多雷达系统数据融合技术及其航迹预测应用

"多雷达系统数据融合与航迹预测" 本文主要探讨了如何在多雷达系统中实现有效的数据融合和航迹预测，这对于精确地定位传感器网络至关重要。在分布式单雷达系统中，首先进行一系列的数据处理步骤，以提高数据质量。这些步骤包括： 1. 地理坐标转换：将传感器收集的地理坐标转换为平面直角坐标，以便于后续的分析和计算。 2. 异常点迹剔除：识别并移除那些孤立的、不连续的或异常的点迹，这些点迹可能由于噪声或其他干扰产生。 3. 模糊C-均值聚类与动态分区：应用模糊聚类方法，将相似的点迹归类到同一目标集合中。动态分区则能适应目标的运动变化，确保准确的目标识别。 4. 航迹提取：通过门限滤波和相关矩阵检验，从每个点迹集合中提取出连续、完整的航迹，反映目标的真实运动状态。 接下来，对来自不同雷达的航迹进行比较和匹配。使用三次样条插值和外推方法，评估两条航迹之间的相似性，并通过模糊综合函数计算匹配度。选择合适的阈值后，确定雷达间的航迹匹配关系。 为了估计雷达的观测精度，文章提出了一种基于航迹稳定性的方法。通过对每条航迹进行分段拟合，计算其剩余方差，以此作为雷达观察精度的度量。根据这些精度信息，对航迹进行融合。 在航迹融合过程中，文章探讨了两种方法： 1. D-S证据理论：利用雷达的精度信息，对表示相同目标的航迹对进行融合。 2. 自适应卡尔曼滤波：结合标准卡尔曼滤波和自适应滤波的优点，提出了一种混合算法，既能保证高精度，又能适应目标动态变化，给出可靠的估计。 此外，文章还介绍了如何将导弹拦截飞机问题建模为三维追逃问题，建立相应的运动学关系方程，并通过模糊线性模型和伴随技术，设计了针对目标机动的拦截导引律。 最后，对于多雷达系统，分析了平均处理周期和航迹处理周期，评估了整个数据融合系统的实时性能。关键词涉及聚类、D-S证据理论、模糊综合函数、卡尔曼滤波以及数据融合，强调了这些工具在多雷达系统中的关键作用。 本文深入研究了多雷达系统中的数据处理、航迹管理和融合策略，对于提升目标定位和跟踪的准确性和实时性具有重要意义。