CN105093186A - 一种基于异构雷达传感网的多目标融合检测方法 - Google Patents
一种基于异构雷达传感网的多目标融合检测方法 Download PDFInfo
- Publication number
- CN105093186A CN105093186A CN201510536350.4A CN201510536350A CN105093186A CN 105093186 A CN105093186 A CN 105093186A CN 201510536350 A CN201510536350 A CN 201510536350A CN 105093186 A CN105093186 A CN 105093186A
- Authority
- CN
- China
- Prior art keywords
- target
- hypothesis
- sigma
- radar sensor
- detection method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
Abstract
本发明属于异构雷达传感器网络目标检测领域,具体涉及一种基于异构雷达传感网的多目标融合检测方法。首先定义多目标检测领域的两个性能评价标准;然后基于异构雷达传感网的多目标融合检测方法ALR-ML、LR-ML与LF-BR,解决了在衰落与加性高斯白噪声信道下的多目标检测融合问题。通过在低信噪比情况下用ALR-ML代替算法LR-ML,LR-ML的平均贝叶斯风险高于LF-BR,但是LF-BR的目标全部正确检测的平均概率低于LR-ML,所以如果想获得更高的目标全部正确判断的概率,可以用LR-ML来代替LF-BR,并且随着目标个数的增多,LR-ML与LF-BR的区别越明显。本发明实现了在衰落与噪声信道下对多目标检测进行建模并分析其性能。
Description
技术领域
本发明涉及一种基于异构雷达传感网的多目标融合检测方法,旨在对多目标检测环境进行建模,给出在最小贝叶斯风险及目标全部正确检测概率之间取舍的参考,并且在低信噪比的条件下简化融合检测变量,属于异构雷达传感器网络目标检测领域。
背景技术
传统的雷达传感网络是由同构的雷达传感器组成,这些雷达传感器具有相同的检测性能、相同的能量资源、相同的可靠性等。因为目标的运动特性导致传感器与目标之间的通信信道的时变特性,所以不同雷达传感器的检测性能是变化的。
异构雷达传感网(HRSN)是由不同性能,不同物理结构的传感器组成的。在该雷达传感器网络中,各个本地雷达检测目标信息,并且做出局部的判决,将判决结果经过衰落噪声信道发送到融合中心,最终由融合中心进行综合处理并实现目标的检测。
雷达传感网目标检测领域的研究已经有很多,但是这些研究大都是基于理想的信道环境及单个目标情况下,在衰落与噪声信道下的多目标检测建模的研究还未见报道。
发明内容
针对上述存在问题或不足,本发明要解决的技术问题是如何在衰落与噪声信道下对多目标检测进行建模并分析其性能。
本发明提出了一种基于异构雷达传感网的多目标融合检测方法,具体包括以下步骤:
步骤1、先验知识准备,目标与雷达传感器概率参数的设定,及各假设先验概率P(Hn)与各雷达传感器将假设Hj判为Hi的先验概率Pk,ij的推导;
1.1、为每一个目标分配一个比特位,目标出现为1,目标未出现为0,则M个目标检测问题变成2M个假设检验问题,定义假设Hn代表了第n种假设,向量an代表Hn的二进制序列,向量an的第m个元素为an(m),表示第m个目标出现与否;
1.2、求解步骤1.1定义的假设Hn的概率
其中,d1=an(m),d2=1-an(m),Pm为第m个目标出现的概率,Pdk,m与Pfk,m分别为第k个雷达对第m个目标的检测概率与虚警概率;
1.3求解第k个雷达传感器把假设Hj判为Hi的概率为
其中,b1=(1-aj(m))(1-aj(m)),b2=(1-aj(m))aj(m),b3=aj(m)(1-aj(m)),b4=aj(m)aj(m);
步骤2、数据传输信道建模,多个雷达传感器将局部的判决信息,经过衰落噪声信道发送到融合中心进行处理;
2.1、每个雷达传感器根据自己的局部判决信息,独立地生成假设Hn,并以PAM调制的方式将幅度为n的信号uk发送到融合中心,如果检测到没有一个目标出现即H0,则不发送任何信号;
2.2、在融合中心收到的来自第k个雷达传感器的信号为
yk=hkuk+nk
其中,hk为第k个锐利信道的衰落包络,nk为均值为0,方差为σ2的加性高斯白噪声。
步骤3、融合中心根据收到的雷达传感器发送的信号y=[y1,...,yK],采用最小贝叶斯风险系统融合检测方法LF-BR、最大似然函数系统融合检测方法LR-ML或最大近似似然函数系统融合检测方法ALR-ML进行判决;
3.1、当uk确定时,yk服从均值为hkuk,方差为σ2的高斯分布,根据yk的特性与各个传感器独立性假设可以得到似然函数为
