韓卓茜，王 鋒，陳 沛，李卓倫

(1.中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué) 數(shù)據(jù)與目標(biāo)工程學(xué)院，河南 鄭州 450001；2.中國(guó)人民解放軍61827部隊(duì)，上海 200000；3.中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué) 信息系統(tǒng)工程學(xué)院，河南 鄭州 450001)

隨著通信、雷達(dá)以及干擾技術(shù)的發(fā)展，電磁環(huán)境日益復(fù)雜，再加上背景噪聲和觀測(cè)誤差的影響，使觀測(cè)數(shù)據(jù)模糊性和不確定性凸顯，影響最近鄰數(shù)據(jù)關(guān)聯(lián)[1]、概率數(shù)據(jù)關(guān)聯(lián)[2]、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)[3]以及多假設(shè)跟蹤[4]等傳統(tǒng)數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)性能。模糊數(shù)學(xué)是一種有效處理模糊性、不確定性數(shù)據(jù)的數(shù)學(xué)工具。近年來學(xué)者們對(duì)模糊數(shù)據(jù)關(guān)聯(lián)進(jìn)行了大量研究。文獻(xiàn)[5]提出了一種基于模糊邏輯的模擬標(biāo)準(zhǔn)關(guān)聯(lián)度量的數(shù)據(jù)關(guān)聯(lián)方法；文獻(xiàn)[6]引入遠(yuǎn)近距公共觀測(cè)影響因子重建模糊矩陣，提高了關(guān)聯(lián)性能。文獻(xiàn)[7]提出了一種基于模糊關(guān)系聚類的多目標(biāo)數(shù)據(jù)關(guān)聯(lián)算法。但是，在航跡交叉或航跡并行伴飛的場(chǎng)景下，上述方法易出現(xiàn)航跡誤跟和漏跟問題。雷達(dá)除了能夠探測(cè)目標(biāo)的方位、距離、速度等運(yùn)動(dòng)參數(shù)，還可以獲取目標(biāo)散射截面積、高分辨一維距離像以及二維圖像等非運(yùn)動(dòng)參數(shù)。將非運(yùn)動(dòng)參數(shù)用于輔助數(shù)據(jù)關(guān)聯(lián)，可以有效提高算法的關(guān)聯(lián)性能。文獻(xiàn)[8]將目標(biāo)距離、方位、雷達(dá)散射截面積模糊融合實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)。文獻(xiàn)[9]利用目標(biāo)的散射截面積特征輔助數(shù)據(jù)關(guān)聯(lián)，提高了算法關(guān)聯(lián)性能。文獻(xiàn)[10-14]將目標(biāo)的高分辨一維距離像結(jié)合深度學(xué)習(xí)用于目標(biāo)識(shí)別，性能得到提升；文獻(xiàn)[15]利用高分辨一維距離像的姿態(tài)敏感性，對(duì)目標(biāo)姿態(tài)角實(shí)時(shí)估計(jì)后與目標(biāo)位置信息融合，提高了算法的關(guān)聯(lián)性能。但該算法依賴目標(biāo)姿態(tài)角，當(dāng)航跡交叉或航跡并行伴飛時(shí)會(huì)出現(xiàn)目標(biāo)錯(cuò)跟問題。

針對(duì)航跡交叉或航跡并行伴飛時(shí)的數(shù)據(jù)關(guān)聯(lián)問題，筆者提出了一種高分辨一維距離像歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法。目標(biāo)高分辨一維距離像包含豐富的目標(biāo)特性，但對(duì)目標(biāo)姿態(tài)、幅度以及時(shí)移存在強(qiáng)敏感性，使其在應(yīng)用中受到很大限制。筆者對(duì)高分辨一維距離像特征提取，得到敏感性低的特征構(gòu)建目標(biāo)特征向量。另外，實(shí)際應(yīng)用中缺乏目標(biāo)先驗(yàn)知識(shí)，筆者利用航跡起始的高分辨一維距離像提取特征構(gòu)建初始特征樣本庫并實(shí)時(shí)更新，利用區(qū)間熵權(quán)法計(jì)算特征權(quán)值。目標(biāo)高分辨一維距離像受姿態(tài)影響大，假設(shè)短時(shí)間內(nèi)的姿態(tài)變化小，特征相似程度高，可利用歷史時(shí)刻的特征修正當(dāng)前時(shí)刻的關(guān)聯(lián)結(jié)果，因此筆者通過將有限長(zhǎng)度歷史時(shí)刻的高分辨一維距離像提取特征構(gòu)建歷史特征樣本庫，對(duì)模糊矩陣進(jìn)行修正，實(shí)現(xiàn)對(duì)目標(biāo)的模糊數(shù)據(jù)關(guān)聯(lián)。

