48、多传感器轨迹分离与飞行员告警处理认知行为建模研究

多传感器轨迹分离与飞行员告警处理认知行为建模研究

多传感器轨迹分离算法

在信息技术飞速发展的当下，单传感器捕获和跟踪技术的局限性日益凸显。而多传感器数据融合技术不仅能大幅拓展捕获和跟踪的时空覆盖范围，还能减少信息模糊性、增强可信度并提高检测性能，因此得到了广泛应用。多传感器数据融合包括数据预处理、轨迹关联、轨迹融合等环节，其中准确分离由离散点组成的不同轨迹是关键一环。

为解决这一问题，研究提出了基于最大隶属度的 BP 神经网络多传感器轨迹分离算法。该算法充分考虑影响目标轨迹的复杂因素，通过训练和修正历史轨迹，建立基于 BP 神经网络的轨迹预测模型，以此预测轨迹点，并判断新雷达数据是否属于规定轨迹。同时，结合最大隶属度的模糊聚类多轨迹分离算法，提高了轨迹分离的有效性和准确性。

BP 神经网络算法

BP 神经网络因其层次简单、易于实现和收敛的特点，常被用作监督分类器。根据轨迹特征，采用具有多输入单元、多隐藏单元和多输出单元的 3 层反向传播 BP 神经网络来预测轨迹。其基本结构中，输入层和隐藏层的神经元数量分别用 n 和 m 表示，输入值代表第 P 个样本模型预测轨迹的属性值。

基于最大隶属度的模糊聚类

• 模糊数学基础 ：模糊集用于刻画模糊现象或概念。给定论域 u，为任意 x∈u 指定隶属函数值，形成有序对。
• 隶属函数 ：用于描述客观事物差异中间过渡的模糊性和不确定性，本文选用常见的正态型隶属函数。
• 最大隶属度原则 ：对于待识别的元素，通过比较其