而本地信息被運用來降低由香農(nóng)信息所得的信任矩陣的不確定性。LxK信任矩陣的香農(nóng)信息定義如下：

接下來的問題是將該信息關聯(lián)到信任矩陣。信任矩陣具有如下性質(zhì)：各列之和等于1;各行之后保持不變;各列之和的和與各列之和的和相等。如果將某列替換為本地信息，將無法保證以上性質(zhì)。當且僅當本地信息能夠降低信任矩陣的不確定性時才能與信任矩陣進行關聯(lián)。

4.3 信息融合

DMTIM算法通過信息融合來計算本地傳感器網(wǎng)絡的全局信息，具體包括來自不同傳感器的狀態(tài)估計值和特征信任向量的融合。

特征信息(信任向量)的融合能夠被表述為最優(yōu)化的問題。3個不同的成本函數(shù)，香農(nóng)信息(Shannon information)，切爾洛夫信息(Chemo ff information)，以及萊布勒距離(Kullbaek-Leibler distances)之和代表了不同的性能指標。本文場景中所有的傳感器都參與協(xié)同工作，因此我們采用香農(nóng)信息的方法。

假設本地傳感器提供了兩個信任向量

。香農(nóng)信息法用計算兩個信任向量的凸函數(shù)的方法求得一個融合信任向量：

鑒于每個目標可能具有來自不同傳感器的多重軌跡，運用軌跡數(shù)據(jù)融合方法來對多重的軌跡進行合并。設ωi為來自傳感器i的軌跡，NBi為包括i并與i相鄰的一系列傳感器。設Y’={τk(t)：τk∈ωj，1≤t≤T，1≤k≤ω|ωj|，j∈NBi}為所有確定目標的一系列觀測結(jié)果。通過重疊觀測區(qū)域，可以由Y’得到一系列合并觀測結(jié)果Y。于是得到一系列新的軌跡ωinit。然后對一系列合并觀測結(jié)果運行算法，以得出本地穩(wěn)定的跟蹤軌跡，其初始狀態(tài)為ωinit。

5 仿真結(jié)果

在該節(jié)中，提供一個簡單的場景來說明DMTIM算法的性能。環(huán)境中有兩個固定傳感器--空中交通管制雷達，在二維空間中對多架飛機進行跟蹤。假定每個傳感器觀測范圍的半徑為10 km，并且當兩傳感器距離進入20 km的通信范圍，它們之間可以實現(xiàn)相互通信。該場景中包含3架飛機，如圖4所示。被標注為A和B的飛機首先被預注冊，被標注為的飛機對于特征管理系統(tǒng)是未知的。左側(cè)傳感器被傳感器1所標注，右側(cè)傳感器被傳感器2所標注。每個傳感器中的多目標跟蹤模塊對目標的數(shù)量進行估算，并且對每個已知目標的軌跡進行估算。在圖5中，目標數(shù)量改變的事件被垂直的點線所標注。在時刻1，傳感器1感知到目標1，并且其信任向量為是目標k能夠被傳感器i所感知并標定為j的概率;同時傳感器2感知到它的目標1，并且其信任向量為。在時刻9，傳感器1發(fā)現(xiàn)新目標(傳感器1的目標2)，并賦予新值X。同時，傳感器2感知到新目標(傳感器2的目標2)，該目標的特征值和狀態(tài)估計信息從傳感器1轉(zhuǎn)移過來。以此類推，在時刻30，傳感器2的目標2離開了傳感器2的觀測范圍，其信息隨機從傳感器2刪除。

信息融合能夠降低目標交叉運動所產(chǎn)生的不確定性。鑒于香農(nóng)信息效率的優(yōu)越性，在該試驗中我們運用了該方法來實現(xiàn)信息的融合。圖6所示為融合的信任向量，圖7為實現(xiàn)狀態(tài)估計融合后各傳感器所估算的軌跡。

6 結(jié)論

筆者主要對傳感器網(wǎng)絡下多目標的跟蹤和特征管理方法進行了研究。數(shù)據(jù)關聯(lián)和多目標跟蹤的問題能夠由馬爾科夫鏈蒙特卡洛數(shù)據(jù)關聯(lián)算法有效地解決，該算法能夠?qū)?shù)量未知且數(shù)量隨時間變化的多目標進行跟蹤。文中還講述了一個可擴展的分布式多目標跟蹤和身份管理(DMTIM)算法，該算法能夠?qū)Χ嗄繕诉M行跟蹤，并在分布式傳感器網(wǎng)絡環(huán)境下能夠有效地管理目標的特征。DMTIM算法由數(shù)據(jù)關聯(lián)，多目標跟蹤，特征管理，以及信息融合四部分所組成。DMTIM能夠?qū)δ衬繕颂卣鞯谋镜匦畔⑦M行有效地整合，以降低系統(tǒng)的不確定性，并通過信息融合來保持相鄰傳感器的本地一致性。