信息融合能夠降低目標(biāo)交叉運(yùn)動(dòng)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(yàn)中我們運(yùn)用了該方法來(lái)實(shí)現(xiàn)信息的融合。圖6所示為融合的信任向量，圖7為實(shí)現(xiàn)狀態(tài)估計(jì)融合后各傳感器所估算的軌跡。

6 結(jié)論
筆者主要對(duì)傳感器網(wǎng)絡(luò)下多目標(biāo)的跟蹤和特征管理方法進(jìn)行了研究。數(shù)據(jù)關(guān)聯(lián)和多目標(biāo)跟蹤的問(wèn)題能夠由馬爾科夫鏈蒙特卡洛數(shù)據(jù)關(guān)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(shí)間變化的多目標(biāo)進(jìn)行跟蹤。文中還講述了一個(gè)可擴(kuò)展的分布式多目標(biāo)跟蹤和身份管理(DMTIM)算法，該算法能夠?qū)Χ嗄繕?biāo)進(jìn)行跟蹤，并在分布式傳感器網(wǎng)絡(luò)環(huán)境下能夠有效地管理目標(biāo)的特征。DMTIM算法由數(shù)據(jù)關(guān)聯(lián)，多目標(biāo)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?biāo)特征的本地信息進(jìn)行有效地整合，以降低系統(tǒng)的不確定性，并通過(guò)信息融合來(lái)保持相鄰傳感器的本地一致性。