多雷达数据融合成像
基于贝叶斯理论的多雷达点迹自适应融合方法
第４５卷第３期２０２３年６月指挥控制与仿真ＣｏｍｍａｎｄＣｏｎｔｒｏｌ＆ＳｉｍｕｌａｔｉｏｎＶｏｌ ４５㊀Ｎｏ ３Ｊｕｎ ２０２３文章编号：１６７３⁃３８１９（２０２３）０３⁃０１１９⁃０７基于贝叶斯理论的多雷达点迹自适应融合方法江㊀兵，周传睿，姚㊀元（南京电子技术研究所，江苏南京㊀２１００３９）摘㊀要：雷达组网进行数据融合是复杂电磁环境下提高预警探测精度和容错能力的有效方法，研究人员需研究适应干扰㊁信噪比降低等复杂情形的数据融合方法㊂基于贝叶斯统计理论提出一种多雷达点迹融合方法，将贝叶斯多源数据融合方法与卡尔曼滤波结合，以卡尔曼滤波输出的航迹预测及其协方差作为贝叶斯理论的先验知识，以多雷达量测结果作为贝叶斯理论的观测值进行融合，并提出一种基于回波信噪比的点迹标准差实时估计方法，构建标准差自适应估计的点迹融合与滤波框架㊂仿真结果表明，多雷达点迹自适应融合方法，滤波精度优于单雷达滤波结果㊁优于航迹融合结果，能够适应目标距离㊁ＲＣＳ起伏引起的标准差变化，具有较强的工程应用价值㊂关键词：组网雷达；多雷达点迹融合；贝叶斯统计理论；点迹误差估计中图分类号：ＴＮ９５７㊀㊀㊀㊀文献标志码：Ａ㊀㊀㊀㊀ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７３⁃３８１９．２０２３．０３．０１８Ａｄａｐｔｉｖｅｍｕｌｔｉｐｌｅ⁃ｒａｄａｒｐｏｉｎｔｆｕｓｉｏｎｂａｓｅｄｏｎｂａｙｅｓｉａｎｔｈｅｏｒｙＪＩＡＮＧＢｉｎｇ，ＺＨＯＵＣｈｕａｎｒｕｉ，ＹＡＯＹｕａｎ（ＮａｎｊｉｎｇＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＥｌｅｃｔｒｏｎｉｃｓＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００３９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｒａｄａｒｎｅｔｗｏｒｋｉｎｇｉｓａｎｅｆｆｅｃｔｉｖｅｍｅｔｈｏｄｔｏｉｍｐｒｏｖｅｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙａｎｄｆａｕｌｔｔｏｌｅｒａｎｃｅｉｎｃｏｍｐｌｅｘｅｌｅｃｔｒｏｍａｇ⁃ｎｅｔｉｓｍｅｎｖｉｒｏｎｍｅｎｔ．Ｉｔｉｓｎｅｃｅｓｓａｒｙｔｏｓｔｕｄｙｄａｔａｆｕｓｉｏｎｓｃｈｅｍｅｓｗｈｉｃｈｃａｎａｄｄｒｅｓｓｔｈｅｃｈａｌｌｅｎｇｅｓｆｒｏｍｉｎｔｅｒｆｅｒｅｎｃｅａｎｄｓｉｇ⁃ｎａｌ⁃ｔｏ⁃ｎｏｉｓｅｒａｔｉｏｒｅｄｕｃｔｉｏｎ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｄａｔａｆｕｓｉｏｎｍｅｔｈｏｄｆｏｒｍｕｌｔｉｐｌｅ⁃ｒａｄａｒｐｏｉｎｔｆｕｓｉｏｎｂａｓｅｄｏｎｂａｙｅｓｉａｎｓｔａｔｉｓｔｉｃａｌｔｈｅｏｒｙｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅｍｕｌｔｉ⁃ｓｏｕｒｃｅｄａｔａｆｕｓｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｂａｙｅｓｉａｎｔｈｅｏｒｙｉｓｃｏｍｂｉｎｅｄｗｉｔｈｋａｌｍａｎｆｉｌｔｅｒｉｎｇ，ｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎｏｆｋａｌｍａｎｆｉｌｔｅｒａｎｄｉｔｓｃｏｖａｒｉａｎｃｅａｓｔｈｅｐｒｉｏｒｋｎｏｗｌｅｄｇｅｆｏｒｂａｙｅｓｉａｎｔｈｅｏｒｙ．Ｔｈｅｐｏｉｎｔｓｏｆｍｕｌｔｉｐｌｅ⁃ｒａｄａｒａｒｅｒｅ⁃ｇａｒｄｅｄａｓｔｈｅｏｂｓｅｒｖａｔｉｏｎｖａｌｕｅｏｆｂａｙｅｓｉａｎｔｈｅｏｒｙ．Ａｒｅａｌ⁃ｔｉｍｅｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｆｏｒｔｈｅｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎｓｏｆｒａｄａｒｐｏｉｎｔｓｉｓａｌｓｏｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｓｉｇｎａｌ⁃ｔｏ⁃ｎｏｉｓｅｒａｔｉｏ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｆｉｌｔｅｒｉｎｇａｃｃｕｒａｃｙｏｆｔｈｅｐｒｏｐｏｓｅｄｄａｔａｆｕｓｉｏｎｍｅｔｈｏｄｉｓｂｅｔｔｅｒｔｈａｎｔｈａｔｏｆｔｈｅｉｎｄｉｖｉｄｕａｌｒａｄａｒｔｒａｃｋａｎｄｔｒａｃｋｆｕｓｉｏｎ，ａｎｄｉｔｃａｎａｄａｐｔｔｏｃｈａｎｇｉｎｇｓｔａｎｄａｒｄｄｅｖｉａ⁃ｔｉｏｎｓｃａｕｓｅｄｂｙｔａｒｇｅｔｄｉｓｔａｎｃｅｃｈａｎｇｉｎｇａｎｄＲＣＳ（ＲａｄａｒＣｒｏｓｓ⁃Ｓｅｃｔｉｏｎ）ｆｌｕｃｔｕａｔｉｎｇ．Ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｓｏｆｇｒｅａｔｖａｌｕｅｔｏａｒｅａａｉｒｄｅｆｅｎｓｅ．Ｋｅｙｗｏｒｄｓ：ｒａｄａｒｎｅｔｗｏｒｋｉｎｇ；ｍｕｌｔｉｐｌｅ⁃ｒａｄａｒｐｏｉｎｔｆｕｓｉｏｎ；ｂａｙｅｓｉａｎｔｈｅｏｒｙ；ｅｒｒｏｒｅｓｔｉｍａｔｉｏｎ收稿日期：２０２２⁃１１⁃０５修回日期：２０２２⁃１２⁃２５作者简介：江㊀兵（１９９１ ），男，博士，工程师，研究方向为雷达系统总体方案设计㊂周传睿（１９８５ ），男，硕士，高级工程师㊂㊀㊀随着干扰㊁诱饵等电磁对抗手段的广泛应用，单平台雷达已难以满足高质量目标信息保障需要，多站雷达组网进行探测数据融合成为应对日益复杂的电磁环境的必要途径，能提供更精确的目标状态信息㊁增强预警探测系统的容错能力和自适应能力㊁提高系统的可靠性和鲁棒性㊁扩展系统的时空覆盖率［１⁃２］，对提高复杂环境下预警探测能力有重要意义㊂多雷达数据融合的目的是在一定准则下对多雷达探测数据加以分析㊁综合和使用，获得对探测目标的一致性解释与描述，获得比单雷达更优越的探测信息［３⁃４］㊂多雷达数据融合在融合层面可划分为信号级㊁检测级㊁点迹（跟踪级）以及航迹（情报级）四种［１］㊂信号级融合是直接将各雷达的探测回波进行融合处理，对时空频同步精度要求较高；检测级融合是在各雷达检测判决的基础上进行融合，对网络带宽要求较高㊂点迹和航迹融合是两种资源经济型融合方法，点迹融合具有信息损失少㊁处理精度更高㊁稳定性更强的优势［５］，已逐渐替代航迹融合，成为现代组网雷达系统数据融合的主要手段㊂多雷达点迹融合方法可分为序贯滤波方法和数据压缩方法两类［６］㊂序贯滤波方法［７］是将各雷达量测点迹视为平等独立的量测值，按照探测时间顺序依次代入滤波算法中，滤波过程中依据代入的点迹调整量测协方差矩阵，高低精度点迹混合滤波，提高了数据率，有利于跟踪高机动目标，但航迹精度难以保证㊂数据压缩方法是按照一定的权值，将某一时刻多个雷达的量测点迹综合成单个精度更高的量测值再进行滤波，航迹精度更高，但对多雷达采样周期和同步性能有一定要