齊 林王海鵬 劉 瑜

(海軍航空工程學(xué)院信息融合研究所 煙臺 264001)

基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法

齊 林*王海鵬 劉 瑜

(海軍航空工程學(xué)院信息融合研究所 煙臺 264001)

針對現(xiàn)有經(jīng)典的中斷航跡關(guān)聯(lián)算法在目標(biāo)密集、航跡交叉或分岔環(huán)境下關(guān)聯(lián)正確率低和實用性差的問題，該文提出了基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法。該算法引入統(tǒng)計雙門限原理，增加了χ2分布門限檢測的關(guān)聯(lián)樣本數(shù)，對復(fù)雜環(huán)境具有更強(qiáng)的適應(yīng)能力。仿真驗證表明，在空中飛行目標(biāo)航跡交叉環(huán)境和彈道目標(biāo)環(huán)境下，該文算法的全局正確關(guān)聯(lián)率和平均正確關(guān)聯(lián)率均比經(jīng)典算法有顯著提高，驗證了該算法性能的優(yōu)越性。

航跡關(guān)聯(lián)；中斷航跡；統(tǒng)計雙門限；正確關(guān)聯(lián)率

1 引言

由于目標(biāo)機(jī)動、長采樣間隔、低探測率、系統(tǒng)和測量誤差等原因，雷達(dá)對目標(biāo)的跟蹤軌跡常常發(fā)生中斷，航跡中斷對于信息融合會造成嚴(yán)重的干擾，因而中斷航跡的配對關(guān)聯(lián)是雷達(dá)數(shù)據(jù)處理領(lǐng)域亟需解決的關(guān)鍵問題之一。中斷航跡的配對關(guān)聯(lián)及連接問題早在上世紀(jì)80年代就被提出[1]，最近幾年已成為國內(nèi)外學(xué)者的關(guān)注熱點(diǎn)。文獻(xiàn)[2]提出了基于統(tǒng)計加權(quán)的中斷航跡關(guān)聯(lián)(Track Segment Association, TSA)算法，為后續(xù)中斷航跡關(guān)聯(lián)方法的研究發(fā)展奠定了基礎(chǔ)。該算法將新航跡后向預(yù)測至老航跡最后一個狀態(tài)更新點(diǎn)，由新老航跡對該點(diǎn)作狀態(tài)估計的馬氏距離判斷是否滿足關(guān)聯(lián)條件，并用2維分配方法處理多義性問題，文獻(xiàn)[3,4]基于上述方法及其改進(jìn)算法解決了因目標(biāo)停走機(jī)動造成的航跡中斷關(guān)聯(lián)問題；文獻(xiàn)[5]將上述方法應(yīng)用于解決彈道目標(biāo)的中斷航跡關(guān)聯(lián)；文獻(xiàn)[6]引入轉(zhuǎn)彎模型對機(jī)動目標(biāo)的中斷航跡做狀態(tài)預(yù)測。文獻(xiàn)[7-10]分別基于模糊關(guān)聯(lián)理論和證據(jù)理論處理中斷航跡關(guān)聯(lián)問題，為該問題的研究提供了新思路。

TSA算法在理論上具有可行性，然而在實際情況下存在以下問題：(1)由于系統(tǒng)和測量噪聲的存在，新航跡的后向預(yù)測常常誤差較大，造成新老航跡基于單個點(diǎn)的關(guān)聯(lián)配對準(zhǔn)確性較差，導(dǎo)致誤關(guān)聯(lián)、漏關(guān)聯(lián)經(jīng)常發(fā)生；(2)當(dāng)目標(biāo)密集時，因航跡交叉、分岔經(jīng)常發(fā)生錯關(guān)聯(lián)[11,12]，TSA算法性能驟然下降。

