CN101950019A - 基于属性数据的二次雷达多层级目标识别方法 - Google Patents

Abstract

随着航管事业中多目标、多径及其他干扰等问题的加重，为提高二次雷达对目标区分、识别及跟踪的可靠性，本发明提出一种基于数据属性化的二次雷达多层级应答信息识别方法，并且对最大化利用应答信息同时兼顾时效性具有普遍指导性；该方法按照航管信息内容需求设计应答数据，将其属性化并根据其特点分类构造询问应答模式及算法支撑数据库，通过约束条件及判决准则考察应答信息的合理性从而实现识别；算法采用了多层级的判别策略，以满足不同实时性与置信度的要求。

Description

基于属性数据的二次雷达多层级目标识别方法

技术领域

本发明涉及一种二次雷达系统中对目标应答信息进行重组与判别的方法，主要用于目标的区分、识别及跟踪，特别适用于具有类S模式功能二次雷达平台的扩展。

背景技术

二次监视雷达系统（SSR——Secondary Surveillance Radar）简称二次雷达，该系统式专为完成探测、识别目标（合作飞机）任务而设计的，其机理是利用应答机应答询问机发射的电磁波对目标进行探测定位及识别，空管雷达系统中的二次雷达就是它的典型应用。与一次雷达相比，发射功率小，体积质量小，接收机灵敏度要求相对低，在测量高度、角度方面精度更高；有利于消除气象杂波和仙波等干扰；在空中交通管制、敌我识别、信标跟踪等多方面得到了广泛的应用。我国民航空中交通管理规则明确规定，二次监视雷达系统，特别是具有单脉冲技术及S模式和数据链能力的系统，可作为主要雷达监视系统单独使用。 

  实行雷达管制首先要对飞机进行识别，识别功能是二次雷达的基本功能。常规的识别方法有三种：第一种方法是利用特别位置识别脉冲；第二种方法是把应答机间断开机、关机操作；第三种方法是通过信息交换，将上行询问内容和下行应答内容进行脉冲编码来实现的。随着空中交通事业的发展，在当前的实际环境下，二次雷达会遇到多飞机、多路径及多种干扰，对应的识别及解码过程较之以往越来越复杂。前两种识别方法的劣势将日渐明显，而第三种方法依赖于先进的应答信号处理能力，随着信息时代计算机性能的高速提升，此识别方法备受重视，逐步成为各领域研究的热点。

  飞机进港、出港以及在航线上飞行过程中，调度员想知道的内容很多，如民用或军用飞机的代码、驾驶员姓名、飞机高度、速度、油量以及有无故障等等。如果将这些内容均编成码一一予以询问和应答，那是很复杂的。因此，传统模式的二次雷达询问/应答主要是民用或军用飞机的代码和高度这两项内容，直到S模式的出现。它解决了常规二次雷达存在的大多数系统问题，可以使二次雷达对被监视的飞机进行有选择的询问，国际上称之为“S模式”，以便于二次雷达的A,B,C,D模式名称一致。具有S模式能力的二次雷达，且使用较复杂的编码格式，允许二次雷达询问/应答的内容可以包括更多的信息，为如何高效的利用应答内容信息起了典范作用。

S模式是一种特殊标准模式，其使用范围具有一定局限性，本发明受S模式的启发，给出了最大化利用应答信息同时兼顾时效性的指导方法，辅助提高目标识别的可靠性。

发明内容

本发明按照航管信息内容需求设计与物理含义一一对应的属性数据；根据属性的特点进行分类组合，构造由属性数据形成的不同问答模式；通过约束条件及判决准则考察应答信息，检验应答信息是否具有预定义物理意义，且物理意义组合是否真实合理，从而达到对目标的识别；采用逐级苛刻的多层级约束条件，得到递增置信度的识别结果。

 

1.数据属性化

1.1属性相关概念

属性是本发明中所考察的最小级别信息，即在本文中不涉及比特级的数据讨论。属性表示了该信息数据对应的某项物理意义，例如飞机的类型、国籍、速度等信息。而该项物理意义的具体取值本发明称为属性状态，例如中国、美国、日本、朝鲜就是国籍这项属性的4种属性状态值，大客机、直升机、运输机即属性飞机类型的3种状态值。属性状态值是对属性进行判断的依据。