所述最小贝叶斯风险系统融合检测方法LF-BR(thealgorithmoflikelihoodfunctionwiththeminimumBayesrisk)实施步骤:
a、定义把假设Hj判为Hi的代价为
b、计算检测判决函数
c、找出最小的判决函数CI,并判为HI。
3.2、根据似然函数可得释然比LR为
所述最大似然函数系统融合检测方法LR-ML(likelihoodratiowithMLfunction)实施步骤:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有logΛir,i=0,...,2M-1,且i≠r;
c、找出logΛir最大值对应的假设,记为HI;
d、如果logΛir>0,则判为HI,否则,判为Hr。
3.3、在低信噪比的条件下,似然函数比表示为
所述最大近似似然函数系统融合检测方法ALR-ML(approximatelikelihoodratiowithMLfunction)实施步骤:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有Xir,i=0,...,2M-1,且i≠r;
c、找出Xir最大值对应的假设,记为HI;
d、如果Xir>0,则判为HI,否则,判为Hr。
首先定义多目标检测领域的两个性能评价标准:一、平均每次试验目标的错判个数(averageBayesrisk)为二、在每次试验中目标全部正确判断的平均概率(averagedetectionprobabilityofhypotheses)为
然后基于异构雷达传感网的多目标融合检测方法ALR-ML、LR-ML与LF-BR,解决了在衰落与加性高斯白噪声信道下的多目标检测融合问题,其中LR-ML与LF-BR需要信道与噪声的先验信息,ALR-ML不需要噪声方差先验信息,ALR-ML是LR-ML的低信噪比情况下的近似,所以在低信噪比情况可以用ALR-ML代替算法LR-ML,LR-ML的平均贝叶斯风险高于LF-BR,但是LF-BR的目标全部正确检测的平均概率低于LR-ML,所以如果想获得更高的目标全部正确判断的概率,可以用LR-ML来代替LF-BR,并且随着目标个数的增多,LR-ML与LF-BR的区别越明显。
综上所述,本发明提供的基于异构雷达传感网的多目标融合检测方法,实现了在衰落与噪声信道下对多目标检测进行建模并分析其性能。
附图说明
图1本发明中融合算法模型;
图2是检测算法LR-ML与ALR-ML在目标个数分别为3,4,5情况下的平均每次试验的目标错判个数的变化曲线;
图3是检测算法LR-ML与LF-BR在目标个数分别为3,4,5情况下的平均每次试验的目标错判个数的变化曲线;
图4是检测算法LR-ML与ALR-ML在目标个数分别为3,4,5情况下的每次试验中目标全部正确判断的平均概率的变化曲线;
图5是检测算法LR-ML与LF-BR在目标个数分别为3,4,5情况下的每次试验中目标全部正确判断的平均概率的变化曲线。
具体实施方式
下面将结合附图及具体实施方式对本发明做进一步的描述。
基于异构雷达传感网的多目标融合检测方法,包括先验知识准备、数据传输信道建模与融合中心最终结果的判决,其中先验知识准备为目标与雷达传感器概率参数的设定,及各假设先验概率P(Hn)与各雷达传感器将假设Hj判为Hi的先验概率Pk,ij的推导;数据传输信道建模为多个雷达传感器将局部的判决信息,经过衰落噪声信道发送到融合中心进行处理;融合中心最终结果的判决为融合中心根据收到的雷达传感器发送的信号y=[y1,...,yK],采用LF-BR、LR-ML或ALR-ML检测方法来判决。
具体方法包括以下内容:
一、先验知识准备
1.1、为每一个目标分配一个比特位,目标出现为1,目标未出现为0,则M个目标检测问题变成2M个假设检验问题,定义假设Hn代表了第n种假设,向量an代表Hn的二进制序列,向量an的第m个元素为an(m);
1.2、求解假设Hn的概率
其中,d1=an(m),d2=1-an(m),Pm为第m个目标出现的概率,Pdk,m与Pfk,m分别为第k个雷达对第m个目标的检测概率与虚警概率;
1.3、求解第k个雷达传感器把假设Hj判为Hi的概率为
其中,b1=(1-aj(m))(1-aj(m)),b2=(1-aj(m))aj(m),b3=aj(m)(1-aj(m)),b4=aj(m)aj(m)。
二、雷达传感器将局部判决信息发送到融合中心
2.1、每个雷达传感器根据自己的局部判决信息,独立地生成假设Hn,并以PAM调制的方式将幅度为n的信号uk发送到融合中心,如果检测到没有一个目标出现即H0,则不发送任何信号;
2.2、融合中心收到的来自第k个雷达传感器的信号为
yk=hkuk+nk
其中,hk为第k个锐利信道的衰落包络,nk为均值为0,方差为σ2的加性高斯白噪声;
三、融合中心根据收到的信息选择方法LF-BR、LR-ML或者ALR-ML来做出最终的判决
3.1、当uk确定时,yk服从均值为hkuk,方差为σ2的高斯分布,根据yk的特性与各个传感器的独立性假设,可以得到似然函数为
