基于动态联盟的多传感器协同探测与跟踪
无线传感器网络空中目标跟踪任务分配技术的研究
利用 现代系 统和智 能理 论对 空 中飞行 目标进 行
跟踪是 防空 系统设 计 中 的一 大热 门话 题 ， 目前 各 国 军方 十分重 视无线 传感 器 网络对 飞行 目标 跟踪技 术 的研究 。无线 传感 器 网络 （ Ｎ： ｒｌ ｓＳｎｏ ｅ ＷＳ Ｗｉ ｅ ｅｓｒ ｔ ｅｓ Ｎ—
刘 梅 ，李 海 昊 ，沈 毅
（ ．哈尔 滨 工 业 大 学 电子 与 信 息技 术 研 究 院 ，哈尔 滨 １００ ； ． １ ５０ １ ２ 哈尔 滨 工 业 大 学 控 制 科学 与 工 程 系 ，哈 尔 滨 １００ ） ５０ １
摘
要 ：以无 线 传 感 器 网 络 对 空 中 飞 行 Ｈ标 跟 踪 为 背 景 ， 对 无 线 传 感 器 网络 协 同技 术 中 的任 务 分 配 问题 ， 针
方法 。假设 无线传 感器 网络 在实施 对某 空域监 视过
程中， 一个传 感器 节 点 探测 到 空 域 内某 个 飞行 目标 出现 ， 它为 了完成这 个 跟踪任 务 ， 要 与网络 中的相 需
ｗ ｒ） 由大量功 率低 、 积小 、 格便 宜 、 ｏｋ 是 体 价 具有 通 信 与 计算能力 的微 小传感 器 节点构 成 的“ 能 ” 智 自治测 控 网络系统 ， 一般 密集 布设 在无人 值守 的监控 区域 ，
中 图分 类号 ：Ｔ ３３ Ｐ９ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１０—３ ８２０ ）４０ ６一６ ００１２ （０７０ — ｏ０ ９
Ｏ 引 言
踪 ， 它是 协 同信 息 处 理 的重 要 组 成 部分 。 如何 实
传感器网络的协同工作机制研究
传感器网络的协同工作机制研究在当今科技飞速发展的时代，传感器网络正逐渐成为我们生活中不可或缺的一部分。
从智能家居中的环境监测，到工业生产中的设备监控，再到城市交通的实时管理，传感器网络的应用无处不在。
然而，要实现这些广泛而复杂的应用，传感器网络的协同工作机制至关重要。
传感器网络是由大量分布在不同位置的传感器节点组成的。
这些节点通过无线通信方式相互连接，共同完成对特定区域或对象的监测和数据采集任务。
每个传感器节点通常具有感知、计算和通信能力，但由于其自身资源有限，如能量、存储和处理能力等，单个节点往往无法独立完成复杂的任务。
因此，需要多个节点之间协同工作，才能充分发挥传感器网络的优势。
传感器网络的协同工作机制涉及多个方面。
首先是任务分配。
在一个传感器网络中，可能存在多种不同的任务，如温度监测、湿度检测、物体追踪等。
如何将这些任务合理地分配给各个节点，使得整个网络能够高效地完成所有任务，是协同工作机制需要解决的首要问题。
这需要考虑节点的能力、位置、剩余能量等因素，以确保任务分配的公平性和有效性。
其次是数据融合。
由于多个传感器节点可能同时对同一对象或现象进行监测，会产生大量的冗余数据。
为了减少数据传输量、降低网络能耗和提高数据的准确性，需要对这些数据进行融合处理。
数据融合可以在传感器节点内部进行，也可以在汇聚节点或基站进行。
通过采用合适的数据融合算法，如加权平均、卡尔曼滤波等，可以从多个数据源中提取出更有价值的信息。
再者是通信协作。
在传感器网络中，节点之间的通信是实现协同工作的基础。
有效的通信协议和策略能够确保数据的可靠传输、减少通信冲突和降低能耗。
例如，采用时分多址（TDMA）、码分多址（CDMA）等通信方式，可以合理分配通信资源，提高通信效率。
同时，通过功率控制技术，可以调整节点的发射功率，在保证通信质量的前提下，降低能量消耗。
另外，节点的协同定位也是一个重要方面。
在某些应用中，需要准确知道传感器节点的位置信息，以便对监测数据进行准确的分析和处理。
面向复杂动态场景的多传感器定位与场景重构方法
面向复杂动态场景的多传感器定位与场景重构方法2023-11-10•引言•多传感器定位技术•复杂动态场景下的传感器部署与优化•场景重构方法•实验验证与分析目•结论与展望录01引言背景随着物联网、人工智能等技术的快速发展，多传感器定位与场景重构技术在智能家居、智慧城市等领域得到了广泛应用，成为当前研究的热点问题。
意义多传感器定位与场景重构技术能够实现对目标物体的精准定位和场景信息的全面感知，对于提高物联网设备的智能化水平、增强智慧城市的安全监控能力等方面具有重要意义。