求㊂本文的研究针对多站雷达高数据率协同跟踪中近程目标的场景，采用数据压缩方法㊂基于数据压缩的点迹融合常采用基于经典统计理论的融合方法，包括最小二乘㊁加权平均融合方法［８⁃９］等，主要方法是根据各雷达的精度㊁可靠性等性能指标１２０㊀江㊀兵，等：基于贝叶斯理论的多雷达点迹自适应融合方法第４５卷为各雷达分配一个权值后进行加权融合［１０⁃１１］㊂贝叶斯统计理论则将每一次检验过程动态地看作是对先验知识的不断修正过程［１２］，文献［１３］系统地论述了贝叶斯算法的基本思想，采用贝叶斯估计算法可以有效地对多源不确定性数据进行融合，并可以适应融合随时间㊁空间变化的数据需求，基于贝叶斯的数据融合技术在多源数据融合中得到广泛应用［１４⁃１８］，但在多雷达点迹融合中缺少相关研究㊂雷达点迹滤波预测的下一时刻目标位置，实际上是一种先验知识，传统基于经典统计理论的方法缺乏对先验知识的利用，不利于提高点迹融合精度㊂贝叶斯统计理论为基于数据压缩的点迹融合提供了新思路㊂本文首先基于贝叶斯理论构建一种多雷达点迹融合和滤波架构，将多雷达量测点迹视为贝叶斯理论中的观测值，将卡尔曼滤波对目标下一时刻位置的预测和预测协方差视为贝叶斯理论的先验信息；然后针对融合过程中所需的点迹标准差等信息，研究基于回波信噪比的点迹标准差在线估计方法㊂相对于现有的基于经典统计理论的点迹融合方法，本文建立了点迹融合与卡尔曼滤波的紧耦合框架，充分利用目标位置预测值这一先验知识，有效提高点迹融合精度和鲁棒性㊂本文通过仿真测试的方式对比了本文方法与单雷达滤波㊁航迹融合等方法的结果，验证了本文方法的有效性㊂１㊀贝叶斯融合算法贝叶斯统计理论相对于经典统计理论的主要区别在于是否利用先验知识，贝叶斯统计理论则是将每一次检验过程动态地看作是对先验知识的不断修正过程㊂假定待估计参数ｘ的先验概率为ｐ（ｘ），观测值为ｙ，贝叶斯统计理论给出了计算后验概率的方法［１９⁃２０］：ｐ（ｘ｜ｙ）＝ｐ（ｙ｜ｘ）ｐ（ｘ）ｐ（ｙ）（１）在测得一组测量数据（ｘ１，ｘ２，ｘ３， ，ｘｌ）的条件下，被测参数的条件概率密度函数可表示为ｐ（μ｜ｘ１，ｘ２， ，ｘｌ）＝ｐ（μ，ｘ１，ｘ２， ，ｘｌ）ｐ（ｘ１，ｘ２， ，ｘｌ）（２）式中μ为被测参数㊂假设μ和测量数据ｘｋ均服从高斯分布，设μ Ｎ（μ０，σ２０），ｘｋ Ｎ（μ，σ２ｋ），则：ｐ（μ｜ｘ１，ｘ２， ，ｘｌ）＝１ｐ（ｘ１，ｘ２， ，ｘｌ）φ（μ，σ）（ｘｋ）ˑᵑｌｋ＝１φ（μ，σ）（ｘｋ）＝η１２πσ０ᵑｌｋ＝１（１２πσｋ）ˑｅｘｐ－１２μ－μ０σ０æèçöø÷２－１２ðｌｋ＝１ｘｋ－μσｋæèçöø÷２éëêêùûúú（３）其中，φ（μ，σ）＝１２πσ０ｅｘｐ－１２μ－μ０σ０æèçöø÷２éëêêùûúúφ（μ，σ）＝１２πσｋｅｘｐ－１２ｘｋ－μ０σｋæèçöø÷２éëêêùûúúη＝１ｐ（ｘ１，ｘ２， ，ｘｌ）（４）根据式（３），在已知测量数据（ｘ１，ｘ２，ｘ３， ，ｘｌ）的条件下，被测量参数μ的条件概率密度函数的指数部分是μ的二次函数，因此ｐ（μ｜ｘ１，ｘ２，ｘ３， ，ｘｌ）也服从高斯分布［２１］，设μ Ｎ（μＮ，σ２Ｎ），即ｐ（μ｜ｘ１，ｘ２， ，ｘｌ）＝η１２πσＮｅｘｐ－１２μ－μＮσＮæèçöø÷２éëêêùûúú（５）综合式（３）和式（５）可得μＮ＝（ðｌｋ＝１ｘｋσ２ｋ＋μ０σ２０）／（ðｌｋ＝１１σ２ｋ＋１σ２０）（６）用＾μ表示被测量参数μ的贝叶斯估计结果，则㊀＾μ＝ʏＲμ１２πσＮｅｘｐ－１２μ－μＮσＮæèçöø÷２éëêêùûúúｄμ＝μＮ（７）因此，式（６）可用于在已知测量数据（ｘ１，ｘ２，ｘ３，，ｘｌ）和被测量参数μ先验概率的情况下对μ进行估计㊂在多雷达点迹融合应用中，μ代表目标位置真值；μ０为上一时刻航迹滤波对目标距离㊁方位㊁俯仰的预测值（Ｒｐ，Ａｐ，Ｅｐ），σ０为目标距离㊁方位㊁俯仰预测值的标准差（σＲ，ｐ，σＡ，ｐ，σＥ，ｐ）；ｘｋ为雷达ｋ的点迹距离㊁方位㊁俯仰测量值（Ｒｋ，Ａｋ，Ｅｋ），σｋ为对应的测量标准差（σＲ，ｋ，σＡ，ｋ，σＥ，ｋ）㊂要求多雷达点迹与航迹预测值位于同一时空空间，且准确描述目标位置预测值和位置测量值的概率密度㊂２㊀多雷达点迹预处理为适应基于贝叶斯理论的数据融合对量测值的要求，对多雷达点迹进行预处理，统一时空基准，并估计量测误差㊂２ １㊀点迹时空配准空间配准是针对各雷达坐标原点不同，将雷达点迹转换至同一坐标系，假设雷达ｍ点迹坐标原点在统一坐标系（大地直角坐标系）中的位置为（ａｍ，ｂｍ，ｃｍ），将雷达点迹由极坐标系转换至大地直角坐标系，并平移至统一的坐标原点得ｘｍ＝Ｒᶄｍｃｏｓ（Ｅᶄｍ）ｃｏｓ（Ａᶄｍ）＋ａｍｙｍ＝Ｒᶄｍｃｏｓ（Ｅᶄｍ）ｓｉｎ（Ａᶄｍ）＋ｂｍｚｍ＝ｓｉｎ（Ｅᶄｍ）＋ｃｍ（８）第３期指挥控制与仿真１２１㊀其中，（Ｒᶄｍ，Ａᶄｍ，Ｅᶄｍ）为雷达ｍ空间配准前的点迹距离㊁方位㊁俯仰，（ｘｍ，ｙｍ，ｚｍ）为雷达ｍ点迹在统一坐标系（大地直角坐标系）中的位置，再将该点迹转换回极坐标系得Ｒｍ＝ｘｍ２＋ｙｍ２＋ｚｍ２Ａｍ＝ａｒｃｔａｎ（ｙｍｘｍ）Ｅｍ＝ａｒｃｔａｎ（ｚｍｘｍ２＋ｙｍ２）（９）式中（Ｒｍ，Ａｍ，Ｅｍ）为雷达ｍ点迹空间配准后的距离㊁方位㊁俯仰㊂时间配准是针对各雷达探测时间不同，将时间相近的雷达点迹转换至同一时刻㊂本文采用多项式插值法进行时间配准，基本原理是利用多个时刻的点迹数据进行曲线拟合，对目标运动轨迹进行逼近，进而估计指定时刻的目标位置㊂假设需将雷达ｍ点迹时间配准至ｔｃ，提取雷达ｍ在ｔ０㊁ｔ１㊁ｔ２时刻测量值ｘ０㊁ｘ１㊁ｘ２，采用拉格朗日三点插值法，近似得到雷达ｍ在ｔｃ时刻的测量值如下：ｘｔｃ＝（ｔｃ－ｔ１）（ｔｃ－ｔ２）（ｔ０－ｔ１）（ｔ０－ｔ２）ｘ０＋（ｔｃ－ｔ０）（ｔｃ－ｔ２）（ｔ１－ｔ０）（ｔ１－ｔ２）ｘ１＋（ｔｃ－ｔ０）（ｔｃ－ｔ１）（ｔ２－ｔ０）（ｔ２－ｔ１）ｘ２（１０）２ ２㊀点迹误差估计假设点迹系统差通过最小二乘等方式进行了在线校正［２２］，点迹误差估计则主要考虑由热噪声等引起的随机差㊂距离标准差估计方法如下：σＲ＝σ２ＴＲ＋σ２ＸＲ（１１）式中σＴＲ为热噪声引起的随机误差，σＸＲ为其他因素引起的点迹距离随机误差，包括数据量化㊁脉冲抖动等㊂σＴＲ与信噪比ＳＮＲ有直接关系㊂σＴＲ＝ｃτｅ２２ˑＳＮＲ（１２）式中τｅ为等效脉冲宽度，ｃ电磁波传播速度，ＳＮＲ为单次扫中信噪比㊂角度标准差估计方法如下：σＡ＝σ２ＴＡ＋σ２ＸＡ（１３）式中σＴＡ为热噪声引起的随机误差，σＸＡ为其他因素引起的点迹角度随机误差，包括扫描㊁闪烁等㊂σＴＡ与信噪比ＳＮＲ有直接关系㊂σＴＡ＝θ０Ｋｍ２ˑＳＮＲ（１４）式中θ０为３ｄＢ波束宽度，Ｋｍ为归一化单脉冲斜率，在１．２ ２．