器測量間隔為TA，并假設(shè)TA=M·TP，M∈N+，那么以2TA的時(shí)間段作為被動(dòng)傳感器目標(biāo)方位線的積累時(shí)間，從而有k～k+2TA時(shí)段內(nèi)的方位線序列{φP(k)，φP(k+1)，…，φP(k+2TA)}，如圖1所示。設(shè)在2TA時(shí)間段內(nèi)，目標(biāo)可能出現(xiàn)的平均最遠(yuǎn)和最近距離分別為，將k與k+TA兩時(shí)刻的目標(biāo)方位線φP(k)與φP(k+TA)、載機(jī)運(yùn)動(dòng)矢量的連接線構(gòu)成的矢量多邊形作為被動(dòng)雷達(dá)傳感器的一個(gè)量測空間，我們用SP(k)來惟一標(biāo)識(shí)該量測空間。那么{SP(k)}稱為被動(dòng)傳感器的目標(biāo)量測空間的集合，{SmPP(k)}表示第mP批被動(dòng)傳感器融合數(shù)據(jù)的目標(biāo)量測空間的集合。

圖1 被動(dòng)傳感器的目標(biāo)量測空間

2.2 主動(dòng)傳感器的目標(biāo)量測空間

在2TA時(shí)段內(nèi)，主動(dòng)傳感器至少可以得到目標(biāo)的兩個(gè)位置點(diǎn)，設(shè)在kA與kA+TA時(shí)刻分別得到目標(biāo)位置TkA與TkA+TA，那么由空間位置TkA到TkA+TA可以形成目標(biāo)運(yùn)動(dòng)矢量，如圖2所示。主動(dòng)傳感器在kA與kA+TA時(shí)刻測得的目標(biāo)方位角φA(kA)與 φA(kA+TA)，將 φA(kA)與 φA(kA+TA)用來惟一標(biāo)識(shí)這兩個(gè)時(shí)刻的目標(biāo)方位線，把電磁波的輻射方向作為該方位線的方向。載機(jī)在kA與kA+TA時(shí)刻的位置點(diǎn)為 OkA與 OkA+TA，那么載機(jī)運(yùn)動(dòng)矢量為。由目標(biāo)運(yùn)動(dòng)矢量、目標(biāo)方位線φA(kA)與φA(kA+TA)、載機(jī)運(yùn)動(dòng)矢量為構(gòu)成的矢量多邊形作為主動(dòng)傳感器的量測空間，我們用SA(kA)來惟一標(biāo)識(shí)該量測空間。那么目標(biāo)運(yùn)動(dòng)矢量的連接線就是目標(biāo)運(yùn)動(dòng)軌跡，{SA(kA)}稱為主動(dòng)傳感器的目標(biāo)量測空間的集合表示第mA批主動(dòng)傳感器融合數(shù)據(jù)的目標(biāo)量測空間的集合。

2.3 STMHM的融合空間

如果時(shí)刻kA在k與k+TA之間，那么主動(dòng)傳感器在kA時(shí)刻測量的目標(biāo)位置點(diǎn)TkA在空間中位于被動(dòng)傳感器的量測空間SP(k)內(nèi)，相應(yīng)的TkA+TA位于SP(k+TA)。

如果主、被動(dòng)傳感器配置于同一運(yùn)動(dòng)平臺(tái)，將SP(k)和SA(kA)置于同一平面直角坐標(biāo)系中，形成融合空間，如圖3。

圖3 主、被動(dòng)傳感器配置于同一平臺(tái)時(shí)的融合空間

顯然，載機(jī)位置點(diǎn)按照時(shí)間先后順序連接后，可以形成載機(jī)運(yùn)動(dòng)軌跡;主動(dòng)傳感器測量的目標(biāo)位置點(diǎn)按照時(shí)間連接起來后，形成目標(biāo)運(yùn)動(dòng)軌跡。被動(dòng)傳感器測量的目標(biāo)方位線的ˉLmax的連接線形成融合空間遠(yuǎn)邊緣，載機(jī)運(yùn)動(dòng)軌跡形成融合空間近邊緣。那么目標(biāo)就是在遠(yuǎn)、近邊緣之間，不同目標(biāo)的輻射屬性和運(yùn)動(dòng)屬性的信息融合也是在遠(yuǎn)、近邊緣之間的信息融合。

如果被動(dòng)傳感器配置于載機(jī)1，主動(dòng)傳感器配置于載機(jī)2，同樣將SP(k)和SA(kA)置于同一平面直角坐標(biāo)系中，形成融合空間，如圖4。

