多传感器远距离目标跟踪精度分析

合集下载

多传感器激光跟踪测量精度分析

２二维空间
当测量噪声与过程噪声不相关时，转换测量值误差为：
￡ｓ一ＯｉＯ？：ｒｏ０ｒｎ一ＯｓｃｓｍＯ
￡＝ｓｉ０＋ｒＯ０＋芦ＣＳｎＯＣＳＯ０
（）２
（）３
目标进行跟踪时，所测得的数据融合后的测量值误差如对
／、
下式所示：【２Ｊ
…
ቤተ መጻሕፍቲ ባይዱ
㈤
尺七：百（）ｌ（～Ｉ七－））
（１）
去偏转换测量值为：
其中Ｒｆ）Ｊ是第ｆ激光干涉仪的测量误差方差阵，｝ｉ个Ｒｆ是融合后的测量值的误差方差阵。由（））１式可知 Ⅳ个激光干涉仪的融合后的测量误差方差小于每一个激光干涉仪
维普资讯
第１卷第１４Ｏ期２００２年ｌ０月
文章编号：１０－３Ｘ（０２０１９－５０４７１２０）１－３００
系
统
仿
真
学
报
Ｖ＿．１ＮｏＯ０４１．１Ｏｃ．ｔ２０２０
ＪＯＵＲＮＡＬ０ＦＹＳＴＥＭＭＵＬＡＴＩＳＳＩＯＮ
ｔｅＳｒｅｒｓｌａｈｔｆｅｒｔａｙｉ．ｈ￣ｌｕｔｔａｔｏｅｉａｌｓｓｌｅｓｏｈｃｎ
Ｋｅｗｏｄ：ｌｓｒｉｔｒｅｏｔｒ；ａｅｆｓｏ；ａｇｔｒｃｉｇｙｒｓａｅｅｆｒｍｅｅｄｔｉｎｔｒｅａｋｎｎｓｕｔ

多传感器多目标定位与跟踪技术研究

中圈分类号：Ｎ９３Ｔ３１Ｔ５；Ｐ９文献标识码：Ａ
ＴｅｈｃｌＲｅｅｒｈｏｎｔｅｃｎｉａｓａｃｈＭｕｔ— ｅｏｒＭｕｔ—ａｇｔＬｏａｉｇａａｋｉｌｉｓｎｓｌｉｔｒｅｃｔｎｎｄＴｒｃｎｇ
引言
野战炮兵武器是现代武器战场上保证纵深供给
定位和跟踪问题作一研究设研究问题的环境为：假 ① 稀疏目标；考虑扫描过程中虚警和目标丢失的 ② 情况；目标可以是静态的或动态机动的地面目标． ③ 但目标的数目不定。
１目标状态信息的数学描述
由于我们研究的目标是地面目标．以目标的所
状态信息可用二维向量，来描述。假设个不）同种类传感器对某一战场区域进行多次扫描，中其第ｉ个传感器提供的目标信息如表ｌ所示（下见页）。需要特别说明的是，于虚警和可能丢失目标由的因素存在，在表中某一列的元素并不一定是来处自同一目标，中代表回波的个数。其对这些多传感器提供的无序多目标信息，研其
文章编号｝０２０４（０２００９０１０６０２０）１０２４
多传感器多目标定位与跟踪技术研究
杨国胜，丽华．窭陈杰，朝桢侯

多传感器目标跟踪与定位研究

多传感器目标跟踪与定位研究随着科技的不断进步和应用的不断拓展，多传感器目标跟踪与定位逐渐成为研究的热点。

通过利用多个传感器收集的信息，可以提高目标跟踪和定位的准确性、鲁棒性和可靠性。

本文将对多传感器目标跟踪与定位的研究进行分析，并探讨其在不同领域的应用需求和潜在挑战。

一、多传感器目标跟踪与定位介绍多传感器目标跟踪与定位是指利用多个传感器对目标进行同时观测并推断目标位置的技术。

其中，传感器可以包括动态传感器（如雷达、红外传感器等）和静态传感器（如摄像头、声纳传感器等）。

通过组合多个传感器收集到的信息，可以获得更全面、准确的目标位置估计。

多传感器目标跟踪与定位的应用领域广泛，包括军事、航空航天、智能交通、环境监测等。

例如，在军事领域，多传感器目标跟踪与定位可以用于敌方目标监测和识别，提供情报支持；在智能交通中，可以用于交通流量监测和分析，优化交通调度。

二、多传感器目标跟踪与定位的优势相比单一传感器，多传感器目标跟踪与定位具有以下优势：1. 提高定位精度：不同传感器对目标进行观测，可以提供多个观测结果，并通过数据融合算法估计目标位置，从而提高定位精度。

