CN103018722A - 利用组网雷达系统对抗欺骗式假目标的方法 - Google Patents

Abstract

本发明公开了一种利用组网雷达系统对抗欺骗式假目标的方法，主要解决现有技术仅利用目标位置信息融合对抗欺骗式假目标时被欺骗概率过高的问题。其实现步骤是：1、对节点雷达的量测值进行坐标变换，即将各节点雷达为参考原点的极坐标系，变换到组网雷达系统统一的直角坐标系；2、通过最近邻关联的方法匹配量测值，以得到关联量测序列；3、利用目标位置信息进行真假目标识别，保留通过融合检验的关联量测序列；4、对保留的关联量测序列，求得其对应的实际速度矢量集；5、利用目标速度信息进行真假目标识别，进一步降低组网雷达被欺骗概率。本发明有效降低了组网雷达被欺骗的概率，可用于组网雷达有效对抗欺骗式干扰。

Description

利用组网雷达系统对抗欺骗式假目标的方法

技术领域

本发明涉及雷达技术领域，特别涉及组网雷达数据融合处理技术，具体地说是组网雷达系统识别对抗欺骗式假目标方法。该方法可用于组网雷达系统数据融合中心有效地识别并剔除欺骗式假目标，实现组网雷达系统对抗欺骗式干扰。

背景技术

欺骗式干扰是指干扰机在截获雷达发射信号，并分析其参数的基础上，向雷达发射调制延迟后的发射信号，从而在真目标周围产生很多假目标，使得雷达不能正确地识别出真目标。欺骗式干扰包括距离欺骗、角度欺骗以及速度欺骗，即多普勒频率欺骗。

距离欺骗，是指干扰产生的假目标的距离与真目标的距离不同，使得雷达不能区分真假。对于载波稳定的雷达，可以在真目标距离之前产生假目标，对于采用载波捷变的雷达，则只能在真目标距离之后产生假目标。

角度欺骗，是指干扰产生的假目标的方位角不同于真目标。干扰机的发射信号从天线旁瓣进入，但是发射功率很大，造成信号功率超过了检测门限，使得雷达误认为该假目标是在主瓣内的，达到角度欺骗的目的。对于欺骗式假目标干扰，虽然没有干扰雷达对真目标的检测，但是真目标是存在于众多假目标中的。在这种情况下，对于没有分辨能力的雷达，必须将所有目标都作为真目标对待，因此消耗雷达系统资源，影响雷达后续处理性能。

雷达可以单站工作，即一部雷达独立地进行目标的检测、跟踪及识别。同时，也可以将多部不同体制、不同工作模式、不同频段、不同极化方式的雷达适当布站，组成网络，并利用通信数据链将测量数据送至数据融合中心，由网络中心统一调配处理，这是组网雷达的工作模式。

单站雷达可以通过发射波形捷变对抗距离导前假目标干扰，但对于其余情况的欺骗式假目标干扰，由于真假目标均能通过门限检测，很难完成对欺骗式假目标的识别和对抗。对于组网雷达，在干扰机没有完全获悉其各节点雷达的位置信息的情况下，很难对所有节点雷达产生在空间上完全重合并且速度信息也完全一致的电子假目标。同时，由于组网雷达具有体制分集和空间分集，即多视角等特点，真目标和电子假目标在空间位置上表现出差异性：对于真目标，其空间位置信息与各节点雷达部署位置无关，在统一坐标系下，各节点雷达对于真目标位置信息的量测相对“集中”；对于假目标，其位置信息由干扰机和节点雷达之间的相对位置决定，不同雷达量测到的假目标的空间位置相对“分散”。基于真假目标空间位置信息在统一坐标系下的上述差别，利用假设检验的方法可以进行真假目标识别。

上面提到的假设检验方法是一种显著性检验，它存在两类误判问题：一是将真目标判别为假，称为“弃真”误判，其发生的概率为漏警概率；二是将假目标判别为真，称为“取伪”误判，其发生的概率为被欺骗概率。在雷达基线范围以外，以及离雷达较远的位置处，由于目标与各节点雷达连线间夹角变小，真假目标空间位置的集中和分散程度变得难以判断。因此，只根据位置信息进行真假目标识别，在保证漏警概率较小的情况下，组网雷达的被欺骗概率将变大。

发明内容

本发明的目的在于针对上述现有有源欺骗式假目标对抗方法的不足，提出一种利用组网雷达系统对抗欺骗式假目标的方法，以识别并剔除欺骗式假目标，降低组网雷达被欺骗概率，实现其对欺骗式干扰的有效对抗。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)组网雷达中的各节点雷达分别对目标进行检测，得到其量测值，对这些量测值进行坐标变换，即将各节点雷达为参考原点的极坐标系，变换到组网雷达系统统一的直角坐标系中；