研究背景与意义目前，多传感器定位与场景重构技术已经取得了一定的研究成果，但仍存在一些问题，如传感器之间的信息融合、动态场景下的实时定位等。
现状在复杂动态场景中，由于环境变化和干扰因素的影响，多传感器定位与场景重构面临着诸多的挑战，如何提高定位精度和鲁棒性，实现对动态目标的实时跟踪和场景重构是亟待解决的问题。
挑战研究现状与挑战研究内容与方法研究内容本研究旨在解决面向复杂动态场景的多传感器定位与场景重构问题，主要研究内容包括：1）多传感器的信息融合算法；2）动态场景下的目标定位与跟踪；3）场景信息的重构与可视化。
研究方法本研究采用理论分析与实验验证相结合的方法，首先建立多传感器信息融合模型，通过对各种传感器的数据进行融合处理，提高定位精度和鲁棒性；其次，设计动态场景下的目标定位与跟踪算法，实现对动态目标的实时跟踪；最后，通过实验验证本研究的可行性和有效性。
02多传感器定位技术利用无线信号强度衰减模型，通过接收信号强度估计距离，实现定位。
信号强度到达时间到达时间差通过测量信号从发射点到接收点的时间，计算信号传播距离，确定位置。
通过比较不同接收点收到信号的时间差，计算信号传播距离差，确定位置。
030201通过采集环境中的信号特征，构建包含信号特征和位置关系的指纹地图。
构建指纹地图在定位过程中，实时采集信号特征并与指纹地图进行匹配，确定位置。
实时匹配根据环境变化更新指纹地图，适应环境变化。
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。
基于改进AHP的多传感器协同探测效能评估方法
收稿日期：2020-03-30修回日期：2020-05-20基金项目：××预研基金资助项目（30104010203）作者简介：张宏斌（1979-），男，辽宁朝阳人，博士，讲师。
研究方向：直升机航电技术，人工智能。
摘要：为对多传感器协同探测效能进行准确、可信的评估，提出了一种基于改进层次分析法（Analytic HierarchyProcess ，简称AHP ）的效能评估方法。
依据多传感器协同探测目的选取效能评估指标，采用层次分析法建立效能评估指标体系，利用经验值进行各指标权重赋值，并通过熵权法对各指标权重进行综合计算，最后得到效能评估值。
算例验证表明，该方法能够进行全面、客观的效能评估，减小了主观因素干扰，对多机传感器协同探测的研究具有一定参考价值。
关键词：传感器，协同探测，效能评估，层次分析法中图分类号：TP212文献标识码：ADOI ：10.3969/j.issn.1002-0640.2021.05.020引用格式：张宏斌，鞠艳秋，齐驰，等.基于改进AHP 的多传感器协同探测效能评估方法［J ］.火力与指挥控制，2021，46（5）：108-112.基于改进AHP 的多传感器协同探测效能评估方法*张宏斌，鞠艳秋，齐驰，杨杰（陆军航空兵学院，北京101123）Evaluation Method of Sensors Coordination Detection Efficiency Based on Modified AHPZHANG Hong-bin ，JU Yan-qiu ，QI Chi ，YANG Jie （Army Aviation Institute ，Beijing 101123，China ）Abstract ：In order to make accurate and credible evaluation of sensors coordination detectionefficiency ，the efficiency evaluation method based on the Analytic Hierarchy Process（AHP ）is proposed in this paper.At first ，according to the purpose of multisensors coordination detection the efficiency evaluation index system is selected.Then ，the weight of each index is comprehensively calculated and the efficiency evaluation value is