RBF神经网络补偿的多传感器航迹融合技术

"本文主要探讨了一种基于RBF神经网络补偿的多传感器航迹融合方法，旨在跟踪机动性目标。该方法在处理多传感器数据融合时，先利用线性卡尔曼滤波器处理各传感器的测量值，然后通过融合中心进行局部航迹融合。为减少共同过程噪声的影响，文章引入了径向基函数(RBF)神经网络，并采用无痕卡尔曼滤波器(UKF)优化神经网络权重。仿真实验显示，这种方法对于跟踪过程噪声较大的目标具有显著效果，即使过程噪声变化，其有效性依然保持，因此在实际应用中具有广阔前景。" 详细说明： 1. **多传感器航迹融合**：在多传感器系统中，航迹融合是一种将不同传感器估计的目标状态集成，以获得更准确目标状态的方法。相比于测量融合，航迹融合在处理不同类型传感器数据和增强系统鲁棒性方面更具优势。 2. **RBF神经网络补偿**：径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）因其在非线性映射中的高效性和准确性而被应用于此处，用于补偿因共同过程噪声引起的融合估计误差。RBF神经网络以其独特的径向基函数作为激活函数，可以有效处理非线性问题。 3. **线性卡尔曼滤波器**：在处理每个传感器的测量值时，线性卡尔曼滤波器被用来预处理数据，提供局部航迹的初始估计。卡尔曼滤波是一种有效的递归滤波方法，能在线性高斯噪声环境下最小化预测误差。 4. **无痕卡尔曼滤波（UKF）**：在优化神经网络权重时，无痕卡尔曼滤波器被采用。相比传统的卡尔曼滤波，UKF提供了更好的非线性处理能力，减少了计算复杂度，且在某些情况下能够提供更精确的估计。 5. **航迹关联与融合**：在融合中心，来自不同传感器的航迹进行关联和融合，以消除传感器间的数据冲突和提高目标状态的精度。这一过程涉及到对不同传感器估计的加权和处理，以达到最优估计。 6. **问题挑战与现有方法比较**：文中提到的简单融合算法(SF)和加权方差融合方法(WCF)在处理目标机动和非正定协方差时存在局限性。SF假设不同航迹的估计误差无关，而WCF虽然在正定情况下表现较好，但在非正定情况下性能下降。自适应航迹融合方法试图通过决策逻辑改善这种情况，但仍面临过程噪声的问题。 7. **方法有效性**：提出的RBF神经网络补偿融合方法在仿真中证明了其对具有过程噪声目标的有效跟踪能力，即使在噪声变化的条件下也能保持良好的性能，这使得该方法在实际应用中具有很大的潜力。 总结，本文提出的基于RBF神经网络补偿的多传感器航迹融合方法，通过结合线性卡尔曼滤波、无痕卡尔曼滤波和RBF神经网络，实现了对机动目标的高效、准确跟踪，弥补了现有融合方法的不足，展示了在实际应用中的价值。