[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

说明书

本发明涉及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，首先，运用OWM进行权重剪枝策略，删除对后验分布贡献可忽略不计的分量。然后，使用WKLD迭代算法进行预处理，预处理步骤可以减少后续算法的迭代次数，在数据量大时可以有效提高计算效率。最后，将高斯混合缩减问题转化为求解缩减后全局最优的高斯混合分布参数估计问题。将EM算法进行改进，扩展至对由大量高斯分量缩减至少量高斯分量组成的混合分布问题进行参数估计的问题中，从而进行全局最优的聚合。最终，将本文所提基于PP框架的改进EM高斯混合缩减方法应用至分布式贝叶斯滤波器目标跟踪场景，仿真结果表明改进PP‑EM高斯混合缩减方法以计算复杂度为代价，有效提高了精度。

技术领域

本发明属于目标跟踪领域，特别涉及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。

背景技术

目标跟踪在交通管制、机器人智能车、战场监测、防空系统等众多领域中都有广泛应用，目标跟踪的数学方法主要分为非贝叶斯方法和贝叶斯方法。非贝叶斯方法常基于似然函数，在没有任何先验知识的情况下，利用已知的若干观测值估计未知参数。贝叶斯方法将未知参数看作是随机变量，使用先验概率和当前观测信息计算后验概率。贝叶斯方法是协调先验信息和当前信息的方法，适用于处理非线性系统的状态估计问题，因此，具有较高的实际应用价值。但是目标跟踪过程的贝叶斯解产生的混合分布中分量数目会呈指数增加。在实际应用中，如战场监测中常使用的红外传感器、雷达探测器等难以传递大量信息。因此为了得到更实用的目标跟踪滤波器，必须通过近似混合分布来控制分量的增长，从而使得实际应用中的不同传感器可以更高效工作，是众多含有传感器应用的基础性改进。且基于维纳近似定理，任何分布都可以用已知高斯分布的有限和表示或逼近，高斯混合分布可以应用于许多不同的任务，经常被用来对算法中的概率密度函数建模。因此对基于高斯混合分布的高斯缩减问题进行研究非常具有实际应用价值。

文献“A.R.Runnalls,Kullback-Leibler approach to Gaussian mixturereduction[J].IEEE Trans.Aerosp.Electron.Syst.,vol.43,no.3,pp.989-999,Jul.2007”中提出一种基于Kullback-Leibler Divergence(KLD)散度相似性度量的高斯混合缩减方法，该方法最小化将要合并的两个高斯分量的KLD上界，是当前最常用的高斯混合缩减方法。然而，该方法不是一种全局缩减算法，使用局部优化算法解决高斯混合缩减问题时，当杂波与目标相距较近时很难进行区分，导致精度不够高。

发明内容

本发明解决的技术问题是：为了解决现有技术的不足，本发明提出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，基于分布式贝叶斯滤波器，在存在随机漏检和虚警的情况下利用传感器网络跟踪机动目标，其中跟踪过程中贝叶斯递推和多传感器后验信息融合是通过高斯混合(Gaussian Mixture,GM)进行的。为了提高通信和计算效率并防止高斯分量数量呈指数增长，在相邻的传感器之间只传播和融合GM中部分高斯分量，因此就要使用到高斯混合缩减算法。本发明为提高高斯混合缩减过程的精度，本文从全局优化角度提出基于剪枝-聚合(Prune-Polymerization,PP)框架的使用基于学习的期望最大化(Expectation Maximization,EM)高斯混合缩减方法，在计算代价前提下得到基于全局最优结果，从而有效提高目标跟踪过程精度。

本发明的技术方案是：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：