2. 提高目标鉴别能力：通过多传感器的组合使用，可以更准确地鉴别目标，减少误判。

3. 增加鲁棒性：由于不同传感器具有不同的工作原理和物理特性，通过多传感器的信息融合可以提高系统的鲁棒性，减少单一传感器的局限性带来的影响。

4. 提高目标跟踪的可靠性：多传感器目标跟踪与定位可以通过高斯滤波等方法，对每个传感器的观测数据进行处理和融合，提高目标跟踪的可靠性。

三、多传感器目标跟踪与定位的研究挑战尽管多传感器目标跟踪与定位具有许多优势，但也面临一些挑战：1. 数据融合：如何将多个传感器获得的信息进行融合，准确估计目标的位置是研究的重要问题。

数据融合过程中需要考虑传感器之间的误差、权重分配等问题。

2. 数据关联：如何将不同传感器收集到的信息进行关联，准确匹配目标是关键。

多红外传感器观测系统跟踪精度分析

ｉｆｒｄｓｎｏｓｔｅｃｎｒｌｕｉｎｓｕｔｒｎｘｅｄｄＫｌｎＦｌｒＥＦｗｅｅｓｌｔｄＴｅＣｎｒｅｓｒｈｅｔｓｒｃｕｅａｄＥｔｎｅａａｅ，ａｆｏｔｍａｉｅ（Ｋ）ｒｅｃｅ．ｈｍｍ＆－ａｏｒｔｅＲｏＬｗｅＢｕｄ（ＲＢｏｅｌｒｈｗｓｒｄｃｄＴｅｏｔｃｌｌｉｎＴａｋｎｒｒＧＤＥｗａｒｓｎｅｏｏｎＣＬ）ｆｈｇｉｍａｏｕｅ．ｈｍｅｒａＤｉｔｒｃｉｇＥｒ（Ｔ）ｓｅｅｔｄｔｓｗｔａｏｔｐＧｅｉｕｏｏｐｏｈ
红外传感器仅能得到目标的方位／俯仰信息，属于不完全观测，在直角坐标系下系统的测量方程是非线性的，是一个弱可观测非线性系统。针对红外观测的非线性，经典算法是扩展卡尔曼滤波（Ｋ，ｘｎｅＥＦＥｔｄｄｅ
ＫａｎＦｌｒ，它通过对非线性测量函数的泰勒展开式作一阶线性化阶段，将非线性问题转化为线性问题ｌｉｅ）ｍａｔ处理。对于红外观测的不完全性，解决途径有两种：一是采用移动单红外传感器进行连续观测（如机载或舰载红外传感器），这种方法要求载机睨的运动阶数要高于目标，且载机睨与目标运动不能在同一直线上；另一种方法是采用地面多静止红外传感器同步观测，通过数据融合得到目标位置估值。其中，多传感器融
合跟踪以其搜索范围大，作用距离远和可靠性高的特点，越来越受到人们重视ｐＪ。。多传感器融合主要有分。布式（航迹融合）和集中式（量测融合）两种结构。中，其集中式融合跟踪由于其跟踪精度高，实时性强等特点