(2)对直角坐标系中各节点雷达的量测集Z_i={(x_i,y_i,v_i)}，利用距离最近邻关联的方法进行匹配，得到关联量测序列即各节点雷达对同一目标的量测值的匹配结果，其中k表示关联量测序列的序号，

表示第i个雷达的第l_i个量测值，i表示雷达编号，i＝1,2,...,N，N表示组网雷达中节点雷达的个数，x_i表示目标的x轴坐标，y_i表示其y轴坐标，v_i表示其径向速度；

(3)将关联量测序列中的各量测值进行两两组合，对每一个组合中的两个量测值进行位置信息融合检验；

(4)根据步骤(3)得到的所有组合的位置信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过位置信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除；

(5)对步骤(4)保留的关联量测序列中的量测值进行两两组合，根据每一个组合中的两个量测值，分别计算出目标的一个实际速度矢量V，利用所有组合求得的这些速度矢量，以构成该关联量测序列的速度矢量集，并对其中的速度矢量再次进行两两组合；

(6)对步骤(5)得到的每一个组合中的两个速度矢量值进行速度信息融合检验，即计算其速度矢量差ΔV的误差协方差矩阵Q_v，及其马氏距离

并根据马氏距离d_v服从他方分布这一特点，进行速度信息融合检验，其中ΔV^T表示速度矢量差ΔV的转置，

表示误差协方差矩阵Q_v的逆；

(7)根据步骤(6)得到的所有组合的速度信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过速度信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除。

本发明与现有技术相比具有的优点

1、相对于单站雷达对抗欺骗式假目标方法，本发明由于能够融合组网雷达中各节点雷达获取的量测信息，因而提高了对欺骗式假目标的识别概率；

2、针对仅利用位置信息进行真假目标识别，在距离雷达网较远的情况下，被欺骗概率过高的问题，本发明进一步利用目标速度信息进行融合检测，降低了在距离雷达网较远的情况下组网雷达的被欺骗概率，以有效地识别出假目标；

3、本发明整体设计简单，串行实现目标位置及速度信息融合，计算量较小，可以应用在组网雷达数据融合中心，以实现基于集中式处理方式的雷达目标检测、跟踪及识别等。

附图说明

图1是本发明的实现流程图；

图2是本发明仿真组网雷达布局及目标信息图；

图3是现有仅利用位置信息进行真假目标识别时目标检测概率区域变化图；

图4是现有仅利用位置信息进行真假目标识别时组网雷达被欺骗概率区域变化图；

图5是本发明利用位置和速度信息进行真假目标识别时目标检测概率区域变化图；

图6是本发明利用位置和速度信息进行真假目标识别时组网雷达被欺骗概率的区域变化图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1、对各节点雷达检测到的量测值进行坐标变换，即将各节点雷达为参考原点的极坐标系，变换到组网雷达系统统一的直角坐标系中。

在组网雷达中，各节点雷达检测得到目标参数信息都是在以雷达为参考原点极坐标中完成的，为了进行数据融合检验，首先要建立一个组网雷达系统统一的直角坐标系，并将各节点雷达的量测数据变换到该直角坐标系中。

设节点雷达在直角坐标系中的坐标为(x₀,y₀)，根据节点雷达参考极坐标到统一直角坐标的变换关系，得到变换后目标的直角坐标为S＝(x,y)：

$\left\{\begin{array}{c}x=\mathrm{\ρ}\cos \mathrm{\θ}+x_0\\ y=\mathrm{\ρ}\sin \mathrm{\θ}+y_0\end{array}\right.,---1)$

其中，ρ为节点雷达测得的目标的径向距离，θ为节点雷达测得的目标的方位角。

步骤2、通过最近邻关联的方法匹配量测值，以得到关联量测序列。

各节点雷达受到的欺骗式干扰不同，产生的假目标个数，及它们的参数也可能是不同的，而一个真目标在各节点雷达中只会对应一个量测值，则在进行真假目标识别之前，要先确定各个雷达的哪些量测值是对应于同一目标的。为达到这一目的，本发明利用最近邻关联的方法，对各节点雷达的量测值进行匹配，以得到关联量测序列，具体步骤如下：

2a)设组网雷达中有N个节点雷达，各雷达的量测值的个数为M_i，则在统一直角坐标系中，第i个节点雷达的量测集Z_i为：

$Z_i=\{(x_i^1,y_i^1,v_i^1),(x_i^2,y_i^2,v_i^2),...,(x_i^{M_i},y_i^{M_i},v_i^{M_i})\},---2)$

