基于先驗信息的多假設(shè)模型中斷航跡關(guān)聯(lián)算法

齊 林，王海鵬，熊 偉，董 凱

（1．海軍航空工程學(xué)院信息融合研究所，山東煙臺264001；2．飛行器測控與通信教育部重點實驗室，重慶400044）

基于先驗信息的多假設(shè)模型中斷航跡關(guān)聯(lián)算法

齊 林1，2，王海鵬1，2，熊 偉1，董 凱1

（1．海軍航空工程學(xué)院信息融合研究所，山東煙臺264001；2．飛行器測控與通信教育部重點實驗室，重慶400044）

針對經(jīng)典的中斷航跡關(guān)聯(lián)算法在機(jī)動目標(biāo)環(huán)境下航跡預(yù)測準(zhǔn)確性差、關(guān)聯(lián)效果惡化嚴(yán)重的問題，提出基于先驗信息的多假設(shè)運動模型中斷航跡關(guān)聯(lián)算法。所提算法充分利用目標(biāo)屬性、目標(biāo)運動特征、使用場景等先驗信息，基于多假設(shè)思想，建立多種可能的目標(biāo)運動模型并實施航跡預(yù)測，基于位置和速度信息的模糊相關(guān)函數(shù)描述預(yù)測航跡與新起始航跡的模糊匹配關(guān)系，最后基于多項式擬合原理連接滿足關(guān)聯(lián)關(guān)系的新、老航跡。經(jīng)仿真驗證，在中斷區(qū)間目標(biāo)發(fā)生機(jī)動運動的條件下，所提算法的關(guān)聯(lián)效果相對于經(jīng)典的中斷航跡關(guān)聯(lián)算法有顯著提升。所提算法對于復(fù)雜環(huán)境具有較強(qiáng)的適應(yīng)能力，經(jīng)50次蒙特卡羅仿真，在中斷時間小于18個濾波周期條件下，機(jī)動目標(biāo)的平均正確關(guān)聯(lián)率達(dá)到90%以上，機(jī)動環(huán)境的全局關(guān)聯(lián)正確率達(dá)到85%以上。

中斷航跡關(guān)聯(lián)；先驗信息；多假設(shè)；模糊相關(guān)函數(shù)；航跡擬合

0 引 言

由于目標(biāo)機(jī)動、多普勒雷達(dá)照射盲區(qū)、長采樣間隔和低探測率等原因，雷達(dá)對目標(biāo)的跟蹤常常發(fā)生航跡中斷。航跡中斷對信息融合會造成嚴(yán)重的干擾，因而中斷航跡的配對關(guān)聯(lián)是雷達(dá)數(shù)據(jù)處理領(lǐng)域亟需解決的關(guān)鍵問題之一。中斷航跡的配對關(guān)聯(lián)及連接問題早在20世紀(jì)80年代就被提出［1］，最近幾年已成為國內(nèi)外學(xué)者的關(guān)注熱點。文獻(xiàn)［2］提出了基于統(tǒng)計加權(quán)的中斷航跡關(guān)聯(lián)（track segment association，TSA）算法，為后續(xù)TSA方法的研究發(fā)展奠定了基礎(chǔ)。該算法利用交互多模型［3-5］實施目標(biāo)跟蹤，將新航跡逆向預(yù)測至老航跡最后一個狀態(tài)更新點，由新、老航跡對該點作狀態(tài)估計的統(tǒng)計距離判斷是否滿足關(guān)聯(lián)條件，并用二維分配方法處理多義性問題；文獻(xiàn)［6- 7］基于上述方法及其改進(jìn)算法解決了因目標(biāo)停走機(jī)動造成的地面目標(biāo)TSA問題；文獻(xiàn)［8］將上述方法應(yīng)用于解決彈道目標(biāo)的TSA。TSA及其改進(jìn)算法對于運動狀態(tài)相對穩(wěn)定的TSA問題具有很好的關(guān)聯(lián)效果，但當(dāng)中斷區(qū)間目標(biāo)發(fā)生機(jī)動運動時，基于中斷前后的量測信息預(yù)測中斷區(qū)間目標(biāo)運動狀態(tài)的準(zhǔn)確性很差，造成中斷航跡關(guān)聯(lián)失準(zhǔn)，另一方面，長時間航跡中斷造成的誤差積累加重了預(yù)測航跡與真實航跡的偏差，TSA效果惡化嚴(yán)重。文獻(xiàn)［9］提出的多普勒盲區(qū)條件下的多假設(shè)運動模型目標(biāo)跟蹤方法為TSA問題的研究提供了新思路。該算法基于多普勒盲區(qū)條件下目標(biāo)在中斷區(qū)間多種可能的角速度取值預(yù)測目標(biāo)航跡，對于中斷區(qū)間目標(biāo)可能發(fā)生的小幅機(jī)動具有一定的適應(yīng)性。但該算法僅適用于多普勒盲區(qū)條件下弱機(jī)動單目標(biāo)航跡中斷，應(yīng)用范圍比較局限。