０之间㊂点迹误差估计过程中，σＸＲ和σＸＡ由雷达系数自身决定，不随目标改变，可由试验方法测得㊂σＴＲ和σＴＡ为噪声引起的随机误差，主要由目标回波的ＳＮＲ决定㊂点迹误差估计方法是，利用历史的点迹ＳＮＲ和误差测量数据，结合式（１１）和式（１３），通过最小二乘法对σＸＲ和σＸＡ进行估计，构建以ＳＮＲ为自变量的距离㊁方位㊁仰角标准差实时估计方法㊂３㊀多雷达点迹融合方法贝叶斯统计理论提供了一种数据融合的方式，假设将被测量值的预测误差和测量误差均建模为高斯噪声，则可用式（６）进行点迹融合，整个点迹融合与滤波过程如图１所示㊂图１㊀点迹融合与滤波过程框图Ｆｉｇ １㊀Ｂｌｏｃｋｄｉａｇｒａｍｏｆｄａｔａｆｕｓｉｏｎａｎｄｆｉｌｔｅｒｉｎｇｐｒｏｃｅｓｓ点迹融合前需要获知的信息包括航迹滤波对ｔｋ＋１时刻的目标距离㊁方位㊁俯仰的预测值（Ｒｐ，Ａｐ，Ｅｐ）及其预测标准差（σＲ，ｐ，σＡ，ｐ，σＥ，ｐ），以及ｔｋ＋１时刻ｌ个雷达经时空配准后的量测值和量测标准差，雷达ｍ的点迹距离㊁方位㊁俯仰测量值记为（Ｒｍ，Ａｍ，Ｅｍ），对应的测量标准差记为（σＲ，ｍ，σＡ，ｍ，σＥ，ｍ），对距离㊁方位㊁俯仰分别进行融合，计算方法如下：Ｒｆ＝（ðｌｍ＝１Ｒｍσ２Ｒ，ｍ＋Ｒｐσ２Ｒ，ｐ）／（ðｌｍ＝１１σ２Ｒ，ｍ＋１σ２Ｒ，ｐ）Ａｆ＝（ðｌｍ＝１Ａｍσ２Ａ，ｍ＋Ａｐσ２Ａ，ｐ）／（ðｌｍ＝１１σ２Ａ，ｍ＋１σ２Ａ，ｐ）Ｅｆ＝（ðｌｍ＝１Ｅｍσ２Ｅ，ｍ＋Ｅｐσ２Ｅ，ｐ）／（ðｌｍ＝１１σ２Ｅ，ｍ＋１σ２Ｅ，ｐ）（１５）式中（Ｒｆ，Ａｆ，Ｅｆ）为融合点迹的距离㊁方位㊁俯仰，形成量测矩阵Ｙｋ＋１＝［Ｒｆ，Ａｆ，Ｅｆ］，标准差为（σＲ，ｆ，σＡ，ｆ，σＥ，ｆ）㊂σＲ，ｆ＝１／（ðｌｍ＝１１σ２Ｒ，ｍ＋１σ２Ｒ，ｐ）１２２㊀江㊀兵，等：基于贝叶斯理论的多雷达点迹自适应融合方法第４５卷σＡ，ｆ＝１／（ðｌｍ＝１１σ２Ａ，ｍ＋１σ２Ａ，ｐ）σＥ，ｆ＝１／（ðｌｍ＝１１σ２Ｅ，ｍ＋１σ２Ｅ，ｐ）（１６）融合点迹滤波采用卡尔曼滤波方法，并预测下一时刻目标位置㊂卡尔曼滤波状态转移方程如下，首先基于ｔｋ前的测量预测ｔｋ＋１时刻的状态及其协方差＾Ｘ（ｔｋ＋１｜ｔｋ）＝φ（ｔｋ）Ｘ（ｔｋ）＋Ａｐ（ｔｋ）（１７）Ｐ（ｋ＋１｜ｋ）＝φ（ｔｋ）Ｐ（ｋ｜ｋ）φ（ｔｋ）Ｔ＋Ｑ（ｔｋ）（１８）式中Ｘ（ｔｋ）是ｔｋ时刻的状态矢量，包含距离方位仰角及其变化率，Ａｐ（ｔｋ）是可修正的已知加速度引起的目标状态改变，＾Ｘ（ｔｋ＋１｜ｔｋ）是对ｔｋ＋１时刻状态矢量的估计值，φ（ｔｋ）为状态转移矩阵：Ｘ（ｔｋ）＝Ｒ（ｔｋ）̇Ｒ（ｔｋ）Ａ（ｔｋ）̇Ａ（ｔｋ）Ｅ（ｔｋ）̇Ｅ（ｔｋ）㊀φ（ｔｋ）＝１Ｔｋ０００００１００００００１Ｔｋ０００００１００００００１Ｔｋ０００００１（１９）然后利用融合点迹形成的量测矩阵Ｙｋ＋１更新目标状态及其协方差＾Ｘ（ｔｋ＋１｜ｔｋ＋１）＝＾Ｘ（ｔｋ＋１｜ｔｋ）＋Ｋｋ［Ｙｋ＋１－Ｈ（ｔｋ＋１）＾Ｘ（ｔｋ＋１｜ｔｋ）］（２０）Ｐ（ｋ＋１｜ｋ＋１）＝［Ｉ－Ｋｋ＋１Ｈ（ｔｋ＋１）］Ｐ（ｋ＋１｜ｋ）（２１）其中，卡尔曼增益为Ｋｋ＋１＝Ｐ（ｋ＋１｜ｋ）ＨＴ（ｔｋ＋１）ˑ［Ｈ（ｔｋ＋１）Ｐ（ｋ＋１｜ｋ）ＨＴ（ｔｋ＋１）＋Ｒｋ］－１（２２）进而利用式（１７）预测ｔ＋２时刻目标位置，利用式（１８）得到预测方差，等待ｔ＋２时刻各雷达点迹时空配置结果，继续进行下一次点迹融合㊂４㊀仿真分析为验证本文所提点迹融合方法对提高目标位置估计精度的作用，作者设计了仿真试验，产生两种雷达的探测点迹，分别称为高波段雷达和低波段雷达㊂作者采用４种处理方法产生航迹，方法１是单独对高波段雷达点迹进行卡尔曼滤波处理，产生航迹；方法２是单独对低波段雷达点迹进行卡尔曼滤波处理，产生航迹；方法３是对高低波段雷达的航迹进行融合处理，按照航迹估计协方差进行加权融合；方法４是采样本文提出的点迹融合与滤波方法进行处理㊂研究人员在仿真试验中模拟高低波段雷达测量点迹选取的目标理论轨迹如图２所示，包含平飞㊁爬升㊁转向等典型的运动形态㊂根据典型的高低波段雷达搭配使用方式，高波段雷达作为近程精确跟踪，探测精度高但作用距离近，低波段雷达作为远程预警，探测精度稍差但探测距离远㊂根据雷达方程，在目标ＲＣＳ恒定的情况下，回波信噪比主要受目标距离影响㊂仿真中根据目标距离，结合高波段㊁低波段雷达的辐射功率㊁收发增益等参数设定，计算目标回波信噪比和点迹标准差，通过在理论轨迹上叠加高斯噪声的方式获取仿真点迹㊂Ｆｉｇ 值，保精度探测距离大于目标最远距离，对目标探测精度基本保持恒定㊂对比图４和图５，高波段雷达在目标距离近时探测精度优于低波段雷达，在目标距离远时劣于低波段雷达㊂点迹仿真创造了两雷达探测精度随时间变化且在不同时期互有优劣的情形㊂图３㊀目标距离Ｆｉｇ ３㊀Ｔｈｅｒａｎｇｅｏｆｔｈｅｓｉｍｕｌａｔｉｏｎｔａｒｇｅｔ仿真试验中使用４种方法处理高波段雷达和低波段雷达的仿真点迹，获得４种航迹数据，分别计算一次第３期指挥控制与仿真１２３㊀图４㊀高波段雷达点迹俯仰值Ｆｉｇ ４㊀Ｔｈｅｅｌｅｖａｔｉｏｎｏｆｔｈｅｈｉｇｈｗａｖｅｌｅｎｇｔｈｒａｄａｒｐｏｉｎｔ图５㊀低波段雷达点迹俯仰值Ｆｉｇ ５㊀Ｔｈｅｅｌｅｖａｔｉｏｎｏｆｔｈｅｌｏｗｗａｖｅｌｅｎｇｔｈｒａｄａｒｐｏｉｎｔ差，图６和图７分别给出了方法１和方法２处理所得航迹的俯仰一次差结果㊂方法１仅使用高波段雷达点迹进行滤波，受点迹精度影响明显，在目标距离远点迹精度差时，俯仰误差较大㊂方法２仅使用低波段雷达点迹进行滤波，点迹误差基本恒定，航迹误差也维持较为恒定的结果，在目标近时劣于方法１结果，在目标远时优于方法１结果，与高低波段雷达点迹精度差别一致㊂图６㊀方法１高波段雷达点迹滤波结果一次差Ｆｉｇ ６㊀Ｔｈｅｅｒｒｏｒｏｆｈｉｇｈｗａｖｅｌｅｎｇｔｈｒａｄａｒｔｒａｃｋ图７㊀方法２低波段雷达点迹滤波结果一次差Ｆｉｇ ７㊀Ｔｈｅｅｒｒｏｒｏｆｌｏｗｗａｖｅｌｅｎｇｔｈｒａｄａｒｔｒａｃｋ图８和图９分别是方法３和方法４处理所得航迹的俯仰一次差结果，方法３是高低波段雷达航迹融合处理结果，方法４是利用本文提出的方法进行高低波段雷达点迹融合处理结果㊂由于在目标距离远时高波段雷达点迹误差大，单独滤波所得航迹误差大，影响航迹融合结果㊂本文提出的点迹融合方法，全程俯仰误差无明显起伏，一次差优于航迹融合结果㊂图８㊀方法３高低波段雷达航迹融合一次差Ｆｉｇ ８㊀Ｔｈｅｅｒｒｏｒｏｆｒａｄａｒｔｒａｃｋｆｕｓｉｏｎ图９㊀方法４高低波段雷达点迹融合一次差Ｆｉｇ ９㊀Ｔｈｅｅｒｒｏｒｏｆｐｏｉｎｔｆｕｓｉｏｎ为综合比较４种方法的滤波精度，作者进行５００次蒙特卡洛仿真，统计距离㊁方位㊁俯仰最大误差，结果如表１所示㊂航迹融合的距离最大误差介于高低波段雷达单独滤波结果之间，方位㊁俯仰最大误差略优于高低波段雷达单独滤波结果，本文提出的点迹融合结果优于航迹融合结果和高低波段雷达单独滤波结果㊂结果表明，本文方法有效提高了对目标位置的估计精度㊂表１㊀目标航迹最大误差比较Ｔａｂ １㊀Ｔｈｅｃｏｍｐａｒｉｓｏｎｏｆｍａｘｉｍｕｍｅｒｒｏｒ序号处理方法距离／ｍ方位／（ʎ）俯仰／（ʎ）１高波段雷达滤波１２７ ６６０１ ６４２１ ６９０２低波段雷达滤波７７ ６０８０ ８１４０ ８３２３航迹融合９１ １７５０ ７３８０ ７１９４点迹融合４７ ７２６０ ６１２０ ４９０㊀５㊀结束语本文基于贝叶斯理论提出了一种多雷达点迹自适应融合方法，将贝叶斯融合算法与卡尔曼滤波结合，以卡尔曼滤波量测预测作为贝叶斯理论的先验知识，并利用目标回波信噪比实时估计点迹标准差，构建权重自适应调整的多雷达数据压缩架构㊂仿真结果表明，本文提出的基于贝叶斯理论构建的点迹融合滤波架构，能够有效提高对目标航迹的估计精度，且能够适应点迹精度随信噪比㊁干扰变化的场景，具有较强的鲁棒性㊂１２４㊀江㊀兵，等：基于贝叶斯理论的多雷达点迹自适应融合方法第４５卷参考文献：［１］㊀丁建江，许红波，周芬．