obtained by entropy weight method.The example results show that the method can make complete and objective efficiency evaluation and can reduce the interference of the subjective factors and it has certain reference value for multi sensors coordination detection research.Key words ：sensor ，coordination detection ，efficiency evaluation ，AHP Citation format ：ZHANG H B ，JU Y Q ，QI C ，et al.Evaluation method of sensors coordination detection efficiency based on modified AHP ［J ］.Fire Control &Command Control ，2021，46（5）：108-112.0引言多传感器协同探测在体系协同作战中发挥重要作用，通过多传感器协同可以对目标进行范围更广、精度更高、速度更快的搜索和跟踪，对提升体系协同作战能力具有重要的意义。
《智能网联汽车：激光与视觉SLAM详解》随笔
《智能网联汽车：激光与视觉SLAM详解》读书随笔目录一、内容描述 (2)1.1 背景介绍 (3)1.2 智能网联汽车的发展趋势 (4)二、激光SLAM技术 (6)2.1 激光SLAM的基本原理 (7)2.2 激光SLAM的关键技术 (8)2.2.1 盲区检测与补全 (10)2.2.2 闭环检测与修正 (11)2.2.3 传感器标定与误差校正 (11)2.3 激光SLAM在智能网联汽车中的应用场景 (13)2.3.1 自动驾驶辅助系统 (15)2.3.2 环境感知与导航 (16)2.3.3 车辆协同与交通管理 (17)三、视觉SLAM技术 (18)3.1 视觉SLAM的基本原理 (19)3.2 视觉SLAM的关键技术 (21)3.2.1 目标识别与跟踪 (22)3.2.2 语义地图构建与更新 (23)3.2.3 重定位与路径规划 (24)3.3 视觉SLAM在智能网联汽车中的应用场景 (25)3.3.1 车载导航与娱乐系统 (27)3.3.2 车辆控制与交互 (28)3.3.3 实时路况分析与预警 (30)四、激光与视觉SLAM的融合应用 (31)4.1 融合框架与策略 (32)4.2 数据关联与优化方法 (34)4.3 融合系统的性能评估与改进方向 (36)五、未来展望与挑战 (38)5.1 智能网联汽车激光与视觉SLAM技术的发展趋势 (39)5.2 面临的技术挑战与解决方案 (41)六、结语 (42)6.1 读书感悟与收获 (43)6.2 对智能网联汽车激光与视觉SLAM技术的期待 (45)一、内容描述《智能网联汽车：激光与视觉SLAM详解》一书深入探讨了智能网联汽车在激光与视觉SLAM技术方面的应用和发展。
本书不仅介绍了智能网联汽车的基础知识和相关技术背景，还详细解析了激光SLAM 和视觉SLAM在智能网联汽车中的应用原理和实践应用。
在阅读这本书的过程中，我深感其内容丰富、逻辑清晰，既有理论深度，又注重实际应用。
基于多传感器融合的协同感知方法
基于多传感器融合的协同感知方法
王秉路;靳杨;张磊;郑乐;周天飞
【期刊名称】《雷达学报(中英文)》
【年(卷),期】2024(13)1
【摘要】该文提出了一种新的多模态协同感知框架,通过融合激光雷达和相机传感器的输入来增强自动驾驶感知系统的性能。
首先,构建了一个多模态融合的基线系统,能有效地整合来自激光雷达和相机传感器的数据,为后续研究提供了可比较的基准。
其次,在多车协同环境下,探索了多种流行的特征融合策略,包括通道级拼接、元素级求和,以及基于Transformer的融合方法,以此来融合来自不同类型传感器的特征并评估它们对模型性能的影响。
最后,使用大规模公开仿真数据集OPV2V进行了一系列实验和评估。
实验结果表明,基于注意力机制的多模态融合方法在协同感知任务中展现出更优越的性能和更强的鲁棒性,能够提供更精确的目标检测结果,从而增加了自动驾驶系统的安全性和可靠性。