針對現(xiàn)有算法的上述缺陷，為解決多機(jī)動［10］目標(biāo)中斷航跡關(guān)聯(lián)問題，本文提出基于先驗信息的多假設(shè)運動模型TSA算法。該算法充分考慮目標(biāo)屬性、目標(biāo)運動特征、使用場景等先驗信息實施航跡段粗關(guān)聯(lián)判斷，對于滿足粗關(guān)聯(lián)關(guān)系的新、老航跡，基于多假設(shè)思想設(shè)置多種可能的目標(biāo)運動模型并進(jìn)行航跡預(yù)測，基于目標(biāo)運動特征的模糊相關(guān)函數(shù)［11-15］描述多條預(yù)測航跡與新起始航跡的模糊匹配關(guān)系，選出其中最大的模糊相似度作為新、老航跡的匹配關(guān)系，并使用二維分配原理確定目標(biāo)間的關(guān)聯(lián)關(guān)系，最后使用多項式擬合［1617］方法連接滿足關(guān)聯(lián)關(guān)系的新、老航跡。

1 中斷航跡預(yù)處理及粗關(guān)聯(lián)

1.1 目標(biāo)運動狀態(tài)提取

雷達(dá)自動跟蹤戰(zhàn)場環(huán)境中的多個運動目標(biāo)，生成環(huán)境中的目標(biāo)運動態(tài)勢。目標(biāo)機(jī)動等原因造成的航跡中斷使環(huán)境中形成多條零散的航跡段，提取每條航跡段的第一個和最后一個狀態(tài)更新點，對滿足時間先后順序的多對新、老航跡段實施配對關(guān)聯(lián)。某對新、老航跡表示為

老航跡

新航跡

1.2 基于先驗信息的中斷航跡粗關(guān)聯(lián)

在戰(zhàn)場環(huán)境或其他具體應(yīng)用背景下，目標(biāo)的部分屬性信息可以先驗獲得，如飛行器飛行速度區(qū)間、加速度區(qū)間、轉(zhuǎn)彎角速度范圍等；基于目標(biāo)飛行高度，飛行負(fù)載等附加信息可進(jìn)一步限定上述運動特征的范圍，作為中斷航跡粗關(guān)聯(lián)的先驗條件?；谙闰炐畔⒌闹袛嗪桔E目標(biāo)運動特征匹配可簡單有效地排除大部分無關(guān)聯(lián)可能的中斷航跡段，簡化航跡匹配關(guān)聯(lián)的運算量。

本文基于目標(biāo)運動特征信息設(shè)置粗關(guān)聯(lián)判斷。

（1）速度匹配：目標(biāo)在中斷區(qū)間位移與時間的比值滿足目標(biāo)速度門限，即

（2）加速度匹配：目標(biāo)在中斷區(qū)間的速度變化率小于目標(biāo)加速度門限，即

（3）角速度匹配：目標(biāo)在單位時間的轉(zhuǎn)彎角度小于目標(biāo)角速度門限，即

式中

2 基于多假設(shè)運動模型的TSA

2.1 基于多假設(shè)運動模型的航跡預(yù)測

目標(biāo)在中斷區(qū)間的運動狀態(tài)未知，但目標(biāo)的基本運動形式包括勻速運動、勻加速運動和勻速轉(zhuǎn)彎運動，其他復(fù)雜的運動形式大多由上述3種基本運動形式時空疊加組合而成。為描述中斷區(qū)間目標(biāo)的運動狀態(tài)，本文假定目標(biāo)在每個濾波周期內(nèi)做各坐標(biāo)軸加速度恒定的勻加速運動或角速度恒定的勻速轉(zhuǎn)彎運動（勻速直線運動可看作上述兩種運動形式的特例），并基于上述假設(shè)的多種可能的運動參數(shù)預(yù)測目標(biāo)的運動狀態(tài)。

根據(jù)先驗信息推算出目標(biāo)加速度取值范圍為［0，amax］，將最大加速度amax進(jìn)行Na－1等分，得到每個坐標(biāo)軸上Na種可能的加速度取值，則空間nx維加速度取值的總模型數(shù)為基于老航跡最后一個狀態(tài)更新點進(jìn)行中斷區(qū)間航跡多假設(shè)預(yù)測，利用種加速度模型遞推得到下一時刻目標(biāo)的種狀態(tài)預(yù)測，假設(shè)第n種運動模型橫、縱坐標(biāo)加速度取值分別為，將其賦值給時刻老航跡運動狀態(tài)矢量