然而，在实际应用中由于误码率等影响，属性状态值往往不是仅凭一次应答就确定的；对多次应答进行筛选处理，得出最准确的属性状态值是一种可靠的方法；常用的筛选过程包括统计滤波、中值滤波。筛选的结果本发明用属性决策值来表示，它是属性状态定性与定量的复合值，即定性的表示出该项属性的状态值，又定量的表示了多次应答中此状态的概率。

 

1.2属性的分类

   根据属性所表示的物理含义，本文把属性分为静态属性与动态属性。静态属性表示目标的固定信息，如国籍、飞机类型等，其属性状态值不随目标的实时状态改变而改变，因此该类属性可直接用作对目标的识别；相反，动态属性即表示目标的实时状态信息，如飞行时长、位置经纬度等数据，一般来说，属性状态随时间变化而变化，该类属性状态值无法保证与目标的一一映射关系，因此只能间接用作对目标的识别；动态属性的状态值即该属性实时量化值。

 

1.3属性化问答模式

针对属性类型的不同，可以设置相应的问答模式，即分为静态信息询问和动态信息询问。静态信息询问模式要求应答信息全由静态属性状态值构成；动态信息询问模式要求应答信息全由动态属性状态值构成。由于属性种类较多，考虑到系统处理能力及实时性要求，并兼顾模式间数据格式的一致性，可以将静态或动态信息模式按属性物理意义再细分为多个子模式。本发明为不失一般性，提出4类应答模式的划分法。其中，静态模式两类记为A、B，动态模式两类记为C、D。

应答模式A，其数据构成为静态独立属性，此类属性与动态属性无直接联系，例如国籍、航班号等属性。

应答模式B，仍由静态属性组成，但此类属性与某些动态属性间接关联，对相应动态属性具有一定的约束性。例如属性飞机类型，其某种状态值约束了动态属性速度的值域。

应答模式C，由具有与模式B中属性映射关系的动态属性组成，该类属性具有短时间（相对处理时间为参考）内取值相对稳定的特点，如速度、转向角等属性。

应答模式D，由飞行时长、油量、经纬度信息等属性构成，其特点是该类属性数据在足够区分度的时间间隔ΔT内取值必然变化，且差值可以量化。

一般来说，为避免应答数据的随机误差，观察样本取每种模式m次应答数据。 

 

2.支撑属性数据库

提取应答信息的属性状态值需要先验数据库予以支持，在进一步判断信息数据合理化程度时还需要借助各种属性约束条件数据库。因此，以之前属性数据的分类为参考，本发明构造了静态属性知识库、静态属性任务库、静态属性互斥库及动态属性兼容库。以下为四种数据库的定义与用法。

 

2.1静态属性知识库

   静态属性知识库是由所有静态属性（即模式A与B属性）的各种状态值组成的二维稀疏矩阵，行向量即该属性的各种不同状态值，每一行代表一个静态属性。由于不同属性其状态个数也不尽相同，因此该数据库多为稀疏矩阵。知识库考察的是应答信息的是否具有预定义的物理含义。

   在收到m次某静态属性模式应答信息后，针对该模式中每个静态属性，通过与静态属性知识库相应属性的m次比对，计算出该属性的决策值，从而确定其属性状态，为后续的目标识别做必要的准备。因此，通过属性知识库对应答信息处理是一切判别的基础。

 

2.2静态属性任务库

   静态属性任务库也是由静态属性的状态值组成的二维矩阵，矩阵中每个元素也是属性状态值，每一行由不同属性的属性状态值组成，不同行表示不同的任务，每个列向量对应同一属性的各种状态值。任务都是由固定格式的静态属性状态值组成的（即模式A与B属性的子集），任务的不同由属性的不同状态值体现，因此该数据库是满秩矩阵。

   与属性知识库类似，属性任务库也为应答信息提供静态属性对比依据，但它是以知识库比对的结果为处理前提，得到更具说服力的识别结论。当通过与知识库的比对得到各属性的决策值后，再逐一与各任务中相应属性状态值作比较，从而计算应答信息与先验任务的相关度。