在Matlab中使用多传感器数据融合和目标跟踪

在Matlab中使用多传感器数据融合和目标跟踪近年来，随着传感器技术的不断发展和成熟，多传感器数据融合和目标跟踪技术逐渐成为了研究的热点。

利用多个传感器采集到的数据来对目标进行跟踪，可以提高系统的准确性和鲁棒性，适用于许多领域，如环境监测、智能交通和军事等。

多传感器数据融合是指将来自不同传感器的数据进行综合和整合，从而得到更准确、更全面的信息。

Matlab作为一种功能强大的数据处理工具，在多传感器数据融合和目标跟踪领域得到了广泛应用。

它提供了丰富的工具箱和函数，能够帮助研究人员高效地进行数据处理和分析。

在Matlab中，可以利用矩阵运算和向量化操作来处理多传感器数据融合问题。

例如，可以使用卡尔曼滤波算法来对传感器数据进行融合和估计。

卡尔曼滤波是一种基于状态空间模型的最优估计算法，可以根据系统的动态模型和观测模型，通过递归估计方法来获得目标的状态信息。

利用Matlab中提供的卡尔曼滤波工具箱，可以快速地实现多传感器数据融合和目标跟踪算法。

除了卡尔曼滤波外，Matlab还提供了其他一些常用的多传感器数据融合算法，如粒子滤波、扩展卡尔曼滤波等。

这些算法都可以用于不同的应用场景，根据具体问题选择合适的算法进行多传感器数据融合和目标跟踪。

在实际应用中，多传感器数据融合和目标跟踪技术面临许多挑战。

例如，不同传感器之间的数据存在误差和噪声，需要对其进行校准和修正；目标跟踪过程中，目标的运动可能是非线性和不确定的，需要采用更复杂的状态估计算法；传感器之间的数据同步和通信也是一个重要的问题。

Matlab提供了一系列解决这些问题的工具和函数，能够帮助研究人员克服这些挑战。

除了算法和工具之外，Matlab还提供了丰富的可视化和分析功能，可以帮助研究人员对多传感器数据融合和目标跟踪结果进行可视化和评估。

例如，可以使用Matlab的图形界面工具来绘制目标的轨迹和运动轨迹，以及传感器数据的变化趋势和分布情况。

这些可视化和分析结果有助于研究人员更好地理解数据融合和目标跟踪过程，从而进一步改进算法和系统性能。

智能驾驶系统中的车辆目标跟踪算法优化

智能驾驶系统中的车辆目标跟踪算法优化智能驾驶技术正迅速发展，将汽车带入了一个全新的时代。

为了实现自动驾驶，车辆需要能够准确跟踪周围的车辆和障碍物，并做出相应的决策。

车辆目标跟踪算法在智能驾驶系统中起到了至关重要的作用。

本文将探讨智能驾驶系统中车辆目标跟踪算法的优化问题，以提高算法的准确性和鲁棒性。

一、车辆目标跟踪算法的基本原理为了实现车辆目标的准确跟踪，车辆目标跟踪算法需要从传感器数据中提取有关车辆位置、速度和变道意图等信息。

最常用的传感器是激光雷达和摄像头。

激光雷达可以提供高精度的距离和角度信息，而摄像头可以提供更丰富的视觉信息。

基于激光雷达的车辆目标跟踪算法通常有两个主要步骤：目标检测和目标跟踪。

目标检测使用激光雷达数据来识别潜在的车辆目标。

然后，目标跟踪通过将车辆目标与已知的轨迹进行匹配来确定其位置和速度。

这些算法可以使用卡尔曼滤波器或扩展卡尔曼滤波器来融合多个传感器的数据以获得更准确的结果。

二、车辆目标跟踪算法的挑战车辆目标跟踪算法在实际应用中面临着许多挑战。

首先，车辆目标的外观和形状多样性很大，使得目标检测和跟踪变得复杂。

其次，由于环境的变化和噪声的存在，传感器数据常常存在误差。

这会导致算法的准确性下降，并增加了误报和漏报的概率。

此外，车辆目标的快速移动和复杂的动态行为也给目标跟踪算法带来了挑战。

三、车辆目标跟踪算法的优化方向为了提高车辆目标跟踪算法的准确性和鲁棒性，有几个优化方向值得探索。

1. 多传感器融合：使用多传感器数据融合可以提高目标检测和跟踪的精度。

例如，激光雷达可以提供准确的位置和距离信息，而摄像头可以提供丰富的视觉信息。

通过将两者的数据进行融合，可以提高目标检测和跟踪的准确性，并降低误报和漏报的概率。

2. 深度学习技术的应用：深度学习技术在计算机视觉领域取得了巨大的成功。

将深度学习技术应用于车辆目标跟踪算法中，可以提高目标检测和跟踪的性能。

例如，使用卷积神经网络可以更好地识别车辆目标的形状和外观特征，从而提高目标检测的准确性。

多传感器目标跟踪数据融合关键技术研究

多传感器目标跟踪数据融合关键技术研究一、本文概述随着科技的快速发展与智能化系统的广泛应用，多传感器目标跟踪已成为现代军事、交通监控、环境监测、无人机导航等多个领域的核心技术。

