Kullback-Leibler散度在无源传感器数据关联中的应用

"这篇论文是2013年由鹿传国、冯新喜、孔云波和张迪等人发表在《吉林大学学报（工学版）》的工程技术类论文，探讨了多无源传感器系统中的数据关联问题，并提出了基于Kullback-Leibler散度的新算法。该算法考虑了位置估计不确定性的影响，通过Kullback-Leibler散度来衡量伪量测信息与实际观测数据的匹配程度，以提高数据关联的准确性。" 正文: 在多传感器系统中，数据关联是一项关键任务，它涉及到识别和追踪多个目标在不同传感器观测下的对应关系。传统的多目标跟踪算法，如联合概率数据关联(JPDA)或单次扫描数据关联(SSDA)，在处理多无源传感器的数据时，通常忽视了传感器位置估计的不确定性，这可能导致关联错误。鹿传国等人的研究正是针对这一问题展开，他们提出了一种基于Kullback-Leibler散度的无源传感器数据关联算法。 Kullback-Leibler散度，也称为相对熵，是一种衡量两个概率分布之间差异的度量。在本论文中，它被用来比较伪量测信息的概率密度函数(PDF)与真实观测数据的最大后验概率密度(PDF)。通过计算这两个PDF间的Kullback-Leibler散度，可以量化它们的不相似性，从而作为关联代价。这种代价函数能够更好地反映由于位置估计不确定性导致的误差，为数据关联提供更精确的依据。 论文中，作者不仅提出了使用Kullback-Leibler散度的关联代价，还给出了其近似解析公式，这简化了实际计算过程，使得算法在保持高精度的同时，具有较好的计算效率。通过对比经典的关联算法，如JPDA和SSDA，以及所提新算法的关联正确率，仿真结果显示，基于Kullback-Leibler散度的关联算法能更准确地识别数据关联，从而提高整个系统的跟踪性能。 总结起来，这篇论文的核心贡献在于引入了Kullback-Leibler散度作为无源传感器数据关联的代价函数，有效地考虑了位置估计的不确定性，提高了多无源传感器系统在数据关联方面的准确性和可靠性。这种方法对于多传感器信息融合和目标跟踪领域具有重要的理论和实践价值，尤其在军事、航空航天和自动化监控等领域有着广阔的应用前景。