為有效克服預(yù)測誤差對航跡匹配關(guān)聯(lián)造成的影響，本文基于多目標(biāo)多傳感器統(tǒng)計雙門限航跡關(guān)聯(lián)理論，提出了基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法。全文內(nèi)容安排如下，第2節(jié)闡述問題、提出有關(guān)概念并簡要介紹粗關(guān)聯(lián)，即速度匹配。第3節(jié)是全文的核心內(nèi)容，包括關(guān)聯(lián)樣本提取及預(yù)處理、中斷航跡配對關(guān)聯(lián)準(zhǔn)則、中斷航跡關(guān)聯(lián)的多義性及其解決辦法—2維最優(yōu)分配算法。第4節(jié)是仿真驗證，體現(xiàn)出本文算法對于TSA算法的優(yōu)越性能。第5節(jié)總結(jié)全文。

2 問題闡述及粗關(guān)聯(lián)

2.1 問題闡述

對中斷前后航跡段進(jìn)行配對關(guān)聯(lián)，即判斷中斷前后的某對航跡段是否源自同一目標(biāo)，首先定義中斷前后的航跡片段。

(1) 老航跡：因缺少量測數(shù)據(jù)無法進(jìn)行狀態(tài)更新的中斷航跡。

(2) 新航跡：新起始的航跡段，可能是因各種原因中斷的“老航跡”的繼續(xù)。

其中I,J分別表示老、新航跡的條數(shù)，分別表示航跡段i的第1個和最后一個狀態(tài)更新時刻。

定義I行J列的航跡段關(guān)聯(lián)矩陣，

πij=1表示判斷第i條老航跡Ti與第j條新航跡Tj關(guān)聯(lián)，表示判斷第i條老航跡Ti與第j條新航跡Tj不關(guān)聯(lián)。經(jīng)過本文介紹的中斷航跡配對關(guān)聯(lián)算法運(yùn)算之后，每條老航跡至多與一條新航跡實現(xiàn)關(guān)聯(lián)，每條新航跡至多與一條老航跡實現(xiàn)關(guān)聯(lián)；即關(guān)聯(lián)矩陣的每行(或每列)至多有一個元素為1，其余均為0。

2.2 粗關(guān)聯(lián)

3 面向中斷航跡的統(tǒng)計雙門限關(guān)聯(lián)算法

文獻(xiàn)[2]提出的TSA算法將新航跡逆向預(yù)測至老航跡的最后一個狀態(tài)更新點(diǎn)，只判斷單個點(diǎn)馬氏距離是否小于閾值即判決新老航跡段是否關(guān)聯(lián)，這種方法可能因系統(tǒng)噪聲、量測噪聲、目標(biāo)機(jī)動等因素影響關(guān)聯(lián)效果，尤其目標(biāo)密集環(huán)境下性能很差。本文提出基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法，將單點(diǎn)判斷改為多點(diǎn)判斷，選取長度為R的關(guān)聯(lián)時段的狀態(tài)預(yù)測組成關(guān)聯(lián)樣本，對關(guān)聯(lián)樣本逐個基于χ2分布門限進(jìn)行假設(shè)檢驗，即第1門限判斷，將滿足第1門限的狀態(tài)樣本的個數(shù)與第2門限比較，判斷該對新老航跡是否滿足關(guān)聯(lián)條件。

3.1 航跡跟蹤預(yù)測及關(guān)聯(lián)樣本的提取

3.2 關(guān)聯(lián)準(zhǔn)則

3.2.1 第1門限定義老航跡Ti和新航跡Tj的估計誤差

引入假設(shè)檢驗的思想，H0和H1分別表示事件的原假設(shè)和備擇假設(shè)：

由文獻(xiàn)[2]可知，基于不同時刻的量測信息對同一目標(biāo)同一時刻的狀態(tài)估計誤差統(tǒng)計獨(dú)立，在H0假設(shè)下式(9)的協(xié)方差為：

對于n=1,2,…,R，使用檢驗統(tǒng)計量

在H0假設(shè)中，狀態(tài)估計誤差服從高斯分布，由文獻(xiàn)[13]引理7.4可得，檢驗統(tǒng)計量服從nx自由度的χ2分布，nx是狀態(tài)向量的維數(shù)。所以滿足式(12)的一組樣本點(diǎn)即滿足中斷航跡關(guān)聯(lián)準(zhǔn)則的第1門限。

