基于神經(jīng)網(wǎng)絡(luò)補償?shù)亩鄠鞲衅骱桔E融合(2009研究生數(shù)學(xué)建模c題)

1、基于神經(jīng)網(wǎng)絡(luò)補償?shù)亩鄠鞲衅骱桔E融合 基于神經(jīng)網(wǎng)絡(luò)補償?shù)亩鄠鞲衅骱桔E融合摘 要：針對多傳感器環(huán)境的條件提出了一種基于神經(jīng)網(wǎng)絡(luò)補償?shù)暮桔E融合方法。各傳感器的測量值用線性卡爾曼濾波器進行處理并將獲得的局部航跡傳送到融合中心。首先對局部航跡進行融合,然后引入神經(jīng)網(wǎng)絡(luò)來減少因共同過程噪聲而導(dǎo)致的融合估計誤差,其中神經(jīng)網(wǎng)絡(luò)采用 DanSi2mon 提出的網(wǎng)絡(luò)結(jié)構(gòu),并對神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化采用無痕卡爾曼濾波(UKF)。仿真結(jié)果表明,這種融合方法對跟蹤具

2、有過程噪聲的目標非常有效,而且過程噪聲發(fā)生變化時該方法仍是有效的,從而使得它在很多實際應(yīng)用中具有潛在的價值。關(guān)鍵詞 關(guān)鍵詞：航跡融合;多傳感器;徑向基函數(shù)神經(jīng)網(wǎng)絡(luò);無痕卡爾曼濾波近年來隨著多傳感器設(shè)備的廣泛使用,多傳感器融合或數(shù)據(jù)融合已經(jīng)受到越來越多的關(guān)注。目前,多傳感器數(shù)據(jù)融合主要有兩種方法：測量融合和航跡融合。測量融合是將傳感器的測量值進行組合并獲得目標狀態(tài)向量的最優(yōu)估計,這種方法的主要缺陷在于它需要傳感器的測量值并且集中式方法缺乏

3、魯棒性。另外,傳感器的測量值可能屬于不同類型(比如紅外,雷達等),而要同時處理這些不同類型的測量值則是非常困難的。因此,在很多的實際應(yīng)用場合均使用航跡融合方法,每一個傳感器都應(yīng)用一個估計器來獲取目標的狀態(tài)向量及其協(xié)方差矩陣,并將其通過數(shù)據(jù)鏈傳送到融合中心,在融合中心進行航跡關(guān)聯(lián)和航跡融合從而獲得更精確的目標狀態(tài)向量。在航跡融合方法里,Singer 等首先提出了簡單融合算法(SF)。它假定來自不同傳感器的同一目標的航跡估計誤差是不相關(guān)的,

4、而實際上,這種假設(shè)：不成立,因為對各個估計器的濾波動態(tài)來說,由目標機動導(dǎo)致的過程噪聲是共同的。為了消除不同航跡間的關(guān)聯(lián),Bar-Shalom 等提出了加權(quán)方差融合方法(WCF),結(jié)果表明在協(xié)方差為正定的情況下,這種融合方法相對于簡單融合方法的性能有很大幅度的提高,但是在非正定的情況下,加權(quán)方差融合方法的性能卻下降了,甚至比簡單融合方法還要差,另外,對交互協(xié)方差的計算也非常復(fù)雜。為了減少計算負擔,Celine 提出了一種自適應(yīng)航跡融合方法

5、。這種方法的要點在于它有一個決策邏輯,即通過距離矩陣和門限的比較來選擇簡單融合或加權(quán)方差融合,以獲得全局估計。但由于過程噪聲的存在,大多數(shù)情況下仍然需要使用加權(quán)方差融合方法,無法避免計算交互協(xié)方差。穩(wěn)定狀態(tài)下交互式協(xié)方差的解析解可通過離散李亞普諾夫方程來求解,Saha 通過引入雙線性變換轉(zhuǎn)化交互式協(xié)方差矩陣方程并通過積分求解而大大降低了計算負擔。但是這些方法對于二維狀態(tài)向量的融合是適合的,對于更復(fù)雜或更高維的航跡融合卻不適合。本文針對

6、2 條航跡融合的問題提出了一種基于神經(jīng)網(wǎng)絡(luò)補償?shù)暮桔E融合方法。該方法不直接計算交互式協(xié)方差,而是補償因交互式協(xié)方差而導(dǎo)致的融合誤差。并通過跟蹤實例,對所提出方法的可行性進行了驗證。數(shù)學(xué)模型 數(shù)學(xué)模型所跟蹤目標的動態(tài)模型為假定從 2 個傳感器來的航跡是同步的,否則在融合之前,這些航跡都必須進行時間配準。不考慮交互式協(xié)方差的簡單融合方法為其方差矩陣可表示為由于共同過程噪聲的存在,各個航跡之間其實是相關(guān)的,因此上述方法是次優(yōu)的。本文將引入神經(jīng)

7、網(wǎng)絡(luò)來減少由過程噪聲所導(dǎo)致的估計誤差?；谏窠?jīng)網(wǎng)絡(luò)補償?shù)暮桔E融合 基于神經(jīng)網(wǎng)絡(luò)補償?shù)暮桔E融合本文提出一種神經(jīng)網(wǎng)絡(luò)補償?shù)姆椒▉硖岣吆桔E融合的性能,從而提高跟蹤的精確度。該方法的基本結(jié)構(gòu)如圖 2 所示,在融合中心首先對各個傳感器的輸出進行簡單融合,然后引入徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)輔助簡單融合來減少因交互式協(xié)方差或模型變化所引起的估計誤差。這里神經(jīng)網(wǎng)絡(luò)的訓(xùn)練采用 4 個輸入信號 2 個為局部航跡的殘余誤差(εm(k),m=1,2),2 個