所述系统融合检测方法LF-BR(thealgorithmoflikelihoodfunctionwiththeminimumBayesrisk)实施步骤:
a、定义把假设Hj判为Hi的代价为
b、计算检测判决函数
c、找出最小的判决函数CI,并判为HI;
3.2、根据似然函数可得似然比LR为
所述系统融合检测方法LR-ML(likelihoodratiowithMLfunction)实施步骤:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有logΛir,i=0,...,2M-1,且i≠r;
c、找出logΛir最大值对应的假设,记为HI;
d、如果logΛir>0,则判为HI,否则,判为Hr。
3.3、在低信噪比的条件下,似然函数比可以近似表示为
所述系统融合检测方法ALR-ML(approximatelikelihoodratiowithMLfunction)实施步骤:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有Xir,i=0,...,2M-1,且i≠r;
c、找出Xir最大值对应的假设,记为HI;
d、如果Xir>0,则判为HI,否则,判为Hr。
本发明仿真了雷达传感网络对多目标的检测系统。
图2是检测算法LR-ML与ALR-ML在目标个数分别为3,4,5情况下的平均每次试验的目标错判个数的变化曲线;
图3是检测算法LR-ML与LF-BR在目标个数分别为3,4,5情况下的平均每次试验的目标错判个数的变化曲线;
图4是检测算法LR-ML与ALR-ML在目标个数分别为3,4,5情况下的每次试验中目标全部正确判断的平均概率的变化曲线;
图5是检测算法LR-ML与LF-BR在目标个数分别为3,4,5情况下的每次试验中目标全部正确判断的平均概率的变化曲线。
从以上附图2-附图5可得出,本发明提供的基于异构雷达传感网的多目标融合检测方法ALR-ML、LR-ML与LF-BR,解决了在衰落与加性高斯白噪声信道下的多目标检测融合问题,其中LR-ML与LF-BR需要信道与噪声的先验信息,ALR-ML不需要噪声方差先验信息,ALR-ML是LR-ML的低信噪比情况下的近似,所以在低信噪比情况可以用ALR-ML代替算法LR-ML,LR-ML的平均贝叶斯风险高于LF-BR,但是LF-BR的目标全部正确检测的平均概率低于LR-ML,所以如果想获得更高的目标全部正确判断的概率,可以用LR-ML来代替LF-BR,并且随着目标个数的增多,LR-ML与LF-BR的区别越明显。
Claims (4)
1.一种基于异构雷达传感网的多目标融合检测方法,具体包括以下步骤:
步骤1、先验知识准备,目标与雷达传感器概率参数的设定,及各假设先验概率P(Hn)与各雷达传感器将假设Hj判为Hi的先验概率Pk,ij的推导;
1.1、为每一个目标分配一个比特位,目标出现为1,目标未出现为0,则M个目标检测问题变成2M个假设检验问题,定义假设Hn代表了第n种假设,向量an代表Hn的二进制序列,向量an的第m个元素为an(m),表示第m个目标出现与否;
1.2、求解步骤1.1定义的假设Hn的概率
其中,d1=an(m),d2=1-an(m),Pm为第m个目标出现的概率,Pdk,m与Pfk,m分别为第k个雷达对第m个目标的检测概率与虚警概率;
1.3求解第k个雷达传感器把假设Hj判为Hi的概率为
其中,b1=(1-aj(m))(1-aj(m)),b2=(1-aj(m))aj(m),b3=aj(m)(1-aj(m)),b4=aj(m)aj(m);
步骤2、数据传输信道建模,多个雷达传感器将局部的判决信息,经过衰落噪声信道发送到融合中心进行处理;
2.1、每个雷达传感器根据自己的局部判决信息,独立地生成假设Hn,并以PAM调制的方式将幅度为n的信号uk发送到融合中心,如果检测到没有一个目标出现即H0,则不发送任何信号;
2.2、在融合中心收到的来自第k个雷达传感器的信号为
yk=hkuk+nk
其中,hk为第k个锐利信道的衰落包络,nk为均值为0,方差为σ2的加性高斯白噪声;
步骤3、融合中心根据收到的雷达传感器发送的信号y=[y1,...,yK],采用最小贝叶斯风险系统融合检测方法LF-BR、最大似然函数系统融合检测方法LR-ML或最大近似似然函数系统融合检测方法ALR-ML进行判决。
2.如权利要求1所述基于异构雷达传感网的多目标融合检测方法,其特征在于:
当uk确定时,yk服从均值为hkuk,方差为σ2的高斯分布,根据yk的特性与各个传感器独立性假设可以得到似然函数为
所述最小贝叶斯风险系统融合检测方法LF-BR步骤为:
a、定义把假设Hj判为Hi的代价为
b、计算检测判决函数
c、找出最小的判决函数CI,并判为HI。
3.如权利要求1所述基于异构雷达传感网的多目标融合检测方法,其特征在于:根据似然函数可得似然比LR为