雷达组网技术［Ｍ］．北京：国防工业出版社，２０１７．ＤＩＮＧＪＪ，ＸＵＨＢ，ＺＨＯＵＦ．Ｒａｄａｒｎｅｔｗｏｒｋｉｎｇｔｅｃｈｎｏｌｏ⁃ｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ＮａｔｉｏｎａｌＤｅｆｅｎｓｅＩｎｄｕｓｔｒｙＰｒｅｓｓ，２０１７．［２］㊀ＹＡＮＪ，ＬＩＵＨ，ＰＵＷ，ｅｔａｌ．Ｂｅｎｅｆｉｔａｎａｌｙｓｉｓｏｆｄａｔａｆｕ⁃ｓｉｏｎｆｏｒｔａｒｇｅｔｔｒａｃｋｉｎｇｉｎｍｕｌｔｉｐｌｅｒａｄａｒｓｙｓｔｅｍ［Ｊ］．ＩＥＥＥＳｅｎｓｏｒｓＪｏｕｒｎａｌ，２０１６，１６（１６）：６３５９⁃６３６６．［３］㊀杨万海．多传感器数据融合及其应用［Ｍ］．西安：西安电子科技大学出版社，２００４．ＹＡＮＧＷＨ．Ｍｕｌｔｉ⁃ｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｘｉ ａｎ：ＸｉｄｉａｎＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，２００４．［４］㊀ＫＨＡＬＥＧＨＩＢ，ＫＨＡＭＩＳＡ，ＫＡＲＲＡＹＦＯ，ｅｔａｌ．Ｍｕｌｔｉ⁃ｓｅｎｓｏｒｄａｔａｆｕｓｉｏｎ：ａｒｅｖｉｅｗｏｆｔｈｅｓｔａｔｅ⁃ｏｆ⁃ｔｈｅ⁃ａｒｔ［Ｊ］．Ｉｎ⁃ｆｏｒｍａｔｉｏｎＦｕｓｉｏｎ，２０１３，１４（１）：２８⁃４４．［５］㊀丁建江，周琳，华中和．基于点迹融合与实时控制的雷达组网系统总体论证与设计［Ｊ］．军事运筹与系统工程，２００９，８８（２）：２１⁃２４．ＤＩＮＧＪＪ，ＺＨＯＵＬ，ＨＵＡＺＨ．Ｏｖｅｒａｌｌｄｅｍｏｎｓｔｒａｔｉｏｎａｎｄｄｅｓｉｇｎｏｆｒａｄａｒｎｅｔｗｏｒｋｉｎｇｓｙｓｔｅｍｂａｓｅｄｏｎｔｒａｃｅｆｕｓｉｏｎａｎｄｒｅａｌ⁃ｔｉｍｅｃｏｎｔｒｏｌ［Ｊ］．ＭｉｌｉｔａｒｙＯｐｅｒａｔｉｏｎｓＲｅ⁃ｓｅａｒｃｈａｎｄＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，２００９，８８（２）：２１⁃２４．［６］㊀ＹＡＮＧＸ，ＴＡＮＧＪ，ＬＩＵＹ．Ａｎｏｖｅｌｍｕｌｔｉ⁃ｒａｄａｒｐｌｏｔｆｕｓｉｏｎｓｃｈｅｍｅｂａｓｅｄｏｎｐａｒａｌｌｅｌａｎｄｓｅｒｉａｌｐｌｏｔｆｕｓｉｏｎａｌ⁃ｇｏｒｉｔｈｍ［Ｃ］．２０１７２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＦｒｏｎｔｉｅｒｓｏｆＳｅｎｓｏｒｓＴｅｃｈｎｏｌｏｇｉｅｓ，Ｃｈｉｎａ，ＩＥＥＥ，２０１７．［７］㊀李世忠，王国宏，吴巍，等．ＩＭＭ⁃ＥＫＦ雷达与红外序贯滤波跟踪机动目标［Ｊ］．火力与指挥控制，２０１２，３７（１）：３９⁃４２．ＬＩＳＺ，ＷＡＮＧＧＨ，ＷＵＷ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｍａｎｅｕ⁃ｖｅｒｉｎｇｔａｒｇｅｔｔｒａｃｋｉｎｇｖｉａｉｎｆｒａｒｅｄｓｅｎｓｏｒａｎｄｒａｄａｒｓｅｑｕｅｎｃｅｆｉｌｔｅｒｉｎｇｂａｓｅｄｏｎＩＭＭ⁃ＥＫＦ［Ｊ］．ＦｉｒｅＣｏｎｔｒｏｌ＆ＣｏｍｍａｎｄＣｏｎｔｒｏｌ，２０１２，３７（１）：３９⁃４２．［８］㊀郭徽东，章新华．用于多传感器最优融合的优化节点样条数据平滑方法［Ｊ］．兵工学报，２００３（３）：３８５⁃３８８．ＧＵＯＨＤ，ＺＨＡＮＧＸＨ．Ｏｐｔｉｍｉｚａｔｉｏｎｎｏｄｅｓｐｌｉｎｅｄａｔａｓｍｏｏｔｈｉｎｇｍｅｔｈｏｄｆｏｒｍｕｌｔｉ⁃ｓｅｎｓｏｒｏｐｔｉｍａｌｆｕｓｉｏｎ［Ｊ］．ＡｃｔａＡｒｍａｍｅｎｔａｒｉｉ，２００３（３）：３８５⁃３８８．［９］㊀张伯彦，罗兴旺，蔺宏江，等．多平台雷达点迹数据融合技术［Ｊ］．系统工程与电子技术，２０１５，３７（７）：１５１２⁃１５１８．ＺＨＡＮＧＢＹ，ＬＵＯＸＷ，ＬＩＮＨＪ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｅｓｏｎｍｕｌｔｉｐｌｅ⁃ｒａｄａｒｍｕｌｔｉｐｌｅ⁃ｐｌａｔｆｏｒｍｐｌｏｔｄａｔａｆｕｓｉｏｎ［Ｊ］．Ｓｙｓ⁃ｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０１５，３７（７）：１５１２⁃１５１８．［１０］张昕，张博文，张玉萍，等．基于数据关联的多雷达点迹融合算法研究［Ｊ］．计算机测量与控制，２０１９，２７（８）：２０７⁃２１１．ＺＨＡＮＧＸ，ＺＨＡＮＧＢＷ，ＺＨＡＮＧＹＰ，ｅｔａｌ．Ｒｅｓｅａｒｃｈｏｎｍｕｌｔｉ⁃ｒａｄａｒｐｏｉｎｔｔｒａｃｋｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄａｔａａｓｓｏｃｉａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ，２０１９，２７（８）：２０７⁃２１１．［１１］ＬＩＵＹＪ，ＳＨＡＮＸＭ，ＹＡＮＧＨＹ，ｅｔａｌ．Ｓｔｕｄｙｏｎｄａｔａｆｕｓｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓｏｆａｒｔｉｌｌｅｒｙｒａｄａｒｄｅｃｉｓｉｏｎｓｙｓｔｅｍ［Ｃ］．ＡｄｖａｎｃｅｄＭａｔｅｒｉａｌｓ，ｏｎｃｉｒｅ，ＴｒａｎｓＴｅｃｈＰｕｂｌ，２０１３．［１２］ＧＡＲＣＩＡＥ，ＨＡＵＳＯＴＴＥＴ，ＡＭＴＨＯＲＡ．Ｂａｙｅｓｆｉｌｔｅｒｆｏｒｄｙｎａｍｉｃｃｏｏｒｄｉｎａｔｅｍｅａｓｕｒｅｍｅｎｔｓ–ａｃｃｕｒａｃｙｉｍｐｒｏｖｍｅｎｔ，ｄａｔａｆｕｓｉｏｎａｎｄｍｅａｓｕｒｅｍｅｎｔｕｎｃｅｒｔａｉｎｔｙｅ⁃ｖａｌｕａｔｉｏｎ［Ｊ］．Ｍｅａｓｕｒｅｍｅｎｔ，２０１３，４６（９）：３７３７⁃３７４４．［１３］商娟叶．基于数据融合的Ｂａｙｅｓ估计算法研究［Ｊ］．自动化与仪器仪表，２０１６（２）：１１８⁃１２０．ＳＨＡＮＧＪＹ．Ｒｅｓｅａｒｃｈｏｎｂａｙｅｓｅｓｔｉｍａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄａｔａｆｕｓｉｏｎ［Ｊ］．Ａｕｔｏｍａｔｉｏｎ＆Ｉｎｓｔｒｕｍｅｎｔ，２０１６（２）：１１８⁃１２０．［１４］苗亮亮，陈先中，侯庆文，等．高炉料面检测中的多源数据融合［Ｊ］．光学精密工程，２０１４，２２（９）：２４０７⁃２４１５．ＭＩＡＯＬＬ，ＣＨＥＮＸＺ，ＨＯＵＱＷ，ｅｔａｌ．Ｍｕｌｔｉ⁃ｓｏｕｒｃｅｄａｔａｆｕｓｉｏｎｉｎｄｅｔｅｃｔｉｏｎｏｆｂｌａｓｔｆｕｒｎａｃｅｂｕｒｄｅｎｓｕｒｆａｃｅ［Ｊ］．ＯｐｔｉｃｓａｎｄＰｒｅｃｉｓｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，２０１４，２２（９）：２４０７⁃２４１５．［１５］安世奇，由东媛．用于胎压监测系统的一种改进贝叶斯估计数据融合的研究［Ｊ］．传感技术学报，２０１８，３１（６）：９１５⁃９１９．ＡＮＳＱ，ＹＯＵＤＹ．