【总页数】10页(P87-96)
【作者】王秉路;靳杨;张磊;郑乐;周天飞
【作者单位】西安建筑科技大学信息与控制工程学院;北京理工大学信息与电子学院;西北工业大学自动化学院;北京理工大学计算机学院
【正文语种】中文
【中图分类】TN957.51
【相关文献】
1.基于多层感知器的无线传感器网络分布式协同训练方法研究
2.水泥窑协同处置垃圾煅烧熟料的经验
3.基于信息融合的电网运行事件协同感知与交互方法
4.基于毫米波传感器与激光雷达信号融合的自动驾驶障碍物感知方法
5.基于多传感器的城市隧道环境监测数据协同融合方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的RGB-T目标跟踪技术综述
基于深度学习的RGB-T目标跟踪技术综述基于深度学习的RGB-T目标跟踪技术综述一、引言随着计算机视觉和深度学习技术的快速发展，目标跟踪技术在各个领域的应用日益广泛。
在一些特殊环境下，如低光、强光、复杂背景等情况下，单一传感器的RGB目标跟踪技术往往无法满足需求。
因此，基于多传感器的RGB-T目标跟踪技术逐渐受到研究者的关注。
本文将综述基于深度学习的RGB-T目标跟踪技术的研究进展和应用情况，探讨其方法、挑战和发展方向。
二、多传感器的RGB-T目标跟踪技术1. RGB-T目标跟踪的定义和特点RGB-T目标跟踪是指通过同时利用RGB传感器和热红外（Thermal-IR）传感器的信息来实现目标的准确跟踪。
由于热红外传感器能够提供目标的热能信息，因此在特殊环境下，通过融合RGB和热红外传感器的信息，能够提高目标跟踪的鲁棒性和准确度。
2. RGB-T目标跟踪的挑战与传统的RGB目标跟踪技术相比，RGB-T目标跟踪面临着更大的挑战。
首先，由于RGB和热红外传感器之间存在信息差异，如颜色、纹理等特征的差异，导致传感器融合时的异构性问题。
其次，由于特殊环境下的光照、背景等干扰因素，导致目标在不同传感器下呈现出不同的外观。
因此，如何有效地融合不同传感器的信息，提高目标跟踪的鲁棒性和准确度，是RGB-T目标跟踪技术面临的关键问题。
三、基于深度学习的RGB-T目标跟踪技术1. 基础模型：卷积神经网络（Convolutional NeuralNetwork，CNN）CNN是深度学习中最重要的模型之一，其能够自动学习图像的高层特征。
在RGB-T目标跟踪中，通过将RGB和热红外图像输入CNN，可以得到更具有鲁棒性和准确度的特征表示。
2. 融合模型：多模态融合为了解决RGB和热红外传感器间的异构性问题，研究者们提出了多种多模态融合的方法。
其中，基于特征融合的方法通过将RGB和热红外图像的特征进行融合，得到更丰富的特征表示。
- 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)。
基于动态联盟的多传感器协同探测与跟踪武龙;许蕴山;夏海宝;邓有为;张肖强【摘要】In cooperative attacks, multi-sensor cooperative detection and tracking is usually used. Because targets randomly appear or vanish, we should think about tracking new appearing targets and pay attention to detect or even capture new targets. Therefore, a probabilistic model for detecting new targets was established, stating the ability of different sensor coalitions to detect new targets. A sensor coalition for tracked targets was set up according to PCRLB, and the method of multi-sensor cooperative detection and tracking based on dynamic coalition using the BPSO algorithm and PCRLB was studied. The simulation result indicates that the method possesses higher tracking precision, less error, and more stability.