式中

同理推算出目標(biāo)勻速轉(zhuǎn)彎運動的角速度取值范圍為［0，ωmax］，將最大角速度ωmax進(jìn)行Nω－1等分，得到Nω種可能的角速度取值，假設(shè)第n種勻速轉(zhuǎn)彎模型角速度取值為ωn，其中）時，ωn取正值，時，ωn取負(fù)值，狀態(tài)轉(zhuǎn)移矩陣［18］為

2.2 基于目標(biāo)運動特征的航跡模糊相似度

針對單目標(biāo)TSA問題，當(dāng)新航跡起始時刻狀態(tài)估計矢量

式中，um是第m個模糊因素；σm是第m個模糊因素的展度；τm是調(diào)整度。

u1是位置模糊因素；u2是速度模糊因素。老航跡Ti和新航跡Tj基于多假設(shè)運動模型的模糊相似度表示為

2.3 中斷航跡擬合

本文使用多項式擬合方法連接滿足關(guān)聯(lián)關(guān)系的中斷航跡，擬合數(shù)據(jù)使用老航跡最后L個狀態(tài)更新點的位置矢量

和新航跡起始的L個狀態(tài)更新點的位置矢量

假設(shè)目標(biāo)在X軸上進(jìn)行勻速運動，則X軸上目標(biāo)位置和時間近似滿足線性關(guān)系；目標(biāo)進(jìn)行勻加速運動時，位置和時間的關(guān)系近似滿足二維曲線；目標(biāo)進(jìn)行勻速轉(zhuǎn)彎運動時，位置和時間近似滿足更高維的曲線關(guān)系。由于中斷區(qū)間目標(biāo)運動狀態(tài)未知，考慮隨機(jī)誤差對目標(biāo)位置的影響，憑借經(jīng)驗使用4階多項式擬合各坐標(biāo)軸上中斷的航跡數(shù)據(jù)，將老航跡和新航跡連接起來。

綜上所述，基于先驗信息的多假設(shè)運動模型TSA算法流程如圖1所示。

圖1 算法流程圖

3 仿真驗證

3.1 單目標(biāo)TSA流程仿真

空域中有某飛行器進(jìn)行等高巡邏飛行，起始位置（0，7 000 m），起始速度（0，－150 m／s）。0～400 s時間段，目標(biāo)以起始速度進(jìn)行勻速飛行；400～500 s，目標(biāo)進(jìn)行各坐標(biāo)軸加速度恒定的勻加速曲線飛行，加速度取值（1．5 m／s2，1．5 m／s2）；500 s后，目標(biāo)恢復(fù)勻速飛行。雷達(dá)采樣間隔T＝5 s，跟蹤時間700 s，400～500 s時間段內(nèi)目標(biāo)量測數(shù)據(jù)丟失造成目標(biāo)航跡中斷。忽略系統(tǒng)誤差的影響，雷達(dá)量測引入均值為0、距離標(biāo)準(zhǔn)差80 m、方位角標(biāo)準(zhǔn)差存在0．3°的隨機(jī)誤差，采用勻速直線運動卡爾曼濾波算法實施目標(biāo)跟蹤，目標(biāo)真實軌跡、雷達(dá)量測點跡、濾波點跡如圖2和圖3所示。由于航跡起始階段濾波精度較差，本文對新航跡實施T為負(fù)值的逆向濾波，提取新航跡起始時刻目標(biāo)運動狀態(tài)。