1 問題描述

1.1 目標(biāo)運(yùn)動(dòng)模型

假設(shè)區(qū)域內(nèi)存在N個(gè)目標(biāo)，時(shí)刻k可觀測(cè)到Mk個(gè)量測(cè)。則在時(shí)刻k時(shí)，可通過有效的關(guān)聯(lián)手段從Mk個(gè)量測(cè)中得到N個(gè)目標(biāo)的關(guān)聯(lián)量測(cè)。目標(biāo)狀態(tài)轉(zhuǎn)移方程可表示為

x(k|k-1)=F(k|k-1)*x(k-1)+u(k) ，

(1)

其中，F(xiàn)(k|k-1)和x(k|k-1)分別為目標(biāo)從時(shí)刻k-1到時(shí)刻k的狀態(tài)轉(zhuǎn)移矩陣和一步預(yù)測(cè)狀態(tài)；x(k-1)為目標(biāo)在時(shí)刻k-1時(shí)的狀態(tài)；u(k)為目標(biāo)運(yùn)動(dòng)過程中的激勵(lì)噪聲。

目標(biāo)的觀測(cè)方程為

z(k)=H(k)*x(k)+v(k) ，

(2)

其中，H(k)為觀測(cè)方程；z(k)和v(k)分別為目標(biāo)在時(shí)刻k時(shí)的觀測(cè)狀態(tài)和觀測(cè)噪聲。

1.2 特征測(cè)量模型

目標(biāo)的高分辨一維距離像包含豐富的目標(biāo)信息，比如目標(biāo)的回波強(qiáng)度、形狀、尺寸以及姿態(tài)等信息。但由于其對(duì)姿態(tài)、幅度和時(shí)移的敏感性導(dǎo)致不能直接使用高分辨一維距離像輔助目標(biāo)的數(shù)據(jù)關(guān)聯(lián)，需對(duì)其進(jìn)行特征提取，得到敏感性低的特征構(gòu)成特征向量，輔助數(shù)據(jù)關(guān)聯(lián)。假設(shè)雷達(dá)為步進(jìn)頻率雷達(dá)，則目標(biāo)的高分辨一維距離像h可表示為

(3)

其中，f0為步進(jìn)頻率雷達(dá)的起始頻率；Δf為步進(jìn)頻率；Ns為步進(jìn)頻率雷達(dá)的子脈沖數(shù)；R和ν分別為目標(biāo)散射點(diǎn)相對(duì)雷達(dá)的徑向距離和徑向速度。

通過對(duì)目標(biāo)的高分辨一維距離像進(jìn)行特征提取，可以得到對(duì)目標(biāo)姿態(tài)、幅度和時(shí)移敏感性低的中心矩、統(tǒng)計(jì)學(xué)以及其他特征，比如一階中心矩c1、二階中心矩c2、均值c3、標(biāo)準(zhǔn)差c4、方差c5、偏度系數(shù)c6、峰度系數(shù)c7、散射點(diǎn)數(shù)c8、距離像起伏c(diǎn)9、單位距離像起伏c(diǎn)10、徑向長(zhǎng)度c11和徑向能量c12等特征。中心矩特征、散射點(diǎn)數(shù)具有時(shí)移不變性，降低了高分辨一維距離像對(duì)時(shí)移的敏感性；徑向長(zhǎng)度降低了高分辨一維距離像對(duì)幅度的敏感性；統(tǒng)計(jì)學(xué)特征通過對(duì)高分辨一維距離像進(jìn)行統(tǒng)計(jì)處理，距離像起伏、單位距離像起伏和徑向能量對(duì)數(shù)據(jù)一次處理，弱化了高分辨一維距離像對(duì)姿態(tài)、幅度和時(shí)移的敏感性。在時(shí)刻k時(shí)，將目標(biāo)高分辨一維距離像提取到的特征組成特征向量

Ci(k)={ci，1(k)，ci，2(k)，…ci，12(k)}。

(4)