%在空战场协同攻击中,常涉及到多传感器协同探测及跟踪,由于目标的出现与消失具有随机性,所以在协同中既要考虑已有目标的跟踪,更要重视新生目标的及时探测和捕获.为此,建立了新生目标的探测概率模型,并阐述了不同传感器联盟对新生目标的探测能力,依据后验克拉美-罗下界(Posterior Cramer-Rao Lower Bound,PCRLB)对已跟踪目标组建传感器联盟,利用二值粒子群优化(Binary Particle Swarm Optimization,BPSO)算法及PCRLB研究基于动态联盟的多传感器协同探测与跟踪方法.仿真表明,该方法跟踪精度较高,误差小且稳定.【期刊名称】《红外技术》【年(卷),期】2017(039)011【总页数】5页(P996-1000)【关键词】协同跟踪;动态联盟;后验克拉美-罗下界;二值粒子群优化【作者】武龙;许蕴山;夏海宝;邓有为;张肖强【作者单位】空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安710038;空军工程大学航空航天工程学院,陕西西安 710038;空军工程大学航空航天工程学院,陕西西安 710038【正文语种】中文【中图分类】TP212.9在多机协同攻击中，常需要考虑传感器对目标的协同探测及协同跟踪，由于传感器的多样性及量测信息的复杂性，目标的出现与消失变化多端，使得对传感器的高效利用面临严峻挑战。
所以研究如何进行传感器对目标的科学分配，获得更优的协同探测与跟踪性能具有重要现实意义[1]。
文献[2]在无线传感器网络中基于多智能体理论和动态联盟方法建立了目标跟踪协同流程。
文献[3]结合已有的任务分配机制，建立了一种改进的动态联盟协同任务分配机制，确立了盟主和盟员的选择方法。
文献[4]为解决动态联盟在移动过程中的交接问题，提出了基于预测的修复机制，解决了目标航迹的机动性。
文献[5]为解决多目标连续、高概率探测问题，建立了多传感器交叉提示多目标探测的动态联盟机制，但这些方法都没有考虑协同跟踪时新目标出现的情况。
本文考虑到协同跟踪时可能会出现新目标，建立了新生目标探测概率模型，分析了已跟踪目标的后验克拉美-罗下界，研究了基于动态联盟的多传感器协同探测与跟踪方法。
在多平台传感器的探测空域内，目标的呈现与消逝是无法预知的，与已跟踪目标相比，其对我机的威胁指数更大，重要性更强，因此需要及时分配传感器资源对新生目标进行侦查探测，已保证尽早对其截获。
为了定量描述新生目标的探测概率，假设新目标均是从探测区域边界任意位置进入传感器探测范围，为方便研究，采用n 个在探测区域界线上等间距分布的粒子表示新生目标可能呈现的位置。
当确定了目标进入探测区域的边界位置后，还需确定目标在探测区域内首次出现时距该位置的距离s。
假设新生目标进入探测空域界线的法向速度在[0, Vmax]间服从均匀分布，则新目标首次呈现位置距进入点间距离s的概率密度函数成式(1)表示的分布[6]：式中：Ts为采样时间；v表示粒子运动速度。
传感器j对粒子i所代表的新生目标位置的探测概率pl(j, i)可按式(2)计算：式中：pf表示虚警概率；R(j, i)是传感器j与粒子i所代表的新生目标位置间的距离；S0为传感器j对R0处目标的探测信噪比。
则t时刻新目标的探测概率表达式plt为：式中：N表示探测空域内传感器总量；t为采样时间；Cjt∈{0,1}，表示新生目标能够被传感器j探测到，Cjt＝0表示其不能被传感器j探测到；Sjt表示是否采用传感器j探测搜索新出现的目标，Sjt＝1代表选择该传感器搜索新生目标，反之亦然；St＝[S1t…Sjt…SNt]代表一种传感器联盟，该联盟将完成新出现目标的探测及跟踪。
根据式(3)计算的探测概率表示不同传感器组成的联盟对新生目标的探测能力。
PCRLB是衡量跟踪性能的一项指标，可通过计算传感器与目标的量测值及预估值而得到[12]。
因为该指标与具体的目标航迹生成算法无关，所以能够避免跟踪滤波误差对传感器选择造成的影响[7]。
所以利用PCRLB可得到不同传感器联盟跟踪目标所产生的信息增量，并据此选择合适的传感器加入联盟。
