目标跟踪中基于自适应模糊控制的数据融合方法研究

第!"卷第!期#$%&!"’$&!控制与决策()*+,)-.*/012343)*5665年!月777777777777777777777777777777777777777777777777777777777777777777789:&5665文章编号;!66!<6=56>5665?6!<66==<6@目标跟踪中基于自适应模糊控制的数据融合方法研究王克明A肖军A徐心和>东北大学信息科学与工程学院A辽宁沈阳!!666@?摘要;提出一种基于自适应模糊控制的数据融合方法B利用反向传播学习算法对其参数进行优化A并针对杂波环境中的单目标跟踪问题进行了仿真研究B仿真结果表明A该方法计算量小A能较好地处理不确定信息B关键词;数据融合C模糊控制C目标跟踪中图分类号;D E!F文献标识码;GH I J I K L M NO PK Q K R S T U I V W X X Y Q K S K V W J T O PZ I S N O QT PS K L[I S S L K M\T P[]^_‘a1<b3*c A d e^fg h*A d i d3*<j1>k l m$$%$n o:n$p q9r s$:k l s t:l t9:uv:w s:t t p s:w A’$p r m t9x r t p:y:s z t p x s r{A k m t:{9:w!!666@A|m s:9?}~J S L K M S;G u9r9n!x s$:q t r m$u"9x t u$:9u9#r s z t n!$${l$:r p$%s x#p t x t:r t u A s:%m s l m#9p9q t r t p x l9:"t$#r s q s$t u"{"9l&<#p$#9w9r s$:9%w$p s r m q&k s q!%9r s$:p t x!%r x$"r9s:t un p$q r p9l&s:w9:$"’t l r s:9l%!r r t p t ut:z s p$:q t:r x m$%s r x z9%s u s r{s:m9:u%s:w!:l t p r9s:s:n$p q9r s$:&(I Y)O L Q J;u9r9n!x s$:C n!$${l$:r p$%C r9p w t r r p9l&s:w*引言数据融合是一种获取+处理和组合各种知识源信息的数据处理方法B这种方法可补偿各知识源提供信息的不完全性或不准确性B在目标跟踪系统中A多传感器的使用可以增强跟踪系统的性能A但也会带来一系列问题A例如数据关联+跟踪起始与结束以及各种可能的融合问题B目前A在目标跟踪系统中A比较典型的方法有轨迹分离法,!-+最近邻域滤波法,5-和概率数据关联滤波法,F A@-等B轨迹分离法对每一落入跟踪门内的观测值进行轨迹分离A然后用.9%q9:滤波器对每一分离的轨迹进行状态估计B这种方法不能给出某一系列观测值是正确的概率A而且其计算量和存储量会随时间不断增加B最近邻域滤波法利用在统计意义上与被跟踪目标预测状态最近的回波作为候选回波A滤波算法中增益和方差矩阵的计算考虑了跟踪门的大小+多余回波的密度和数据相关参数的影响B但由于其计算的滤波器误差方差矩阵未考虑处理不正确测量的概率A即选定的最近回波未必是正确的测量值A 因此有时会判断错误A导致目标丢失B概率数据关联滤波法全面考虑了跟踪门内的所有候选回波A并根据大量的相关情况计算出各概率加权系数以及所有候选回波的加权和A然后用它来更新目标的状态B收稿日期;566!<6@<5F C修回日期;566!<6/<5"基金项目;国家自然科学基金项目>/=0"166F?作者简介;王克明>!=/62?A男A辽宁黑山人A工程师A从事计算机和E3|应用研究C徐心和>!=@62?A男A河北山海关人A教授A博士生导师A从事离散事件动态系统+足球机器人等研究B万方数据文献!"#认为$在多目标%多回波&环境中$不仅存在量测的随机性$而且存在某种意义上的模糊性’为此$本文在自适应模糊控制理论的基础上$将观测值可能源自目标这一事件看作是一模糊事件$提出一种基于模糊事件概率的自适应模糊控制的数据融合方法’该方法可利用反向传播学习算法对其参数进行优化$然后对杂波环境中的单目标跟踪问题进行仿真研究’(问题的形成设目标的状态方程为)%*+,&-.%*&)%*&+/%*&%,&相应的量测方程为0%*&-1%*&)%*&+2%*&$量测来自目标3%*&$4量测来自杂波%5&其中$)%*&为目标状态向量$0%*&为量测向量6/%*&和2%*&分别为状态噪声和量测噪声$且为互不相关的零均值高斯白噪声序列$其协方差矩阵7%/%*&/%8&9&-:%*&;*$87%2%*&2%8&9&-<%*&;*$8.