第一章 绪论 1
1.1 研究背景 1
1.2 研究意义 2
1.3 课题来源 3
1.4 国内外研究现状 3
1.4.1 无源雷达研究现状 3
1.4.2 信息融合研究现状 5
1.5 研究目标和内容 7
1.6 论文结构安排 7
第二章 信息融合相关技术与问题分析 9
2.1 信息融合相关技术 10
2.1.1 联合概率数据关联算法与分析 10
2.1.2 多假设算法与分析 12
2.1.3 Kalman滤波估计与分析 14
2.2 无源雷达网络信息融合问题分析 15
2.2.1 未知环境下的大数据复杂关联 15
2.2.2 多雷达多目标的复杂融合 16
2.3 无源雷达网络信息融合解决方案 16
2.3.1 非确定数据关联解决方案 16
2.3.2 数据的融合解决方案 17
2.4 本章小结 18
第三章 线性混合动态随机系统的数据关联识别算法 19
3.1 离散时间线性混合随机动态系统的数据关联算法研究 19
3.1.1 离散时间线性混合随机动态系统描述 19
3.1.2 非确定性数据关联算法研究 20
3.2 非确定性数据关联算法在无源雷达网络系统中的应用研究 23
3.2.1 时空数据解算 23
3.2.2 无源雷达网络时空数据非确定性分析 24
3.2.3 决策函数计算 27
3.3 无源雷达网络时空数据的关联 28
3.4 本章小结 32
第四章 面向自适应学习的融合算法 33
4.1 线性混合随机动态系统的学习算法研究 33
4.2 具有时效性的线性混合随机动态系统的学习算法研究 34
4.2.1 时效动态性分析 34
4.2.2 自适应学习的融合 35
4.3 自适应学习的融合算法在无源雷达网络系统中的应用研究 38
4.3.1 无源雷达网络时空数据的时效动态性分析 38
4.3.2 无源雷达网络时空数据的自适应学习融合 39
4.4 本章小结 41
第五章 时空数据融合平台的设计与实现 42
5.1 无源雷达网络信息融合系统需求分析 42
5.2 系统总体架构与功能设计 43
5.2.1 系统总体架构 43
5.2.2 系统模块设计 45
5.2.3 系统UI设计 46
5.3 平台实现与执行流程 48
5.4 本章小结 50
第六章 信息融合平台的性能分析与功能验证 51
6.1 实验环境 51
6.2 非确定性时空数据的关联实验与分析 51
6.3 面向自适应学习的信息融合实验与分析 56
6.4 本章小结 59
总结与展望 61
工作总结 61
进一步工作展望 61
参考文献 63
攻读硕士学位期间取得的学术成果 67
致 谢 68
图 目
图 1 人类与机器融合信息的对照图 5
图 2 信息融合典型算法 9
图 3 JPDA算法处理流程图 11
图 4 多假设MHT流程图 13
图 5 Kalman工作原理图 14
图 6 无源雷达工作示意图 23
图 7 完备的三维定位示意图 24
图 8 无源雷达时空数据关联示意图 29
图 9 无源雷达网络时空数据关联流程图 31
图 10 样本时效变化示意图 34
图 11 时效样本选择方法示意图 35
图 12 自适应学习的融合样本 36
图 13自适应的回归示意图 38
图 14 没有考虑时空数据的时效动态性的示意图 39
图 15 无源雷达网络时空数据的自适应学习融合流程图 39
图 16 采集融合样本示意图 39
图 17 无源雷达网络系统示意图 43
图 18 实时MapReduce云平台示意图 44
图 19 时空数据融合平台结构示意图 45
图 20 时空数据融合平台模块划分示意图 46
图 21 时空数据融合平台-网络环境配置界面 46
图 22 时空数据融合平台-聚类融合配置界面 47
图 23时空数据融合平台-数据展示配置界面 47
图 24 融合效果展示示意图 48
图 25 非确定时空数据关联算法和自适应学习的融合算法的关系 49
图 26 实时融合处理示意图 49
图 27 TACA算法和DBSCAN算法平均准确率对比表 54
图 28 TACA算法和DBSCAN算法在复杂环境下的运行效果图 55
