2.4.3　仿真计算

根据假设树的结构模型，设计了一个假设树的数据结构，定义了假设树各层的关联关系、各层节点的数据字段，如图2.22所示。图中，第 i 层为融合目标，其唯一标识符为融合目标ID；第 j 层为与融合目标关联的信息源，其唯一标识符为信息源ID，所在平台号ID作为一个字段；第 k 层为与融合目标关联的信息源目标，其唯一标识符为关联目标ID，关联质量（ Fom ）和关联权系数之和在关联过程中实时更新，该层属于同一信息源的不同关联目标ID集合；第 m 层为同一探测目标按时间顺序保留一定长度的数据集合，其唯一标识符为关联时刻，同时记录了该时刻的关联权系数和关联目标空间及属性信息。

算法的输入为当前关联假设信息：融合目标ID，信息源ID，平台ID，关联目标ID，关联发生时刻，关联权系数，关联目标空间与属性信息；输出为关联结果信息：融合目标ID，信息源ID，平台ID，关联目标ID，关联质量，关联权系数之和，关联结果输出时刻，关联目标空间与属性信息。

利用多部国产雷达模拟器的试验数据，模拟不同精度、不同更新率的多传感器点迹数据，对基于多假设树的点迹融合算法进行实验验证，点迹分布态势如图2.23所示，具体考核算法在目标平行、交叉和转弯时的点迹关联能力。在第242s时，对目标作平行运动和交叉运动的点迹分布态势和点迹融合态势如图2.24、图2.25所示；在第596s时，对目标的3个典型运动场景的点迹分布态势和点迹融合态势如图2.26、图2.27所示。从实验结果可以看出：本算法具有较好的适应性，基于多假设树的点迹融合算法利用点迹的各种特征信息和融合航迹历史累积信息来提高关联的正确性，杂波点迹的假设关联权重较小，其所在的分枝在假设树的管理中不断被修剪掉，避免了错关联的产生。同时，算法具有较好的实效性，短时间内就能得到较高的正确关联率。在态势图的左上角部分为障碍物产生的杂波点迹，即使是多假设方法也无法区分出真目标和杂波，这种情况一般作屏蔽处理。