其中，

表示来自第i个雷达的第j个量测的x轴坐标，表示来自第i个雷达的第j个量测的y轴坐标，

表示来自第i个雷达的第j个量测的径向速度，i＝1,2,...,N，j＝1,2,...,M_i。

2b)找到量测值最少的节点雷达，M_min＝min(M₁,M₂,...,M_N)作为参考雷达，将该参考雷达的编号设为m；

2c)以参考雷达检测到的量测值为基准，对参考雷达的第s个量测值，计算其与第l个雷达的所有量测值之间的欧式距离t=1,2,...,M_l，选择最小欧氏距离对应的第l个雷达的量测值与参考雷达的第s个量测值匹配，这一过程称之为最近邻关联，其中，

表示第m个雷达的第s个量测值的x轴坐标，表示第l个雷达的第t个量测值的x轴坐标，表示第m个雷达的第s个量测值的y轴坐标，

表示第l个雷达的第t个量测值的y轴坐标，M_l表示雷达l测得的量测值个数；

2d)对除参考雷达外的所有节点雷达，均使用最近邻关联的方法得到其与参考雷达的第s个量测值匹配的量测值，将参考雷达的第s个量测值和与其匹配上的所有量测值组合起来，得到对应的第s个关联量测序列；

2e)对参考雷达中的所有量测值，均按照2c)和2d)的方法得到对应的关联量测序列，最终得到M_min个关联量测序列AL^k，每个序列中包含N个来自不同雷达的量测值，即

其中k表示关联量测序列的序号，k＝1,2,...,M_min，

表示第i个雷达的第l_i个量测值，i＝1,2,...,N，l_i＝1,2,...,M_i。

步骤3、将关联量测序列中的各量测值进行两两组合，对每一个组合中的两个量测值进行位置信息融合检验。

对于真目标，由于物理来源相同，所有节点雷达对其产生的量测值转换到统一直角坐标后，其空间位置是相对集中的；对于欺骗式干扰产生的假目标，由于干扰机很难准确获知所有节点雷达的参数，在这种情况下，产生的假目标在空间上是相对分散的。位置信息融合检测就是利用这一原理，通过建立假设检验模型，以识别真假目标。具体实现步骤如下：

3a)对式1)两边进行微分，得到：

$\left[\begin{array}{c}\mathrm{dx}\\ \mathrm{dy}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\mathrm{\ρ}\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \mathrm{\ρ}\cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}\mathrm{d\ρ}\\ \mathrm{d\θ}\end{array}\right],---3)$

记 $T=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\mathrm{\ρ}\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \mathrm{\ρ}\cos \mathrm{\θ}\end{array}\right],$ 称之为变换矩阵；

3b)根据变换矩阵T，求得转换到直角坐标后，雷达坐标值的误差协方差矩阵P：

P＝TΛT^T，                                                        4)

其中，对角矩阵σ_ρ表示雷达的测距误差，σ_θ表示雷达的测角误差，diag(·)表示以其变量为对角元素的对角矩阵；

3c)设进行位置信息融合检验的两个雷达量测值在关联量测序列中的编号分别为i和j，这两个雷达量测值的位置差为ΔS_ij＝S_i-S_j，由于直角坐标系中量测误差是近似服从零均值的高斯分布的随机变量，则两雷达量测的位置差ΔS_ij的误差也近似服从零均值的高斯分布；

3d)在各雷达量测值之间是独立的情况下，位置差ΔS_ij的误差协方差矩阵Q_ij等于这两个雷达坐标值的误差协方差矩阵之和，即Q_ij＝P_i+P_j，其中，P_i表示关联量测序列中第i个量测值的误差协方差矩阵，P_j表示关联量测序列中第j个量测值的误差协方差矩阵；

3e)根据两个量测值的位置差ΔS_ij及其误差协方差矩阵Q_ij，计算出这两个量测值之间的马氏距离d_ij：

$d_{\mathrm{ij}}={\mathrm{\ΔS}}_{\mathrm{ij}}^T{Q}_{\mathrm{ij}}^{-1}{\mathrm{\ΔS}}_{\mathrm{ij}};---5)$

3f)根据马氏距离d_ij近似服从χ²分布，即他方分布这一特点，对这两个量测值进行假设检验，在d_ij≤U的情况下，认为这两个量测值通过了位置信息融合检验，在d_ij＞U的情况下，认为这两个量测值未通过位置信息融合检验，其中，U表示检验门限，是根据不同的显著性水平确定的。

步骤4、根据步骤3得到的所有组合的位置信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过位置信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除。

步骤5、对步骤4保留的关联量测序列中的量测值进行两两组合，根据每一个组合中的两个量测值，分别计算出目标的一个实际速度矢量V，利用所有组合求得的这些速度矢量，以构成该关联量测序列的速度矢量集，并对其中的速度矢量再次进行两两组合。