2 歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法

模糊數(shù)據(jù)關(guān)聯(lián)中特征庫和特征權(quán)重的確定直接影響關(guān)聯(lián)結(jié)果的可靠性。筆者選取高分辨一維距離像特征提取后的特征向量構(gòu)建特征樣本庫。針對(duì)特征取值區(qū)間化、不是具體數(shù)值的特點(diǎn)，筆者提出了一種區(qū)間熵權(quán)法，確定目標(biāo)的特征權(quán)重。由于高分辨一維距離像存在姿態(tài)、幅度、時(shí)移敏感性，導(dǎo)致目標(biāo)會(huì)出現(xiàn)錯(cuò)跟現(xiàn)象。針對(duì)該問題，筆者提出兩個(gè)解決方法：實(shí)時(shí)更新初始特征樣本庫和特征權(quán)重；利用目標(biāo)高分辨一維距離像歷史時(shí)刻特征構(gòu)建歷史特征樣本庫，修正模糊矩陣，實(shí)現(xiàn)歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)。將歷史特征用于輔助模糊關(guān)聯(lián)的算法具體步驟如下。

步驟1 特征樣本庫的建立：

(1)初始特征樣本庫。實(shí)時(shí)進(jìn)行數(shù)據(jù)關(guān)聯(lián)時(shí)，目標(biāo)缺少先驗(yàn)知識(shí)，假設(shè)航跡起始已經(jīng)完成，可利用航跡起始中目標(biāo)關(guān)聯(lián)量測(cè)的高分辨一維距離像提取特征構(gòu)建初始特征樣本庫Γ。

(2)歷史特征樣本庫。高分辨一維距離像的敏感性導(dǎo)致不同時(shí)間同一目標(biāo)獲得的高分辨一維距離像差異較大或不同時(shí)間不同目標(biāo)的高分辨一維距離像相似程度較高，因此引入目標(biāo)歷史時(shí)刻的特征信息對(duì)于模糊數(shù)據(jù)關(guān)聯(lián)具有非常重要的作用。歷史時(shí)刻的長(zhǎng)度過長(zhǎng)會(huì)包含冗余信息，過短不能體現(xiàn)出目標(biāo)短時(shí)間內(nèi)的姿態(tài)狀態(tài)變化，因此需根據(jù)經(jīng)驗(yàn)值選取歷史特征信息的時(shí)間長(zhǎng)度L。使用時(shí)間長(zhǎng)度為L(zhǎng)的歷史時(shí)刻的特征構(gòu)建歷史特征樣本庫Γh。

步驟2 區(qū)間熵權(quán)法確定特征權(quán)重：通過將Γ和Γh中不同目標(biāo)不同特征的取值范圍區(qū)間化，計(jì)算區(qū)間信息熵，進(jìn)而得到特征權(quán)重。針對(duì)一個(gè)特征ξ，通過下式將不同目標(biāo)的特征取值區(qū)間化，

(5)

其中，L(·)表示集合中滿足條件的元素個(gè)數(shù)；Pd為檢測(cè)概率；δ2和δ1為目標(biāo)特征取值區(qū)間下上限。

不同目標(biāo)的第i個(gè)特征的取值區(qū)間為

(6)

量測(cè)可能是虛警，通過計(jì)算可得到虛警的特征取值區(qū)間[δN+1，i1；δN+1，i2]。

針對(duì)第i個(gè)特征，特征在第j個(gè)目標(biāo)的特征取值區(qū)間內(nèi)出現(xiàn)的概率為

pi，j=P(δj，i1<ξ<δj，i2|ξ∈ξi) ，

(7)

區(qū)間信息熵可定義為，特征在不同目標(biāo)特征取值區(qū)間內(nèi)出現(xiàn)概率的對(duì)數(shù)。通過衡量特征的不確定性和區(qū)間模糊性，即區(qū)間信息熵，表示特征對(duì)于目標(biāo)的區(qū)分度大小。

(8)

其中，si為第i個(gè)特征的區(qū)間信息熵。因此，特征的熵權(quán)重可表示為

(9)

其中，wi代表第i個(gè)特征的權(quán)重。分別對(duì)初始特征樣本庫Γ和歷史特征樣本庫Γh進(jìn)行區(qū)間熵權(quán)法計(jì)算特征權(quán)重，可得初始特征權(quán)重W和歷史特征權(quán)重Wh。

步驟3 特征所屬關(guān)系矩陣的確立：根據(jù)目標(biāo)的特征區(qū)間門限和目標(biāo)的預(yù)測(cè)位置設(shè)置關(guān)聯(lián)波門，得到第m個(gè)量測(cè)與目標(biāo)的特征所屬關(guān)系矩陣

(10)

其中，

(11)