Ｒｅｓｅａｒｃｈｏｎａｎｉｍｐｒｏｖｅｄｂａｙｅｓｉａｎｅｓｔｉｍａｔｉｏｎｄａｔａｆｕｓｉｏｎｆｏｒｔｉｒｅｐｒｅｓｓｕｒｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｅｎｓｏｒｓａｎｄＡｃｔｕａｔｏｒｓ，２０１８，３１（６）：９１５⁃９１９．［１６］戴海发，卞鸿巍，王荣颖，等．一种改进的多传感器数据自适应融合方法［Ｊ］．武汉大学学报（信息科学版），２０２０，４５（１０）：１６０２⁃１６０９．ＤＡＩＨＦ，ＢＩＡＮＨＷ，ＷＡＮＧＲＹ，ｅｔａｌ．Ａｎｉｍｐｒｏｖｅｄｍｕｌｔｉ⁃ｓｅｎｓｏｒｄａｔａａｄａｐｔｉｖｅｆｕｓｉｏｎｍｅｔｈｏｄ［Ｊ］．ＧｅｏｍａｔｉｃｓａｎｄＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，２０２０，４５（１０）：１６０２⁃１６０９．［１７］华海亮，关维国，刘志建，等．基于优化贝叶斯的室内ＷｉＦｉ与蓝牙融合定位算法［Ｊ］．计算机工程，２０１６，４２（１１）：１１４⁃１１９．ＨＵＡＨＬ，ＧＵＡＮＷＧ，ＬＩＵＺＪ，ｅｔａｌ．Ｉｎｄｏｏｒｗｉｆｉａｎｄｂｌｕｅｔｏｏｔｈｆｕｓｉｏｎｌｏｃａｌｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｏｐｔｉｍｉｚｅｄｂａｙｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ，２０１６，４２（１１）：１１４⁃１１９．［１８］ＡＨＭＥＤＮＲ，ＳＡＭＰＬＥＥＭ，ＣＡＭＰＢＥＬＬＭ．Ｂａｙｅｓｉａｎｍｕｌｔｉｃａｔｅｇｏｒｉｃａｌｓｏｆｔｄａｔａｆｕｓｉｏｎｆｏｒｈｕｍａｎ⁃ｒｏｂｏｔｃｏｌｌａｂｏｒａ⁃ｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＲｏｂｏｔｉｃｓ，２０１２，２９（１）：１８９⁃２０６．第３期指挥控制与仿真１２５㊀［１９］张品，董为浩，高大冬．一种优化的贝叶斯估计多传感器数据融合方法［Ｊ］．传感技术学报，２０１４，２７（５）：６４３⁃６４８．ＺＨＡＮＧＰ，ＤＯＮＧＷＨ，ＧＡＯＤＤ．Ａｎｏｐｔｉｍｉｚｅｄｍｅｔｈｏｄｏｆｄａｔａｆｕｓｉｏｎｆｏｒｍｕｌｔｉ⁃ｓｅｎｓｏｒｓｂａｓｅｄｏｎｂａｙｅｓｉａｎｅｓｔｉｍａｔｉｏｎ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＳｅｎｓｏｒｓａｎｄＡｃｔｕａｔｏｒｓ，２０１４，２７（５）：６４３⁃６４８．［２０］ＷＵＲ，ＪＡＨＡＮＳＨＡＨＩＭＲ．Ｄａｔａｆｕｓｉｏｎａｐｐｒｏａｃｈｅｓｆｏｒｓｔｒｕｃｔｕｒａｌｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇａｎｄｓｙｓｔｅｍｉｄｅｎｔｉｆｉｃａｔｉｏｎ：ｐａｓｔ，ｐｒｅｓｅｎｔ，ａｎｄｆｕｔｕｒｅ［Ｊ］．ＳｔｒｕｃｔｕｒａｌＨｅａｌｔｈＭｏｎｉｔｏｒｉｎｇ，２０２０，１９（２）：５５２⁃５８６．［２１］ＢＯＧＡＥＲＴＰ，ＦＡＳＢＥＮＤＥＲＤ．Ｂａｙｅｓｉａｎｄａｔａｆｕｓｉｏｎｉｎａｓｐａｔｉａｌｐｒｅｄｉｃｔｉｏｎｃｏｎｔｅｘｔ：ａｇｅｎｅｒａｌｆｏｒｍｕｌａｔｉｏｎ［Ｊ］．Ｓｔｏ⁃ｃｈａｓｔｉｃＥｎｖｉｒｏｎｍｅｎｔａｌＲｅｓｅａｒｃｈａｎｄＲｉｓｋＡｓｓｅｓｓｍｅｎｔ，２００７，２１（６）：６９５⁃７０９．［２２］吴泽民，任姝婕，刘熹．组网雷达系统误差合作校准方法［Ｊ］．探测与控制学报，２００８，３０（Ｓ１）：６３⁃６８．ＷＵＺＭ，ＲＥＮＳＪ，ＬＩＵＸ．Ｒｅｓｅａｒｃｈｏｎｃｏｏｐｅｒａｔｉｖｅｓｙｓ⁃ｔｅｍｅｒｒｏｒｒｅｇｉｓｔｒａｔｉｏｎｆｏｒｎｅｔｗｏｒｋｅｄｒａｄａｒｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＤｅｔｅｃｔｉｏｎ＆Ｃｏｎｔｒｏｌ，２００８，３０（Ｓ１）：６３⁃６８．（责任编辑：胡前进）。
全景视觉与激光雷达融合的SLAM技术
全景视觉与激光雷达融合的SLAM技术一、引言1.SLAM技术的重要性及应用领域SLAM（Simultaneous Localization and Mapping，同时定位与地图构建）技术是机器人和自动驾驶领域中的关键技术之一。
它允许机器人在未知环境中自主导航，同时构建环境的地图。
SLAM技术在智能家居、工业自动化、救援机器人、无人驾驶车辆等领域有着广泛的应用前景。
2.全景视觉与激光雷达在SLAM中的作用全景视觉通过广角相机捕捉360度的图像，提供丰富的环境信息，有助于机器人对环境进行感知和理解。
激光雷达则通过发射激光束并测量反射回来的时间，获取环境的精确距离信息，为机器人的定位和地图构建提供准确的数据。
3.融合全景视觉与激光雷达的意义和优势全景视觉和激光雷达各自具有独特的优势，但也存在局限性。
全景视觉对环境的外观和光照条件敏感，而激光雷达则对环境的结构和距离信息敏感。
将全景视觉与激光雷达融合，可以充分利用两者的互补性，提高SLAM系统的鲁棒性和准确性。
融合后的系统能够在复杂环境中实现更稳定的定位和更精确的地图构建。
4.论文目的与主要研究内容本文旨在研究全景视觉与激光雷达融合的SLAM技术，探索有效的融合策略和优化算法，提高SLAM系统的性能。
主要研究内容包括全景视觉和激光雷达的数据预处理、融合SLAM算法设计、实验验证与结果分析等。
二、相关工作综述1.SLAM技术发展历程及现状自从SLAM技术提出以来，它经历了从基于滤波的方法到基于优化的方法的演变。
近年来，随着深度学习的发展，基于深度学习的SLAM技术也取得了显著的进展。
目前，SLAM技术已经成为机器人和自动驾驶领域的研究热点之一。
2.全景视觉SLAM技术研究现状全景视觉SLAM技术利用全景相机捕捉的360度图像进行定位和地图构建。
现有的全景视觉SLAM算法主要包括基于特征的方法和基于深度学习的方法。
基于特征的方法通过提取图像中的特征点进行匹配和位姿估计，而基于深度学习的方法则利用神经网络学习图像的特征表达并进行位姿估计。
被动雷达／红外成像制导数据融合系统仿真
ｔｍ ｏ ｉ ｐ ｏ ｅ ｔ ｅ ａ ｔ — ｓｕ ｂ ｎｃ ｂｉ ｔ ｆｔ ｅ ｇ ｉ ｅ ａ ｎ ｉ ｅ ｎｓｒ ｔｄ． ｅ ｔ ｍ ｒ ｖ ｈ ｎ ｉ—ｄｉｔ ｒ ａ ｅ ａ ｌ ｙ ｏ ｈ ｕ ｄ ｄ ｗｅ ｐｏ ｓ ｄ ｍｏ ｔａｅ ｉ Ｋ ＥＹ Ｗ ＯＲＤ Ｓ： ａ Ｄｕ ｌ— ｍｏ ｅ ｇ ｉ ｎ ｅ； Ｄａａ ｆ ｓｏ ｄ ｄａ ｃ ｕ ｔ ｕ ｉ ｎ； Ｓ ｓｅ ｓｍｕｌｔｏ ｙ ｔｍ ｉ ａｉ ｎ
采 用 数 据 融合 方 案 可 以提 高精 确 制 导 武 器 的 抗诱 偏 和 抗 干 扰 能 力 。 关键词 ： 制导 ； 据融合； 双模 数 系统 仿 真
中 图分 类 号 ：Ｊ６ ． Ｔ７ ５３ 文献 标 识 码 ： Ａ
Ｄａ ａ Ｆｕｓｏ ｙ ｔｍ ｉ ｕｌｔｏ ｆＰａ ｓｖ ｄ ｒ—ｉ ｆ ａ ｅ ｔ ｉｎ Ｓ ｓｅ Ｓ ｍ ａ ｉ ｎ ｏ ｓ ｉｅ Ｒａ ａ — ｎ ｒ ｒ ｄ