圖4 主、被動(dòng)傳感器配置于不同平臺(tái)時(shí)的融合空間

3 STMHM算法

如果對(duì)于同一SP(k)來說，主動(dòng)傳感器測得兩個(gè)或者多個(gè)目標(biāo)，并且被動(dòng)傳感器也能夠通過各目標(biāo)的輻射特性分辨出目標(biāo)的數(shù)量，此時(shí)要想在同一SP(k)內(nèi)準(zhǔn)確的識(shí)別出多個(gè)目標(biāo)，并定位跟蹤，主被動(dòng)傳感器實(shí)時(shí)信息融合就非常必要了。本章首先提出主、被動(dòng)傳感器量測空間的時(shí)間初始化解決辦法;其次，論述模型算法。

3.1 量測空間時(shí)間初始化

被動(dòng)傳感器的量測空間SP(k)和主動(dòng)傳感器的量測空間SA(kA)都是在絕對(duì)時(shí)間下定義的，為了算法的普遍適用性，現(xiàn)將某段短時(shí)間內(nèi)同一目標(biāo)被動(dòng)傳感器的測量數(shù)據(jù)按照該目標(biāo)出現(xiàn)時(shí)間為0時(shí)刻初始化。假設(shè)絕對(duì)時(shí)刻k時(shí)，被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)，絕對(duì)時(shí)間下的量測空間SP(k)就是被動(dòng)傳感器的第1個(gè)量測空間，時(shí)間初始化為SP(0);第2個(gè)量測空間為SP(1)，對(duì)應(yīng)的絕對(duì)時(shí)刻為k+TA;此短時(shí)間內(nèi)的被動(dòng)傳感器測量的所有該目標(biāo)的量測空間都做以上時(shí)間初始化。

主動(dòng)傳感器或許比被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)的時(shí)間要早，但是依然按照被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)的時(shí)間為準(zhǔn)做時(shí)間初始化。這是因?yàn)楸粍?dòng)傳感器發(fā)現(xiàn)目標(biāo)之前，主動(dòng)傳感器測量的目標(biāo)信息對(duì)于目標(biāo)航跡關(guān)聯(lián)、合并有貢獻(xiàn)，但是依然不能準(zhǔn)確識(shí)別目標(biāo)類型，所以主動(dòng)傳感器測量的目標(biāo)信息在被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)之后對(duì)信息融合才有貢獻(xiàn)。主動(dòng)傳感器測得的數(shù)據(jù)一般是按照目標(biāo)批次合并保存的，目標(biāo)批次在一定程度上表示了目標(biāo)個(gè)數(shù)。將SP(k)內(nèi)主動(dòng)傳感器測得的多批次目標(biāo)分別作時(shí)間初始化，假設(shè)絕對(duì)時(shí)刻k時(shí)，被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)，從k時(shí)刻至k+2TA時(shí)間段內(nèi)，目標(biāo)將只對(duì)應(yīng)于一個(gè)SA(kA)，初始化為SA(0)。

對(duì)配置于不同平臺(tái)上的主、被動(dòng)傳感器，需要先進(jìn)行絕對(duì)時(shí)間校準(zhǔn)，然后再進(jìn)行量測空間時(shí)間初始化。

3.2 模型算法

在目標(biāo)測量的絕對(duì)空間下，融合空間的形成已經(jīng)經(jīng)過時(shí)間分割，再對(duì)融合空間進(jìn)行距離維分割，使目標(biāo)運(yùn)動(dòng)在融合空間內(nèi)的描述具體為目標(biāo)實(shí)體空間，目標(biāo)實(shí)體空間的形成只與被動(dòng)傳感器目標(biāo)量測空間有關(guān)。將被動(dòng)傳感器的目標(biāo)量測空間SP(k)劃分為N個(gè)距離間隔不相等的子區(qū)間，第i個(gè)子區(qū)間的長度為2σL(i)，平均徑向距離為L(i)，如圖5。

圖5 STMHM目標(biāo)實(shí)體空間濾波示意圖

其中2σL(i)和L(i)滿足:

其中:L(0)=Lmin，σL(0)=0，Lmax=L(N)+σL(N)，ρ為融合空間目標(biāo)分辨單元，由主、被動(dòng)傳感器的固有性質(zhì)決定。

經(jīng)過運(yùn)算，可求得第i個(gè)子區(qū)間的長度2σL(i)和L(i)，分別為:

