论文部分内容阅读
传感器网络探测系统是为应对隐身目标威胁和复杂探测环境挑战提出的新型探测体制,所感知量测与目标具有未知时变的强不确定性,难以基于传统统计理论进行描述和建模。基于标号随机集理论的信息融合技术是一种新兴的先进信号处理技术,通过将多源量测的不确定性,包括随机性、不准确性、模糊性等,和目标个数的未知时变特性建模在点过程理论框架下,提供了统一的多源-多目标不确定性问题描述和建模方法,是国际信号处理和信息融合领域的前沿热点。该技术作为一项正在发展中的新技术,仍面临着诸多的问题和挑战,例如,传感器量测模型非标准化、传感器间量测相关性未知、标号随机集分布式融合性能不稳健等。本论文针对上述问题,在标号随机集理论框架下,研究了基于广义量测模型(generic observation model,GOM)的传感器网络单节点滤波算法、传感器间“标号不一致”问题建模与分析、稳健标号多目标(labeled multi-object,LMO)滤波器分布式融合算法、高效LMO滤波器分布式融合算法等工作。主要工作和贡献如下:1.针对传感器量测模型非标准化问题,包括传感器量测叠加、合并和遮蔽等,提出了基于GOM的LMO(LMO-GOM)滤波器,具有理论最优性能;提出了LMO-GOM滤波器的快速实现方法,具有计算高效、性能稳健优势。2.建立了滤波器间“标号不一致”问题数学模型,并定量分析了“标号不一致”程度对广义协方差交集(generalized Covariance Intersection,GCI)融合性能的影响,结果表明GCI融合对滤波器间“标号不一致”现象敏感。3.针对GCI融合“标号不一致”敏感问题,提出了免标号(label free,LF)的GCI融合方法(LF-GCI融合)。该方法将标号多目标分布的GCI融合投射至多目标动力学状态空间,对传感器间“标号不一致”现象具有鲁棒性。4.针对GCI融合“标号不一致”敏感和LF-GCI融合方法高计算复杂度问题,提出了基于标号匹配(label matching,LM)的GCI融合方法。通过将标号不一致指示器最小化问题建模为线性分配问题,实现最优标号匹配关系的快速求解,该方法兼具“标号不一致”问题的鲁棒性和计算高效性。