复杂环境下基于随机有限集的分布式传感器网络一致性联合检测、跟踪与分类

Distributed sensor networks are widely used, especially in the military field. The capability of communication, sense and process for distributed sensor network in the battlefield environment is limited, and it is confronted with complex conditions such as strong clutter, measurement uncertainty, target motion uncertainty and inconsistency of multi-sensor field of view. Distributed sensor network is difficult to achieve effective joint detection, tracking and classification of target under these situations. Consensus fusion only uses the adjacent node information, through the consensus of the iterative process so that all nodes of the information can be coordinated, neither the need for fusion center, nor between the nodes of networks are fully connected, especially for sensor capacity is limited. In addition, the multi-target joint detection and tracking method based on random finite set has a good tracking effect in strong clutter environment. This project aims at the consensus joint decision and estimation of the distributed multi-sensor network, and reveals the internal relationship and mechanism of detection, tracking and classification, constructs the joint decision and estimation criterion based on relative entropy, and presents distributed sensor network consensus detection, tracking and classification method based on the random finite set and variational Bayesian in the complex battlefield. It can provide new method and technique for distributed sensor network situational awareness in complex battlefield environment.

分布式传感器网络在军事领域中具有十分重要的应用。在战场环境中，分布式传感器网络的通信、感知和处理能力均会受到限制，同时还面临强杂波干扰、量测不确定、目标运动不确定和多传感器视场不一致性等复杂情况，因此难以对目标进行有效的联合检测、跟踪与分类。而一致性融合可以只利用相邻节点信息，通过一致性迭代过程使所有节点的信息达到协同一致，既不需要融合中心，也不需要网络节点间的全连接，特别适用于战场环境中传感器能力受限的情况。同时，基于随机有限集的多目标联合检测和跟踪方法在强杂波干扰环境下具有良好的跟踪效果。本项目针对能力受限的分布式传感器网络一致性联合决策与估计问题，对检测、跟踪和分类之间的内在联系与机理进行研究，构建基于相对熵的一致性联合决策与估计准则，提出复杂环境下基于随机有限集的分布式传感器网络一致性联合检测、跟踪与分类方法，为战场环境下分布式传感器网络态势感知提供新的理论和技术支撑。

本项目面向分布式传感器网络态势感知需求，针对分布式传感器网络工作在强干扰和高拒止环境下出现的通信、感知和处理能力会受限问题开展了以下研究：（1）提出了随机有限集框架下基于一致性的联合检测、跟踪和分类方法，实现了多传感器多目标的联合检测、跟踪与分类，提高了跟踪系统的性能。（2）针对强杂波干扰问题，提出了基于标签随机集的联合检测、跟踪与分类方法，实现了强杂波环境下的联合检测、跟踪与分类。（3）提出了不确定环境下的一致性联合检测和跟踪算法，实现了在复杂环境下对目标的稳定和有效跟踪：针对分布式传感器网络中目标运动存在不确定的问题，提出了基于一种变结构多模型的一致性分布式估计算法；针对传感器网络中存在有色噪声的问题，提出了一种基于状态扩维和一种基于量测差分的分布式传感器网络一致性滤波算法；针对非线性分布式状态估计中的量测存在异常值问题，提出一种基于变分贝叶斯方法的鲁棒一致非线性信息滤波器；针对分布式传感器网络中状态和量测同时存在异常值的问题，提出了一种基于Student-t滤波的分布式传感器网络一致性估计方法；针对目标跟踪中多目标跟踪中的量测不确定下多目标联合检测和跟踪（JDT）问题，提出了一种噪声自适应的标签多伯努利滤波器。（4）在基于随机有限集的一致性目标跟踪框架下，针对视场存在差异时标签映射缺失的问题，对标签空间进行扩展，使不同传感器扩展后的标签空间之间的标签映射满足一一映射，针对广义协方差交叉无法保留节点间的差异信息这一问题，在DS证据理论框架下提出了一种权值构造方法，算法能够在视场差异条件下对监视区域内的多目标进行稳定的跟踪。通过项目研究，为复杂战场环境下的分布式传感器网络态势感知提供新的理论和技术支撑。