关联量测序列中量测值的个数为N，则对一个关联量测序列，求得目标的实际速度的个数为

将这L个实际速度矢量组合起来，构成该关联量测序列的速度矢量集，然后对其中的速度矢量再次进行两两组合，这样可以得到

个组合，其中，N是组网雷达中节点雷达的个数，C表示组合运算符。计算目标实际速度矢量的方法如下：

设组合中的两个量测值为关联量测序列中的第i个量测值与第j个量测值，则根据这两个量测，可计算出目标的一个实际速度矢量V_ij：

$V_{\mathrm{ij}}=\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]=\frac{1}{\sin ({\mathrm{\θ}}_j-{\mathrm{\θ}}_i)}\left[\begin{array}{cc}-\sin {\mathrm{\θ}}_j& \sin {\mathrm{\θ}}_i\\ \cos {\mathrm{\θ}}_j& -\cos {\mathrm{\θ}}_i\end{array}\right]\left[\begin{array}{c}{v}_i\\ v_j\end{array}\right],---6)$

其中，v_x表示目标实际速度矢量的x轴分量，v_y表示目标实际速度矢量的y轴分量，θ_i表示雷达i测得的目标的方位角，v_i表示雷达i测得的目标相对雷达的径向速度，θ_j表示雷达j测得的目标的方位角，v_j表示雷达j测得的目标相对雷达的径向速度，径向速度均以靠近雷达方向为正。

步骤6、对步骤5得到的每一个组合中的两个速度矢量值进行速度信息融合检验。

仅利用位置信息进行真假目标识别，在雷达基线范围以外，以及离组网雷达较远的区域，假目标的识别率下降，组网雷达被欺骗概率较大。因此，对位置信息融合检验后保留的关联量测序列，需要进一步剔除假目标，本发明考虑将量测的速度信息利用起来。

与位置信息类似，由于真目标的实际速度是确定的，则由任意两雷达量测得到的径向速度得到目标实际速度矢量，都以很大的概率集中在量测误差决定的一定范围内，而干扰产生的假目标的速度矢量是随机的，则目标的实际速度矢量是相对分散的。根据这一原理，建立假设检验模型，以识别真假目标，具体实现步骤如下：

6a)对式6)两边进行微分，得到：

${\mathrm{dV}}_{\mathrm{ij}}=\left[\begin{array}{c}{\mathrm{dv}}_x\\ {\mathrm{dv}}_y\end{array}\right]=T_{\mathrm{ij}}\left[\begin{array}{c}{\mathrm{d\θ}}_i\\ {\mathrm{d\θ}}_j\\ {\mathrm{dv}}_i\\ {\mathrm{dv}}_j\end{array}\right],---7)$

其中，T_ij为变换矩阵， $T_{\mathrm{ij}}={{\mathrm{\ζ}}_{\mathrm{ij}}}^{-2}\left[\begin{array}{cccc}{\mathrm{\ξ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_j& {\mathrm{\ξ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_i& -{\mathrm{\ζ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_j& {\mathrm{\ζ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_i\\ -{\mathrm{\ξ}}_{\mathrm{ji}}\cos {\mathrm{\θ}}_j& -{\mathrm{\ξ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_i& {\mathrm{\ζ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_j& -{\mathrm{\ζ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_i\end{array}\right],$ ξ_ij和ξ_ij均为中间变量，ξ_ij＝v_i-cos(θ_j-θ_i)v_j，ξ_ij＝sin(θ_j-θ_i)；

6b)根据变换矩阵T_ij，求得目标实际速度矢量V_ij的误差协方差矩阵P_ij：

$P_{\mathrm{ij}}=T_{\mathrm{ij}}{\mathrm{\ΛT}}_{\mathrm{ij}}^T,---8)$

其中，对角矩阵

表示雷达i的测角误差，

表示雷达j的测角误差，

表示雷达i的测速误差，

表示雷达j的测速误差，diag(·)表示以其变量为对角元素的对角矩阵；

6c)设参与速度信息融合检验的两个速度矢量分别为V_ij和V_hk，则两者的速度矢量差为ΔV＝V_ij-V_hk，判断参与速度信息融合检验的两个速度矢量是否相关，若计算这两个速度矢量时没有用到了同一个量测值，则认为它们不相关，进行步骤6d)，否则，认为两个速度矢量相关，进行步骤6e)，

其中，V_ij表示根据关联量测序列中的第i个量测值与第j个量测值得到的目标的一个实际速度矢量，V_hk表示根据关联量测序列中的第h个量测值与第k个量测值得到的目标的一个实际速度矢量；