圖2 目標(biāo)真實軌跡與觀測點跡

圖3 目標(biāo)真實軌跡與濾波點跡

由先驗信息限定目標(biāo)速度取值范圍［100 m／s，500 m／s］，目標(biāo)加速度取值范圍［0，5 m／s2］，飛行器平飛（無側(cè)滑）轉(zhuǎn)彎的最大角速度3（°）／s，經(jīng)驗證，中斷前后的新、老航跡滿足粗關(guān)聯(lián)條件?；诙嗉僭O(shè)運動模型的航跡預(yù)測，單軸勻加速多假設(shè)模型個數(shù)取值Na＝11，勻速轉(zhuǎn)彎多假設(shè)模型個數(shù)Nω＝31，按圖1所示流程對老航跡進(jìn)行中斷區(qū)間目標(biāo)運動狀態(tài)預(yù)測至新航跡起始時刻，預(yù)測航跡如圖4和圖5所示。基于模糊相關(guān)函數(shù)求出預(yù)測狀態(tài)與新航跡起始狀態(tài)的模糊相似度，τ1＝τ2＝0.001，a1＝a2＝0.5，求得的勻加速多假設(shè)模型下新航跡起始時刻估計狀態(tài)與老航跡預(yù)測狀態(tài)最大相似度為0.633 7，勻速轉(zhuǎn)彎多假設(shè)模型下最大相似度為0.373 4?；诓煌A數(shù)的多項式擬合中斷區(qū)間目標(biāo)航跡，老、新航跡擬合數(shù)據(jù)長度L＝5，各階擬合航跡如圖6所示，擬合航跡與真實航跡的均方誤差如圖7所示，圖中N表示擬合階數(shù)，如圖7所示4階、5階擬合航跡與目標(biāo)真實航跡均方偏差最小，擬合匹配性最好。N＜4時，因多項式階數(shù)較低，擬合曲線難以準(zhǔn)確描述航跡走勢；N＞5時，擬合曲線波動較大，與目標(biāo)實際運動狀態(tài)不符。

圖4 勻加速模型目標(biāo)預(yù)測狀態(tài)

圖5 勻速轉(zhuǎn)彎模型目標(biāo)預(yù)測狀態(tài)

3.2 多機(jī)動目標(biāo)環(huán)境下算法性能比較

為驗證本文算法相對于經(jīng)典的TSA算法的優(yōu)越性能，特別是目標(biāo)在中斷區(qū)間發(fā)生機(jī)動運動條件下的關(guān)聯(lián)效果，設(shè)置如圖8所示的飛行目標(biāo)仿真環(huán)境。環(huán)境中的目標(biāo)個數(shù)為5，中斷前后目標(biāo)均保持勻速直線飛行狀態(tài)，中斷區(qū)間目標(biāo)可能轉(zhuǎn)變?yōu)閯蚣铀偾€飛行或勻速轉(zhuǎn)彎飛行等機(jī)動運動，雷達(dá)量測更新周期T＝5 s，中斷時間為T的整數(shù)倍K，定義K為中斷間隔。各目標(biāo)運動狀態(tài)如下：目標(biāo)1起始位置（－27 000 m，0），起始速度（250 m／s，0），中斷區(qū)間仍保持勻速直線飛行；目標(biāo)2起始位置（－30 000 m，1 000 m），起始速度（300 m／s，0），中斷區(qū)間轉(zhuǎn)變成勻加速飛行狀態(tài)，加速度（－0．5 m／s2，－1．7 m／s2），目標(biāo)3起始位置（－25 000 m，－1 000 m），起始速度（200 m／s，0），中斷區(qū)間轉(zhuǎn)變成加速度（－0．8 m／s2，1．4 m／s2）的勻加速飛行狀態(tài)；目標(biāo)4起始位置（－30 000 m，－2 000 m），起始速度（300 m／s，0），中斷區(qū)間勻速轉(zhuǎn)彎飛行，角速度ω＝π／200（rad／s）；目標(biāo)5起始位置（－27 500 m，2 000 m），起始速度（250 m／s，0），中斷區(qū)間勻速轉(zhuǎn)彎飛行，角速度ω＝－π／150（rad／s）。雷達(dá)量測引入測距標(biāo)準(zhǔn)差80 m，測方位角標(biāo)準(zhǔn)差存在0．3°的高斯隨機(jī)誤差。

圖6 各階擬合航跡

圖7 各階擬合航跡的均方誤差

圖8 多目標(biāo)環(huán)境真實軌跡與濾波點跡

為描述算法的關(guān)聯(lián)效果，這里需要定義TSA的幾個評價指標(biāo)。全局關(guān)聯(lián)正確率為

式中，M表示實驗的蒙特卡羅仿真次數(shù)；m表示實驗中全局關(guān)聯(lián)正確次數(shù)。全局關(guān)聯(lián)正確指一次蒙特卡羅仿真實驗中每條老航跡唯一地與和它對應(yīng)的新航跡配對關(guān)聯(lián)，每條新航跡唯一地與和它對應(yīng)的老航跡配對關(guān)聯(lián)。平均正確關(guān)聯(lián)率為