在这些复杂场景中，单一传感器由于视角受限、性能约束、环境干扰等因素往往难以实现对目标的精确、稳定、全面跟踪。

多传感器数据融合技术应运而生，旨在通过整合来自多种类型传感器的异质信息，提升目标跟踪的精度、鲁棒性和可靠性。

《多传感器目标跟踪数据融合关键技术研究》一文，正是聚焦于这一关键课题，系统地探讨了多传感器数据融合在目标跟踪中的理论基础、技术挑战、最新进展以及未来发展方向。

本文首先回顾了多传感器目标跟踪的基本原理和数据融合的层次结构，包括传感器模型、观测模型、滤波算法（如卡尔曼滤波、粒子滤波等）以及数据融合的层次（数据级、特征级、决策级融合）。

在此基础上，详细阐述了各类传感器（如雷达、光学、红外、声纳等）的特性及其在目标跟踪中的优劣势，以及如何通过合理配置与协同工作来最大化多传感器系统的整体效能。

针对多传感器数据融合过程中的关键技术难点，文章深入剖析了以下几个方面：信息关联与配准：讨论了在多源数据中识别同一目标并进行时空对齐的有效方法，包括基于概率数据关联、几何特征匹配、深度学习关联算法等手段，确保不同传感器观测到的同一目标信息能够准确无误地融合在一起。

不确定性处理：分析了传感器噪声、测量误差、目标机动性及环境变化等因素带来的不确定性，并介绍了相应的建模方法（如高斯噪声模型、非线性滤波理论）以及不确定性传播与融合规则，以增强系统对不确定性的适应能力。

实时性与计算效率：探讨了在保证融合效果的同时，如何优化算法设计与硬件资源配置以满足实时跟踪的需求。

涉及的话题包括轻量级滤波算法、分布式数据融合架构、云计算与边缘计算的应用等。

自适应与智能优化：研究了基于场景理解、在线学习、深度强化学习等技术实现融合策略的动态调整与优化，使系统能根据环境变化和任务需求自动调整融合参数与算法选择，提升跟踪性能与鲁棒性。

基于多传感器信息融合的无人机目标跟踪研究

基于多传感器信息融合的无人机目标跟踪研究一、介绍随着无人机技术的快速发展，无人机在多个领域中扮演着重要角色，包括军事、航空、物流、环境监测等。

其中，目标跟踪是无人机领域中的一个重要应用，通过无人机对目标的跟踪和监测，可以实现对目标的定位、计数、识别和追踪等功能。

传统的目标跟踪方法往往依赖于单一传感器，如摄像头或雷达，而基于多传感器信息融合的目标跟踪能够提供更加准确和可靠的监测结果。

二、多传感器信息融合的意义1. 提高目标检测准确性基于多传感器的目标跟踪系统可以利用不同类型的传感器，如摄像头、雷达、红外传感器等，综合各传感器的信息来进行目标的检测和跟踪。

不同传感器之间相互补充，可以克服单一传感器的局限性，提高目标检测的准确性。

2. 增强抗干扰能力在复杂环境下，传统的单一传感器容易受到各种干扰，例如光照条件、气候变化、目标遮挡等。

而多传感器信息融合技术能够通过将多源数据进行综合分析，减少干扰的影响，从而提高目标跟踪系统的鲁棒性和抗干扰能力。

三、多传感器信息融合的方法1. 数据融合数据融合是将来自不同传感器的原始数据进行整合和处理的过程。

主要包括数据预处理、特征提取和特征融合等环节。

其中，数据预处理主要包括数据校正、数据同步和数据对齐等操作；特征提取则是从原始数据中提取有用的特征，可以使用机器学习或人工智能算法进行处理；特征融合则是将不同传感器提取的特征进行融合，以得到更加准确和全面的目标信息。