6d)若两个速度矢量V_ij和V_hk不相关，即i≠j≠h≠k，且在各雷达量测值之间是独立的情况下，则速度矢量差ΔV的误差协方差矩阵Q_v等于两个速度矢量的误差协方差矩阵之和，即Q_v＝P_ij+P_hk；

6e)若两个速度矢量V_ij和V_hk相关，即i≠j=h≠k，速度矢量差ΔV=[Δv_x,Δv_y]^T的误差协方差矩阵为Q_v：

$Q_v=T_{\mathrm{\Δ}}{\mathrm{\ΛT}}_{\mathrm{\Δ}}^T,---9)$

其中，对角矩阵 $\mathrm{\Λ}=\mathrm{diag}({\mathrm{\σ}}_{{\mathrm{\θ}}_i}^2,{\mathrm{\σ}}_{{\mathrm{\θ}}_j}^2,{\mathrm{\σ}}_{{\mathrm{\θ}}_k}^2,{\mathrm{\σ}}_{v_i}^2,{\mathrm{\σ}}_{v_j}^2,{\mathrm{\σ}}_{v_k}^2),$ T_Δ是变换矩阵，

$T_{\mathrm{\Δ}}=\left[\begin{array}{cccccc}\frac{{\∂\mathrm{\Δv}}_x}{{\∂\mathrm{\θ}}_i}& \frac{\∂\mathrm{\Δ}{v}_x}{{\∂\mathrm{\θ}}_j}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂\mathrm{\θ}}_k}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_i}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_j}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_k}\\ \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_i}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_j}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_j}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_i}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_j}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_k}\end{array}\right],$

Δv_x表示速度矢量差ΔV的x轴分量，Δv_y表示速度矢量差ΔV的y轴分量，

表示雷达k的测角误差，表示雷达k的测速误差；

6f)根据速度矢量差ΔV及其误差协方差矩阵Q_v，计算出这两个速度矢量之间的马氏距离d_v：

$d_v={\mathrm{\ΔV}}^T{Q}_v^{-1}\mathrm{\ΔV};---10)$

6g)根据马氏距离d_v近似服从χ²分布，即他方分布这一特点，对这两个量测值进行假设检验，在d_v≤U的情况下，认为这两个量测值通过了速度信息融合检验，在d_v＞U的情况下，认为这两个量测值未通过速度信息融合检验，其中，U表示检验门限，是根据不同的显著性水平确定的。

步骤7、根据步骤6得到的所有组合的速度信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过速度信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除。

本发明对抗欺骗式假目标的能力可通过以下仿真进一步验证。

1.实验场景：如图2所示，它是本发明仿真组网雷达布局及目标信息图，组网雷达是由3部两坐标雷达组成的，节点雷达的位置坐标分别为(0,0)km、(50,0)km、(100,0)km，仿真场景中共有1个真目标，15个欺骗式假目标。其中，三个节点雷达的测距误差均为50m，测角误差均为0.001弧度，测速误差分别为5m/s、8m/s、10m/s。真目标实际速度矢量为(100,50)m/s，距离真目标最近的假目标的欺骗距离为300m。

2.实验内容：由于目标检测概率及组网雷达被欺骗概率是与真目标的位置有关的，仿真实验中，将真目标坐标在一定区域范围内变化，变化范围为：x轴坐标从-50km到150km，y轴坐标从20km到110km。对区域内的每一个位置，均使用两种方法来进行真假目标识别，这两种方法为现有仅利用目标位置信息的方法，及本发明提出的串行利用目标位置和速度信息的方法。

①对区域范围内的每一点，均使用现有仅利用目标位置信息的方法进行真假目标识别，并进行1000次Monte Carlo仿真实验，得到区域内每一个位置，目标的检测概率及组网雷达被欺骗概率，并根据求得的检测概率和被欺骗概率，得到仅利用位置信息进行真假目标识别时目标检测概率的区域变化图，如图3所示，及组网雷达被欺骗概率的区域变化图，如图4所示；

②对区域范围内的每一点，均使用本发明提出的串行利用目标位置和速度信息的方法进行真假目标识别，并进行1000次Monte Carlo仿真实验，得到区域内每一个位置，目标的检测概率及组网雷达被欺骗概率，再根据求得的检测概率和被欺骗概率，得到使用本发明的方法进行真假目标时目标检测概率的区域变化图，如图5所示，及组网雷达被欺骗概率的区域变化图，如图6所示。