ＡＢＳ ＲＡＣＴ： ａ ａｆ ｓｏ ｓａ ｋ ｙ ｔ ｃ ｎ ｌｇ ｎ ａ ｃ ｒｔ ｌ ｇ ｉ ｅ ｅ ｐ ｎｓｐ ｓ ｉｅ ｒ ｄ ｒ—ｉｆ ｒ ｄ ｉ ｇｎ ｕ ｌ Ｔ Ｄ ｔ ｕ ｉｎ ｉ ｅ ｅ ｈ ｏｏ ｙ ｉ ｃ ｕ ａｅｙ ｕ ｄ ｄ ｗ ａ ｏ ’ ａ ｓ ａ ａ ｖ ｎ ｒ ｅ ｍａ ｉ ｇ ｄ ａ — ａ
第７ 第 期 ２卷 ２
多元数据融合技术在低空领域监视中的应用研究
雷达不像 有源雷达那样的强地杂波和海杂 波干扰问题 ．因而对 低空 、 超低空 目标 的探测能力较强 多元数据融合技术的情报信息来源 于不 同体制 、 不同功能和不同 频率的地面一次雷达 、 二次雷达 、 浮空平 台雷 达、 Ｄ Ａ Ｓ监视雷 达 、 多基 站协同监视雷达 、 红外 、 Ｓ 电子侦察 、 ＥＭ 光电探测 和声探测等多元监视 数据 ， 这些监视数据体制不 同 、 频段不 同、 空间位置不 同． 可以对低空 目标进行多角度探测 、 宽频带扫描和多重威力覆 盖。多元数据融合技 术针对低空空域 目标监视数据的异化性 和离散 性 ． 采用多元数据的预 处理 、 辅助决 策、 人工智能 、 过程优化 、 系统架 构等多技术 ， 综合利用本 地资源 ， 实现协 同作 战、 整体探测 、 系对抗 与信息共享 ， 体 提高系统探 测性能 、 情报质量 、 干扰性能和生存 能力 ， 抗 实现高性能 、 高可靠性 的 低空监视 ， 提供完整 、 正确 、 通用 、 连续 、 时的一体化低空空情 。 及 满足 对低空 目标的探测要求
ｎ ｅ ｏ ｓ ｌ ｅ ｔ ｅ ｐ ｏ ｌ ｍ ｏ ｏ ａ ｔ ｕ ｅ ａ ｒｐ ｃ ｕ ｖ ｉ ａ ｃ ． ｉ ａ ｅ ａｙ ｅ ｈ ｅ ｄ ｎ ｈ ｒ ｒ ａ ｓ ｉ ｈ ｅ ｄ ｏ ｏ ａｔｔ ｄ ｅ ｄ ｔ ｏ ｖ ｈ ｒ ｂ ｅ ｆ ｒ ｌ ｗ— ｉ ｄ ｉｓ ａ ｅ ｓ ｒ ｅ ｌ ｌ ｔ ｌ ｅＴｈ ｓ ｐ ｐ ｒ ａ ｌ ｚ ｄ ｔ ｅ ｎ ｅ ｓ ａ ｄ ｔ ｅ ｐ ｉ ｙ ｍｅ ｎ ｔ ｅ ｆ ｌ ｆ ｌ ｗ— ｌｉ ｅ ｎ ｎ ｍａ ｎ ｉ ｕ
Ａｐ ｌｃ ｉ ｎ Ｒｅ ｅ ｒ ｈ Ｏ ｌｔ ｅ Ｍ ｕ ｔＳ ｎ ｏ ｔ ｓｏ ｒ Ｌｏ ａ ｔ ｕ ｅ Ａｉ ｓ ａ ｅ Ｓ ｖ ｉｌ ｎ ｅ ｐ ｉ ａｔ ｓ ａ ｃ ｉ ｈ ｌｉ ｅ ｓ ｒ Ｄａ ａ Ｆｕ ｉ ｎ Ｆｏ ｗ－ ｌｉ ｄ ｒ ｐ ｃ ｕｒ ｅｌａ ｃ ｏ ｔ
雷达与光学图像融合技术在目标识别中的应用研究
雷达与光学图像融合技术在目标识别中的应用研究摘要：雷达与光学图像融合技术是一种将雷达数据与光学图像相结合的方法，用于实现更准确、更全面的目标识别和追踪。
本文将探讨雷达与光学图像融合技术在目标识别中的应用研究，并分析其优势和挑战。
引言：目标识别是军事、安防、航空航天等领域中的一个重要问题。
为了提高目标识别的准确性和鲁棒性，研究人员开始将不同传感器的数据进行融合，以获取更全面、更真实的目标信息。
雷达和光学图像是两种常见的传感器，它们在目标探测和识别方面具有互补的优势。
因此，雷达与光学图像融合技术在目标识别中得到了广泛的应用。
一、雷达与光学图像融合技术的原理和方法1.1 雷达技术的原理和特点雷达（Radar）是利用电磁波进行目标探测和跟踪的技术。
它具有高时空分辨率、对目标的探测不受天气等环境因素影响的特点，适用于长距离、远程目标的探测。
1.2 光学图像技术的原理和特点光学图像是一种利用光传感器捕捉和记录图像的技术。
它可以提供目标的形状、纹理、颜色等信息，对于目标的细节和特征有更好的分辨能力。
但是，在恶劣天气或夜间环境下，光学图像的效果可能受到限制。
1.3 雷达与光学图像融合技术的方法雷达与光学图像融合技术主要包括数据融合和算法融合两种方法。
数据融合是将雷达数据和光学图像数据进行融合，生成新的数据集进行目标识别。
算法融合是将雷达算法和光学图像算法进行融合，实现更准确的目标识别和追踪。
二、雷达与光学图像融合技术在目标识别中的应用研究2.1 目标探测和识别雷达的高时空分辨率能够提供目标的位置信息，光学图像的信息能够提供目标的形状和纹理信息。
融合雷达和光学图像数据可以实现更准确、全面的目标探测和识别。
2.2 目标追踪和定位雷达具有高精度的跟踪能力，光学图像能够提供目标的详细特征信息。
融合雷达与光学图像数据可以实现对目标的连续跟踪和定位，提高目标追踪的准确性和鲁棒性。
2.3 目标分类和识别融合雷达与光学图像的数据可以提供丰富的目标特征信息，通过机器学习和模式识别算法进行目标分类和识别。
雷达成像技术在无人机中的应用
雷达成像技术在无人机中的应用一、引言无人机技术的迅猛发展为人们带来了广阔的应用前景，其中雷达成像技术在无人机中的应用日益受到关注。
雷达成像技术通过发送和接收雷达信号，可高分辨率地获取目标的空中图像，有效提升了无人机的目标探测、跟踪和识别能力。
本文将着重介绍雷达成像技术在无人机中的应用。
二、雷达成像技术概述1. 雷达成像原理雷达成像技术是通过向目标发射脉冲雷达信号，接收反射回来的信号来获取目标信息。
根据回波信号的时间、幅度、相位等特征，可以将目标的空间信息重构成二维或三维图像。
2. 雷达成像分类根据成像方式，雷达成像可分为合成孔径雷达（SAR）和实时成像雷达（ISAR）。
SAR通过合成一个大孔径，利用目标相对于雷达的运动合成高分辨率图像；ISAR则是在雷达和目标之间相对运动的过程中，实时生成目标的高分辨率图像。
三、雷达成像技术在无人机中的应用1. 目标探测和跟踪无人机搭载雷达成像系统可以快速准确地发现目标，并跟踪目标的位置和动态信息。
在搜索和救援、侦察、边防巡逻等应用场景中，无人机的雷达成像技术能够在复杂环境中有效地探测目标，提供实时的情报支持。
2. 地形感知和导航雷达成像技术可以获取地面或海面的三维地形图像，在无人机的自主导航和飞行控制中起到重要作用。
无人机借助雷达成像系统可以实时感知障碍物、地表结构等信息，提供精确的地标和导航数据，确保无人机安全飞行。
3. 智能决策支持无人机通过搭载雷达成像系统，可实时获得目标的高分辨率图像，提供决策者更全面的信息支持。
例如在灾害救援、城市规划等领域，无人机的雷达成像技术可以帮助决策者准确了解现场情况，制定科学有效的行动方案。
4. 军事领域应用无人机的雷达成像技术在军事领域有着广泛的应用。
它可以帮助军方实时获取敌方目标的位置、航迹等信息，提供有效的军事侦察和情报支持。
此外，在电子战中，无人机搭载雷达成像系统还可以实现对敌方雷达设备的侦测和干扰。
四、雷达成像技术在无人机中的挑战和趋势1. 技术挑战无人机搭载雷达成像系统有着体积、重量和功耗等方面的限制，如何在有限的资源条件下实现高分辨率成像仍然是一个技术难题。
多雷达数据融合的误差校正
其 中： 是斜距测量 固有误 差 ； 是斜 距增 益固有误差 ； ０ 兄
是 目标相对雷达 的实 际斜距 ； （ ）为高斯 白噪声． ０ｔ ９
系统误差修 正的 目的是求 出式 （ ） １ 和式 （ ） 的所有 ２中 固有误 差 ６ 、 、 的值 ， 并在 系统对 各雷 达上 报的 目标
关键词 ： 雷达情报 ； 数据融合 ； 误差修正