2. 信息融合信息融合是在数据融合的基础上，将不同传感器的信息进行整合和综合的过程。

可以通过概率统计方法、模型融合方法以及卡尔曼滤波等算法来完成信息融合。

概率统计方法通过概率模型来描述传感器的测量误差，并根据测量误差的大小进行权重分配；模型融合方法则是将不同传感器的模型进行融合，以得到更加准确和可靠的目标跟踪结果；而卡尔曼滤波则是一种递归滤波算法，可以根据系统动态方程和观测方程，利用上一时刻的状态估计和观测信息进行滤波优化。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第23卷第3期南京理工大学学报Vol.23No.3 1999年6月Journal of Nanjing University of Science and Technology Jun.1999多传感器远距离目标跟踪精度分析杨春玲孙泓波倪晋麟刘国岁(南京理工大学电子工程与光电技术学院,南京210094)( 南京电子技术研究所,南京210013)摘要该文主要研究了非线性系统中多传感器远距离目标跟踪问题,提出了分布的转换坐标卡尔曼滤波算法(CM KFA),给出了当多传感器不在同一位置时融合中心的状态估计组合公式。

分析了在非线性系统中多传感器和目标的相对位置对远距离目标跟踪精度的影响。

通过理论分析和仿真发现,在非线性系统中合理放置多传感器可在节省传感器资源的条件下提高对目标的跟踪精度,并给出了二维平面上多传感器的合理布站方案。

关键词数据融合,卡尔曼滤波,目标跟踪;分布估计算法分类号 T N953采用多传感器进行目标跟踪时,中心融合估计算法在线性系统中的应用已经比较成熟[1~3],在非线性系统中分布的扩展卡尔曼滤波算法(EKFA)比较实用[4]。

但当传感器测量误差较大时,EKFA存在着收敛性差的缺点。

文献[5]证明在非线性系统中,CMKFA优于EKFA,并且当传感器测量误差较大时CM KFA也能较好地跟踪目标。

多传感器数据融合方法之所以能提高目标跟踪精度,是因为它提高了融合测量值的精度。

本文的研究发现,在非线性系统中多传感器的位置对目标跟踪精度有很大影响。

1 分布的CMKFA设多部同类传感器位于坐标原点,测得目标的距离r及方位角 ,第i个传感器的测量方程为Z i(k)=h i(X(k))+V i(k)。

式中,h i()为非线性函数,Z i(k)为第i个传感器k时刻的测量值,V i(k)为第i个传感器k时刻的测量误差,为互不相关的白高斯噪声,且测量噪声和过程噪声不相关。

式中,M 为传感器个数,X ^(k |k -1)、P (k |k -1)为融合中心在k -1时刻对k 时刻的状态预测及预测误差协方差矩阵,X ^(k |k )、P (k |k )为融合中心在k 时刻对目标状态的滤波估计及估计误差方差矩阵。

X ^i (k |k -1)、P i (k |k -1)为用测量值Z i 对目标进行跟踪时在k -1时刻对k 时刻的状态预测及预测误差协方差矩阵,X ^i (k |k )、P i (k |k )为用测量值Z i 对目标进行滤波时在k 时刻对目标状态的滤波估计及估计误差方差矩阵。

分布的CM KF 和分布的EKF 的不同之处就在于:后者是用EKFA 完成当地滤波,而前者是用CMKFA 进行当地滤波。

当各传感器不在同一位置时,则送入融合中心的状态估计矢量先进行坐标转换然后进行全局估计的组合,组合公式为P -1(k |k )X ^(k |k )=P -1(k |k -1)X ^(k |k -1)+!M i =1(P -1i(k |k )(X ^i (k |k +o ∀i )-P -1i (k |k -1)(X ^i (k |k -1)+o ∀i ))。