3.实验结果：

从图3中可以看到，在组网雷达系统中，使用现有仅利用位置信息进行真假目标识别时，目标的检测概率很高，均大于88%。

从图4中可以看到，使用现有方法时，在基线以外以及离雷达较远区域，组网雷达被欺骗概率过高，最大值可达到39%，其中，图中的*号表示三个节点雷达位置。

从图5中可以看到，使用本发明利用位置和速度信息进行真假目标识别时，目标检测概率相比现有方法基本不变，仍大于88%。

从图6中可以看到，使用本发明提出的方法后，组网雷达的被欺骗概率明显降低，尤其是在基线以外以及离雷达较远区域，使得整个区域组网雷达的被欺骗概率均降至5%以下。

综上，本发明的方法相比于现有方法，在保证目标检测概率的前提下，明显降低了组网雷达的被欺骗概率，从而验证了本发明对抗欺骗式假目标的有效性。

Claims (4)

1.一种利用组网雷达系统对抗欺骗式假目标的方法，其包括如下步骤：

(1)组网雷达中的各节点雷达分别对目标进行检测，得到其量测值，对这些量测值进行坐标变换，即将各节点雷达为参考原点的极坐标系，变换到组网雷达系统统一的直角坐标系中；

(2)对直角坐标系中各节点雷达的量测集Zi={(xi,yi,vi)}，利用距离最近邻关联的方法进行匹配，得到关联量测序列即各节点雷达对同一目标的量测值的匹配结果，其中k表示关联量测序列的序号，表示第i个雷达的第l_i个量测值，i表示雷达编号，i＝1,2，...,N，N表示组网雷达中节点雷达的个数，x_i表示目标的x轴坐标，y_i表示其y轴坐标，v_i表示其径向速度；

(3)将关联量测序列中的各量测值进行两两组合，对每一个组合中的两个量测值进行位置信息融合检验；

(4)根据步骤(3)得到的所有组合的位置信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过位置信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除；

(5)对步骤(4)保留的关联量测序列中的量测值进行两两组合，根据每一个组合中的两个量测值，分别计算出目标的一个实际速度矢量V，利用所有组合求得的这些速度矢量，以构成该关联量测序列的速度矢量集，并对其中的速度矢量再次进行两两组合；

(6)对步骤(5)得到的每一个组合中的两个速度矢量值进行速度信息融合检验，即计算其速度矢量差ΔV的误差协方差矩阵Q_v，及其马氏距离并根据马氏距离d_v服从他方分布这一特点，进行速度信息融合检验，其中ΔV^T表示速度矢量差ΔV的转置，

表示误差协方差矩阵Q_v的逆；

(7)根据步骤(6)得到的所有组合的速度信息融合检验结果，判断一个关联量测序列是否对应真目标，若所有组合均通过速度信息融合检验，则认为该关联量测序列对应真目标，并保留这些关联量测序列，否则，认为其对应假目标，将其剔除。

2.根据权利要求1所述的利用组网雷达系统对抗欺骗式假目标的方法，其中步骤(2)所述的利用最近邻关联方法对各个节点雷达的量测值进行匹配，得到关联量测序列，按如下步骤进行：

2a)设各雷达的量测值的个数为Mi，则在统一直角坐标系中，第i个节点雷达的量测集为 $Z_i=\{(x_i^1,y_i^1,v_i^1),(x_i^2,y_i^2,v_i^2),...,(x_i^{M_i},y_i^{M_i},v_i^{M_i})\},$ 其中，表示来自第i个雷达的第j个量测的x轴坐标，

表示来自第i个雷达的第j个量测的y轴坐标，

表示来自第i个雷达的第j个量测的径向速度，i＝1,2,...,N，N表示组网雷达中节点雷达的个数；

2b)找到量测值最少的节点雷达，M_min＝min(M₁,M₂,...,M_N)，作为参考雷达，该参考雷达的编号为m；

2c)以参考雷达检测到的量测值为基准，对参考雷达的第s个量测值，计算其与第l个雷达的所有量测值之间的欧式距离t=1,2,...,M_l，选择最小欧氏距离对应的第l个雷达的量测值与参考雷达的第s个量测值匹配，这一过程称之为最近邻关联，其中，

表示第m个雷达的第s个量测值的x轴坐标，

表示第l个雷达的第t个量测值的x轴坐标，

表示第m个雷达的第s个量测值的y轴坐标，

表示第l个雷达的第t个量测值的y轴坐标，M_l表示雷达l测得的量测值个数；

2d)对除参考雷达外的所有节点雷达，均使用最近邻关联的方法得到其与参考雷达的第s个量测值匹配的量测值，将参考雷达的第s个量测值和与其匹配上的所有量测值组合起来，得到对应的第s个关联量测序列；

2e)对参考雷达中的所有量测值，均按照2c)和2d)的方法得到对应的关联量测序列，最终得到M_min个关联量测序列AL^k，每个序列中包含N个来自不同雷达的量测值，即

