摘 要：针对目标跟踪中多传感器数据融合的实际问题，本文在讨论精度定义的基础上，将预测值与观测值结合一起用最优权值分配方法定权，提出了多传感器数据融合中结合测量值与预测值的最优权值分配方法。理论上随着传感器的数量增多，数据融合的精度只会越高，不会越差，本文方法相当于增加了一个传感器，因此从理论上提高了融合的精度。另外，本文对当前统计模型的机动频率的进行了改进，提高了目标精度。算例表明，本文方法比仅依靠实际传感器个数进行融合的方法的精度高。
关键词：目标跟踪；数据融合；最优权值分配方法；机动频率
0 引 言
随着目标跟踪和信息融合技术的高速发展，人们开始探索利用多个传感器的测量数据对跟踪目标的运动状态进行估计，以实现最大限度提取有用信息进行目标跟踪的目的。如何将多个传感器的数据进行有机融合，获得单一传感器无法达到的跟踪性能，已经成为目标跟踪领域中多传感器数据融合技术研究和关注的重点[1]。因每个传感器在数据融合过程中的所处地位不同，产生了不同的融合手段，如最近邻法、基于权系数的融合方法、基于模糊推理和神经网络的融合方法等[2~3]。理论上，文献[1~2]证明了传感器的数量越多，数据融合的精度就会越高。
关于数据的精度的定义，一般认为数据精密度就是数据的精度，但数据精密度难以表征被测量的测量值与其“真值”的接近程度。因数据的预测值在一定程度上表征了其与“真值”的接近程度，因此将预测值与测量值结合一起用最优权值分配方法定权，既根据被测量的测量值之间的一致程度又根据与“真值”的接近程度进行了权值分配。就最优权值分配方法而言，多了一个预测值相当于增加了一个传感器，因此从理论上提高了融合的精度。
由于目标跟踪的精度是多传感器数据融合的基础，因此本文首先对当前统计模型进行了研究，改进了当前统计模型中的机动频率的定义方法，得到了更好的跟踪效果。然后建立了预测值与测量值的标准差的稳健定义方法，提高了跟踪系统的稳健性。最后通过算例，表明了对当前统计模型中的机动频率的改进，能得到更好的跟踪效果，本文方法比仅依靠实际传感器个数进行融合的方法的精度高，本文对标准差的定义方法具有稳健性。
作者：宋开兰