平均錯誤關(guān)聯(lián)率為

平均漏關(guān)聯(lián)率為

式中，n表示一次實驗中發(fā)生航跡中斷的目標(biāo)個數(shù)；nt表示正確關(guān)聯(lián)的目標(biāo)個數(shù)；nf表示錯誤關(guān)聯(lián)的目標(biāo)個數(shù)；nn表示漏關(guān)聯(lián)的目標(biāo)個數(shù)；nt＋nf＋nn＝n。故Rta表示正確關(guān)聯(lián)率，即一次實驗中正確關(guān)聯(lián)的目標(biāo)個數(shù)與目標(biāo)總數(shù)的比值，同理Rfa表示錯誤關(guān)聯(lián)率，Rna表示漏關(guān)聯(lián)率。本實驗結(jié)果由50次蒙特卡羅仿真求均值得到，Rta、Rfa、Rna分別表示關(guān)聯(lián)結(jié)果中的目標(biāo)平均正確關(guān)聯(lián)率、平均錯誤關(guān)聯(lián)率、平均漏關(guān)聯(lián)率。

設(shè)置不同的中斷間隔長度K，基于50次蒙特卡羅仿真，分別使用經(jīng)典的TSA算法和本文算法關(guān)聯(lián)環(huán)境中的中斷航跡。TSA算法的詳細(xì)計算流程參考文獻(xiàn)［2］，本文使用交互多模型算法跟蹤運動目標(biāo)，將新航跡逆向預(yù)測至老航跡最后一個狀態(tài)更新點，基于TSA算法實施關(guān)聯(lián)判斷。基于多假設(shè)運動模型的航跡預(yù)測及模糊相關(guān)函數(shù)的求法同3.1節(jié)，單軸勻加速多假設(shè)模型個數(shù)Na＝21，勻速轉(zhuǎn)彎多假設(shè)模型個數(shù)Nω＝31，勻加速模型隸屬度函數(shù)中，τ1＝τ2＝1，勻速轉(zhuǎn)彎模型隸屬度函數(shù)中，τ1＝τ2＝0.2，權(quán)值a1＝a2＝0.5，判斷可能關(guān)聯(lián)的最小隸屬度取值0.6。隨著中斷間隔長度K的增長，各目標(biāo)關(guān)聯(lián)正確次數(shù)如表1所示，各關(guān)聯(lián)評價參數(shù)如表2所示。如表1所示，TSA算法的環(huán)境適應(yīng)能力較差。當(dāng)目標(biāo)維持在勻速直線運動或加速度取值較小的勻加速運動條件下（表1中TSA算法目標(biāo)1和目標(biāo)3），且要求中斷間隔K不大于10時，TSA算法具有較高的關(guān)聯(lián)正確次數(shù)；當(dāng)目標(biāo)加速度增大或進(jìn)行勻速轉(zhuǎn)彎運動時，由于中斷區(qū)間航跡曲率較大，基于非中斷區(qū)間的量測數(shù)據(jù)預(yù)測中斷區(qū)間目標(biāo)運動狀態(tài)的準(zhǔn)確性較低，TSA算法難以準(zhǔn)確實施航跡關(guān)聯(lián)判斷；當(dāng)中斷間隔大于10時，由于誤差積累造成航跡預(yù)測準(zhǔn)確性驟降，同樣造成航跡關(guān)聯(lián)判斷失準(zhǔn)。如表2所示，當(dāng)中斷間隔大于10時，TSA算法目標(biāo)平均正確關(guān)聯(lián)率降至20%以下，平均錯誤關(guān)聯(lián)率和平均漏關(guān)聯(lián)率劇增，TSA算法在這種復(fù)雜環(huán)境下已不具備使用價值。

表1 算法關(guān)聯(lián)正確次數(shù)

表2 算法關(guān)聯(lián)評價參數(shù) %

本文算法對于中斷區(qū)間目標(biāo)發(fā)生機(jī)動運動具有較強(qiáng)的適應(yīng)能力。在表1中所列的不同目標(biāo)機(jī)動程度、不同中斷間隔條件下，本文算法均具有較高的關(guān)聯(lián)正確次數(shù)。比較表2中相同仿真條件下不同算法所得實驗結(jié)果可知，本文算法具有明顯更高的全局關(guān)聯(lián)正確率和目標(biāo)平均正確關(guān)聯(lián)率，平均錯誤關(guān)聯(lián)率和平均漏關(guān)聯(lián)率更低，說明本文算法對于TSA算法的關(guān)聯(lián)效果具有顯著提升?？紤]兩種算法的關(guān)聯(lián)判斷原理，TSA算法基于中斷前后的目標(biāo)量測估計中斷區(qū)間的目標(biāo)運動狀態(tài)并實施統(tǒng)計距離判斷，當(dāng)中斷區(qū)間目標(biāo)未發(fā)生機(jī)動運動且估計誤差較小時，這種算法具有一定的可用性，當(dāng)中斷區(qū)間目標(biāo)發(fā)生機(jī)動運動或中斷時間較長、預(yù)測誤差積累較大時，航跡預(yù)測準(zhǔn)確性無法保證，算法關(guān)聯(lián)效果不可信。本文使用基于多假設(shè)運動模型的航跡預(yù)測，考慮中斷區(qū)間目標(biāo)可能發(fā)生的機(jī)動運動，基于多種可能的運動模型和參數(shù)分別預(yù)測航跡走勢，并基于模糊相關(guān)函數(shù)選擇可能性最大的運動模型匹配新、老航跡。當(dāng)中斷間隔逐漸增大至18以上時，各目標(biāo)關(guān)聯(lián)正確次數(shù)、全局關(guān)聯(lián)正確率、目標(biāo)平均正確關(guān)聯(lián)率均有所下降，考慮到中斷間隔逐漸增大導(dǎo)致誤差逐漸積累，造成預(yù)測偏差逐漸增大，上述關(guān)聯(lián)性能的下降在合理的范圍內(nèi)。