其中k表示关联量测序列的序号，k＝1,2,...,M_min，

表示第i个雷达的第l_i个量测值，i＝1,2,...,N，l_i＝1,2,...,M_i。

3.根据权利要求1所述的利用组网雷达系统对抗欺骗式假目标的方法，其中步骤(3)所述的对每一个组合中的两个量测值进行位置信息融合检验，按如下步骤进行：

3a)设节点雷达在直角坐标系中的坐标为(x₀,y₀)，根据节点雷达参考极坐标到统一直角坐标的变换关系，得到变换后目标的直角坐标为S＝(x,y)：

$\left\{\begin{array}{c}x=\mathrm{\ρ}\cos \mathrm{\θ}+x_0\\ y=\mathrm{\ρ}\sin \mathrm{\θ}+y_0\end{array}\right.,---1)$

其中，ρ为节点雷达测得的目标的径向距离，θ为节点雷达测得的目标的方位角；

3b)对式1)两边进行微分，得到：

$\left[\begin{array}{c}\mathrm{dx}\\ \mathrm{dy}\end{array}\right]=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\mathrm{\ρ}\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \mathrm{\ρ}\cos \mathrm{\θ}\end{array}\right]\left[\begin{array}{c}\mathrm{d\ρ}\\ \mathrm{d\θ}\end{array}\right],---2)$

记 $T=\left[\begin{array}{cc}\cos \mathrm{\θ}& -\mathrm{\ρ}\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \mathrm{\ρ}\cos \mathrm{\θ}\end{array}\right],$ 称之为变换矩阵；3c)根据变换矩阵T，求得转换到直角坐标后，雷达坐标值的误差协方差矩阵P：

P＝TΛT^T，                                                3)

其中，对角矩阵σ_ρ表示雷达的测距误差，σ_θ表示雷达的测角误差，diag(·)表示以其变量为对角元素的对角矩阵；

3d)设进行位置信息融合检验的两个雷达量测值在关联量测序列中的编号分别为i和j，这两个雷达量测值的位置差为ΔS_ij＝S_i-S_j，在各雷达量测值之间是独立的情况下，位置差ΔS_ij的误差协方差矩阵Q_ij等于这两个雷达坐标值的误差协方差矩阵之和，即Q_ij＝P_i+P_j，其中，P_i表示关联量测序列中第i个量测值的误差协方差矩阵，P_j表示关联量测序列中第j个量测值的误差协方差矩阵；

3e)根据两个量测值的位置差ΔS_ij及其误差协方差矩阵Q_ij，计算出这两个量测值之间的马氏距离d_ij：

$d_{\mathrm{ij}}=\mathrm{\Δ}{S}_{\mathrm{ij}}^T{Q}_{\mathrm{ij}}^{-1}{\mathrm{\ΔS}}_{\mathrm{ij}};---4)$

3f)根据马氏距离d_ij近似服从χ²分布，即他方分布这一特点，对这两个量测值进行假设检验，在d_ij≤U的情况下，认为这两个量测值通过了位置信息融合检验，在d_ij＞U的情况下，认为这两个量测值未通过位置信息融合检验，其中，U表示检验门限，是根据不同的显著性水平确定的。

4.根据权利要求1所述的利用组网雷达系统对抗欺骗式假目标的方法，其中步骤(6)所述的对步骤(5)得到的每一个组合中的两个速度矢量值进行速度信息融合检验，按如下步骤进行：

6a)根据一个关联量测序列中的第i个量测值与第j个量测值，计算出目标的一个实际速度矢量Vij：

$V_{\mathrm{ij}}=\left[\begin{array}{c}{v}_x\\ v_y\end{array}\right]=\frac{1}{\sin ({\mathrm{\θ}}_j-{\mathrm{\θ}}_i)}\left[\begin{array}{cc}-\sin {\mathrm{\θ}}_j& \sin {\mathrm{\θ}}_i\\ \cos {\mathrm{\θ}}_j& -\cos {\mathrm{\θ}}_i\end{array}\right]\left[\begin{array}{c}{v}_i\\ v_j\end{array}\right],---5)$

其中，v_x表示目标实际速度矢量的x轴分量，v_y表示目标实际速度矢量的y轴分量，θ_i表示雷达i测得的目标的方位角，v_i表示雷达i测得的目标相对雷达的径向速度，θ_j表示雷达j测得的目标的方位角，v_j表示雷达j测得的目标相对雷达的径向速度，径向速度均以靠近雷达方向为正；

6b)对式5)两边进行微分，得到：

${\mathrm{dV}}_{\mathrm{ij}}=\left[\begin{array}{c}{\mathrm{dv}}_x\\ {\mathrm{dv}}_y\end{array}\right]=T_{\mathrm{ij}}\left[\begin{array}{c}d{\mathrm{\θ}}_i\\ d{\mathrm{\θ}}_j\\ d{v}_i\\ d{v}_j\end{array}\right],---6)$

