CN102156992A

CN102156992A - 两站多目标无源定位与跟踪的智能仿生方法

Info

Publication number: CN102156992A
Application number: CN2011100927358A
Authority: CN
Inventors: 关欣; 周正; 衣晓; 何友
Original assignee: Naval Aeronautical Engineering Institute of PLA
Current assignee: Naval Aeronautical Engineering Institute of PLA
Priority date: 2011-04-14
Filing date: 2011-04-14
Publication date: 2011-08-17
Anticipated expiration: 2031-04-14
Also published as: CN102156992B

Abstract

本发明是一种用两传感器对多运动目标进行无源定位与跟踪的方法。本发明提出的方法能够解决传统方法中对目标数量和队形适应能力弱、定位跟踪精度低以及计算量太大的问题。本发明主要技术要点：(一)“单站分辨、两站关联、多属性协同”的方法进行两站多目标无源智能定位；(二)根据系统状态、部署方式对定位精度的影响，制定两观测站配置和协同机动策略；(三)基于专家系统和机器学习的波门自适应调节算法以及滤波模型集合选择控制算法；(四)仿生联想、推理的机制构建中断航迹与新的起始航迹的二次关联算法以及关联成功后的平滑算法。本发明提出的方法适合对多运动目标进行快速、准确地定位和跟踪，在军用和民用方面都具有重要的应用价值。

Description

两站多目标无源定位与跟踪的智能仿生方法

所属技术领域

本发明是一种用两座无源传感器对多运动目标进行无源定位与跟踪的方法。

背景技术

无源定位与跟踪技术由于具有抗干扰能力强、隐蔽性好等优点而一直倍受国内外学者和相关部门的重视。在无源定位方法中，多站测向交叉定位是运用较多的一种，但是在对多个目标辐射源进行无源交叉定位的过程中，不同的测向线相交将产生大量虚假定位点，而且虚假定位点的数量随着观测站和目标数目的增多而急剧增多。更严重的是，在运动状态下这些真真假假的定位点会形成极其复杂的分布图。如何快速、准确地计算真实的定位点和运动轨迹一直是多站多目标无源定位与跟踪研究中的难点。

目前解决这类问题的方法包括最小距离法、最大似然法、谱相关法、结合时差法、神经网络等算法，近年来又相继提出了聚类分析、概率计算以及多属性结合等算法。但是这些算法或者由于构建模型的基础假设缺乏一般性而导致适应性差，或者由于算法中包含多个环节的NP问题而难以从工程上实现。这样就导致了后续的跟踪计算的复杂性一直难以得到有效降低，也难以对跟踪精度进行有效的提高。

人的两只眼睛分别接受到目标的光信号通过大脑合成处理得出目标的位置信息，即使多个目标以不同的队形以不同速度运动仍能够被人们准确的识别和跟踪。目前无源传感器的探测距离和精度已经远远超过人眼的能力，如果将人们的智能原理成功地与这些传感器技术相结合，开发出的两站多目标无源定位与跟踪系统必将发挥巨大的威力，但是国内外公开的文献中还没有这种智能仿生的相关研究报导。

发明内容

本发明是在分析现有的无源定位与跟踪技术以及人的两只眼睛如何协同对目标定位和跟踪的基础上，采用了实用的两站多目标无源定位与跟踪的智能仿生新算法，具体技术措施包括：

(1)采用“单站分辨、两站关联、多属性协同”的方法来设计了适应广角大范围的两站多目标无源定位智能算法

如何排除两站无源测向交叉定位中的虚假定位点问题一直是国内外许多学者研究的重点和难点。例如若监视区域内存在M个目标，两个无源观测站对这些目标测向总共会产生2M条测向线，这些测向线相交最多可获得M²个交叉定位点，而这些交点中最多只有M个为目标的真实定位点，其余M(M-1)个交点均为虚假定位点，而且真实环境下还存在漏检和虚警情况，使得问题变得更加复杂。当前的算法之所以不能令人满意，首要因素是一开始就引入了太多的虚假信息。如图1所示的两站O₁和O₂对三目标T₁、T₂和T₃的测向线交叉产生的虚假定位点均远离目标真实位置，应用最小距离法、最大似然法、谱相关法和拉格朗日松弛等算法时均不符合收敛条件。近来报导的算法中开始融合多种属性来排除虚假定位点，改进效果也不明显。

发明人研究发现，人眼在复杂背景中定位目标时两只眼睛首先通过颜色、轮廓、运动方式等特征分别对多目标进行分辨，然后再由大脑对分辨之后的信息进行提取和关联，最后由大脑处理得出目标的具体方位，如图2(a)所示。将这种机制应用于两站多目标无源定位，首先两无源观测站分别获取监控范围内各目标的方位、频谱等多种信息，并对目标进行初级分辨，然后对两站的探测分辨结果进行关联，从而计算出各目标的位置信息，如图2(b)所示。这样就避免了引入大量的虚假信息，有效改善了后续的定位跟踪计算。当前仿真结果表明，不但降低了算法复杂度，还能有效提高定位精度和扩大算法适应范围。具体方法是：