3.2.2 第2門限所謂統(tǒng)計雙門限準(zhǔn)則[11,12]，是對于長度為R的狀態(tài)樣本逐個進(jìn)行第1門限檢驗，即χ2分布檢驗，若判斷某個狀態(tài)樣本接受H0，則計數(shù)器ι加1，否則計數(shù)器值不變。經(jīng)過R次χ2檢驗后，將計數(shù)器ι與第2門限L比較，如果ι＞L，即R個樣本中滿足第1門限的樣本數(shù)大于第2門限L，則判決老航跡Ti和新航跡Tj關(guān)聯(lián)，即它們源自同一目標(biāo)，否則判決Ti和Tj不關(guān)聯(lián)。

對滿足速度匹配的新老航跡逐對做統(tǒng)計雙門限航跡段關(guān)聯(lián)判決，有滿足雙門限的老航跡Ti和新航跡Tj，將關(guān)聯(lián)矩陣中的元素賦值1，對于不滿足雙門限的新老航跡，將關(guān)聯(lián)矩陣中的元素賦值0。

3.3 航跡質(zhì)量設(shè)計

3.4 航跡關(guān)聯(lián)的多義性

進(jìn)行完上述關(guān)聯(lián)判決之后，可能存在這樣的情況，即某段老航跡Ti3同時和兩段新航跡Tj3,Tj4滿足雙門限準(zhǔn)則，即

或某段新航跡Tj5同時和兩段老航跡Ti5,Ti6滿足雙門限準(zhǔn)則，

即航跡段的配對關(guān)聯(lián)判決存在多義性。這里采用2維最優(yōu)分配原則。

3.5 代價函數(shù)

要完成最優(yōu)分配，首先要定義代價函數(shù)，使代價函數(shù)的加權(quán)和取值最小的分配方式即最優(yōu)分配方式。本文使用統(tǒng)計雙門限中斷航跡關(guān)聯(lián)判別方法，對長度為R的關(guān)聯(lián)樣本逐個進(jìn)行χ2檢驗，得出長度為R的代價向量c(i,j,n)。

對代價向量中滿足第1門限的樣本代價值取均值作為老航跡Ti和新航跡Tj的分配代價

3.6 2維最優(yōu)分配

文獻(xiàn)[2]使用的2維最優(yōu)分配用于解決中斷航跡關(guān)聯(lián)的多義性問題，2維最優(yōu)分配可以統(tǒng)籌所有新老航跡，選出全局加權(quán)代價最小的航跡關(guān)聯(lián)組合。2維分配變量a(i,j)的取值應(yīng)該使分配代價的加權(quán)和最小，

2維分配變量滿足條件，

基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法流程示意圖如圖1所示，其中表示老航跡Ti和新航跡Tj的配對關(guān)聯(lián)結(jié)果，表示航跡脫離質(zhì)量。

4 仿真驗證及結(jié)果分析

圖1 算法流程示意圖Fig. 1 Flow chart of the algorithm

為驗證本文提出算法的有效性，設(shè)計了空中飛行目標(biāo)和彈道目標(biāo)兩種仿真環(huán)境，在相同條件下分別比較本文算法與TSA算法的關(guān)聯(lián)效果。

這里需要定義中斷航跡配對關(guān)聯(lián)的幾個評價指標(biāo)，

其中n表示一次實驗中發(fā)生航跡中斷的目標(biāo)個數(shù)，表示正確關(guān)聯(lián)的目標(biāo)個數(shù)，表示錯誤關(guān)聯(lián)的目標(biāo)個數(shù)，nn表示漏關(guān)聯(lián)的目標(biāo)個數(shù)，這里滿足表示正確關(guān)聯(lián)率，即一次實驗中正確關(guān)聯(lián)的目標(biāo)個數(shù)與目標(biāo)總數(shù)的比值，同理表示錯誤關(guān)聯(lián)率，表示漏關(guān)聯(lián)率。