式中,o ∀i =[o T i 00]T ,o i 为第i 个传感器的位置坐标。

2 多传感器的位置对远距离目标跟踪精度的影响文中的推导和仿真,都是基于假设条件(1)跟踪的是远距离目标(180km 以远);(2)传感器为同类型同精度。

为了研究问题的方便,去偏转换测量值的误差方差矩阵表示为R =x -y sin 2 y cos siny cos sin x -y cos 2 (1)式中x =[r 2(cosh ( 2 )-1)+ 2r cosh ( 2 )]e- 2 (2) y =-[r 2(1-e- 2 )- 2r e - 2 ]e - 2 (3)2 1 两传感器目标跟踪设目标到2部雷达的距离分别为r 1和r 2,方向角为 1和 2,代入(1)式可得2部传感器的去偏转换测量值误差方差矩阵R 1和R 2,经数据压缩[6]得融合后的去偏转换测量值的误差方差矩阵为R 2c=R 2c 11R 2c 12R 2c 12R 2c 22。

R 2c 11+R 2c 22=x 1x 2(x 1+x 2-y 1-y 2)-x 2y 1(x 2-y 2)-x 1y 2(x 1-y 1)(x 1+x 2-y 1-y 2)(x 1+x 2)+y 1y 2sin 2 12(4)式中,x 1、y 1,x 2、y 2分别是把r 1、 1和r 2、 2代入(2)式和(3)式得到的。

将(2)式和(3)式代入(4)式并进行泰勒展开,化简可得R 2c 11+R 2c 22# 2 /(r 21+r 22r 21r 22+ 2 sin 2 1212(r 21+r 22) 4 +2 2r )(5)由(5)式可见,传感器到目标的距离越近则位置误差方差越小;2部传感器和目标所成的夹角 12∃[0%,90%]时, 12越大则误差方差越小。

实际情况中传感器不可能离目标太近,242南京理工大学学报第23卷第3期图1 两传感器和单传感器理论误差的比值Fig.1 The ratio of theoretical error betw een two sensors and one 所以调整传感器与目标的夹角就成为不增加传感器个数时提高跟踪精度的主要方法。

下面采用CMKFA 进行仿真,参数为:目标初始位置距2部传感器200mm ,初始速度300m/s ,状态噪声 x = y =1m/s ,2部传感器精度均为 r =50m , =1 5%。

图1给出了 12∃[0%,90%]时用2部传感器的跟踪误差与单部传感器的比值c 21的变化(跟踪时间为50s )。

注意到 12>20%以后滤波精度提高就不明显了。

2 2 三传感器目标跟踪类似上面的分析,利用数据压缩融合方法可得融合去偏转换测量值位置误差方差为R 3c 11+R 3c 22# 2 /[3r 2+ 2 (sin 2 12+sin 2 13+sin 2 23)3(r 2 4 /2+ 2r )](6)式中, 12、 13、 23分别为传感器1和2,传感器1和3、传感器2和3与目标所成的夹角。

当 12= 23=60%时融合去偏转换测量值位置误差方差最小。

传感器和目标所成夹角对目标跟踪精度的影响示于图2。

图2中垂直坐标表示3部传感器进行融合滤波的理论位置误差和单传感器的滤波理论位置误差的比值。

图2 三传感器和单传感理论误差的比值Fig.2 The ratio of theoretical error betw een three sensors and one从图2可知,当3部雷达放在同一位置时融合滤波精度最差,当 12= 23=60%时,3部传感器的融合滤波理论误差最小。

当12<15%且 23<15%时,随着夹角的增大融合滤波精度增大很快;而当 12>15%且 23>15%时,随着夹角的变化融合滤波精度变化不大。

比较用2部传感器和3部传感器进行融合跟踪时滤波精度,发现最优放置时,二者对目标的跟踪精度基本上相同,故合理放置传感器可以提高对目标的跟踪精度,节省传感器资源。

3 仿真结果设一目标在二维平面上作匀速直线运动,初始状态为[200km,0km,-0 3km/s,0],分别用2部和3部同类型同精度的二坐标雷达对目标进行跟踪,其他参数与前文相同进行了50次Monte Carlo 试验。

