基于WNNs的ADS与多雷达航迹融合算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (27): 225-227.

基于WNNs的ADS与多雷达航迹融合算法

吴文浩1，2，李悦丽1，洪鼎松2，程晓航2

1.国防科技大学电子科学与工程学院，长沙 410073
2.国家空域技术重点实验室，北京 100085

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-21 发布日期:2011-09-21

ADS and multi-radar track fusion algorithm based on Wavelet Neural Networks

WU Wenhao1，2，LI Yueli1，HONG Dingsong2，CHENG Xiaohang2

1.School of Electronic Science and Engineering，National University of Defense Technology，Changsha 410073，China
2.National Key Laboratory of Airspace Technology，Beijing 100085，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-21 Published:2011-09-21

摘要/Abstract

摘要： 基于分布式多传感器航迹融合系统，采用小波神经网络（Wavelet Neural Networks，WNNs）理论，研究了自动相关监视（Automatic Dependent Surveillance，ADS）与多雷达信息的航迹融合问题。以位置方差权重因子和报告周期权重因子构建WNNs，并实时估计各航迹信息的可信度，融合输出综合航迹。仿真结果表明，该算法对航迹的融合结果优于互协方差融合等算法，并具有更强的鲁棒性，有效提高了监视能力的完整性。

关键词: 空中交通管制, 航迹融合, 小波神经网络, 自动相关监视, 可信度

Abstract: Based on the distributed multi-sensor track fusion system，the problem of Automatic Dependent Surveillance（ADS）and multi-radar track fusion is studied with Wavelet Neural Networks（WNNs）.The local estimation errors and position reporting period are introduced to WNNs which calculate the sensor reliability in real time.Then the system uses the reliability to fuse and give out the synthetic track.Simulation results show that，this algorithm has an outstanding performance and robustness over BS algorithm，and improves the integrality of surveillance.

Key words: air traffic control, track fusion, Wavelet Neural Networks（WNNs）, Automatic Dependent Surveillance（ADS）, reliability

吴文浩1，2，李悦丽1，洪鼎松2，程晓航2. 基于WNNs的ADS与多雷达航迹融合算法[J]. 计算机工程与应用, 2011, 47(27): 225-227.

WU Wenhao1，2，LI Yueli1，HONG Dingsong2，CHENG Xiaohang2. ADS and multi-radar track fusion algorithm based on Wavelet Neural Networks[J]. Computer Engineering and Applications, 2011, 47(27): 225-227.

[1]	王运成，周春华，陈楚湘，吴善明，陈冰. 基于二叉知识树推理的可扩展智能排课系统[J]. 计算机工程与应用, 2021, 57(5): 251-257.
[2]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[3]	蔡瑞光，张德生，张晓. 基于双向选择的伪近邻算法[J]. 计算机工程与应用, 2021, 57(13): 102-107.
[4]	赵彤彤1，张春雷2，张春雨3，高世臣1. 基于模糊熵的KNN分类模型在岩性识别中的应用[J]. 计算机工程与应用, 2018, 54(24): 260-265.
[5]	吴军，莫伟伟，印新棋，白光伟. 基于反馈可信度的可信机会路由转发模型[J]. 计算机工程与应用, 2017, 53(8): 23-28.
[6]	罗向龙1，2，张生瑞1，牛力瑶2. 基于检测器优化选择的短时交通流预测[J]. 计算机工程与应用, 2017, 53(8): 199-202.
[7]	南敬昌，田娜. 基于改进粒子群算法的模糊小波神经网络建模[J]. 计算机工程与应用, 2017, 53(3): 120-123.
[8]	杨东，李琦. 基于信誉推荐的网络购物主观信誉模型分析[J]. 计算机工程与应用, 2017, 53(19): 142-146.
[9]	苏雷，李冠宇，田广强. 基于改进MLN的人类活动识别新方法[J]. 计算机工程与应用, 2017, 53(17): 20-25.
[10]	杜奕航，王可人，齐全. 动态主用户流量模型的跨层优化设计[J]. 计算机工程与应用, 2017, 53(13): 113-118.
[11]	王立琦，侯彦鹏. 一种新的异类传感器信息融合算法[J]. 计算机工程与应用, 2016, 52(6): 107-110.
[12]	李浩1，2，周森鑫2，陆阳1. 马尔科夫可信工业控制网络可信测度研究[J]. 计算机工程与应用, 2016, 52(6): 248-252.
[13]	张迪1，赵长勇2，金亮2. 机场地面飞机自动监视车载装置的设计与研究[J]. 计算机工程与应用, 2016, 52(18): 246-251.
[14]	宋清昆1，余杉钰2，韩笑1. 四容水箱的小波神经网络广义预测控制[J]. 计算机工程与应用, 2016, 52(16): 216-220.
[15]	岳小雪，郑云水，林俊亭. 基于改进WNN的城市轨道交通客流量预测[J]. 计算机工程与应用, 2016, 52(11): 227-232.