步驟4 模糊矩陣計(jì)算：初始特征樣本庫包含了所有關(guān)聯(lián)時(shí)刻的目標(biāo)特征，歷史特征樣本庫包含了最近一段時(shí)刻的特征，分別獲取初始模糊矩陣和歷史模糊矩陣，并進(jìn)行加權(quán)求和，得到最終的模糊矩陣。

(1)初始模糊矩陣。通過衡量量測(cè)與特征樣本庫的特征相似程度得到模糊隸屬度。模糊隸屬度函數(shù)為

(12)

其中，Υ(cm，i，Γ)是衡量量測(cè)Zm與Γ中目標(biāo)j的第i個(gè)特征的離散度的函數(shù)，離散度越大，Υ(cm，i，Γ)越小，代表量測(cè)與目標(biāo)的模糊隸屬度越低，反之越高。

基于初始特征樣本庫，求解所有量測(cè)與目標(biāo)的模糊隸屬度可構(gòu)建初始模糊矩陣：

(13)

(2)歷史模糊矩陣。時(shí)間長(zhǎng)度為L(zhǎng)的歷史時(shí)刻特征對(duì)當(dāng)前時(shí)刻關(guān)聯(lián)的影響主要有兩個(gè)方面：一是歷史時(shí)刻越接近當(dāng)前時(shí)刻，時(shí)間相關(guān)度越高；二是歷史時(shí)刻的關(guān)聯(lián)結(jié)果越可靠，其特征可靠度越高。所以，時(shí)間長(zhǎng)度為L(zhǎng)的歷史時(shí)刻對(duì)當(dāng)前時(shí)刻的關(guān)聯(lián)結(jié)果與時(shí)間相關(guān)度和特征可靠度成正比，因此定義影響因子為

(14)

其中，tiq和riq分別為第i個(gè)歷史時(shí)刻的時(shí)間相關(guān)度和特征可靠度。量測(cè)Zm與Γh中目標(biāo)j的模糊隸屬度為

(15)

其中，Υh(cm，i，Γh，A)是用來衡量量測(cè)Zm與Γh中目標(biāo)j的第i個(gè)特征的離散度的函數(shù)，是量測(cè)的特征相對(duì)于不同時(shí)刻特征序列的差值的統(tǒng)計(jì)平均?；跉v史初始特征樣本庫，構(gòu)建歷史模糊矩陣Mh。通過加權(quán)求和可得到最終模糊矩陣MF=l1M+l2Mh(l1+l2=1)，其中l(wèi)1和l2的取值由專家經(jīng)驗(yàn)得到。

在模糊矩陣的基礎(chǔ)上，基于最大隸屬度原則進(jìn)行數(shù)據(jù)關(guān)聯(lián)。其關(guān)聯(lián)原則為：一個(gè)量測(cè)最多只能與一個(gè)目標(biāo)進(jìn)行關(guān)聯(lián)；目標(biāo)與其模糊隸屬度最大的量測(cè)進(jìn)行關(guān)聯(lián)，如果多個(gè)目標(biāo)的最大模糊隸屬度量測(cè)為同一量測(cè)，則該量測(cè)與模糊隸屬度最大的目標(biāo)進(jìn)行關(guān)聯(lián)，然后去除該量測(cè)，對(duì)剩余目標(biāo)重新關(guān)聯(lián)模糊隸屬度最大的量測(cè)，直到目標(biāo)完成數(shù)據(jù)關(guān)聯(lián)。

綜上所述，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法的流程如圖 1所示。

圖1 算法流程圖

3 實(shí)驗(yàn)仿真及結(jié)果分析

3.1 仿真場(chǎng)景及參數(shù)

在x-y平面仿真3個(gè)不沿雷達(dá)視線方向運(yùn)動(dòng)的目標(biāo)，雜波在目標(biāo)周圍均勻分布。場(chǎng)景仿真時(shí)間T=100 s，采樣間隔t=1 s，檢測(cè)概率Pd=0.9，雷達(dá)測(cè)距誤差σr=50 m，測(cè)角誤差σθ=0.2°，實(shí)驗(yàn)蒙特克羅仿真次數(shù)M=500，初始模糊矩陣和歷史模糊矩陣的權(quán)重分別為：l1=2/3，l2=1/3。

本節(jié)設(shè)置兩種場(chǎng)景進(jìn)行仿真驗(yàn)證：

場(chǎng)景1 不同雜波密度環(huán)境中對(duì)3個(gè)航跡發(fā)生交叉的運(yùn)動(dòng)目標(biāo)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，目標(biāo)初始狀態(tài)分別為：[2 000 m；150 m/s；7 000 m；-150 m/s]，[2 000 m；150 m/s；0 m；0 m/s]，[2 000 m；150 m/s；-7 000 m；150 m/s]；