图 29 TACA算法和DBSCAN算法运行效率对比图 56
图 30采集的样本示意图 57
图 31 样本融合效果展示 58
图 32 实际环境采集样本融合效果 59
图 33 融合效果对比 59
表 目
表 1系统开发环境 43
表 2 时空数据融合平台的实验环境 51
表 3 两个目标的轨迹点 52
表 4 两个目标轨迹点相似性度量的结果 52
表 5 Google和XYZ距离计算结果对比表 53
表 6 TACA算法和DBSCAN算法运行效率对比表 55
随着隐形飞机、反辐射导弹等高科技武器“矛”的诞生，近代几次高科技局部战争表明，传统有源雷达已成“睁眼瞎”，甚至陷入开机即遭打击的窘境。正所谓“日往则月来，月往则日来，日月相推而明生焉”。为应对新型“矛”的威胁，无源雷达网络重新焕发新春。
但是，无源雷达网络特殊的工作机制导致该系统所获得的目标时空数据存在隶属关系不确定、定位精度低、不稳定的随机性等问题，这就无法使用传统雷达数据处理方法直接从测量数据中获取深层次的情报。因此，研究新型雷达网络时空数据的关联算法，探索动态实时高效的融合算法，已成为无源雷达网络有效发挥“眼睛”功能的关键所在。
针对上述问题，论文主要从非确定时空数据的关联算法和面向自适应学习的信息融合算法两个方面进行了研究，并在时空数据融合平台中实现两个算法。论文的主要内容如下：
1)线性混合动态随机系统的数据关联识别算法
从系统和模式识别的角度对线性混合动态随机系统的特点和分布特性进行分析研究，作者认为不稳定的随机环境的测量样本分类需要通过自适应调整矢量和基本准则矢量的相互配合才能获得比较高的分类准确率，文中对这两个矢量的组成、功能、意义进行了详细的论述，最后，基于此识别算法处理无源雷达网络时空数据的关联。
2)面向自适应学习的信息融合算法
针对线性混合动态随机系统的样本数据的时效是动态变化的特点，作者首先选取高时效的样本数据进行初步的自适应融合，从而获得稳定随机的融合样本，然后，通过自适应地学习，从融合样本中探索出系统比较可靠的数量关系，从而降低突变样本对系统造成的影响，最后，将此融合算法应用在无源雷达网络时空数据的融合。
模拟数据和实际测量数据的实验表明，线性混合动态随机系统的关联识别算法模型和自适应学习的融合模型能有效处理无源雷达网络时空数据的关联和融合，融合的效果和运行时间符合研制方的需求。
关键词：无源雷达网络，信息融合，线性动态系统，随机动态系统
在无源雷达网络项目中，作者主要负责无源雷达网络时空数据融合部分。本文的研究的总目标是针对无源雷达网络目标定位的低精度、分布稀疏性、时间维非均匀分布、虚假时空点较多等特点，研制并实现适合无源雷达网络非确定性时空数据关联和融合的算法。
为了实现该总目标，本文拟分两个步骤进行研究：首先，研究无源雷达网络非确定时空数据的关联方法，以便在目标分类后继续进行信息融合；其次，研究面向自适应学习的融合算法，实现无源雷达网络非确定时空数据的融合。具体研究内容如下：
1)研究非确定时空数据的关联
针对被探测的目标的时空数据特点，利用模式识别方法对非确定的无源雷达探测到的时空数据进行分析，探索样本数据之间的关系，发现样本之间的关系，实现不同目标时空数据的归类，为后续的信息融合做好准备。
2)研究面向自适应学习的融合
在无源雷达网络时空数据成功分类的基础之上，研究使用机器学习的方法自适应地学习融合处理同类目标的位置数据，以减少融合样本的规模，提高系统处理速度，高效实现时空数据的自然融合。
1.6论文结构安排
依据1.4节的研究目标和内容，本文首先对研究背景进行介绍，说明了课题来源，分析了无源雷达和信息融合的国内外研究现状；然后，针对无源雷达网络数据融合进行问题分析；接着，使用模式识别方法标识非确定时空数据，使离散的时空数据获得正确的数据关联，在此基础上，通过机器学习，学习数据分布特点，进而对所接受的数据进行融合处理；最后，本文给出了无源雷达网络信息融合系统的设计与实现，并进行了实验和分析。
全文共分六章，具体组织结构如下：
第一章 绪论：