從原理上分析，當(dāng)航跡預(yù)測偏差較小時，基于多假設(shè)運動模型的TSA算法的關(guān)聯(lián)性能依賴于模型庫中的模型個數(shù)，當(dāng)模型個數(shù)多到確保有一種假設(shè)運動模型可以精確描述目標(biāo)的真實運動狀態(tài)，預(yù)測航跡與新起始航跡的高匹配度將確保航跡的準(zhǔn)確關(guān)聯(lián)。當(dāng)模型個數(shù)較少，多假設(shè)的運動模型均與目標(biāo)實際運動模型差距較大，預(yù)測航跡與新起始航跡間匹配程度較低，關(guān)聯(lián)失敗。表3是中斷間隔K＝10，不同模型個數(shù)條件下基于多假設(shè)運動模型的TSA算法的關(guān)聯(lián)評價參數(shù)，實驗結(jié)果在一定程度上驗證了上文的論述，在模型個數(shù)未達(dá)到足夠描述目標(biāo)運動狀態(tài)的前提下，算法的關(guān)聯(lián)性能隨模型個數(shù)增多而增強(qiáng)。在算法具體應(yīng)用時，模型個數(shù)和參數(shù)的選取應(yīng)綜合考慮目標(biāo)屬性、應(yīng)用背景、過往經(jīng)驗等先驗信息。模型個數(shù)選取過少將導(dǎo)致關(guān)聯(lián)效果較差；模型個數(shù)選取過多對提高關(guān)聯(lián)效果無實質(zhì)幫助，還會增加計算復(fù)雜度，降低算法的實時性。

表3 模型個數(shù)不同條件下本文算法關(guān)聯(lián)評價參數(shù) %

實際情況下目標(biāo)的機(jī)動運動形式不限于勻加速和勻速轉(zhuǎn)彎模型，且中斷區(qū)間內(nèi)目標(biāo)運動形式也可能發(fā)生不止一次的轉(zhuǎn)變，但大多復(fù)雜的運動形式可由簡單的運動模型時空疊加組合而成。本文算法對于解決機(jī)動目標(biāo)的TSA問題具有重要的參考價值，隨著經(jīng)驗的不斷積累，研究的繼續(xù)深入，模型庫中可加入更多的運動模型，使多假設(shè)的航跡預(yù)測更貼近目標(biāo)的真實運動狀態(tài)，本文算法的關(guān)聯(lián)效果進(jìn)一步提升。

4 結(jié) 論

為解決中斷區(qū)間目標(biāo)發(fā)生機(jī)動運動的TSA問題，本文提出了基于先驗信息的多假設(shè)運動模型TSA算法，經(jīng)仿真驗證，得到針對該算法的如下結(jié)論：

（1）基于異構(gòu)信息的多源融合可利用目標(biāo)屬性、目標(biāo)運動特征、環(huán)境條件等先驗信息提高目標(biāo)關(guān)聯(lián)、識別的準(zhǔn)確性。本文提出的基于先驗信息的多假設(shè)運動模型中斷航跡配對關(guān)聯(lián)算法充分考慮目標(biāo)中斷區(qū)間可能發(fā)生的機(jī)動運動形式，建立多種可能的目標(biāo)運動模型實施航跡預(yù)測和關(guān)聯(lián)，并基于模糊相關(guān)函數(shù)和二維分配原理選擇匹配最好的新、老航跡，相比經(jīng)典的TSA算法，大幅提高了多機(jī)動目標(biāo)環(huán)境下全局關(guān)聯(lián)正確率和目標(biāo)平均正確關(guān)聯(lián)率。