場(chǎng)景2 不同雜波密度環(huán)境中對(duì)3個(gè)航跡并行伴飛的機(jī)動(dòng)目標(biāo)進(jìn)行數(shù)據(jù)關(guān)聯(lián)，3個(gè)目標(biāo)的運(yùn)動(dòng)狀態(tài)為先靠近，然后平行飛行，最后彼此遠(yuǎn)離，目標(biāo)初始狀態(tài)分別為[2 000 m；150 m/s；4 700 m；-150 m/s]，[2 000 m；150 m/s；0 m；0 m/s]，[2 000 m；150 m/s；-4 700 m；150 m/s]。

為了對(duì)比模糊數(shù)據(jù)關(guān)聯(lián)算法和歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)性能，筆者選擇位置均方根誤差對(duì)關(guān)聯(lián)結(jié)果進(jìn)行性能評(píng)價(jià)：

(16)

其中，M為仿真總次數(shù)，r(t)為t時(shí)刻的位置均方差，x'm(t)、y'm(t)為t時(shí)刻第m次仿真的目標(biāo)關(guān)聯(lián)位置；x(t)、y(t)為t時(shí)刻的目標(biāo)真實(shí)位置。

本實(shí)驗(yàn)仿真的環(huán)境平臺(tái)參數(shù)如表1所示。

表1 實(shí)驗(yàn)軟硬件平臺(tái)參數(shù)

3.2 場(chǎng)景1關(guān)聯(lián)性能分析

針對(duì)航跡發(fā)生交叉的場(chǎng)景，在雜波密集程度適中情況下，目標(biāo)真實(shí)航跡與關(guān)聯(lián)航跡對(duì)比如圖 2所示。

圖2 目標(biāo)真實(shí)航跡與關(guān)聯(lián)航跡對(duì)比圖

目標(biāo)關(guān)聯(lián)航跡的位置均方根誤差如圖 3所示。

實(shí)驗(yàn)仿真前20 s模擬仿真航跡起始過程，由圖2和圖3可知，從t=21 s開始，3目標(biāo)位置均方根誤差曲線逐漸下降呈收斂趨勢(shì)，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法能夠有效實(shí)現(xiàn)目標(biāo)數(shù)據(jù)關(guān)聯(lián)，關(guān)聯(lián)性能較模糊的數(shù)據(jù)關(guān)聯(lián)算法得到提高。

(a) 目標(biāo)1位置均方根誤差

為了測(cè)試算法在不同雜波密集程度下的關(guān)聯(lián)性能，文中使用雜波個(gè)數(shù)代替雜波密集程度。雜波個(gè)數(shù)越大，雜波密集程度越高；反之，雜波密集程度越低。仿真環(huán)境相同，在不同雜波密集程度下，采用3目標(biāo)位置誤差均值的均方根誤差作為關(guān)聯(lián)性能評(píng)價(jià)指標(biāo)，性能對(duì)比如圖4所示，算法運(yùn)行時(shí)間對(duì)比如圖5所示。

圖4 均方根誤差隨雜波個(gè)數(shù)的變化曲線

圖5 算法運(yùn)行時(shí)間隨雜波個(gè)數(shù)的變化曲線

由圖4可知，隨著雜波密集程度的增大，兩算法的均方根誤差總體均呈增大趨勢(shì)，并且在雜波密集程度低或者高的場(chǎng)景下，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法的均方根誤差均低于模糊數(shù)據(jù)關(guān)聯(lián)算法。由圖 5可知，隨著雜波密集程度的增大，兩種算法的所需運(yùn)行時(shí)間基本符合線性增長(zhǎng)，且歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法運(yùn)行時(shí)間略長(zhǎng)約1.75 s。結(jié)合圖4和圖5分析可知，雜波密度對(duì)模糊數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)性能影響比較大，引入高分辨一維距離像歷史特征用于輔助模糊數(shù)據(jù)關(guān)聯(lián)，提升了關(guān)聯(lián)性能，但算法運(yùn)行時(shí)間略長(zhǎng)于模糊關(guān)聯(lián)算法的運(yùn)行時(shí)間，時(shí)效性略差。

3.3 場(chǎng)景2關(guān)聯(lián)性能分析

針對(duì)目標(biāo)發(fā)生并行伴飛的場(chǎng)景，當(dāng)雜波密集程度適中時(shí)，目標(biāo)真實(shí)航跡與關(guān)聯(lián)航跡對(duì)比如圖 6所示。