其中，T_ij为变换矩阵， $T_{\mathrm{ij}}={\mathrm{\ζ}}_{\mathrm{ij}}^{-2}\left[\begin{array}{cccc}{\mathrm{\ξ}}_{\mathrm{ji}}\sin {\mathrm{\θ}}_j& {\mathrm{\ξ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_i& {-\mathrm{\ζ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_j& {\mathrm{\ζ}}_{\mathrm{ij}}\sin {\mathrm{\θ}}_i\\ {-\mathrm{\ξ}}_{\mathrm{ji}}\cos {\mathrm{\θ}}_j& {-\mathrm{\ξ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_i& {\mathrm{\ζ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_j& {-\mathrm{\ζ}}_{\mathrm{ij}}\cos {\mathrm{\θ}}_i\end{array}\right],$ ξ_ij和ζ_ij均为中间变量，ξ_ij＝v_i-cos(θ_j-θ_i)v_j，ζ_ij＝sin(θ_j-θ_i)；

6c)根据变换矩阵T_ij，求得目标实际速度矢量V_ij的误差协方差矩阵P_ij：

$P_{\mathrm{ij}}=T_{\mathrm{ij}}\mathrm{\Λ}{T}_{\mathrm{ij}}^T,---7)$

其中，对角矩阵

表示雷达i的测角误差，

表示雷达j的测角误差，

表示雷达i的测速误差，

表示雷达j的测速误差；6d)设参与速度信息融合检验的两个速度矢量分别为V_ij和V_hk，则两者的速度矢量差为ΔV＝V_ij-V_hk，判断参与速度信息融合检验的两个速度矢量是否相关，若计算这两个速度矢量时没有用到了同一个量测值，则认为它们不相关，进行步骤6e)，否则，认为两个速度矢量相关，进行步骤6f)，

其中，V_ij表示根据关联量测序列中的第i个量测值与第j个量测值得到的目标的一个实际速度矢量，V_hk表示根据关联量测序列中的第h个量测值与第k个量测值得到的目标的一个实际速度矢量；

6e)若两个速度矢量V_ij和V_hk不相关，即i≠j≠h≠k，且在各雷达量测值之间是独立的情况下，则速度矢量差ΔV的误差协方差矩阵Q_v等于两个速度矢量的误差协方差矩阵之和，即Q_v＝P_ij+P_hk；

6f)若两个速度矢量V_ij和V_hk相关，即i≠j=h≠k，速度矢量差ΔV=[Δv_x,Δv_y]^T的误差协方差矩阵为Q_v：

$Q_v=T_{\mathrm{\Δ}}\mathrm{\Λ}{T}_{\mathrm{\Δ}}^T,---8)$

其中，对角矩阵 $\mathrm{\Λ}=\mathrm{diag}({\mathrm{\σ}}_{{\mathrm{\θ}}_i}^2,{\mathrm{\σ}}_{{\mathrm{\θ}}_j}^2,{\mathrm{\σ}}_{{\mathrm{\θ}}_k}^2,{\mathrm{\σ}}_{v_i}^2,{\mathrm{\σ}}_{v_j}^2,{\mathrm{\σ}}_{v_k}^2),$ TΔ是变换矩阵，

$T_{\mathrm{\Δ}}=\left[\begin{array}{cccccc}\frac{{\∂\mathrm{\Δv}}_x}{{\∂\mathrm{\θ}}_i}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂\mathrm{\θ}}_j}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂\mathrm{\θ}}_k}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_i}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_j}& \frac{{\∂\mathrm{\Δv}}_x}{{\∂v}_k}\\ \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_i}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_j}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂\mathrm{\θ}}_k}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_i}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_j}& \frac{{\∂\mathrm{\Δv}}_y}{{\∂v}_k}\end{array}\right],$

Δv_x表示速度矢量差ΔV的x轴分量，Δv_y表示速度矢量差ΔV的y轴分量，表示雷达k的测角误差，

表示雷达k的测速误差；

6g)根据速度矢量差ΔV及其误差协方差矩阵Q_v，计算出这两个速度矢量之间的马氏距离d_v：

$d_v={\mathrm{\ΔV}}^T{Q}_v^{-1}\mathrm{\ΔV};---9)$

6h)根据马氏距离d_v近似服从χ²分布，即他方分布这一特点，对这两个量测值进行假设检验，在d_v≤U的情况下，认为这两个量测值通过了速度信息融合检验，在d_v＞U的情况下，认为这两个量测值未通过速度信息融合检验，其中，U表示检验门限，是根据不同的显著性水平确定的。

Images