中文引用格式： 胡愛蘭，覃永松. 改進自適應加權的海面目標距離測量和跟蹤[J]. 電子技術應用，2024，50(7)：20-28.
英文引用格式： Hu Ailan，Qin Yongsong. Improvement of adaptive weighted distance measurement and tracking for sea surface targets[J]. Application of Electronic Technique，2024，50(7)：20-28.
引言
在航行安全[1]、海上作戰[2]以及自然災害監測等場景中，海上目標距離探測和跟蹤在海洋安全和軍事應用中越來越顯得重要和迫切，精確而可靠的目標距離測量是確保任務成功和決策準確的基礎。然而，海上目標距離探測面臨著許多挑戰，海面環境的復雜性，如波浪、海霧、海況變化等，給目標距離測量帶來了很大的困難。特別是在海雜波[3]等海上背景干擾下，雷達接收到的信號中由于包含背景雜波，導致目標的回波信號與背景雜波相互混合增加了海面目標距離測量的不確定性，也使得雷達系統更難以有效地檢測到目標，同時雜波可以在方位角方向上引入額外的噪聲和波動，使得精確測量目標在方位上的位置變得更加困難，海面波動引起的波動也可能會被錯誤地解釋為目標的運動，從而影響速度測量的準確性，導致目標距離的測量精度進一步降低。由于傳統的單一雷達系統受到各種環境因素的局限，單一雷達的目標測量結果往往難以滿足實際應用的需求。為了克服這些限制，研究人員開始將多個雷達系統聯合使用，并利用數據融合技術來提高目標距離的測量精度和可靠性。數據融合作為一種將來自不同傳感器的數據進行整合的技術，已經被廣泛應用于目標距離探測領域。通過將多個雷達系統的測量結果進行融合，數據融合技術可以充分利用各個傳感器的優勢，將其組合成一個更準確、可靠的最終結果。與單一雷達測量相比，多傳感器數據融合具有更高的抗干擾能力、更好的魯棒性和更高的測量精度。
在多傳感器數據融合算法的研究中，卡爾曼濾波算法[4]（KF算法）、粒子濾波算法[5]、自適應加權融合算法[6-8]、深度學習方法[9]、改進支持度的加權融合[10-12]等被廣泛研究并應用于各個領域。余建國[13]通過在多艦船雷達遠距離目標跟蹤中應用卡爾曼濾波算法進行數據融合提高船舶遠距離目標的跟蹤精度，但該模型局限于已知目標的運動模型；劉苗苗[14]等通過改進自適應加權融合算法應用于綜合管廊環境溫度監測中，提高了地下空間環境信息監測的精確度；匡亮[15]等通過改進傳感器支持度函數應用于傳感器網絡水質監測數據融合中，有效彌補現有水質監測系統數據采集準確率低等問題；張良成[16]等人提出一種依據質量因子情況動態完成多源數據融合算法，從而得到綜合精度優于雷達數據源的融合航跡結果。上述算法針對不同的應用場景有效提升了數據融合的準確性和可靠性，但并不能對于實時變化的數據進行精準性測量，并且都致力于在單個融合模型中尋找更優的權重分配方式以及更可靠的傳感器。
本文針對海面目標距離測量精度低、可靠性低的問題,提出了一種改進的自適應加權融合算法，利用數據融合技術來獲得更準確和可靠的實時海上目標距離測量結果。本文采用坐標系轉換、異常數據剔除、改進支持度函數、自適應加權融合、分段數據融合等方法，設計并解決海上目標距離測量中面臨的問題。通過仿真實驗和對比分析，驗證了所提出算法的有效性和優越性。
本文詳細內容請下載：
http://m.jysgc.com/resource/share/2000006065
作者信息：
胡愛蘭1，覃永松2
（1.華北計算機系統工程研究所，北京 100038；
2.西安電子科技大學 計算機科學與技術學院，陜西 西安 710000）
