多传感器状态融合估计在雷达跟踪中的应用
摘 要： 采用Carlson最优数据融合准则，将基于Kalman滤波的多传感器状态融合估计方法应用到雷达跟踪系统。仿真实验表明，多传感器Kalman滤波状态融合估计误差小于单传感器Kalman滤波得出的状态估计误差，验证了方法对雷达跟踪的有效性。
随着科学技术的发展，特别是微电子技术、集成电路技术、计算机技术、信号处理技术及传感器技术的发展，多传感器信息融合已经发展成为一个新的研究领域，并在军用领域和民用领域均得到了广泛应用。
多传感器信息融合的基本原理如同人脑综合处理信息的过程，即充分利用多个传感器资源，通过对各种传感器及其观测信息的合理支配与使用，将各种传感器在空间和时间上的互补与冗余信息依据某种优化准则组合起来，从而得出更为准确、可靠的结论。
现代战争的多样性和复杂性提出了对信息处理更高的要求，信息融合可对多传感器提供的多种观测信息进行优化综合处理，从而获取目标状态、识别目标属性、分析目标意图与行为，为电子对抗、精确制导等提供作战信息。本文将基于Kalman滤波的多传感器状态融合估计方法应用到雷达跟踪系统。仿真实验表明，三个传感器融合所获得的估计值都更加贴近于目标信号，因而提高了对雷达系统的跟踪精度。
1 卡尔曼滤波器
多传感信息融合的主要任务之一就是利用多传感器信息进行目标的状态估计。目前，进行状态估计的方法很多，Kalman滤波器是一种常用方法。Kalman滤波器在机动目标跟踪中具有良好的性能，它是最佳估计并能够进行递推计算，即它只需要当前的一个测量值和前一个采样周期的预测值就能进行状态估计。
考虑一个离散时间的动态系统，它有如下形式：
加入微信
获取电子行业最新资讯
搜索微信公众号：EEPW
或用微信扫描左侧二维码