4.1 空中飛行目標(biāo)仿真場景

飛行器在指定空域勻速等高飛行，雷達(dá)受到干擾造成部分量測數(shù)據(jù)丟失，導(dǎo)致航跡中斷。雷達(dá)量測噪聲服從均值為零的高斯分布，其中測距誤差標(biāo)準(zhǔn)差σr=50 m，測角誤差標(biāo)準(zhǔn)差采樣間隔T=1 s。目標(biāo)起始時刻狀態(tài)分別為[-12000, 226, -200, 10][-12000, 226, -800, 26][-12000, 226, -1500, 40]，中斷時間內(nèi)航跡交叉，飛行時間100 s，航跡中斷發(fā)生在40～50 s。使用狀態(tài)向量維數(shù)為4的勻速直線運(yùn)動卡爾曼濾波模型做目標(biāo)跟蹤及新航跡后向預(yù)測，具體算法參考文獻(xiàn)[14]。

分別使用TSA算法和本文算法對飛行器中斷航跡做配對關(guān)聯(lián)，關(guān)聯(lián)樣本長度R=10，第2門限利用以上環(huán)境做200次蒙特卡洛仿真，其中一次仿真場景及關(guān)聯(lián)效果如圖2-圖4所示，比較TSA算法與本文算法的關(guān)聯(lián)效果。如圖3所示，TSA算法將航跡預(yù)測至某個關(guān)聯(lián)時刻作距離判斷，由于濾波誤差的影響航跡段關(guān)聯(lián)判斷錯誤，本文算法增加了關(guān)聯(lián)樣本的長度，能更準(zhǔn)確地描述目標(biāo)的運(yùn)動走勢，有效地克服了誤差對關(guān)聯(lián)結(jié)果的影響。

為研究關(guān)聯(lián)樣本的長度對關(guān)聯(lián)效果的影響，分別設(shè)置R=5,L=3和R=10,L=6兩種仿真場景，比較統(tǒng)計雙門限航跡關(guān)聯(lián)算法同TSA算法的性

能。仿真場景中各目標(biāo)關(guān)聯(lián)正確的次數(shù)如表1所示，全局關(guān)聯(lián)正確率、平均正確關(guān)聯(lián)率、平均錯誤關(guān)聯(lián)率、平均漏關(guān)聯(lián)率如表2所示。

仿真實驗結(jié)果顯示，當(dāng)R=5,L=3時，本文算法將TSA算法的平均正確關(guān)聯(lián)率提升了8%，將平均漏關(guān)聯(lián)率降低了10.4%;R=10,L=6時，本文算法將TSA算法的平均正確關(guān)聯(lián)率提升了14.3%，將平均漏關(guān)聯(lián)率降低了14.7%。仿真結(jié)果表明，在空中飛行目標(biāo)場景下，本文算法的關(guān)聯(lián)效果比TSA算法有較大幅度的提高，驗證了本文算法對于因隨機(jī)誤差、目標(biāo)密集、航跡交叉或分岔引起的航跡跟蹤和預(yù)測誤差具有更強(qiáng)的適應(yīng)性。

圖2 空中飛行目標(biāo)環(huán)境航跡中斷Fig. 2 Track segments of air targets

圖3 空中飛行目標(biāo)環(huán)境TSA算法關(guān)聯(lián)效果Fig. 3 TSA results in air targets environment

圖4 空中飛行目標(biāo)環(huán)境本文算法關(guān)聯(lián)效果Fig. 4 Modified algorithm results in air targets environment

表1 空中飛行目標(biāo)環(huán)境目標(biāo)關(guān)聯(lián)正確次數(shù)Tab. 1 Correct association time in air targets environment

表2 空中飛行目標(biāo)環(huán)境關(guān)聯(lián)評價參數(shù)(%)Tab. 2 Association parameters in air targets environment (%)