①两站无源探测器各自对监视区域通过测向、测频、测能量等方式获取尽可能多的各目标信息；

②对两站各自获取的目标信息进行综合图谱化表示，并根据统计概率和先验信息锐化图谱分辨对比度；

③激锐化之后的两站图谱通过最小距离和最小二乘相结合的方法进行关联；

④从各关联对中提取方位角进行交叉定位。

(2)根据系统状态、部署方式对定位精度的影响，制定保持定位精度所需要的两观测站配置和协同机动的策略

不管算法如何完善，在工程实践中的系统状态、部署方式以及环境条件仍然会对系统的实际效果产生影响。本发明从逻辑流程上按照以下几个环节来构建算法的精度以及与这些因素的关系：

①计算观测站探测方位、时差、频谱等信息的误差；

②计算方位、时差、频谱等信息属性及其相对关系在信息关联中的权重；

③计算定位优质精度区域、一般区域和模糊区域的分布以及不同精度的空域边界；

④根据③的结果或者通过观测站机动提高定位质量，或者通过组网实现全向定位。

(3)基于专家系统和机器学习原理构建波门的自适应调节算法

为了实现对不同分布不同速度的多目标实现跟踪，在对多目标的航迹起始以及方位数据关联计算中还要求多种波门的合理使用。本发明从以下几个方面构建波门的自适应调节模型：

①计算目标距离、速度、数量和分布对波门选择的影响；

②将这些计算结果进行统计，建立波门知识专家系统和机器自动查询算法；

③通过实验对该专家系统的机器自动查询算法进行学习训练。

(4)基于专家系统和机器学习原理构建滤波模型集合的选择控制算法

除了波门，目标跟踪的质量将取决于滤波模型的稳定性。同时对多目标多种方式的运动进行跟踪则必须使用一套稳定性好的滤波模型集合，这些模型的选取算法同样借助专家系统和机器学习原理来建立：

①对比目标不同运动方式相适应的滤波模型；

②选取稳定性好的滤波模型集合，为每一种滤波模型建立偏好知识库；

③利用概率统计和先验信息设计模型集合的自动选择控制算法。

(5)从“能力-同步-平衡”三个方面制定机动或者组网策略

即使配置和协同机动再好的两站无源定位跟踪系统也存在着定位跟踪的优质区域、一般区域和模糊区域，多组系统的组网是为了扩大定位跟踪优质精度区域的重要手段。通信组网技术已经较为成熟，本发明侧重于多组两站无源定位跟踪系统组网的上层策略部分，具体技术为：

①计算两站无源定位跟踪系统的优质精度区域边界极值；

②根据①的结果或者通过观测站机动提高跟踪质量，或者通过组网实现全向跟踪。

(6)仿生联想、推理的机制构建中断航迹与新的起始航迹的二次关联算法以及关联成功后的平滑算法。

①仿照人眼在中断观察前后对多个运动目标轨迹的分辨与记忆机制，构建多目标不同航迹的特征提取与属性分解算法；

②仿照人眼在中断观察前后对多个运动目标轨迹的联想与推理机制，构建中断航迹与新的起始航迹的二次关联算法以及关联成功后的平滑算法；

③计算二次关联的迭代次数对关联精度的影响，制定二次关联的窗口控制策略。

附图说明

附图1测向交叉定位示意图

两站O₁和O₂对三目标T₁、T₂和T₃的测向线交叉产生的虚假定位点均远离目标真实位置，应用最小距离法、最大似然法、谱相关法和拉格朗日松弛等算法时均不符合收敛条件。

附图2模型基本思想

(a)人眼在复杂背景中定位目标时两只眼睛首先通过颜色、轮廓、运动方式等特征分别对多目标进行分辨，然后再由大脑对分辨之后的信息进行提取和关联，最后由大脑处理得出目标的具体方位。