（2）本文基于目標(biāo)屬性、目標(biāo)運動特征、環(huán)境條件等信息設(shè)定TSA的先驗條件，用于粗關(guān)聯(lián)和精細(xì)關(guān)聯(lián)中多假設(shè)運動模型參數(shù)的選取。具體應(yīng)用時，基于雷達(dá)回波特征信息可實施航跡的目標(biāo)屬性識別，獲取目標(biāo)運動特征；基于使用環(huán)境的先驗信息也可進(jìn)一步限定目標(biāo)航行條件。上述信息的收集選取過程中可能存在證據(jù)一致、互補(bǔ)、沖突等情況，需要基于證據(jù)理論綜合提取最優(yōu)信息，本文不進(jìn)行這方面內(nèi)容的具體研究，只研究先驗信息選定情況下的中斷航跡配對關(guān)聯(lián)算法。

（3）基于先驗信息的多假設(shè)運動模型TSA算法對于航跡的長中斷間隔具有較強(qiáng)的適應(yīng)能力，但當(dāng)中斷間隔K≥18時，隨著K繼續(xù)增大，關(guān)聯(lián)效果明顯下降。考慮長時間的量測丟失導(dǎo)致航跡預(yù)測誤差逐漸積累，航跡預(yù)測準(zhǔn)確性降低，上述問題的出現(xiàn)在合理的范圍。

（4）為限制目標(biāo)運動模型的個數(shù)，本文進(jìn)行整個中斷區(qū)間目標(biāo)運動形式恒定的假設(shè)，實際情況下，由于中斷時間較短（中斷時間過長時航跡配對關(guān)聯(lián)已失去意義），上述假設(shè)具有比較普遍的意義。對于中斷區(qū)間目標(biāo)機(jī)動運動模型變化的情況，僅僅基于位置層信息的TSA將十分困難?？煽紤]基于雷達(dá)回波中目標(biāo)屬性信息的識別融合研究上述問題，當(dāng)使用條件中不存在上述信息時，可嘗試基于時間維度的多假設(shè)航跡預(yù)測。

（5）基于先驗信息的多假設(shè)運動模型TSA算法的關(guān)聯(lián)性能在一定程度上隨模型個數(shù)的增多而增強(qiáng)。在實際使用中，模型個數(shù)和參數(shù)范圍的選擇應(yīng)充分考慮目標(biāo)屬性、目標(biāo)運動特征、環(huán)境條件等先驗信息，模型個數(shù)選取過少導(dǎo)致航跡預(yù)測準(zhǔn)確性差，模型個數(shù)選取過多對提高關(guān)聯(lián)效果無實際意義，還會降低算法的實時性。

［1］Mucci R，Arnold J，Bar-Shalom Y．Track segment association with a distributed field of sensors［J］．Acoustical Society of America，1985，78（4）：1317- 1324．

［2］Yeom S W，Kirubarajan T，Bar-Shalom Y．Track segment association，fine-step IMM and initialization with Doppler for improved track performance［J］．IEEE Trans.on Aerospace and Electronic Systems，2004，40（1）：293- 309．

［3］Wang X，Han C Z．An improved multiple model GM-PHD filter for maneuvering target tracking［J］．Chinese Journal of Aeronautics，2013，26（1）：179- 185.

［4］Li X L．Improved joint probabilistic data association method based on interacting multiple model［J］．Journal of Networks，2014，9（6）：1572- 1597．

［5］Fu X Y，Jia Y M，Liu X H．Optimal set integer programming algorithm for multiple maneuvering targets tracking in clutter［J］．Journal of Systems Engineering and Electronics，2013，24（4）：555- 563．

［6］Zhang S，Bar-Shalom Y．Track segment association for GMTI tracks of evasive move-stop-move maneuvering targets［J］．IEEE Trans.on Aerospace and Electronic Systems，2011，47（3）：1899 -1914．

［7］Pannetier B，Dezert J．Track segment association with classification information［C］∥Proc.of the Workshop on Sensor Data Fusion：Trends，Solution，Applications（SDF），2012：4- 6．

［8］Yu J G，Liu M，Chen J H．Ballistic target track segments association and optimization［J］．Acta Aeronautica et Astronautica Sinica，2011，32（10）：1894- 1904．（俞建國，劉梅，陳錦海．彈道目標(biāo)航跡片段關(guān)聯(lián)及優(yōu)化［J］．航空學(xué)報，2011，32（10）：1897 -1904．）

［9］Han W，Tang Z Y，Zhu Z B．A method of tracking targets in Doppler blind zone based on multiple-hypothesis motion models［J］．Journal of Electronics&Information Technology，2013，35（3）：516- 523．（韓偉，湯子躍，朱振波．一種多普勒盲區(qū)條件下的多假設(shè)運動模型目標(biāo)跟蹤方法［J］．電子與信息學(xué)報，2013，35（3）：516- 523．）

