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)融合估計方法應(yīng)用到雷達(dá)跟蹤系統(tǒng)。仿真實驗表明，多傳感器Kalman濾波狀態(tài)融合估計誤差小于單傳感器Kalman濾波得出的狀態(tài)估計誤差，驗證了方法對雷達(dá)跟蹤的有效性。
關(guān)鍵詞： 雷達(dá)跟蹤；狀態(tài)估計；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)、計算機技術(shù)、信號處理技術(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，即充分利用多個傳感器資源，通過對各種傳感器及其觀測信息的合理支配與使用，將各種傳感器在空間和時間上的互補與冗余信息依據(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)爭的多樣性和復(fù)雜性提出了對信息處理更高的要求，信息融合可對多傳感器提供的多種觀測信息進(jìn)行優(yōu)化綜合處理，從而獲取目標(biāo)狀態(tài)、識別目標(biāo)屬性、分析目標(biāo)意圖與行為，為電子對抗、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)融合估計方法應(yīng)用到雷達(dá)跟蹤系統(tǒng)。仿真實驗表明，三個傳感器融合所獲得的估計值都更加貼近于目標(biāo)信號，因而提高了對雷達(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。目前，進(jìn)行狀態(tài)估計的方法很多，Kalman濾波器是一種常用方法。Kalman濾波器在機動目標(biāo)跟蹤中具有良好的性能，它是最佳估計并能夠進(jìn)行遞推計算，即它只需要當(dāng)前的一個測量值和前一個采樣周期的預(yù)測值就能進(jìn)行狀態(tài)估計。
    考慮一個離散時間的動態(tài)系統(tǒng)，它有如下形式：

      
2 多傳感狀態(tài)融合估計算法
    單采樣率多傳感器狀態(tài)融合估計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、隨機集、生物學(xué)靈感、Choquet積分的方法等等[2]?；贙alman濾波的方法由于具有操作簡單、計算量小、實時性強等優(yōu)點，得到最為廣泛的研究。
    下面重點介紹基于Kalman濾波的分布式數(shù)據(jù)融合狀態(tài)估計算法。設(shè)多傳感器系統(tǒng)有如下形式[3]：

    基于第i個傳感器信息的Kalman濾波估計器如圖1所示。Carlson聯(lián)邦融合估計算法流程圖如圖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)傳感器的采樣點數(shù)為600，則10次Monte Carlo仿真的統(tǒng)計結(jié)果如表1所示。表1給出了估計誤差絕對值均值比較，3個傳感器融合的綜合估計誤差是最小的。

    第1個傳感器、第2個傳感器、第3個傳感器及3個傳感器融合的狀態(tài)估計曲線分別如圖3、圖4、圖5、圖6所示。圖中橫軸為仿真步數(shù)，每步時間為0.01 s。若仔細(xì)觀察這些狀態(tài)估計曲線，則單傳感器狀態(tài)估計曲線均有不足，如圖3對速度跟蹤不是很好，圖4對加速度跟蹤不是很好，圖5對速度跟蹤也不是很好，只有圖6對位移、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個傳感器融合所獲得的估計值都更加貼近于目標(biāo)信號，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，狀態(tài)融合估計是其中研究熱點之一。本文將基于Kalman濾波的多傳感器狀態(tài)融合估計方法應(yīng)用到雷達(dá)跟蹤系統(tǒng)，仿真實驗表明，融合3個傳感器的信息所獲得的狀態(tài)估計誤差小于利用任何單傳感器進(jìn)行Kalman濾波得出的狀態(tài)估計誤差，因而本方法對雷達(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、信號處理、圖像處理、故障檢測與容錯等應(yīng)用領(lǐng)域。
參考文獻(xiàn)
[1] 陳新海.最佳估計理論[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].自動化學(xué)報，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.