[发明专利]基于期望最大化高斯混合缩减的分布式贝叶斯滤波器目标跟踪方法

权利要求书

1.基于期望最大化高斯混合缩减的分布式贝叶斯滤波器目标跟踪方法，其特征在于，包括以下步骤：

步骤1：在传感器监测目标时，使用分布式贝叶斯滤波器进行跟踪，测得目标在k时刻的状态为同时传感器的观测值为z_s,k；

根据目标状态和观测值，得到传感器的后验密度：

p_s,k|k-1(x_k|Z_s,1:k-1)＝∫f_k|k-1(x_k|x)p_s,k-1(x|Z_s,1:k-1)dx (1)

其中，x_k为k时刻的目标状态，Z_s,1:k＝[Z_s,1,...,Z_s,k]表示RFS量测值，p_s,k|k-1(x_k|Z_s,1:k-1)表示为已知Z_s,1:k-1观测值时，估计x_k的一步预测函数，f_k|k-1(x_k|x)为状态转移密度，p_s,k(x_k|Z_s,1:k-1)为已知Z_s,1:k-1观测值时更新状态的后验密度，服从高斯分布，η_s,k(Z_s,k|x_k)表示RFS观测值的似然函数。在k时刻，f_k|k-1(·)、p_s，k-1(·)、η_s，k(·)为已知函数，由公式(1)计算出一步预测函数，将(1)式所得函数与已知函数一起带入(2)式得到可用于传感器间传播的后验密度p_s,k(x_k|Z_s,1:k-1)；

步骤2：定义每个传感器中需要缩减的原始高斯混合分布记为：

使用OWM方法进行剪枝，剪枝后的高斯混合分布为：

其中，N′为剪枝后得到的高斯混合分布中所含高斯分量数目，其中第i个分量服从均值为方差为权重为的高斯分布。其中是所有预处理步骤结束后所得高斯混合分布中N′个高斯分量的概率密度函数集；

步骤3：将步骤二得到的剪枝后高斯混合分布进行WKLD迭代预处理，得到处理后的高斯混合分布为

其中，K′为预处理后得到的高斯混合分布中所含高斯分量数目，其中第k个分量服从均值为μ_k，方差为Σ_k，权重为π_k的高斯分布。其中S′是所有预处理步骤结束后所得高斯混合分布中N′个高斯分量的概率密度函数集；

步骤4：根据步骤2得到剪枝后的高斯混合分布和步骤3的迭代预处理后的高斯混合分布，通过EM算法，得到最终缩减后高斯混合分布为：

步骤5：将各个传感器中最终缩减后得到的高斯混合分布形式的后验分布进行邻居传感器间的传播与融合，融合方法采用AA融合方法，得到k时刻的融合结果并返回步骤一进入下一时刻，即进行k+1时刻的目标跟踪，使用k时刻所得的融合结果，即状态值和k+1时刻传感器量测进行k+1时刻目标跟踪，直到整个目标跟踪过程探测结束，则跳出所有步骤结束。