经典数据关联方法.ppt

数据关联方法简介 最邻近数据关联（NNDA） 航迹i 预测位置 Z2 Z1 Z3 X Y O 残差： 统计距离： 似然函数： 概率数据关联（PDA） X 0 1 2 3 4 5 6 7 Y 7 6 5 4 3 2 1 预测位置： 最邻近观测： 真实观测： 综合观测： 关联概率的计算 ：k时刻的确认量测集 ：直到k时刻的累积确认量测集 ： 是源于目标的量测 ：k时刻没有源于目标的量测 两个集合： 两个事件： 关联概率： 关联概率的计算 Bayes公式： 关联概率的计算 正确量测服从正态分布 虚假量测服从均匀分布 波门体积 正确量测落入跟踪门的概率 关联概率的计算 令 ：虚假量测数的概率密度函数 参数模型(泊松) 非参数模型(均匀) 杂波数目的期望值 最大可能值 检测概率 当前时刻关联情况与之前的量测无关 关联概率的计算 采用参数模型： 采用非参数模型： 关联概率的计算 参数模型 关联概率的计算 非参数模型 状态更新 标准KF： 协方差更新 标准KF： 其中 联合概率数据关联（JPDA） X Y O Z2 Z1 Z3 量测 目标 虚警 确认矩阵 量测j 目标t 量测j落入目标t波门内 量测j没有落入目标t波门内 所有量测可能都是虚警 确认矩阵的拆分 基本假设 拆分原则 每个量测有唯一的源，不考虑不可分辨的情况。 确认矩阵每行中仅选出一个1作为互联矩阵在该行的唯一非零元素。 对于一个给定目标，最多一个量测以其为源。 在互联矩阵中，除第一列外，其余各列最多只能有一个非零元素。 互联矩阵 k时刻第i个联合事件中量测j源于目标t的事件 第i个联合事件 联合概率数据关联（JPDA） X Y O Z2 Z1 Z3 目标 量测 互联矩阵 互联矩阵 目标 量测 拆分 联合事件概率计算 量测互联指示 目标检测指示 联合事件 中假量测的数量 联合事件 k时刻第i个联合事件中量测j源于目标t的事件 联合事件概率计算 第j个量测与第t个目标互联的概率 k时刻联合事件 的条件概率 互联矩阵 * * * * 最邻近数据关联算法是最早提出也是最简单的数据关联方法，它是1971年由Singer等人提出来的。