 

2.3静态属性互斥库

   静态属性互斥库是由物理含义互斥的静态属性状态值两两一组构成的N*2矩阵，矩阵每行即一对互斥的静态属性状态值元素，矩阵的列N表示考察的互斥关系的总对数。互斥库考察的是应答信息物理含义的合理性，其前提是应答信息具有确定的物理含义。例如考察属性国籍与飞机型号，通过知识库的比对得到两种属性的状态值分别为x国与y型飞机，若互斥库中此两种状态值不存在或存在但不在同一行，则表示应答信息中相应属性合理，维持上级判别结果；若此两种状态值存在于互斥库中的某一行，即x国当前不可能拥有y型飞机，则表示该应答信息中相应属性不合理都不予采信，应清零其属性决策值后再作判别。

   互斥库应遍历所有的存在互斥关系的静态属性，考察模式内及模式间的属性状态值，同一属性状态值可多次出现于不同互斥关系中。为便于检索，建议按知识库中的静态属性及其状态值顺序依次构造互斥库。

 

2.4动态属性兼容库

   动态属性兼容库是由模式C的动态属性及与其映射的模式B的静态属性构成的M*4矩阵，其中，每个行向量的元素定义依次为动态属性状态值、接收域下限、接收域上限、其映射静态属性状态值。与静态互斥库的意义相同，动态属性兼容库也是用于考察应答信息物理含义的合理性，而区别是兼容库重点考察动态属性。例如考察动态属性速度，其实时状态值为x km/h，其映射属性飞机类型的y，y类飞机的速度接收域为[a,b]，若x                                                

[a,b]，则说明速度与飞机类型属性两者不兼容，因此不予采信其属性决策值，应清零后再进行判别。

   为便于检索，应按照模式C的属性与模式B的属性及其状态值顺序依次构造动态属性兼容库。

 

3.基于属性判别的多层级目标识别

3.1应答数据预处理

针对m次应答数据，各模式均要进行预处理，以适应后续判别算法的需求。模式A、B均为静态属性，直接与静态属性知识库作m次比对，计算其属性决策值；模式C为相对固定的动态属性，计算取m次状态值均值。模式D在一定区分度的时间间隔前后各取m次数据，应先分别求出前、后m次应答数据期望，再取其量化后的差值。

 

3.2权重设置

由于各个属性的物理含义不同，其在判决中的地位也不尽相同，因此每个属性

都有自己的权值。由于权重在判决中只与静态属性有关，故只考察静态属性的权值，设静态信息模式应答属性个数为n（n为模式A与B属性总个数），需满足：

本发明权值设置的依赖可归为三方面：属性的重要程度，属性携带的信息量，属性的可靠性。设属性

各方面权值分量为

，k表示考察权值的某方面，k=1,2,3。属性重要程度是一种主观的判断，判断依据来自判定实施者的经验，各属性的此项权值分量为固定值。属性携带的信息量与属性所占bits数成正比，属性

的该项权值为：

属性可靠性与属性状态相关，该项权值与属性状态个数成正比，其物理意义依据是属性的状态越多，属性状态匹配的机率越小，若此时应答属性状态满足要求即表明该属性更可靠，属性

的该项权值为：

三种权值分量需满足：

若三种权值分量自身的权重又为

（k=1,2,3，

根据实际情况由判定实施者确定），且满足：

则

的最终权值为：

3.2两种基于多属性的目标判别方式

   目标属性判别的主要依据是应答信息的正确性，这是一个定性的指标，在识别过程中本发明提出两种基于多属性综合判别的方法，分别针对目标的两类先验情况定量实施识别。其一，若目标的航行任务事先已确定，则直接通过计算应答信息与任务相似度进行判别；其二，若目标的航行任务事先不确定，则由多属性判决准则进行判别。判别的结果本发明以“正”、“误”、“不明”三种状态表示，“正”即应答信息来自正确目标，“误”即应答信息来自错误目标或干扰，“不明”即应答信息无法准确判定。

 