設(shè)空間中僅有一個(gè)目標(biāo)，如果絕對(duì)時(shí)刻k時(shí)刻，被動(dòng)傳感器發(fā)現(xiàn)目標(biāo)，批號(hào)為m，那么被動(dòng)傳感器的量測空間時(shí)間初始化為，所以，目標(biāo)位于內(nèi)。依靠主動(dòng)傳感器測量的目標(biāo)距離等信息，通過坐標(biāo)轉(zhuǎn)化可以知道目標(biāo)在內(nèi)的第i個(gè)子區(qū)間?；谝陨峡紤]，信息融合在內(nèi)的融合結(jié)果可以表示為，稱為目標(biāo)實(shí)體空間(TES)。

在每一個(gè)SP(k)內(nèi)分別建立擴(kuò)展卡爾曼濾波模型，如果不考慮過程噪聲的影響，目標(biāo)狀態(tài)方程可表示為:

其中，X(k)為k時(shí)刻目標(biāo)狀態(tài)矢量，Φ為狀態(tài)轉(zhuǎn)移矩陣，V(k)為具有協(xié)方差陣為Q(k)的零均值白色高斯過程噪聲，Γ(k)為過程噪聲分布矩陣。

此時(shí)T=TA，x(k)、y(k)分別為k時(shí)刻目標(biāo)距離在直角坐標(biāo)系下x軸和y軸的投影分別為目標(biāo)相對(duì)速度在x軸和y軸的投影。

當(dāng)兩類傳感器配置于不同平臺(tái)時(shí)，由于被動(dòng)傳感器測距、測速的局限性，目標(biāo)實(shí)體空間的遞推需要配置于另一平臺(tái)的主動(dòng)傳感器的目標(biāo)量測數(shù)據(jù)，兩平臺(tái)的空間位置對(duì)于融合中心來說是已知的，此時(shí)需要進(jìn)行一個(gè)簡單的矢量變換，將主動(dòng)傳感器的目標(biāo)距離矢量和速度矢量，轉(zhuǎn)換至被動(dòng)傳感器上即可。

4 數(shù)據(jù)仿真分析

設(shè)被動(dòng)傳感器的量測間隔TP=1 s，主動(dòng)傳感器的量測間隔TA=10 s。

4.1 目標(biāo)態(tài)勢分析

設(shè)主、被動(dòng)傳感器在對(duì)空觀察一段時(shí)間后，主動(dòng)傳感器收到3批數(shù)據(jù)，被動(dòng)傳感器共收到2批數(shù)據(jù)。那么可以確定空中目標(biāo)至少有三個(gè)，并且有其中一個(gè)不輻射電磁信號(hào)。將空中目標(biāo)信息繪制在同一直角坐標(biāo)系下，如圖6所示。圖中Da(1)、Da(2)、Da(3)分別表示主動(dòng)傳感器測量得到的第1、2、3批目標(biāo)的空間位置在平面直角坐標(biāo)系下的投影點(diǎn)軌跡。

圖6 空中目標(biāo)態(tài)勢

被動(dòng)傳感器測量目標(biāo)輻射信息時(shí)，載機(jī)形成的航跡如圖7所示，被動(dòng)傳感器形成的第1批數(shù)據(jù)Dp(1)、對(duì)應(yīng)于載機(jī)航跡運(yùn)動(dòng)軌跡1，被動(dòng)傳感器形成的第2批數(shù)據(jù)Dp(2)對(duì)應(yīng)于載機(jī)航跡運(yùn)動(dòng)軌跡2。

圖7 載機(jī)運(yùn)動(dòng)軌跡

4.2 信息融合結(jié)果分析

利用STMHM的融合算法對(duì)主被動(dòng)傳感器的量測數(shù)據(jù)進(jìn)行信息融合，其中，主動(dòng)傳感器量測數(shù)據(jù)Da(2)與被動(dòng)傳感器的量測數(shù)據(jù)Dp(1)能夠融合，如圖8，Da(3)與Dp(2)能夠融合，如圖9，并且在利用算法按照時(shí)間推演，濾波器不隨時(shí)間推移而發(fā)散，說明STMHM算法是有效的。

圖8 Da(2)與Dp(1)融合成功

圖9 Da(3)與Dp(2)融合成功

主動(dòng)傳感器量測數(shù)據(jù)Da(3)與被動(dòng)傳感器的量測數(shù)據(jù)Dp(1)融合失敗，原因是被動(dòng)傳感器的量測空間與主動(dòng)傳感器量測空間不能形成融合空間，說明這兩組數(shù)據(jù)不相關(guān);Da(2)與Dp(2)融合失敗，被動(dòng)傳感器不能形成目標(biāo)量測空間，說明這兩組數(shù)據(jù)亦不相關(guān)。