比較不同關(guān)聯(lián)樣本和第2門限條件下的統(tǒng)計雙門限航跡關(guān)聯(lián)算法的性能可知，當(dāng)關(guān)聯(lián)樣本和第2門限長度增大時，200次蒙特卡洛仿真中各目標(biāo)的正確關(guān)聯(lián)次數(shù)、算法平均正確關(guān)聯(lián)率均有明顯增長，漏關(guān)聯(lián)率降低?？紤]統(tǒng)計雙門限中斷航跡關(guān)聯(lián)算法原理及本文使用的勻速直線運(yùn)動模型，當(dāng)關(guān)聯(lián)樣本長度增大時，算法具有更強(qiáng)的克服隨機(jī)誤差的能力，關(guān)聯(lián)效果隨之提高。

4.2 彈道目標(biāo)仿真場景

本文從文獻(xiàn)[5]得到啟發(fā)，建立密集的彈道目標(biāo)中斷航跡仿真環(huán)境，驗證本文算法對于中斷航跡配對關(guān)聯(lián)具有的優(yōu)越性能。

彈道目標(biāo)起始位置在空間直角坐標(biāo)系([-1000,

1000], 232000, [87500, 88500])(單位m)區(qū)域內(nèi)平均分布，個數(shù)為10個，雷達(dá)測距誤差標(biāo)準(zhǔn)差σr=500 m，方位角和俯仰角的測角誤差標(biāo)準(zhǔn)差均為0.1 mrad，服從均值為零的正態(tài)分布。采樣間隔為T=2 s，目標(biāo)運(yùn)行時間0～100 s，中斷時間發(fā)生在40～50 s。

彈道目標(biāo)在再入段飛行主要受到地球引力和空氣阻力的作用，這里忽略離心加速度、科里奧利加速度、風(fēng)力、彈頭牽引力及目標(biāo)自身旋轉(zhuǎn)對于運(yùn)動狀態(tài)的影響，為簡化運(yùn)算，做小范圍內(nèi)地球表面是平面的假設(shè)。參考文獻(xiàn)[15]，目標(biāo)狀態(tài)轉(zhuǎn)換方程如式(25)所示：

其中狀態(tài)向量為：

線性部分狀態(tài)轉(zhuǎn)移矩陣為：

T表示雷達(dá)量測時間間隔，非線性部分狀態(tài)轉(zhuǎn)移函數(shù)為：

式中g(shù)表示重力加速度，β表示彈道系數(shù)，ρ表示空氣密度當(dāng)目標(biāo)高度zk＜9144 m時，

量測轉(zhuǎn)換方程如式(30)所示：

采用容積卡爾曼濾波算法[16,17]對目標(biāo)做非線性跟蹤及狀態(tài)預(yù)測，選擇新航跡起始后的第3個量測時刻作為關(guān)聯(lián)時段的起始，令R=10,L=6。對上述場景做200次蒙特卡羅仿真，其中一次仿真場景及關(guān)聯(lián)結(jié)果如圖5-圖7所示，統(tǒng)計TSA算法和本文算法的關(guān)聯(lián)結(jié)果如表3所示。

令彈道目標(biāo)起始位置在空間直角坐標(biāo)系([-500, 500], 232000, [87500, 88500])(單位m)區(qū)域內(nèi)平均分布，增加R=5,L=3仿真條件，關(guān)聯(lián)結(jié)果如表4所示。

仿真實驗結(jié)果顯示，在彈道環(huán)境1條件下，本文算法將TSA算法的全局正確關(guān)聯(lián)率提升了22%，平均正確關(guān)聯(lián)率提升了21.5%，將平均漏關(guān)聯(lián)率降低了21.35%，平均錯誤關(guān)聯(lián)率基本不變；當(dāng)目標(biāo)起始位置在空間直角坐標(biāo)系([-500, 500], 232000, [87500, 88500]) (單位m)區(qū)域內(nèi)平均分布，目標(biāo)密集程度增加，本文算法將TSA算法的全局正確關(guān)聯(lián)

率提升了23.5%，平均正確關(guān)聯(lián)率提升了21.8%，將平均漏關(guān)聯(lián)率降低了21.8%，平均錯誤關(guān)聯(lián)率基本不變。仿真結(jié)果表明，在彈道目標(biāo)場景下，本文算法的關(guān)聯(lián)效果比TSA算法有較大幅度的提高，驗證了本文算法在復(fù)雜環(huán)境下對中斷航跡配對關(guān)聯(lián)具有更高的關(guān)聯(lián)正確率和更低的漏關(guān)聯(lián)率。