圖6 目標(biāo)真實(shí)航跡與關(guān)聯(lián)航跡對(duì)比圖

目標(biāo)關(guān)聯(lián)航跡的位置均方根誤差如圖 7所示。

同場(chǎng)景1，實(shí)驗(yàn)仿真前20 s為目標(biāo)的航跡起始，由圖6和圖7可知，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法關(guān)聯(lián)航跡的精度高于模糊數(shù)據(jù)關(guān)聯(lián)算法。目標(biāo)1和目標(biāo)3在30 s處機(jī)動(dòng)調(diào)整開始并行伴飛，在70 s處機(jī)動(dòng)調(diào)整結(jié)束并行伴飛。由圖 7可觀察出機(jī)動(dòng)導(dǎo)致的關(guān)聯(lián)性能惡化，但歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法可實(shí)現(xiàn)快速收斂，解決機(jī)動(dòng)情況下的目標(biāo)數(shù)據(jù)關(guān)聯(lián)。

(a) 目標(biāo)1位置均方根誤差

測(cè)試兩種算法在不同雜波密集條件下的關(guān)聯(lián)性能，算法性能對(duì)比如圖8和圖9所示。

圖8 均方根誤差隨雜波個(gè)數(shù)的變化曲線

圖9 算法運(yùn)行時(shí)間隨雜波個(gè)數(shù)的變化曲線

結(jié)合圖8和圖9可知，隨著雜波個(gè)數(shù)的增加，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法和模糊數(shù)據(jù)關(guān)聯(lián)算法的位置均方根誤差均惡化，歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法的位置均方根誤差始終優(yōu)于模糊數(shù)據(jù)關(guān)聯(lián)算法的，但算法的時(shí)效性略差于模糊數(shù)據(jù)算法。對(duì)比圖 4和圖 8可知，目標(biāo)的機(jī)動(dòng)會(huì)降低算法的關(guān)聯(lián)性能，但不管是目標(biāo)的非機(jī)動(dòng)場(chǎng)景還是機(jī)動(dòng)場(chǎng)景，筆者所提的歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法的關(guān)聯(lián)性能均優(yōu)于模糊數(shù)據(jù)關(guān)聯(lián)算法的，在損失較少時(shí)效性的基礎(chǔ)上有效提高了算法的關(guān)聯(lián)性能。在實(shí)際的應(yīng)用中，需結(jié)合場(chǎng)景的雜波密集程度、算法的關(guān)聯(lián)性能和時(shí)效性要求，選擇合適的算法來實(shí)現(xiàn)目標(biāo)的數(shù)據(jù)關(guān)聯(lián)。

4 結(jié)束語

筆者研究了在雜波密度大且目標(biāo)航跡發(fā)生交叉或目標(biāo)并行伴飛時(shí)的數(shù)據(jù)關(guān)聯(lián)問題。對(duì)目標(biāo)的高分辨一維距離像數(shù)據(jù)進(jìn)行特征提取，從而可以有效地降低高分辨一維距離像數(shù)據(jù)的姿態(tài)、幅度、時(shí)移敏感性；利用航跡起始數(shù)據(jù)的特征構(gòu)建初始特征樣本庫和利用歷史時(shí)刻數(shù)據(jù)的特征構(gòu)建歷史特征樣本庫；根據(jù)目標(biāo)特征的取值區(qū)間化的特征，提出區(qū)間熵權(quán)法計(jì)算特征權(quán)重，并通過計(jì)算量測(cè)與目標(biāo)的模糊隸屬度構(gòu)建模糊矩陣，在最大隸屬度原則的基礎(chǔ)上實(shí)現(xiàn)模糊數(shù)據(jù)關(guān)聯(lián)；實(shí)時(shí)更新特征樣本庫和特征權(quán)重，提高算法的關(guān)聯(lián)性能。實(shí)際仿真表明，基于高分辨一維距離像歷史特征輔助的模糊數(shù)據(jù)關(guān)聯(lián)算法在犧牲算法時(shí)效性的基礎(chǔ)上，關(guān)聯(lián)性能得到了極大提升。在實(shí)際應(yīng)用中，應(yīng)考慮場(chǎng)景雜波密集程度以及算法的實(shí)時(shí)性和關(guān)聯(lián)性能的要求來選擇合適的模糊數(shù)據(jù)關(guān)聯(lián)算法。