第四讲多传感器信息.pptVIP

不同量测与不同目标关联事件概率 为 可行矩阵中的其他元素的求解略。 从上面的例子可以看出，关联事件概率计算的关键在于联合事件条件概率 的计算。 为了计算 的方便，引入量测关联指数函数，如下 当 时，表明联合事件 中第j个量测与目标关联；当 时，表明联合事件 中第j个量测没有与目标关联。 (4.36) 根据式（4.36）可知，联合事件 中没有与目标关联的量测数目为 定义目标检测指示函数为 (4.36) (4.37) (4.38) 根据Bayes公式，k时刻联合事件 的条件概率为 (4.39) 不与任何目标关联的虚假量测在体积为V的跟踪门内服从均匀分布，与目标关联的量测服从均值为 （观测的一步预测），方差为 (新息协方差矩阵)的高斯分布，记为 。 (4.40) Bar-Shalom 证明，当虚假量测数的概率质量函数模型为波松分布时，有 式中：c为归一化常数； 为目标t的检测概率； 为虚假量测的空间密度。 (4.41) 当虚假量测数的概率质量函数模型为均匀分布时，有 式中：c’为归一化常数。 联合概率数据关联算法以其优良的多目标相关性能引起人们的高度重视。但是，在这种方法中，联合事件数是有效量测数量的指数函数，并随着量测密度的增大而急剧增大，导致计算负荷出现组合爆炸现象。 因此，如何降低联合概率数据关联算法的计算量而又保持其优良性能是一项富有挑战性的课题。 联合概率数据关联算法以其优良的多目标相关性能引起人们的高度重视。但是，在这种方法中，联合事件数是有效量测数量的指数函数，并随着量测密度的增大而急剧增大，导致计算负荷出现组合爆炸现象。 因此，如何降低联合概率数据关联算法的计算量而又保持其优良性能是一项富有挑战性的课题。 最近邻方法的思想如图4-4所示。 图4-4 最近邻数据关联方法示意图 目标1的量测预测 目标2的量测预测 目标1的最近邻量测 目标2的最近邻量测 最近邻数据关联的优点是：算法简单，运算量小且易于实现。 最近邻数据关联的缺点是：抗干扰能力差，在目标密度较大、目标作机动运动或多目标的跟踪门相互交叉等情况下，容易产生关联错误。 因此，该方法适用于信噪比高、目标密集度小条件下的目标跟踪。 4.3 量测与航迹关联的贝叶斯类方法 量测与航迹关联的贝叶斯类方法有：概率数据关联算法、联合概率数据关联算法和多假设法等。这里主要介绍前两种。 概率数据关联（Probability Data Association，PDA）方法是1975年由Bar-Shalom和Tse提出的。 4.3.1 概率数据关联（PDA）方法 其基本思想是：假设杂波环境下仅有一个目标存在，并且这个目标的航迹已经形成，如果回波有多个，则认为所有有效回波都可能源于目标，只是每个回波源于目标的概率有所不同。 PDA是Personal Digital Assistant Predicted Drift Angle 预计偏流角 Probability Distribution Analyzer 机率分布分析器  假设 表示直到k时刻落入目标跟踪门内的有效量测累积集合。 表示k时刻落入目标跟踪门内的所有有效量测集合， 表示k时刻跟踪门内的有效量测数。 表示 是来自目标的量测， 表示k时刻没有来自目标的量测。 这样，在量测累积集合 条件下，k时刻第i个有效量测来自目标的条件概率为 根据 的定义可知， 构成一个互不相交的完备事件集合，因此有 (4.10) (4.11) 可以证明，目标在k时刻均方意义下的状态最优估计为 式中： 干扰或杂波时的目标状态估计值。 (4.12) 表示第i个有效 量测来自目标的条件下目标状态的估计值； 表示有效量测均来自 式中： (4.12) 称为关联概率，它是衡量有效量测 对目标状态估计所起作用的一种度量； 为了计算 ，作如下假设： (1)虚假量测在跟踪门内服从均匀分布，真实量测在跟踪门内服从正态分布；