由于主動(dòng)傳感器的量測周期(量測間隔)遠(yuǎn)遠(yuǎn)大于算法的計(jì)算耗時(shí)，所以算法的融合周期可以用主動(dòng)傳感器的量測周期來估算。通過大量數(shù)據(jù)實(shí)驗(yàn)，確認(rèn)信息融合成功一般需要3 TA～5 TA，而確認(rèn)融合失敗的時(shí)間很短僅需1 TA～2 TA。表1給出了以上數(shù)據(jù)信息融合所需要的融合時(shí)間。

表1 信息融合的時(shí)效性分析

5 結(jié)論

異類傳感器實(shí)時(shí)信息融合是同時(shí)實(shí)現(xiàn)目標(biāo)跟蹤和目標(biāo)識(shí)別的重要途徑，本文構(gòu)建的STMHM算法有效實(shí)現(xiàn)了這兩類數(shù)據(jù)的實(shí)時(shí)信息融合。該算法構(gòu)建兩類傳感器的目標(biāo)量測空間不僅解決了數(shù)據(jù)率不同造成的融合困難，而且淡化了單個(gè)數(shù)據(jù)的功能，從而在一定程度上允許部分?jǐn)?shù)據(jù)出錯(cuò)，而且不影響兩類傳感器數(shù)據(jù)的下一步融合。本文通過設(shè)計(jì)空中態(tài)勢，運(yùn)用該算法對(duì)兩類數(shù)據(jù)進(jìn)行融合，驗(yàn)證了算法的有效性。但是算法在構(gòu)建過程中存在很多問題，對(duì)于異類傳感器配置于同一平臺(tái)或者不同平臺(tái)時(shí)，目標(biāo)量測空間和融合空間的誤差分析方法未詳細(xì)論述，而且未推導(dǎo)嚴(yán)格的評(píng)判規(guī)則方程和誤差允許范圍。

[1]李彬彬，馮新喜，王朝英，等.異類傳感器三維空間數(shù)據(jù)關(guān)聯(lián)算法研究[J].宇航學(xué)報(bào)，2011，32，(7):1632－1638.

[2]董紅波，劉進(jìn)忙，張春梅，等.機(jī)載異類傳感器模糊航跡關(guān)聯(lián)算法的研究[J].傳感器與微系統(tǒng)，2010，29(7):8－12.

[3]黃友澎，吳漢寶，張志云.基于方位合成的異類傳感器航跡數(shù)據(jù)融合算法[J].西南交通大學(xué)學(xué)報(bào)，2011，46(2):277－280.

[4]劉湘?zhèn)ィ車x，郝成民.基于D-S理論的多傳感器目標(biāo)識(shí)別能力分析[J].傳感技術(shù)學(xué)報(bào)，2011，24(7):1017－1020.

[5]黃樹峰，秦超英，郭培榮.帶反饋信息的多傳感器航跡融合算法[J].傳感技術(shù)學(xué)報(bào)，2009，22(11):1591－1595.

[6]Ulrich K，Simon H，Klaus D.Dynamical Information Fusion of Heterogeneous Sensors for 3D Tracking Using Particle Swarm Optimization[J].Information Fusion，2011，12(4):275－283.

[7]Alex J Barnett，Gavin Pearson，Robert I Young.Optimising the Deployment of Airborne Heterogeneous Sensors for Persistent ISR Missions[J].Proc.of SPIE，2010，7694:0401－0410.

[8]Dunham，Darin T.Tracking Multiple Targets in Cluttered Environments with the Probabilistic Multi-Hypothesis Tracking Filter[D].Naval postgraduate school Monterey，California:1997，3.

[9]Dominic S P Leung，Scott Williams D.A Multiple Hypothesis Based Multiple Sensor Spatial Data Fusion Algorithm[R].SPIE Automatic Object Recognition，1991(1471):314－325.

[10]Rita Baltes.Improvement of Sensor Fusion with Misalignment by MHT Tracking[C]//SPIE Signal and Data Processing of Small Targets，2003(5204):436－445.

[11]Juan R Vasqueza，Jason L Williams.Improved Hypothesis Selection for Multiple Hypothesis Tracking[C]//SPIE Signal and Data Processing of Small Targets，2004(5428):221－223.

[12]Jianhui Lu，Chengzhi Yang，Dongfeng Chen，et al.Spatial-Time Multiple Hypothesis Model of Data Fusion based on Active and Passive Sensors[C]//International Workshop on Information and Electronics Engineering.2012:2759－2764.