本章阐述了论文的研究背景和意义，说明了课题来源和目标，对国内外现状的相关技术进行了分析，最后给出了研究目标和内容，以及论文结构安排。
第二章 信息融合相关理论技术与问题分析：
本章首先研究了信息融合相关理论技术，并对几个典型的传统算法进行了分析研究，然后，从数据关联和信息融合两个方面分析了无源雷达网络信息融合存在的问题，最后，给出了无源雷达网络信息融合解决方案。
第三章 线性混合动态随机系统的数据关联识别算法：
本章首先描述了离散时间线性混合随机动态系统，针对此类系统的特点，研究了非确定性数据关联算法，然后，研究了所提算法在无源雷达网络时空数据关联中的应用，最后，具体实现了该算法。
第四章 面向自适应学习的融合算法
本章首先研究了线性混合随机动态系统的学习算法，然后，研究了具有时效性的线性混合随机动态系统的学习算法，提出了自适应学习的融合算法，最后，通过无源雷达网络时空数据的融合验证所提融合算法的有效性。
第五章 时空数据融合平台的设计与实现
本章首先阐述无源雷达网络信息融合系统的需求，然后，对系统总体架构与功能设计进行介绍，最后，简要介绍了平台实现与执行流程。
第六章 信息融合平台的性能分析与功能验证
本章主要针对第三章～第五章所涉及的实验进行分析验证。
总结与展望：
本章对论文期间的工作和研究成果进行总结，指出今后的研究方向和需要进一步改进的工作。
本文对线性混合动态随机系统中的数据关联和信息融合存在的问题进行了深入的研究，结合现有的相关理论，讨论分析了适合该系统的非确定性数据关联算法和面向自适应学习的融合算法，并通过无源雷达网络的时空数据的关联和融合进行了验证。在本文所设计完成的时空数据融合应用程序中，编程实现了C#有效代码8000行左右。本文完成的主要工作如下：
1)提出面向线性混合动态随机系统的数据关联算法
本文分析研究了离散时间线性混合随机动态系统测量数据的特点，通过基本准则矢量和自适应调整矢量来度量样本数据的随机性、不稳定性、混合性、线性联系、动态变化等特征，并详细分析了两个矢量的相关组成部分，继而提出适合不稳定随机的非确定性样本的识别公式，并通过无源雷达网络时空数据的识别进行实验验证，实验结果表明所提识别公式能有效解决不稳定随机的非确定性样本的标识。
2)提出面向自适应学习的融合算法
本文从回归角度分析研究了线性混合随机动态系统的学习算法，指出一个优秀的融合算法要具有学习能力，继而给出了所需学习参数的组成部分，然后，研究了具有时效性的线性混合随机动态系统的学习算法，举例论证了动态时效性，并详细分析了该学习参数的不同组成部分在具有时效性的线性混合动态系统中的表达样式，提出了面向自适应学习的融合算法，最后，将自适应学习的融合算法应用在无源雷达网络时空数据的处理，实验结果说明自适应学习的融合算法能解决无源雷达网络时空数据的融合处理。
进一步工作展望
利用模式识别和机器学习解决无源雷达网络时空数据的关联和融合问题涉及众多的研究领域，具有一定的复杂性。本文针对线性混合随机动态系统所研究的非确定性数据关联算法和自适应学习的融合算法虽然能有效处理无源雷达网络时空数据的关联和融合问题，但是，限于研究时间和个人能力，在研究深度上还有待进一步努力，具体内容如下：
1）进一步优化非确定性数据关联算法
非确定性数据关联算法的准确率、实时性是获得线性混合随机动态系统理想输出的关键。为提高算法的实时性，后续研究可以从两个方面进行：对接受的数据进行更加严格的审查，进一步降低数据关联的数据量；优化基本准则矢量和自适应调整矢量中不同特征的计算方式。为了提高算法的准确率，后续研究可以对基本准则矢量和自适应调整矢量进行分析，依据具体系统的特征，提出符合所开需开发系统的组成部分。
2）深入研究面向自适应学习的融合算法
本文主要对具有时效性的线性混合动态系统的学习算法的组成进行了详细地分析研究，这就是说该算法仅仅适用于具有时效性的系统。因此，后续研究可参照第四章的第一节内容，根据实际需求，开发适合其他类型系统的融合算法。此外，后续研究可以根据需求，考虑专家系统等其他人工智能系统参与的融合，以获得更高的融合效果。