中图 分 类 号 ：Ｐ ７ ． Ｔ ２ ４２ 文 献 标 识 码 ： Ａ 文 章 编 号 ：０ ６— ７７ ２ ｌ ）２— ０ ８— ２ １０ ０ ０ （ｏ ｏ ｏ ０ ３ ０
雷 达及其 对抗 始终 是 现代 战争 中争 夺制 电磁 权 的重
坐 标 数 据 处 理 时 将 固有 误 差 消 除． 求 解 上 述 固有 误 差 是 一 个 非 线 性 的参 数 估 值 问 题 ， 其 离散消息模型和观测模型分别 为 ： Ｘ ＝ Ｆ （ 。 Ｘ 一）
Ｚ （ ）＋ ＝
和隐身 目标攻 击促 使雷达 向网络化方 向发展 ， 如今 的雷达 及其 对抗 已经 发展到体系对 体系 的作 战模 式． 组网雷 达就
达测量值之差 ［ （ ） 一Ｘ（７ Ｒ ， １ Ｒ ｎＲ １ ２ Ｙ（， 。一Ｙ ｎ Ｒ ， ， ） ７ ） （ ） ２Ｈ
（ Ｒ 一 １ ） ２ ， ） Ｙ ） （ 分 别 为 测 量 到 的 目 ） １（ Ｒ ］ （ ， （ ， ） 标在直 角 坐 标 系 中 对 应 的值 ， 。Ｒ Ｒ ， 为 雷 达 编 号 ， 为
是把分布在不 同位 置的多部雷达通过合理 布站 ， 借助 于通 信手段链 成网 ， 由中心站统一调 配 ， 充分利用各单部 雷达 的资源和信 息融合 的优 势从 而 使整 体作 战能 力得 到极 大
一种超宽带穿墙雷达多视角成像融合算法
一种超宽带穿墙雷达多视角成像融合算法罗建宝;蒋留兵;彭亚红;徐婷【摘要】An algorithm based on the back projection algorithm is applied in the real aperture ultra-wideband through wall radar imaging. Probability distribution of single-view through-the-wall radar data is estimated and the informa tion weighted fusion algorithm of multiple-view through-the-wall radar is presented base on the probability distribu tion. Real data states that Information weighted fusion algorithm could get better target-to-clutter ratio and image than simple-sum algorithm.%演化的后向投影算法被应用于实孔径超宽带穿墙雷达成像,对单个视角雷达回波数据进行统计,在此基础上提出了基于信息量加权的多视角融合算法,并利用实测数据进行简单加的融合方法和信息量加权融合方法的对比,结果表明信息量加权方法可以得到更好的目标咋波比和成像效果.【期刊名称】《桂林电子科技大学学报》【年(卷),期】2011(031)006【总页数】6页(P446-451)【关键词】超宽带;单视角;多视角;信息量加权融合【作者】罗建宝;蒋留兵;彭亚红;徐婷【作者单位】桂林电子科技大学通信与信息学院,广西桂林541004;桂林电子科技大学通信与信息学院,广西桂林541004;桂林电子科技大学通信与信息学院,广西桂林541004;桂林电子科技大学通信与信息学院,广西桂林541004【正文语种】中文【中图分类】TN911.7穿墙探测雷达作为新型的雷达系统，由于其采用的信号带宽极宽，在目标探测、识别及成像方面具有很大优势，被广泛应用于打击反恐、灾害救援、安全防卫、医疗救治等方面［1－2］。
- 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)。
多雷达数据融合成像 硕士论文多雷达数据融合成像摘要００删０４枷舢删咖嘲蜊嘣Ｙ ２ ２ ７ ６ １３ ５多雷达数据融合成像是一种新兴的雷达成像技术， 在军事上有着非常重要的作用。它可以在现有的硬件基础上， 综合多部雷达的回波信号， 然后运用数据相干融合的思想获得超宽带和大相干积累角度的雷达回波信号， 最终得到比单雷达成像技术更高分辨率的雷达图像。 本文主要分三部分来介绍多雷达数据融合成像技术：第一部分主要介绍了多雷达数据融合成像的理论基础， 包括目标的电磁散射模型的建立、 模型参数的估计、 多频带雷达数据相干配准、 逆合成孔径雷达成像模型及逆投影法成像算法。第二部分研究了同视角多频带雷达数据融合成像技术。 针对观测频带有重叠的情况， 提出了基于重叠回波信号的相干配准方法； 对于稀疏多子带观测的情况， 必须首先对己知的两段雷达数据分别建立电磁散射模型， 然后提出基于信号模型的相干配准方法， 利用相干配准后的两段数据共同建立全局信号模型， 并用来填补频带上的空缺数据：最后研究了噪声对两种情况数据融合成像结果的影响。第三部分研究了多视角多频带雷达数据融合成像技术。 首先给出了目标散射场的二维指数和模型， 然后将极坐标空间的雷达回波数据重采样到直角坐标空间下的均匀矩形网格上， 接着利用二维ｒｏ ｏ ｔ． Ｍ ｕ Ｓ ＩＣ 算法结合线性最小二乘法估计出二维指数和模型的极点和幅度系数， 通过设定阈值的方法完成极点的配对， 最后算例仿真验证了算法的正确性。关键词： 多雷达数据融合成像， 相干配准， 指数和模型， 逆合成孔径雷达， 求根多重信号分类， 分辨率 Ａ ｂｓｔＩ砌硕士论文Ａ ｂ ｓｔｒ ａ ｃ ｔＭ ｕ ｌｔｉ－ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａ 如ｓｉｏ ｎ ａ ｎ ｄｉｍ ａ ｇ ｉｎ ｇｉｓ ａｎ ｅ ｗｔｅ ｃｌｌｌｌｉｑ ｕ ｅ ， ｗ ｈ ｉｃｈ ｐ ｌａ ｙ ｓａＶ ｅ 可ｉｍ ｐ ｏ ｒ ｔａ ｎ ｔｒｏ ｌｅ ｉｎ Ⅱ １ｅｍ ｉｌｉｔａ ｒ ｖ ． ｎｃ ｏ ｍ ｂ ｉｎ ｅ ｓ ｍ ｕ ｌｔｉ—ｒ ａ ｄ ａ ｒｓｉｇ ｎ ａ ｌｓａ ｎ ｄｍ ｅ ｎ ｕ ｓｅ ｓ ｄ ａ ｔａ 如ｓｉｏ ｎｔｈ ｅ ｏ ｒ ｙｔｏ ｏ ｂ ｔａ ｉｎｕ ｌ打ａ － ｗ ｉｄ ｅ ｂａ Ｉｌｄ ａ ｎ ｄ１ａ ｒ ｇ ｅｒｃ ｏ ｈ ｅ ｒ ｅ ｎ ｔ ａ ｃｃｕ ｍ ｕ ｌａ ｔｉｏ ｎａ ｎ ｇ ｌｅｂ ａ Ｓ ｅ ｄ ｏ ｎ ｔｌｌｅｅ ｘ ｉｓｔｉｎ ｇｈ ａ ｒ ｄ ｗ ａ ｒ ｅ ．Ｆ ｉｎ ａ ｌｌｙｉｔ ｏ ｂ ｔａ ｊｎ ｓｈ ｉ曲ｅｒｒ ｅ ｓｏ ｌｕ ｔｉｏ ｎ ｒ ａ ｄ ａ ｒｉｍ ａ ｇ ｅｔｈ ａ ｎ ｔ１１ｅｓｉｎ ｇ ｌｅｒ ａ ｄ ａ ｒｉｍ ａ ｇ ｉｎ ｇｔｅｃｌｌｌｌｉｑ ｕ ｅ． Ｔ ｈ ｉｓｔｈ ｅｓｉｓｉｓｍ ａ ｉｎ ｌｙｄ ｉｖ ｉｄ ｅ ｄｉｎ ｔｏｍ ｒ ｅ ｅｐ ａ ｎ Ｓｔｏｓｔｕ ｄ ｙｍ ｕ ｌｔｉ－ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａｆ ｉＪｓｉｏ ｎｉｍ ａ ｇ ｉｎ ｇｔｅｃｈ ｎ ｉｑ ｕ ｅｓ．