圖5 彈道目標(biāo)環(huán)境航跡中斷Fig. 5 Track segments of ballistic targets

圖6 彈道目標(biāo)環(huán)境TSA算法關(guān)聯(lián)效果Fig. 6 TSA results in ballistic targets environment

圖7 彈道目標(biāo)環(huán)境本文算法關(guān)聯(lián)效果Fig. 7 Modified algorithm results in ballistic targets environment

表3 彈道環(huán)境1關(guān)聯(lián)評價參數(shù)(%)Tab. 3 Ballistic environment 1 association parameters (%)

表4 彈道環(huán)境2關(guān)聯(lián)評價參數(shù)(%)Tab. 4 Ballistic environment 2 association parameters (%)

分析表4中R=10,L=6和R=5,L=3兩種仿真條件下的實驗結(jié)果可知，在彈道目標(biāo)場景下，基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法在關(guān)聯(lián)樣本長度降低時，關(guān)聯(lián)效果受到的影響較小。綜合分析空中飛行目標(biāo)場景和彈道目標(biāo)場景下關(guān)聯(lián)樣本長度對關(guān)聯(lián)性能產(chǎn)生的影響可知，不同的運(yùn)動狀態(tài)和誤差條件下，關(guān)聯(lián)樣本長短對關(guān)聯(lián)效果造成的影響不一致。具體地說，當(dāng)關(guān)聯(lián)樣本取值較長時(取值10)，航跡預(yù)測長度也相應(yīng)地增長，預(yù)測誤差增大，關(guān)聯(lián)準(zhǔn)確性降低；當(dāng)關(guān)聯(lián)樣本取值較短時(取值5)，因隨機(jī)誤差的影響，關(guān)聯(lián)樣本可能無法準(zhǔn)確描述目標(biāo)的運(yùn)動狀態(tài)，造成關(guān)聯(lián)不準(zhǔn)確。因具體環(huán)境下目標(biāo)運(yùn)動模型、隨機(jī)誤差及中斷時間長短等因素均對中斷航跡關(guān)聯(lián)判決產(chǎn)生影響，關(guān)聯(lián)樣本和第2門限的取值方法要根據(jù)具體應(yīng)用環(huán)境設(shè)置。

5 結(jié)論

(1) 經(jīng)仿真驗證，在空中飛行目標(biāo)和彈道目標(biāo)密集場景下，本文算法的全局正確關(guān)聯(lián)率和平均正確關(guān)聯(lián)率均比TSA算法有顯著提高，漏關(guān)聯(lián)率顯著下降，表明了本文算法對于航跡預(yù)測誤差具有更強(qiáng)的適應(yīng)性，較經(jīng)典的TSA算法具有更強(qiáng)的關(guān)聯(lián)性能。本文算法在多目標(biāo)雷達(dá)數(shù)據(jù)處理中對于提高航跡壽命，改善跟蹤效果具有較大的參考價值。

(2) 本文設(shè)置的關(guān)聯(lián)樣本長度分別為5和10，經(jīng)仿真比較可知，空中飛行目標(biāo)仿真環(huán)境和彈道目標(biāo)仿真環(huán)境下，關(guān)聯(lián)樣本長度對關(guān)聯(lián)性能產(chǎn)生的影響不同。具體應(yīng)用環(huán)境下，關(guān)聯(lián)樣本長度與關(guān)聯(lián)性能的關(guān)系還會受到目標(biāo)運(yùn)動模型、隨機(jī)噪聲的大小、中斷時間長短等因素的影響。

(3) 文中粗關(guān)聯(lián)部分使用的速度門限檢測方法在空中飛行目標(biāo)和彈道目標(biāo)場景下具有快速濾除非關(guān)聯(lián)航跡對的能力，在海面慢速目標(biāo)場景下，由于速度估計不準(zhǔn)確，可考慮轉(zhuǎn)彎率門限檢測或加速度門限檢測。在其它應(yīng)用背景下，也可考慮基于其它目標(biāo)屬性的簡單有效的粗關(guān)聯(lián)方法。