位置误差曲线分别示于图3~图5。

图3和图4分别是2部雷达、3部雷达放在不同位置时对目标跟踪的位置误差曲线,图5是把2部雷达及3部雷达按理论较优放置时,对目标的跟踪位置误差曲线。

图中 r 为位置误差。

图3~图5的仿真结果与文中的理论分析是吻合的。

243总第105期杨春玲孙泓波倪晋麟刘国岁多传感器远距离目标跟踪精度分析图3两传感器跟踪位置误差图4三传感器跟踪位置误差图5多传感器跟踪位置误差Fig.3 T he tracking position Fig.4 T he tracking position Fig.5 T he tracking position error of tw o sensors error of three sensors error of multisensors4 结论通过以上分析得到结论:用多传感器对同一远距离目标进行跟踪时,即传感器到目标的距离越近则跟踪精度越高;传感器和目标所成一定夹角,比传感器放在同一位置的跟踪精度高;当传感器都是最优放置时,用3部传感器和用2部传感器的跟踪精度基本相同。

所以在实际中当对远距离目标跟踪时,增加传感器的个数意义不大,最有效的方法是合理布局多传感器的位置。

多传感器的合理放置规则是:用2部传感器对目标进行跟踪时,使 12>20%;用3部传感器对目标跟踪时,使每2个传感器与目标所成的夹角大于10%。

参考文献1 M oHamed F H,Salut G,M adan G,et al.A Decentralized computational algo rithm for the g lobalkalman filter.IEEE T AC,1978,23(4):262~2672 Hamid R H,Sumit R,Alanj L.Decentralized structures for parallel kalman filter ing.IEEE T AC,1988,33(1):88~943 M art in E L,Chee Y C,I van K,et al.Distributed fusion architectures and algo rithms for targ ettracking.P roceedings of the IEEE,1997,85(1):95~1064 周一宇分布估计及其在跟踪系统中的应用系统工程与电子技术,1993(6):58~705 崔宁周多传感器数据融合&&&信号检测与目标跟踪:[学位论文] 西安:西安电子科技大学,19956 桑炜森,顾耀平综合电子战新技术新方法北京:国防工业出版社,1993(下转第248页)参考文献1 常本康多碱光电阴极北京:机械工业出版社,19952 薛增泉,吴全德用量子产额谱分析铯在多碱阴极中的作用电子学报,1988,16(2):23~28Study on Spectral Response of MultialkaliPhotocathode Layer under GrowthLi Xiaofeng T ian JinshengFang Hongbing Qian Yunsheng Chang Benkang(Yunnan Optical Instrument Factory,Kunming650014)( School of Electronic Engineering and Optoelectronic Technology,NU ST,Nanjing210094)ABSTRAC T In this paper,the continual m easure on spectral response of multialkali photo cathode in the first g eneration image intensifier is presented and ex periment apparatus and re sults are illustrated.It is show n that Na2KSb is a stable p type semiconductor during process ing.With the growth of thickness of Na2KSb,its peak response w avelength moves toward long w aveleng th region and white light sensitivity increases thereafter.Co evaporation of Sb+Cs decreases the electron affinity of photocathode so as to obtain high sensitivity photocathode. KEY WORDS image intensifier,multialkali photocathode,spectral response;electron affinity(上接第244页)Research of Multisensor for long Range TargetTracking AccuracyYang Chunling Sun Hongbo Ni Jinlin Liu Guosui (School of Electronic Engineering and Optoelectronic Technology,NU ST,Nanjing210094) ( Nanjing Research Institute of Electronics T echnolog y,Nanjing210013)ABSTRAC T This paper mainly discusses the multisensor for a long range target tracking in nonlinear systems.The Distributed Converted Measurement Kalman Filtering Algorithm (CMKFA)is proposed and the state evaluation equations in fusion center are deduced on the condition that sensors are fixed at different position.Then it is analyzed that the sensors target g eometry has a great influence on the tracking accuracy.From the theoretical analysis and the simulation results,it can be proved that depositing sensors rationally in nonlinear systems can raise the target tracking accuracy.A method for depositing the sensors rationally is g iven on2 dimensional plane.KEY WORDS data fusion,Kalman filtering,target tracking;distributed estim ation algorithm。