［10］Zhang W，Liang Y，Lan H，et al．Track segments association for maneuver targets［J］．Computer&Digital Engineering，2013，41（3）：394- 398．

［11］He Y，Wang G H，Guan X．Information fusion theory with applications［M］．2nd ed．Beijing：Publishing House of Electronics Industry，2010：239- 242．（何友，王國宏，關(guān)欣，等．多傳感器信息融合及應(yīng)用［M］．2版．北京：電子工業(yè)出版社，2010：239- 242．）

［12］Aziz A M．A new nearest-neighbor association approach based on fuzzy clustering［J］．Aerospace Science and Technology， 2013，26（1）：87- 97．

［13］Aziz A M．A novel all-neighbor fuzzy association approach for multi-target tracking in a cluttered environment［J］．Signal Processing，2011，91（8）：2001- 2015．

［14］Aziz A M，Tummala M，Cristi R．Fuzzy logic data correlation approach in multisensor-multitarget tracking systems［J］．Signal Processing，1999，76（2）：195- 209．

［15］Weng C H，Chen Y L．Mining fuzzy association rules from uncertain data［J］．Knowledge and Information Systems，2010，23（2）：129- 152．

［16］Li B，Kang F J，Gao Y N．Kalman-filter-based track fitting in non-uniform magnetic field with segment-wise helical track model［J］．Computer Physics Communications，2014，185（3），754- 761．

［17］Kleinwort C．General broken lines as advanced track fitting method［J］．Nuclear Instruments and Methods in Physics Research A，2012，673（1），107- 110．

［18］He Y，Xiu J J，Guan X．Radar data processing with applications［M］．3rd ed．Bejing：Publishing House of Electronics Industry，2013：36- 62．（何友，修建娟，關(guān)欣．雷達(dá)數(shù)據(jù)處理及應(yīng)用［M］．3版．北京：電子工業(yè)出版社，2013：36- 62．）

Track segment association algorithm based on multiple-hypothesis models with priori information

QI Lin1，2，WANG Hai-peng1，2，XIONG Wei1，DONG Kai1
（1.Institute of Information Fusion，Naval Aeronautical and Astronautically University，Yantai 264001，China；2.Key Lab for Spacecraft TT&C and Communication under the Ministry of Education，Chongqing 400044，China）

As tracks forecasting and associating accuracy of the traditional track segment association algorithms deteriorates seriously in maneuvering targets environment，a new algorithm based on multiple-hypothesis motion models with priori information is proposed．The algorithm firstly builds multiple-hypothesis motion models for tracks forecasting according to the priori information，for instance target property，target motion features，scenario condition，then describes the matching relations between forecasted old tracks and new tracks according to fuzzy correlation function on location and velocity information．Finally，the associated track segments on the basis of polynomial fitting connected．Simulation results showed that in the maneuvering targets scenario，the proposed algorithm remarkably outperformed the traditional track segment association algorithm．The proposed algorithm is suitable for complicated environment，after 50 times Monte Carlo simulation，when the break interval is less than 18，the average correct association rate of the maneuvering targets is more than 90%，and the global correct association rate is more than 85%．

track segment association（TSA）；priori information；multiple-hypothesis；fuzzy correlation function；tracks fitting

TN 95

A

10．3969／j．issn．1001-506X．2015．04．02

齊 林（1989-），男，博士研究生，主要研究方向為目標(biāo)跟蹤、多傳感器信息融合。E-mail：3278pirate＠163．com

王海鵬（1985-），男，講師，博士，主要研究方向為群目標(biāo)跟蹤、多傳感器信息融合。E-mail：armystudent＠sohu．com

熊 偉（1977-），男，教授，博士，主要研究方向為狀態(tài)估計、指揮自動化。E-mail：xiongweimail＠tom．com

董 凱（1986-），男，講師，博士，主要研究方向為航跡關(guān)聯(lián)、多傳感器信息融合。E-mail：188dongkai＠163．com

1001-506X（2015）04-0732-08

2014- 08- 01；

2014- 09- 25；網(wǎng)絡(luò)優(yōu)先出版日期：2014- 10- 22。

網(wǎng)絡(luò)優(yōu)先出版地址：http：／／www．cnki．net／kcms／detail／11．2422．TN．20141022．1320．004．html

山東省自然科學(xué)基金青年基金項目（ZR2012FQ004）；飛行器測控與通信教育部重點實驗室開放基金（CTTC－FX201302）資助課題