(4) 本文算法適用于目標(biāo)運(yùn)動模型較穩(wěn)定的情況，如文中舉例的彈道目標(biāo)運(yùn)動場景。當(dāng)目標(biāo)發(fā)生大機(jī)動時，基于航跡預(yù)測的中斷航跡配對關(guān)聯(lián)算法由于無法準(zhǔn)確描述中斷區(qū)間的機(jī)動運(yùn)動，關(guān)聯(lián)效果惡化嚴(yán)重。關(guān)于機(jī)動目標(biāo)的中斷航跡關(guān)聯(lián)是下一步研究的重點(diǎn)。

[1]Mucci R, Arnold J, and Bar-Shalom Y. Track segment association with a distributed field of sensors[J].Acoustical Society of America, 1985, 78(4): 1317-1324.

[2]Yeom S W, Kirubarajan T, and Bar-Shalom Y. Track segment association, fine-step IMM and initialization with Doppler for improved track performance[J].IEEE Transactions on Aerospace and Electronic Systems,2004, 40(1): 293-309.

[3]Zhang S and Bar-Shalom Y. Track segment association for GMTI tracks of Evasive Move-Stop-Move maneuvering

targets[J].IEEE Transactions on Aerospace and Electronic System, 2011, 47(3): 1899-1914.

[4]Pannetier B and Dezert J. Track segment association with classification information[C]. 2012 Workshop on Sensor Data Fusion: Trends, Solution, Applications (SDF), Bonn, Germany, 2012: 60-65.

[5]俞建國, 劉梅, 陳錦海. 彈道目標(biāo)航跡片段關(guān)聯(lián)及優(yōu)化[J]. 航空學(xué)報, 2011, 32(10): 1897-1904. Yu Jian-guo, Liu Mei, and Chen Jin-hai. Ballistic target track segments association and optimization[J].Acta Aeronautica et Astronautica Sinica, 2011, 32(10): 1894-1904.

[6]Zhang Wei, Liang Yan, Lan Hua,et al.. Track segments association for maneuver targets[J].Computer&Digital Engineering, 2013, 41(3): 394-398.

[7]杜漸, 夏學(xué)知. 一種面向信號中斷的航跡關(guān)聯(lián)算法[C]. 第四屆中國信息融合大會, 武漢, 2012: 518-522. Du Jian and Xia Xue-zhi. A fuzzy track association algorithm in track interrupt-oriented[C]. The 4th National Conference on Information Fusion, Wuhan, 2012: 518-522.

[8]杜漸, 夏學(xué)知. 面向航跡中斷的模糊航跡關(guān)聯(lián)算法[J]. 火力指揮與控制, 2013, 38(6): 68-71. Du Jian and Xia Xue-zhi. A fuzzy track association algorithm in track interrupt-oriented[J].Fire Control&Command Control, 2013, 38(6): 68-71.

[9]高嵐, 江晶, 藍(lán)江橋. 基于DSmT的機(jī)載目標(biāo)斷續(xù)航跡關(guān)聯(lián)[J].傳感器與微系統(tǒng), 2012, 31(4): 26-32. Gao Lan, Jiang Jing, and Lan Jiang-qiao. Association of airborne target broken tracks based on DSmT[J].Transducer and Microsystem Technologies, 2012, 31(4): 26-32.

[10]郭振, 蘭華, 關(guān)超, 等. 一種基于證據(jù)推理的斷裂航跡粘連方法[C]. 第五屆中國信息融合大會, 深圳, 2013: 53-60. Guo Zhen, Lan Hua, Guan Chao,et al.. Track segment association based on Dempster-Shafer evidence theory[C]. The 5th National Conference on Information Fusion, Shenzhen, 2013: 53-60.