3.2.1由任务相似度判别

   任务相似度是指，按静态属性任务库格式提取应答信息中对应属性数据，再计算其与任务库中任务数据的相关性。若相关性大于接收门限，则表明应答来自该任务对应目标。

   

3.2.2由多属性判决准则判别

   本发明提出以“正”、“误”两种特征值为判定依据的双门限判决准则，两种特征值分别为三种结果状态的重要权衡量。

“正”特征值：记为

（

），考察静态应答模式中应答数据与属性知识库的中属性状态值的匹配度。若是正确目标，因为已知询问信息约定的物理含义，其应答属性数据必定能在先验属性知识库中找到对应属性状态值，且拥有较高的属性决策值。

设该应答模式信息数据包含n种属性，属性权值为

，属性决策值为

，使用先验知识库对属性决策值进行线性加权计算，则正确特征值为：

“误”特征值：记为

（

），针对某固定静态应答模式，考察m次应答数据各属性的波动率；针对动态属性模式D，考察时间间隔ΔT的前后应答数据各属性是否变化。因为若是错误目标或由多径等产生的干扰应答，收到的应答信息数据难以保证属性物理含义的对应性与属性状态值的稳定性。即m次某静态属性模式应答，属性状态值波动性过大，求得静态属性决策值无法满足约束条件；或模式D动态属性时间间隔前后应答差值无法量化，动态属性之间不满足由其状态值构成的运动方程。

设属性

的错误特征状态标记为

（BOOL型，初值为0）。考察静态属性共

种，统计m次应答，若静态属性模式A或B的应答数据中，某静态属性

对应的答案超过k种状态（一般准则取k/m =1/3），或

的属性决策值

<1/2，则置

=1；考察动态属性共

种，若动态属性模式D应答中，动态属性

的前后时间间隔应答期望的差值小于该属性对应的最小量化单位

，则置=1。因此，错误特征值为：

设判决为“正”的特征值门限为

，判决为“误”的特征值门限为

，由双门限判决示意图（见图1）得判决结果，如图2所示。

 

3.3多层级应答信息识别

   二次雷达的作用环境较复杂，包括自然环境因素及人为电磁环境的干扰。因此，单一步骤的判别结果随机性较大，为克服此影响，提高判别结果的置信度，本发明提出多层级判别识别法，每一层级均可得到判别结论，且随层级逐步强化约束条件，使结论更可靠。

   以三层级递进识别策略为例，其判决结果关系如图3所示，“正”的结果域会逐级减少，凡通过该级的约束条件，部分“正”会被重新判别为“不明”或“误”；而“不明”在下一级中既会有来自“正”的补充，也会划分一部分去“误”；“误”的结果与“正”恰好相反，其范围域会逐级增多，分别来自“不明”和“正”。这种变化趋势是由约束条件而决定的，由于约束条件的接受值域都是尽可能排除应答的不合理，因此逐级过滤的结果是以“正”的置信度越来越高为主。为了维持三种判决的平衡性，全面提高识别结果的置信度，达到“正/误”多、“不明”少的最佳识别情况，应该调整判决门限。根据三种判决结果的变化趋势，应使初级判决结果达到“正”比例大，“误”与“不明”比例小的初始状态。由图2的判决准则知，可适当放宽 同时收紧

，即图1中区域②、③略扩大，区域①、④略缩小。

由于层级越多其约束条件越苛刻，相应的算法也复杂，然而执行效率也逐步降低，因此，本发明提出2~4层级识别策略以兼顾算法的效果与实时性。基于任务相似度判别法的识别策略为2级，基于特征值判决准则判别法的识别策略为4级，具体算法描述及评价分别见图4与图5。 

 

附图说明

图1是特征值判决示意图

图2是特征值判决准则表

图3是多层级判别结果过程变化图

图4是基于任务相似度多层级识别策略表

图5是基于特征值判决准则多层级识别策略表

图6是多级判别结果变化图。

 

