多傳感器模糊—概率交互作用的數(shù)據(jù)關聯(lián)算法
加入技術交流群
最后，由重心去模糊算法得出關聯(lián)度
其中
j是μBj(Z)達最大值的點.
模糊系統(tǒng)的學習算法有多種［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［5］中采用了一種基于最陡下降法的全模糊模型學習算法，可用于受噪聲影響的模糊關聯(lián)系統(tǒng)的學習.
五、仿真舉例
1.航跡模型
該機動目標的航跡由三個不同的運動段組成.第一段為勻速運動段，沿X軸方向，起始于點x=0,y=5km,vx=0.5km/s,vy=0，持續(xù)1～50秒.第二階段為加速轉彎段，加速度為ay=5g,ax=0，持續(xù)51～70秒.第三階段為勻速運動段，沿Y軸方向，vy=0.5km/s,vx=0，持續(xù)71～100秒.假設每個采樣點上，有效雜波回波數(shù)為2個.采樣間隔T=1s.
2.性能檢驗與比較
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果.可見，當機動發(fā)生時，由于密集雜波的干擾，造成關聯(lián)錯誤，導致目標丟失.圖2，3分別給出了上述情況時，各有效回波源于目標的概率.可見，當機動發(fā)生時，真實目標回波的概率趨于零.而雜波的概率卻趨于1.
圖1 用PDAF得出的跟蹤結果 | 圖2 真實目標回波的關聯(lián)概率 |
圖3 雜波回波的關聯(lián)概率 其次，考慮用本文提出的模糊邏輯和概率交互作用的數(shù)據(jù)關聯(lián)方法與多模型方法共同作用的情況.經(jīng)Monte Carlo仿真，得如下結果.圖4給出了跟蹤結果.可見，較好地實現(xiàn)了對該機動目標的跟蹤.圖5，6分別給出了上述情況時，各有效回波的加權系數(shù).可見，真實目標回波的加權系數(shù)明顯大于雜波的權系數(shù).最后，考慮分別使用多傳感器和單傳感器時，目標狀態(tài)估計精度上的差異.圖7給出了上述兩種情況時的目標位置估計的均方誤差.可見，多傳感器的估計精度明顯好于單傳感器時的估計精度，尤其是在機動發(fā)生處. |
圖4 用本文算法得出的跟蹤結果 | 圖5 真實目標回波的加權系數(shù) |
圖6 雜波回波的加權系數(shù) |
關鍵詞：
多傳感器
概率交互
數(shù)據(jù)關聯(lián)
相關推薦
技術專區(qū) |
評論