%*&和1%*&分别为状态传递矩阵和观测矩阵$3%*&为在关联域内均匀分布且互不相关的杂波’设初始状态是正态分布的$均值为)%=>=&$方差为?%=>=&$且与/%*&无关’设*时刻目标的候选回波集为0%*&-40*$@A B *@-,其中$0*$@表示*时刻的第@个回波$B *表示时刻*目标的候选回波数’到时刻*目标总的候选回波集为0*-40%8&A *8-,定义下列假设事件C *$@-40*$@为目标的候选回波AC *$=-4目标无任何候选回波D E F A %G &设第*+,时刻的状态预测值为)H %*+,>*&$量测预测值为0H %*+,>*&$则0H %*+,>*&-1%*+,&)H %*+,>*&新息序列为I *+,$@-0*+,$@J 0H%*+,>*&%K &新息方差为L %*+,&-1%*+,&?%*+,>*&19%*+,&+<%*+,&%"&则目标的状态估计为!G #)H %*>*&-74)%*&>0*A -)H %*>*J ,&+M%*&I %*&%N &其中I %*&-O B *@-,P *$@I*$@是组合起来的新息序列$而P *$@-Q 4C *$@>0%*&$)%*>*J ,&$?%*>*J ,&A%R &M%*&-?%*>*J ,&1%*&9L %*&J ,%S &其估计方差为?%*>*&-?%*>*&=+?%*&%T &?%*&-M%*&O B *@-,P*$@I *$@I 9*$@J I *I !#9*M%*&9%,=&其中$?%*>*&=为当只有一个回波时新息的方差$?%*&是一个半正定阵$表明不正确的观测值通过增加新息的方差?%*>*&而起作用’U 自适应模糊控制器在跟踪杂波环境中的目标时$存在着回波和跟踪目标的相关不确定性’为解决这一问题$人们提出许多基于概率理论的算法’但在杂波环境下$不仅存在量测的随机性$而且存在某种意义上的模糊性’为此$本文在自适应模糊控制理论的基础上$将观测值可能源自目标这一事件看作是一模糊事件$提出一种基于模糊事件概率的自适应模糊控制的数据融合方法$并利用反向传播学习算法对其参数进行优化’设观测值0*$@可能是目标的回波这一模糊事件V 的隶属度为W *$@-XJI 5*$@Y Z %,,&则模糊事件V 的概率为Q %V &-O B *@-,W *$@Q%0*$@>0*J ,&-O B *@-,W *$@Q*$@%,5&则目标在*时刻的状态估计为)H %*>*&-O B *@-,7%)%*&>0*$@$0*J ,&W V %0*$@&?%0*$@>0*J ,&?%V &%,G &令[*$@-W V %0*$@&?%0*$@>0*J ,&?%V &则)H %*>*&-O B *@-,[*$@7%)%*&>0*$@$0*J ,&假设)%*&服从正态分布$则由\]^_]‘滤波理论得)H %*>*&-)H%*>*J ,&+M%*&I %*&于是有,==控制与决策第,R 卷万方数据!"#$%$&’()$*’+,$-*.!"#$%$/+&01#$&2$-*3’!"#$%$/+&01#$&()$*’+,$-*2$-*’!"#$%$/+&01#$&2#$&#+4&其中2#$&’()$*’+,$-*2$-*由此可组成一个基于模糊控制的前馈网络-如图+所示5@8#A /B &’8#)&/?(9$’+C#!"#$%$&/!#$&&1#$&.()$*’+2A $-*D $-*,$-*/2#$&()$*’E2<$-*D $-*,$-*3=F 8#)&<G其中?为步长学习率5得出合适的8后-便可利用已训练好的网络进行数据融合5H 仿真实验本文利用文献.<3中的例子进行仿真实验5目标的状态方程和观测方程分别为!+#$0+&!<.3#$0+&’+I .3E +!+#$&!<.3#$&0E.3,#$&J +#$&J <.3#$&’+E .3+E !+#$&!<.3#$&02+#$&2<.3#$&设有两个安装在不同位置的传感器-用其给出目标径向距离的量测数据5应用KL M N O P Q R S L 方法对本文方法与概率数据关联滤波法进行比较5设探测概率为+-目标在波门内的虚警目标期望值T E ’<-每一传感器的每个周期为+E E 个样本-不正确的回波由随机数发生器给出5仿真结果如图<U 图>所示5图<和图A 分别给出了采用本文方法得到的距离和速度估计误差-图4和图>为采用概率数据关联滤波法得到的距离和速度估计误差5+E +万方数据卷万方数据。