[11]何友, 王國宏, 陸大, 等. 多傳感器信息融合及應(yīng)用[M]. 第2版, 北京: 電子工業(yè)出版社, 2007: 136-141. He You, Wang Guo-hong, Lu Da-jin,et al.. Multisensor Information Fusion With Applications[M]. 2nd Edition, Beijing: Publishing House of Electronics Industry, 2007: 136-141.

[12]何友, 王國宏, 關(guān)欣. 信息融合理論與應(yīng)用[M]. 北京: 電子工業(yè)出版社, 2010: 189-193. He You, Wang Guo-hong, and Guan Xin. Information Fusion Theory with Applications[M]. Beijing: Publishing House of Electronics Industry, 2010: 189-193.

[13]吳翊, 李永樂, 胡慶軍. 應(yīng)用數(shù)理統(tǒng)計[M]. 長沙: 國防科技大學(xué)出版社, 1995: 265-285. Wu Yi, Li Yong-le, and Hu Qing-jun. Applied Mathematical Statistics[M]. Changsha: Publishing House of National University of Defense Technology, 1995: 265-285.

[14]何友, 修建娟, 關(guān)欣. 雷達(dá)數(shù)據(jù)處理及應(yīng)用[M]. 第3版, 北京:電子工業(yè)出版社, 2013: 36-62. He You, Xiu Jian-juan, and Guan Xin. Radar Data Processing with Applications[M]. 3rd Edition, Bejing: Publishing House of Electronics Industry, 2013: 36-62.

[15]Farina A, Ristic B, and Benvenuti D. Tracking a ballistic target: comparison of several nonlinear filters[J].IEEE Transactions on Aerospace and Electronic Systems, 2002, 38(3): 854-867.

[16]Arasaratnam I and Haykin S. Cubature Kalman filters[J].IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269.

[17]Arasaratnam I and Haykin S. Cubature Kalman smoothers[J].Automatica, 2011, 47(10): 2245-2250.

齊 林(1989-)，男，海軍航空工程學(xué)院博士生，主要研究方向為多傳感器信息融合。

E-mail: 3278pirate@163.com

王海鵬(1985-)，男，博士，講師，海軍航空工程學(xué)院信息融合研究所，主要研究方向為群目標(biāo)跟蹤、多傳感器信息融合。

E-mail: armystudent@sohu.com

劉 瑜(1986-)，男，博士，講師，海軍航空工程學(xué)院信息融合研究所，主要研究方向為狀態(tài)一致估計、多傳感器信息融合。

E-mail: liuyu77360132@126.com

Track Segment Association Algorithm Based on Statistical Binary Thresholds

Qi Lin Wang Hai-peng Liu Yu
(Institute of Information Fusion,Naval Aeronautical and Astronautically University,Yantai264001,China)

The classical Track Segment Association (TSA) algorithm suffers from low accuracy and is impractical to use in concentrated targets, branching, and cross-tracking environment. Thus, a new statistical binary track segment association algorithm is proposed. The new algorithm is more appropriate as it increases the sample size for theχ2distribution threshold detection. Simulation results show that in air cross tracking and for ballistic targets, the global correct association rate and the average correct association rate of the proposed algorithm are remarkably improved, which proves the good performance of the proposed algorithm.

Track-to-track association; Track segment; Statistical binary thresholds; Correct association rate

TN953; TN957

：A

：2095-283X(2015)03-0301-08

10.12000/JR14077

齊林, 王海鵬, 劉瑜. 基于統(tǒng)計雙門限的中斷航跡配對關(guān)聯(lián)算法[J]. 雷達(dá)學(xué)報, 2015, 4(3): 301-308.

10.12000/JR14077.

Reference format: Qi Lin, Wang Hai-peng, and Liu Yu. Track segment association algorithm based on statistical binary thresholds[J].Journal of Radars, 2015, 4(3): 301-308. DOI: 10.12000/JR14077.

2014-05-07收到，2014-06-13改回；2014-10-13網(wǎng)絡(luò)優(yōu)先出版

山東省自然科學(xué)基金青年基金(ZR2012FQ004)資助課題

*通信作者： 齊林 3278pirate@163.com