所述最大似然函数系统融合检测方法LR-ML步骤为:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有logΛir,i=0,...,2M-1,且i≠r;
c、找出logΛir最大值对应的假设,记为HI;
d、如果logΛir>0,则判为HI,否则,判为Hr。
4.如权利要求1所述基于异构雷达传感网的多目标融合检测方法,其特征在于:在低信噪比的条件下,似然比表示为
所述最大近似似然函数系统融合检测方法ALR-ML步骤为:
a、从2M个假设中随机选择一个假设,记为Hr;
b、计算所有Xir,i=0,...,2M-1,且i≠r;
c、找出Xir最大值对应的假设,记为HI;
d、如果Xir>0,则判为HI,否则,判为Hr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536350.4A CN105093186A (zh) | 2015-08-27 | 2015-08-27 | 一种基于异构雷达传感网的多目标融合检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510536350.4A CN105093186A (zh) | 2015-08-27 | 2015-08-27 | 一种基于异构雷达传感网的多目标融合检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105093186A true CN105093186A (zh) | 2015-11-25 |
Family
ID=54574051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510536350.4A Pending CN105093186A (zh) | 2015-08-27 | 2015-08-27 | 一种基于异构雷达传感网的多目标融合检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105093186A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125061A (zh) * | 2016-08-28 | 2016-11-16 | 电子科技大学 | 一种基于高斯分布的系统偏差的目标点迹融合方法 |
CN107340517A (zh) * | 2017-07-04 | 2017-11-10 | 电子科技大学 | 一种多传感器多帧检测前跟踪方法 |
CN109214432A (zh) * | 2018-08-16 | 2019-01-15 | 上海交通大学 | 一种多传感器多目标联合检测、跟踪与分类方法 |
CN110488276A (zh) * | 2019-06-10 | 2019-11-22 | 西安电子科技大学 | 面向多目标跟踪任务的异构雷达网最优资源按需分配方法 |
CN116482673A (zh) * | 2023-04-27 | 2023-07-25 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140066757A1 (en) * | 2012-09-04 | 2014-03-06 | Naftali Chayat | Wideband radar with heterogeneous antenna arrays |
CN104035084A (zh) * | 2014-06-24 | 2014-09-10 | 电子科技大学 | 一种用于非均匀杂波背景的动态规划检测前跟踪方法 |
-
2015
- 2015-08-27 CN CN201510536350.4A patent/CN105093186A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140066757A1 (en) * | 2012-09-04 | 2014-03-06 | Naftali Chayat | Wideband radar with heterogeneous antenna arrays |
CN104035084A (zh) * | 2014-06-24 | 2014-09-10 | 电子科技大学 | 一种用于非均匀杂波背景的动态规划检测前跟踪方法 |
Non-Patent Citations (4)
Title |
---|
JING LIANG等: ""Multitarget detection in heterogeneous radar sensor network with energy constraint"", 《SIGNAL PROCESSING》 * |
JUSSI KUUTTI等: ""Evaluation of a Doppler radar sensor system for vital signs detection and activity monitoring in a radio-frequency shielded room"", 《MEASUREMENT》 * |