假定探测区域内某一目标运动的表达式为：式中：下标m代表探测区域的第m个目标；表示t时刻目标状态，px表示xt,m的维数；ft－1为状态转移函数；wt为状态噪声。
第j部传感器的观测方程为：式中：j表示传感器联盟中的第j部传感器；zt,mj表示量测值；htj为观测函数；vtj表示观测噪声；wtj表示在探测区域内均匀分布的虚警量测值。
记Zt,mj为截至t时刻传感器全部量测值组成的集合，为基于该量测值集合对目标m在t时刻的状态xt,m的有效无偏估计[7]。
PCRLB给出了目标运动真值与无偏估计的误差协方差的下界[8]，即：式中：E{×}为(xt,m, Zt,mj)的期望值；[×]T代表矩阵转置。
由上式可得Ct－Jt－1为一半正定矩阵，Jt称作Fisher信息阵[13]，Jt－1即为PCRLB。
经线性化后计算得递推公式为：式中：Qt代表过程噪声的误差协方差矩阵；Rtj代表量测噪声的误差协方差矩阵；表征t＋1时刻目标m的状态先验信息；表示传感器j的当前量测值，若传感器联盟的量测彼此独立，其值可累加。
显而易见，联盟内的传感器数目越多，Jt＋1值越大，传感器与目标间的量测几何越好，跟踪目标所得到的信息量越大，跟踪效果越好[9]。
所以根据PCRLB调用传感器实质上就是按照传感器数目和观测几何选择跟踪精度最高的传感器加入联盟[10-11]。
盟员的优化组合是动态联盟组建过程中最重要的问题，合适的盟员能够通过各方取长补短提高动态联盟内各成员协同效果。
盟员的选择需要综合考虑其特点、重要性等多方面因素，因此盟员的优化组合可以抽象为多目标函数的最优化问题，动态联盟的核心思想就是使目标函数取得最优值。
本文采用二值粒子群优化算法[15]及PCRLB组建多传感器协同探测与跟踪动态联盟，二值即粒子速度取[0, 1]，1表征将该粒子所代表的传感器纳入对目标的探测与跟踪动态联盟，0表示该粒子所表征的传感器未加入动态联盟。
择取传感器的目的是调用尽可能少地量测资源获得更好的探测与跟踪效果，所以组建动态联盟要综合思量新出现目标的探测概率及已跟踪目标的跟踪精度，则动态联盟目标函数表达式为：式中：tr[×]表征矩阵的迹；Tpl表征新出现目标的探测概率门限值；m表征目标序号。
利用二值粒子群优化算法组建动态联盟就是按照目标函数表达式，首先确保新生目标的探测概率大于门限值，同时从Ct中选择使已跟踪目标的PCRLB最小的传感器组合，Ct表示t时刻传感器系统中能够跟踪目标的传感器集合[14]。
假设当前传感器网络已经捕获探测空域内的所有目标，当新目标出现时，多传感器立即组建动态联盟，进行新目标的探测与已有目标的跟踪，步骤如下：步骤1 判断目标是新生目标或已跟踪目标判断目标是新呈现目标或已跟踪目标，若为新呈现目标，在新目标可能出现的区域内生成n个探测粒子。
步骤2 组建新生目标传感器探测联盟选择对新生目标的探测概率大于门限值的传感器加入新生目标探测联盟。
步骤3 组建已跟踪目标传感器跟踪联盟在剩余传感器中按照PCRLB择取使已跟踪目标的跟踪精度尽可能高的传感器加入联盟。
步骤4 组建协同探测与跟踪动态联盟按照动态联盟目标函数表达式综合考虑新生目标的及时捕获和已跟踪目标的精确跟踪组建协同探测与跟踪动态联盟；步骤5 跟踪滤波与航迹生成依据动态联盟观测目标运动，选择扩展卡尔曼滤波进行目标跟踪滤波，融合量测信息并生成航迹。
步骤6 判断是否需要更新动态联盟若需要，返回步骤1，若否，更新时间t＝t＋1返回步骤5。
为了验证文章研究内容的正确性及科学性，证明本文方法进行协同探测与跟踪时性能更优，因此在仿真时与文献[7]提出的防空雷达对多隐身目标的协同检测与跟踪算法进行对比。
假设探测空域内有10个3种常用的传感器，观测噪声为零均值的高斯白噪声，3种类型传感器量测目标的距离误差依次为60m，320m和150m，角度差依次为(0.2°, 0.3°)，(1.4°, 1.9°)和(2°, 3°)，4个新生目标分别在0s，20s，30s，40s出现，目标1的初始运动参数为x1＝[1km, 1.5km,v×sin(ap/200)km/s, v×tan(ap/200)km/s]，v＝0.5km/s为初始运动速度，a＝15°为初始角度，采样频率f＝1Hz。
目标2、目标3和目标4均从探测区域边界随机进入传感器探测范围，初始运动速度分别在区间[0.2km/s, 0.3km/s]，[0.3km/s, 0.4km/s]，[0.4km/s, 0.5km/s]上服从均匀分布。