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

下面结合附图6给出一个实施本发明算法的实例，该例不失一般性。

图6描述了本发明对目标实施识别处理的完整算法流程。

首先是初始化步骤，包括选择目标、确定综合误码率和制定识别策略。误码率主要由系统自身技术指标及目标所处环境综合决定。识别策略包括确定实施判别的级数、每种模式询问次数m的取值。接口上可通过手动或自动两种输入方式实现。手动方式即由实施者主观直接录取级数与次数；自动方式由设备能力（包括天线指标）、目标距离（涉及任务优先级）、紧急性（如识别时间要求）等因素综合得出级数与次数。

其次，根据识别策略逐步发出询问并接收应答信息，按照本发明3.1节对应答数据进行预处理。然后，判断应答信息是否与任务相关；若与任务无关或未达到识别策略要求再采用特征值判决准则进行处理，直至满足识别策略要求。最终得到应答数据是否来自理想目标、干扰或无法确认的结论。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (7)

1.一种基于数据属性化的二次雷达多层级目标识别方法，其特征在于以下步骤：

a）首先是初始化步骤，包括选择目标、确定综合误码率和制定识别策略;

b)预处理应答信息，若与任务无关或未达到识别策略要求再采用特征值判决准则进行处理，直至满足识别策略要求；最终得到应答数据是否来自理想目标、干扰或无法确认的结论。

2.根据权利要求1所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：所述的数据属性化是指根据属性所表示的物理含义，把属性分为静态属性与动态属性；静态属性表示目标的固定信息，包括国籍、飞机类型，其属性状态值不随目标的实时状态改变而改变，该类属性直接用作对目标的识别；相反，动态属性即表示目标的实时状态信息，包括飞行时长、位置经纬度数据，间接用作对目标的识别，动态属性的状态值即该属性实时量化值。

3.根据权利要求1所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：针对属性类型的不同，设置相应的问答模式即划分出4类应答模式，分为静态信息询问和动态信息询问；其中，静态模式两类记为A、B，动态模式两类记为C、D；所述的预处理应答信息针对m次应答数据，各模式均要进行预处理，以适应后续判别算法的需求；模式A、B均为静态属性，直接与静态属性知识库作m次比对，计算其属性决策值；模式C为相对固定的动态属性，计算取m次状态值均值；模式D在一定区分度的时间间隔前后各取m次数据，先分别求出前、后m次应答数据期望，再取其量化后的差值。

4.根据权利要求1所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：提取应答信息的属性状态值需要先验数据库予以支持，在进一步判断信息数据合理化程度时还需要借助各种属性约束条件数据库；因此，以前述属性数据的分类为参考，构造出静态属性知识库、静态属性任务库、静态属性互斥库及动态属性兼容库。

5.根据权利要求1所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：所述步骤b)预处理应答信息的具体工作步骤如下：

1)首先进行1级任务相关性判别；

2)判断是否匹配任务，如否，进入各层级特征值准则判别部分；如是，进入是否满足策略要求判别；

3)步骤2）所述进入是否满足策略要求判别后，如否，则进入2层级任务相关性判别，判断是否匹配任务，如否，进入1层级特征值准则判别；如是匹配任务，则进行是否满足策略要求判别，如是，则判定为“正”，如否，进入1层级特征值准则判别。

6.根据权利要求5所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：所述的各层级特征值准则判别部分具体工作步骤是：

1)1层级特征值准则判别首先判别是否满足策略要求，如否，进入2层级特征值准则判别；

2)2层级特征值准则判别首先判别是否满足策略要求，如否，进入3层级特征值准则判别；

3)3层级特征值准则判别首先判别是否满足策略要求，如否，进入4层级特征值准则判别；

4)在进行前述（1）或（2）或（3）的所述是否满足策略要求时，如是，则进入最终的“正”、“误”、“不明”判定，该判定是根据策略要求、算法支撑数据库、属性权值综合得出的；其中，“正”即应答信息来自正确目标，“误”即应答信息来自错误目标或干扰，“不明”即应答信息无法准确判定。

7.根据权利要求6所述的基于数据属性化的二次雷达多层级目标识别方法，其特征在于：所述算法支撑数据库包括前述静态属性知识库、静态属性任务库、静态属性互斥库和动态属性兼容库4种；所述属性权值由其重要程度、携带的信息量、可靠性3方面综合计算。

Images