YING TONG等: ""Adaptivefusionalgorithmofheterogeneoussensornetworks under differentilluminationconditions"", 《SIGNAL PROCESSING》 * |
徐毓等: ""多站多目标雷达数据融合"", 《火力与指挥控制》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106125061A (zh) * | 2016-08-28 | 2016-11-16 | 电子科技大学 | 一种基于高斯分布的系统偏差的目标点迹融合方法 |
CN107340517A (zh) * | 2017-07-04 | 2017-11-10 | 电子科技大学 | 一种多传感器多帧检测前跟踪方法 |
CN107340517B (zh) * | 2017-07-04 | 2021-02-05 | 电子科技大学 | 一种多传感器多帧检测前跟踪方法 |
CN109214432A (zh) * | 2018-08-16 | 2019-01-15 | 上海交通大学 | 一种多传感器多目标联合检测、跟踪与分类方法 |
CN110488276A (zh) * | 2019-06-10 | 2019-11-22 | 西安电子科技大学 | 面向多目标跟踪任务的异构雷达网最优资源按需分配方法 |
CN110488276B (zh) * | 2019-06-10 | 2021-06-22 | 西安电子科技大学 | 面向多目标跟踪任务的异构雷达网最优资源按需分配方法 |
CN116482673A (zh) * | 2023-04-27 | 2023-07-25 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
CN116482673B (zh) * | 2023-04-27 | 2024-01-05 | 电子科技大学 | 基于强化学习的分布式雷达检测跟踪一体化波形实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105093186A (zh) | 一种基于异构雷达传感网的多目标融合检测方法 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
CN102571230A (zh) | 基于高阶统计量与信噪比盲估计的分布式协同信号识别方法 | |
CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
CN107241696B (zh) | 基于信道状态信息的多径效应辨别方法和距离估计方法 | |
CN107395301A (zh) | 一种基于k均值算法的频谱感知方法 | |
CN101938832A (zh) | 基于分治求精的无线传感器网络节点自身定位方法 | |
CN110099019A (zh) | 基于深度学习的LoRa调制信号检测方法 | |
CN110475246B (zh) | 基于孤立森林和序贯概率比检验的恶意锚节点检测方法 | |
CN109815627B (zh) | 一种径流变异影响因子确定方法及系统 | |
CN109996245B (zh) | 通信资源投放评估方法、装置、电子设备及存储介质 | |
CN109450574B (zh) | 高铁通信网络中无线信道多径分簇方法和装置 | |
CN103310235B (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN109521412B (zh) | 基于局部统计量融合的雷达组网空域目标检测方法 | |
CN104796365A (zh) | 低信噪比下基于复杂度特征的调制信号识别方法 | |
CN102438334B (zh) | 一种多传感器节点分布式协作进行调制识别的方法 | |
CN109511116A (zh) | 考虑敌对端计算能力的物理层认证系统的安全性检测方法 | |
CN104881561A (zh) | 一种基于Hough变换的多维参数的检测前跟踪方法 | |
CN106713190A (zh) | 基于随机矩阵理论和特征阈值估计的mimo发射天线数目盲估计算法 | |
CN104202106A (zh) | 移动场景中基于信任度的协作频谱感知方法 | |
CN107817466A (zh) | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
CN104880696B (zh) | 一种基于通道优选的多通道目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151125 |