无源多传感器属性关联算法：性能对比与应用前景

本文主要探讨了无源多传感器多目标跟踪中的属性数据关联算法研究。在现代战争中，无源传感器因其隐蔽性强、作用距离远等特性，其在探测系统中的应用日益增多。相比于有源雷达依赖主动发射信号，无源传感器通过接收敌方目标反射的电磁信号进行目标跟踪，这就带来了数据关联的新挑战。 在无源多传感器数据关联中，关键任务是处理来自多个传感器对同一目标的不同观测数据，以便于数据融合，得到准确的目标位置信息。传统的空间关联算法主要依赖于方位角测量信息，然而，利用目标的属性特征信息进行关联的研究相对较少。这些属性特征可能包括载频(RF)、脉宽(PW)、脉冲重复频率(PRF)和天线扫描周期(ASP)等，理论上，这些特征值应该由同一辐射源目标产生，但由于传感器的测量误差以及不同辐射源之间的天然属性相似性，使得数据关联变得复杂。 文章提出了两种有效的属性关联算法：一种是基于统计距离的椭圆门限关联算法，它利用了数据的统计特性来确定关联可能性；另一种是基于支持度和D-S证据理论的关联算法，该方法结合了证据理论的不确定性量化和关联分析。作者通过计算机仿真对比了这两种算法，结果显示在目标属性特征参数差异较大的情况下，属性关联能够有效提高数据关联的准确性。 研究强调了无源多传感器的属性数据关联在复杂作战环境中对于目标识别和跟踪的重要性，尤其是在目标属性特征信息能提供额外区分度的情况下。未来的研究可能进一步探索如何优化算法性能，减少误差，并适应更广泛的战场环境。 总结来说，本文的核心内容涵盖了无源多传感器数据关联的背景、重要性、面临的挑战以及两种创新的属性关联算法的介绍和评估，为无源多传感器系统在实际应用中提升数据融合能力和目标跟踪精度提供了理论依据和技术支撑。