摘  要： 采用Carlson最優(yōu)數(shù)據(jù)融合準(zhǔn)則,，將基于Kalman濾波的多傳感器狀態(tài)融合估計(jì)方法應(yīng)用到雷達(dá)跟蹤系統(tǒng)。仿真實(shí)驗(yàn)表明,，多傳感器Kalman濾波狀態(tài)融合估計(jì)誤差小于單傳感器Kalman濾波得出的狀態(tài)估計(jì)誤差,，驗(yàn)證了方法對(duì)雷達(dá)跟蹤的有效性。
關(guān)鍵詞： 雷達(dá)跟蹤,；狀態(tài)估計(jì),；信息融合；多傳感器,；卡爾曼濾波

    隨著科學(xué)技術(shù)的發(fā)展,，特別是微電子技術(shù)、集成電路技術(shù),、計(jì)算機(jī)技術(shù),、信號(hào)處理技術(shù)及傳感器技術(shù)的發(fā)展，多傳感器信息融合已經(jīng)發(fā)展成為一個(gè)新的研究領(lǐng)域,，并在軍用領(lǐng)域和民用領(lǐng)域均得到了廣泛應(yīng)用,。
    多傳感器信息融合的基本原理如同人腦綜合處理信息的過程，即充分利用多個(gè)傳感器資源,，通過對(duì)各種傳感器及其觀測(cè)信息的合理支配與使用,，將各種傳感器在空間和時(shí)間上的互補(bǔ)與冗余信息依據(jù)某種優(yōu)化準(zhǔn)則組合起來,，從而得出更為準(zhǔn)確,、可靠的結(jié)論。
    現(xiàn)代戰(zhàn)爭(zhēng)的多樣性和復(fù)雜性提出了對(duì)信息處理更高的要求,，信息融合可對(duì)多傳感器提供的多種觀測(cè)信息進(jìn)行優(yōu)化綜合處理,，從而獲取目標(biāo)狀態(tài)、識(shí)別目標(biāo)屬性,、分析目標(biāo)意圖與行為,，為電子對(duì)抗、精確制導(dǎo)等提供作戰(zhàn)信息,。本文將基于Kalman濾波的多傳感器狀態(tài)融合估計(jì)方法應(yīng)用到雷達(dá)跟蹤系統(tǒng),。仿真實(shí)驗(yàn)表明，三個(gè)傳感器融合所獲得的估計(jì)值都更加貼近于目標(biāo)信號(hào),，因而提高了對(duì)雷達(dá)系統(tǒng)的跟蹤精度。
1 卡爾曼濾波器
    多傳感信息融合的主要任務(wù)之一就是利用多傳感器信息進(jìn)行目標(biāo)的狀態(tài)估計(jì),。目前,，進(jìn)行狀態(tài)估計(jì)的方法很多,，Kalman濾波器是一種常用方法,。Kalman濾波器在機(jī)動(dòng)目標(biāo)跟蹤中具有良好的性能,，它是最佳估計(jì)并能夠進(jìn)行遞推計(jì)算，即它只需要當(dāng)前的一個(gè)測(cè)量值和前一個(gè)采樣周期的預(yù)測(cè)值就能進(jìn)行狀態(tài)估計(jì),。
    考慮一個(gè)離散時(shí)間的動(dòng)態(tài)系統(tǒng)，它有如下形式：

      
2 多傳感狀態(tài)融合估計(jì)算法
    單采樣率多傳感器狀態(tài)融合估計(jì)的研究方法主要有基于概率論的方法,、基于Kalman濾波的方法,、基于推理網(wǎng)絡(luò)的方法、基于模糊理論的方法,、基于神經(jīng)網(wǎng)絡(luò)的方法,，以及基于小波、熵,、類論,、隨機(jī)集、生物學(xué)靈感,、Choquet積分的方法等等[2],。基于Kalman濾波的方法由于具有操作簡(jiǎn)單,、計(jì)算量小,、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn),，得到最為廣泛的研究,。
    下面重點(diǎn)介紹基于Kalman濾波的分布式數(shù)據(jù)融合狀態(tài)估計(jì)算法。設(shè)多傳感器系統(tǒng)有如下形式[3]：

    基于第i個(gè)傳感器信息的Kalman濾波估計(jì)器如圖1所示,。Carlson聯(lián)邦融合估計(jì)算法流程圖如圖2所示,。

3 雷達(dá)跟蹤系統(tǒng)仿真
    考慮具有3個(gè)傳感器的雷達(dá)跟蹤常加速度模型[5],，其離散狀態(tài)方程為：

    設(shè)傳感器的采樣點(diǎn)數(shù)為600,，則10次Monte Carlo仿真的統(tǒng)計(jì)結(jié)果如表1所示。表1給出了估計(jì)誤差絕對(duì)值均值比較,，3個(gè)傳感器融合的綜合估計(jì)誤差是最小的,。

    第1個(gè)傳感器、第2個(gè)傳感器,、第3個(gè)傳感器及3個(gè)傳感器融合的狀態(tài)估計(jì)曲線分別如圖3,、圖4、圖5,、圖6所示,。圖中橫軸為仿真步數(shù)，每步時(shí)間為0.01 s,。若仔細(xì)觀察這些狀態(tài)估計(jì)曲線,，則單傳感器狀態(tài)估計(jì)曲線均有不足，如圖3對(duì)速度跟蹤不是很好,，圖4對(duì)加速度跟蹤不是很好,，圖5對(duì)速度跟蹤也不是很好，只有圖6對(duì)位移,、速度及加速度跟蹤均較好,。由此可見，與單傳感器Kalman濾波的結(jié)果相比,，3個(gè)傳感器融合所獲得的估計(jì)值都更加貼近于目標(biāo)信號(hào),，從而證明了本文算法的有效性。

    信息融合技術(shù)具有提高系統(tǒng)的可靠性和穩(wěn)定性等優(yōu)點(diǎn),，狀態(tài)融合估計(jì)是其中研究熱點(diǎn)之一,。本文將基于Kalman濾波的多傳感器狀態(tài)融合估計(jì)方法應(yīng)用到雷達(dá)跟蹤系統(tǒng)，仿真實(shí)驗(yàn)表明,，融合3個(gè)傳感器的信息所獲得的狀態(tài)估計(jì)誤差小于利用任何單傳感器進(jìn)行Kalman濾波得出的狀態(tài)估計(jì)誤差,，因而本方法對(duì)雷達(dá)系統(tǒng)的跟蹤是很有效的。本方法可推廣用于組合導(dǎo)航,、信號(hào)處理,、圖像處理、故障檢測(cè)與容錯(cuò)等應(yīng)用領(lǐng)域,。
參考文獻(xiàn)
[1] 陳新海.最佳估計(jì)理論[M].北京:北京航空學(xué)院出版社,，1987.
[2] 潘泉，于昕,，程詠梅,，等.信息融合理論的基本方法與進(jìn)展[J].自動(dòng)化學(xué)報(bào)，2003,，29(4):599-615.
[3] YAN L P,， LIU B S， ZHOU D H. The modeling and estimation of asynchronous multirate multisensor dynamic systems,， Aerospace Science and Technology,， 2006,，10(1):63-71.
[4] CARLSON N A. Federated square root filter for decentralized parallel processors[J]. IEEE Transactions on Aerospace and Electronic Systems,， 1990，26(3):517-525.
[5] SUN S L. Multi-sensor optimal information fusion Kalman filters with applications[J]. Aerospace Science and Technology,， 2004,，8(1):57-62.