Ｔ ｈ ｅｆ ｉｒｓｔｐ ａ ｒ ｔ ｍ ａ ｉｎ ｌｙｉｎ ｔｒ ｏ ｄ ｕ ｃ ｅ ｓ ｍ ｅ也ｅＯ ｒ ｅｔｉｃａ ｌ ｂ ａ ｓｉｓ ｏ ｆｍ ｕ ｌｔｉ－ ｒ ａ ｄ ａ ｒｄ ａ ｔａｆ ｕ ｓｉｏ ｎｉｍ ａ ｇ ｉｎ ｇ ，ｉｎ ｃ Ｉｕ ｄ ｉｎ ｇｔｌｌｅｔａ 玛ｅｔｅｌｅｃｔｒｏ ｍ 鸩ｎ ｃｔｉｃ ｓｃａ ｔｃｅｒ ｉｎ ｇｍ ｏ ｄ ｅｌ， ｔ１１ｅｅ ｓｔｉｍ ａ ｔｉｏ ｎ Ｏ ｆｍ ｅ ｍ ｏ ｄ ｅ ｌｐ ａ ｒａ ｍ ｅｔｅｒｓ，ｍ ｕ ｌｔｉ七ａ ｎ ｄ ｒ ａ ｄ ａ ｒｄ ａ ｔａ ｃ ｏ ｈ ｅ ｒ ｅ ｎ ｔｃ ｏ ｍ ｐ ｅ ｎ ｓａ ｔｉｏ ｎ ， ｉｎ ｖ ｅ ｒ ｓｅｓ” ｔｈｅｔｉｃ ａ ｐ ｅ ｒ ｔｕ ｒ ｅｒ ａ ｄ ａ ｒｉｍ ａ ｇ ｉｎ ｇｍ ｏ ｄ ｅ ｌａ ｎ ｄｂ ａ ｃ ｋｐｒｏ ｊｅｃｔｉｏ ｎ ｉｍ ａ ｇ ｉｎ ｇａ ｌｇ ｏ ｒｉｔｈ ｒｎ ．Ｔ ｈ ｅｓｅ ｃ ｏ ｎ ｄｐ ａ ｒ ｔｆ ｏ ｃｕ ｓｅｓ ｏ ｎｍ ｕ ｌｔｉ－ ｂ ａ ｎ ｄ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａ 如ｓｉｏ ｎ ｏ ｆｓ锄ｅａ ｎ ｇ ｌｅｒ ｅ ｇ ｉｏ ｎｄ ａ ｔａ Ｓ ． Ｔ ｏｓｔｕ ｄ ｙｏ ｖ ｅ ｒ ｌａ ｐ ｐ ｉｎ ｇｂ ａ ｎ ｄｏ ｂ ｓｅｎ ｒａ ｔｉｏ ｎ ｓ ｃ ｏ ｎ ｄ ｉｔｉｏ ｎ ， ａｃ ｏ ｈ ｅ ｒ ｅ ｎ ｔｃ ｏ ｍ ｐ ｅ ｎ ｓａ ｔｉｏ ｎｍ ｅ ｔｈ ｏ ｄ ｉｓｐ ｒ ｏ ｐ ｏ ｓｅ ｄｂ ａ ｓｅ ｄｏ ｎ 廿ｌｅｏ ｖ ｅ ｒ ｌａ ｐ ｐ ｉｎ ｇｄ ａ ｔａ ． Ｕ ｎ ｄ ｅｒ ｔｈ ｅｓｐ ａ ｒ ｓｅ ｍ ｕ ｌｔｉｐ ｌｅｓｕ ｂ ｂ ａ ｎ ｄｏ ｂ ｓｅ ｒ ｖ ａ ｔｉｏ ｎ ｓｃｏ ｎ ｄ ｉｔｉｏ ｎ ， ｉｔｈ ａ Ｖ ｅ ｔｏ ｅｓｔａ ｂｌｉｓｈ ｅ ｌｅ ｃ ｔｒ ｏ ｍ ａ ｇ ｎ ｅ ｔｉｃ ｓｃ甜ｅｒｉｎ ｇ ｍ ｏ ｄ ｅ ｌｓ ｗ ｉｔｈ ｍ ｏ ｌ（ ｎ ｏ ｗ ｎ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａ ． Ｔ ｈ ｅ ｎ ａｃ ｏ ｈ ｅ ｒ ｅ ｎ ｔｃ ｏ ｍ ｐ ｅ ｎ ｓａ ｔｉｏ ｎｍ ｅ 廿ｌｏ ｄ ｂ ａ Ｓ ｅ ｄ ｏ ｎ ｍ ｅ ｓｉｇ ｎ ａ ｌ ｍ ｏ ｄ ｅ ｌｉｓ ｐｒｏｐｏｓｅｄ ． 舳ｅｒｃ ｏ ｈ ｅ ｒ ｅ ｎ ｔｃ ｏ ｍ ｐ ｅ ｎ ｓａ ｌｉｏ ｎ ， ｔｈ ｅ ｇ ｌｏ ｂ ａ ｌ ｓｉｇ ｎ ａ ｌｍ ｏ ｄ ｅ ｌ ｉｓ ｅｓｔａ ｂ ｌｉｓｈ ｅｄ 、 ）｜， ｈ ｉｃｈ ｕ ｓｅ ｄ ｔｏ ｎ ｌｌｇ ａ ｐ ｐ ｅ ｄｄ ａ ｔａ ． Ｆ ｉｎ ａ ｌｌｙ ，ｔｈ ｅｉｎ ｎ ｕ ｅ ｎ ｃ ｅｏ ｆｎ ｏ ｉｓｅｏ ｎｔｗ ｏｋ ｉｎ ｄ ｓ ｏ ｆ 向ｓｉｏ ｎｉｍ ａ ｇ ｉｎ ｇｉｓ ｄ ｉｓｃｕ ｓｓｅｄ ．Ｔ ｈ ｅ ｔｈ ｉｒ ｄｐ ａ ｒ ｔｆ ｏ ｃ ｕ ｓｅ ｓｏ ｎｍ ｕ ｌｔｉ－ ａ ｎ ｇ ｌｅａ ｎ ｄ ｍ ｕ ｌｔｉ七ａ １１ｄ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａ 血ｓｉｏ ｎ ｉｍ ａ ｇ ｉｎ ｇｔｅｃｈ ｎ ｉｑ ｕ ｅ． Ｆ ｉｒ ｓｔｌｙ ｊｔｈ ｅ ｔｗ ｏ ｄ ｉｍ ｅ ｎ ｓｉｏ ｎ ａ ｌｄ ａ ｍ ｐ ｅ ｄｅｘ ｐ ｏ ｎ ｅｎ ｔｉａ ｌｍ ｏ ｄ ｅ ｌｏ ｆｔａ 唱ｅｔ ｓｃａ ｔｔｅ ｒ ｉｎ ｇｆ Ｉｅｌｄ ｉｓｉｓ ｅ ｓｔａ ｂ ｌｉｓｈ ｅ ｄ ． Ｔ ｈ ｅ ｎ ｍ ｅ ｒ ａ ｄ ａ ｒ ｄ ａ ｔａ ｉｎｐ ｏ ｌａ ｒｃ ｏ ｏ ｒ ｄ ｉｎ ａ ｔｅ ｓｐ ａ ｃ ｅｍ ｕ ｓｔ ｂ ｅｒ ｅ ｓａ ｍ ｐ ｌｅ ｄｏ ｎ ｔｏ ａｕ ｎ ｉｆ ． ｏ ｎ ｎｒ ｅｃｔａ ｎ ｇ ｕ Ｉａ ｒ 黟ｉｄｉｎ Ｃ ａ ｒ ｔｅ ｓｉａ ｎ ｃ ｏ ｏ ｒ ｄ ｉｎ ａ ｔｅｓｐ ａ ｃｅ． Ｔ ｈ ｅ似ｏ － ｄ ｉｍ ｅｎ ｓｉｏ ｎ ａ ｌｒ ０ ０ ｔ＿ Ｍ Ｕ Ｓ ＩＣａ ｌｇ ｏ ｒ ｉｔｈ ｍｗ ｉ恤ｌｉｎ ｅ ａ ｒ ｌｅａ Ｓ ｔｓｑ ｕ ａ ｒ ｅｍ ｅ ｔｈ ｏ ｄ ｉｓ ｕ ｓｅ ｄ ｔｏ ｅ ｓｔｉｍ ａ ｔｅ ｔ１１ｅｐ ０ １ｅｏ ｆｍ ｅ ｍ ｏ ｄ ｅ ｌ锄ｄ ｍ ｅａ ｍ ｐ ｌｉｔｕ ｄ ｅ ｃ ｏ ｅ ］旺ｉｃ ｉｅ ｎ ｔ． Ｔ ｈ ｒ ｅ ｓｈ ｏ ｌｄ ｉｎ ｇｉｓａ ｐ ｐ Ｉｉｅ ｄｔｏ ｔｈ ｅ ｃｏ ｅ伍ｃｉｅｎ ｔ ｃ ａ ｎｃ ｏ ｍ ｐ ｌｅ ｔｅ ｐ ｏ ｌｅ ｓ ｐ ａ ｉｒｉｎ ｇ ．Ｆ ｉｎ ａ ｌｌｙｓｉｍ ｕ ｌａ ｔｉｏ ｎｒ ｅｓｕ ｌｔｓ ａ ｒ ｅｇ ｉｖ ｅ ｎｔｏＶ ｅｒｉ毋ｔｈ ｅｃ ｏ ｒ ｒ ｅ ｃ ｔｎ ｅ ｓｓ ｏ ｆ ｍ ｅａ ｌｇ ｏ ｒｉ廿ｌｍ ．Ｋ ｅ ｙＷ ｏ ｒｄ ｓ： ｍ ｕ ｌｔｉ—ｒａ ｄ ａ ｒ ｄ ａ ｔａ 如ｓｉｏ ｎｉｍ ａ 百ｎ ｇ ， ｃｏ ｈ ｅｒｅｎ ｔ ｃ ｏ ｍ ｐ ｅ ｎ ｓａ ｔｉｏ ｎ ， Ｄ Ｅ ｍ ｏ ｄ ｅｌ， ｉｎ ｖ ｅｒ ｓｅｓｙ ｎ ｔｈ ｅｔｉｃ印ｅｒ ｔｕ ｒ ｅｒ ａ ｄ ａ ｒ ， ｒ Ｏ ｏ ｔ－ ｍ ｕ ｌｔｉｐ ｌｅ ｓｉｇ ｎ ａ ｌ ｃｌａ Ｓ ｓｉｆ ｉｃａ ｔｉＯ ｎ ， ｒ ｅｓｏ ｌｕ ｔｉｏ ｎＩＩ 硕士论文多雷达数据融合成像目录摘要…………………………………………………………………………………………． ． ． …． ． ＩＡ ｂ ｓｔｒ ａ ｃｔ……………………． ． …………………………………………………………………． …． ＩＩ目录………………………． ……………………………………………………………………． ． ＩＩＩ１绪论………………………………………………………………………………………………。 １１． １背景简述及研究意义………………………………………………………………１１． ２研究历史及国内外研究现状………………………………………………………２１． ３本文的结构安排……………………………………………………………………４２多雷达数据融合成像理论……………………………………………………． ６２。 １引言………………………………………………………………………………． ． ６２． ２指数和模型的建立…………………………………………………………………６２－ ２． １一维指数和模型……………………………………………………………一６２． ２＿ ２二维指数和模型………………………………： ……………………………８２＿ ３模型的参数估计……………………………………………………………………９２． ３． １一维模型参数估计…………………………………………………………． ９２． ３． ２二维模型参数估计…………………………………………………………１２２． ４ 多雷达信号的相干配准及融合…………………………………………………。 １３