(b)首先两无源观测站分别获取监控范围内各目标的方位、频谱等多种信息，并对目标进行初级分辨，然后对两站的探测分辨结果进行关联，从而计算出各目标的位置信息。

附图3方法实施流程图

该发明对多目标的智能定位与跟踪的流程包括智能定位、智能跟踪和航迹智能平滑与估计三部分(对应三块阴影标示区域)：

(1)智能定位

④从各关联对中提取方位角进行交叉定位；

⑤计算系统状态、部署方式对定位精度的影响；

⑥根据⑤的结果或者通过观测站机动提高定位质量，或者通过组网实现全向定位。

(2)智能跟踪

①分别选取典型运动方式的目标计算与航迹起始相匹配的波门；

②利用统计概率和先验信息对这些波门构成的集合进行自适应调节；

③分别选取典型运动方式的目标挑选相匹配的滤波模型；

④利用统计概率和先验信息对这些滤波模型构成的集合进行选择；

⑤计算两个观测站部署位置和运动状态对应的不同跟踪精度边界；

⑥根据⑤的结果或者通过观测站机动提高跟踪质量，或者通过组网实现全向跟踪。

(3)跟踪航迹的智能平滑与估计

①提取各目标不同航迹的特征，并依具体情况进行属性分解；

②根据特征和属性对中断航迹与新的起始航迹进行二次关联；

③对关联成功后的航迹进行平滑；

④计算典型情况下的二次关联迭代次数与关联精度关系；

⑤根据④的结果制定二次关联窗口的控制策略。

具体实施方式

本发明是在现有的无源定位与跟踪技术以及人眼对目标的协同定位跟踪机制的基础上设计的，包括两站多目标无源智能定位、智能跟踪、以及跟踪航迹的智能平滑与估计，构建了相对完整的两站多目标无源定位与跟踪的智能仿生新流程，具体实施起来，如图3所示：

(1)智能定位

④从各关联对中提取方位角进行交叉定位；

⑤计算系统状态、部署方式对定位精度的影响；

(2)智能跟踪

③分别选取典型运动方式的目标挑选相匹配的滤波模型；

(3)跟踪航迹的智能平滑与估计

③对关联成功后的航迹进行平滑；

④计算典型情况下的二次关联迭代次数与关联精度关系；

⑤根据④的结果制定二次关联窗口的控制策略。

Claims

1.本发明设计了完整的两站多目标无源定位与跟踪的智能仿生流程，包含两站多目标无源智能定位模型、适应多目标多队形多方向情况的两站无源智能跟踪模型和两站多目标无源跟踪航迹的智能平滑与估计模型三个方面。

2.两站多目标无源智能定位模型，模仿人眼和大脑的协同分辨定位原理设计的“单站分辨、两站关联、多属性协同”的人工智能方法，使得两站多目标无源定位避免了引入大量的虚假信息，不但降低了算法复杂度，还扩大了算法适应范围。同时智能模仿人眼通过不断地调节眼球活动得到最佳观察效果的机制，制定两站配置和协同机动策略，能够为保持高质量定位精度提供保证，在此基础上的多组两站无源定位与跟踪系统组网能够为扩大定位跟踪优质精度区域提供有效的手段。具体技术特征包括：

(1)两站无源探测器各自对监视区域通过测向、测频、测能量等方式获取尽可能多的各目标信息，并对这些多种属性的信息进行综合图谱化表示，根据统计概率和先验信息锐化图谱分辨对比度，激锐化之后的两站图谱通过最小距离和最小二乘相结合的方法进行关联；

(2)从各关联对中提取方位角进行交叉定位；

(3)计算系统状态、部署方式对定位精度的影响，依据这种关系或者通过观测站机动提高定位质量，或者通过组网实现全向定位。

3.两站无源智能跟踪模型，目前的方法大都针对较少目标以简单队形的运动，若对多目标多队形多方向的运动进行跟踪则要复杂的多。本专利设计了适应多目标多队形多方向情况的两站无源跟踪智能方法，具体技术特征包括：

(1)针对典型运动方式的目标构建波门代数式集合和滤波模型集合，并计算波门代数式和滤波模型的知识库，在跟踪计算过程中利用统计概率和先验信息对这些波门代数式和滤波模型进行自适应选择；

(2)计算两个观测站部署位置和运动状态对应的不同跟踪精度边界，根据计算结果或者通过观测站机动提高跟踪质量，或者通过组网实现全向跟踪。

4.两站多目标无源跟踪航迹的智能平滑与估计模型，目前的多目标跟踪算法中，在进行方位关联时对没有关联到当前所有定位点的航迹大都抛弃并重新建立跟踪航迹，这是算法能力所限不得已而为之，但很不利于对相关目标运动规律的总结和整个空域态势的把握。本专利仿照人眼在短时间中断观察(如眨眼，突发事件转移视线等情况)前后能够对多个不同运动状态目标的跟踪保持一致这种机制来解决这种问题，具体技术特征包括：

(1)提取各目标的航迹特征，并依具体情况进行属性分解，根据特征和属性对中断航迹与新的起始航迹进行二次关联；

(2)对关联成功后的航迹进行平滑，提取航迹的稳定特征；

(3)根据二次关联迭代次数与关联精度的关系制定二次关联窗口的控制策略。