CN105740203A - 多传感器无源协同测向定位方法 - Google Patents

Abstract

本发明提出了一种多传感器无源协同测向定位方法。利用本发明可显著地提高在多无源传感器观测值跳变、时间不同步、精度差异大的情况下对目标定位能力，实现对目标高精度协同测向定位。本发明通过下述技术方案予以实现：在无源协同测向定位软件中，输入多传感器量测数据，利用预测残差对观测值进行野值判别，采用扩展遗忘因子递推最小二乘滤波算法外推到同一时刻；然后使用量测协方差矩阵计算加权矩阵，构建多传感器的观测线性方程组求解目标位置初始估计值，利用加权高斯牛顿下降法计算增量，并对目标位置进行迭代求解，再对增量的显著性检验统计量进行判决，当判决为估计收敛则退出迭代计算，输出此时迭代估计解作为最终目标定位信息。

Description

多传感器无源协同测向定位方法

技术领域

本发明涉及目标跟踪定位技术领域，尤其是涉及在多传感器观测值跳变、时间不同步、精度差异大的情况下对目标高精度无源协同测向定位方法。

背景技术

现代战争中，对目标进行定位跟踪越来越起着突出的作用，然而以雷达为代表的有源探测方式易受反辐射导弹攻击。在这种情况下，采用基于电子侦察的无源定位方法对辐射源目标定位显得更有意义。无源定位是指观测传感器不主动发射信号，主要是利用目标辐射源相对于传感器接收的角度信息、时间信息或多普勒信息，采用角度、时间差、多普勒频率等信息中的一个或多个，通过求解方程组来实现。无源定位技术具有隐蔽性好等优点受到了广泛的研究与关注，按传感器的数目可以分为：多传感器无源协同定位和单传感器无源定位。多传感器无源协同定位可以利用传感器间的互补和冗余信息得到比单传感器无源定位更快速和更高的精度，因此得到更广泛地应用。协同定位技术是多传感器协同探测的关键技术，是提升目标定位精度的重要手段，其基本思想就是利用各传感器的探测特点，通过资源管控和任务调度，实现多个传感器对同一目标的协同交叉定位。在多传感器无源协同定位中，利用辐射信号到达传感器的角度量测信息进行目标测向定位是最常用的无源协同定位技术之一。

传感器观测目标时受噪声以及接收信号传输过程中的干扰，使得目标观测数据常会产生异常跳变点，这种偏离被观测信号变化规律的数据点成为野值。野值严重影响传感器量测数据的处理和分析，对于目标定位求解，野值会提供错误信息。常用的无源定位方法对野值非常敏感，大量的理论分析和实测数据处理结果证明，即使量测数据中含有少量的野值也常常会导致定位算法崩溃或者严重失真，因此，剔除野值是多传感器数据预处理中不可或缺的一个环节。在多传感器无源协同定位中，由于传感器在采样起始时间、采样频率、传输延迟上很难完全相同，协同定位中心所接收到的传感器观测数据往往是异步的，因此在进行协同定位时，通常需要先对观测数据进行时间统一，即将多传感器的异步观测数据转换为相同时刻下的同步数据。由于多传感器分别部署在不同位置，对同一目标观测角度和距离不一样，接收目标信号信噪比有区别，信噪比又直接影响测角精度，从而引起对目标的量测精度差异大。由于这些因素引起多无源传感器观测值跳变、时间不同步、精度差异大等传感器失效问题，导致目标定位精度下降，为使多传感器能更好地协同定位需考虑采用合适方法解决这些问题。

目前，多传感器无源协同定位算法针对传感器不同组合形式，有不同的定位算法，主要包括：最小二乘算法、加权最小二乘算法、总体最小二乘算法等算法。但上述方法多是在多传感器的观测时间一致、量测精度相同或相差不大的情况下进行推导得出的，然而多传感器协同时，由于环境多变和系统内部噪声的影响，传感器量测的值可能会发生失效，引起观测值跳变或量测误差大，如果采用一般的定位算法，估计值就不再具有最小的估计方差，协同定位后得到的目标位置精度会急剧下降。另外，最小二乘法和加权最小二乘法是在对信号到达角数学模型进一步变换的基础上实现目标定位的，在公式的变换过程中不可避免的会引入许多误差，从而造成最小二乘定位和加权最小二乘定位的定位精度降低。

发明内容

为解决多无源传感器失效引起的定位精度下降问题，本发明的目的是提供一种能有效剔除野值、提升定位精度的多传感器无源协同测向定位方法，以提高在多无源传感器观测值跳变、时间不同步、精度差异大的情况下对目标定位能力。

为了达到上述目的，本发明提出一种多传感器无源协同测向定位方法，其特征在于包括如下步骤：以多传感器数据预处理模块、观测方程构建模块、加权矩阵计算模块、目标初始值估计模块、加权非线性最小二乘估计模块为单元构建多传感器无源协同测向定位软件架构；在无源协同测向定位软件中，输入多传感器量测数据，对多传感器数据进行预处理，计算预测残差，利用预测残差对观测值进行判别野值并剔除野值，野值剔除后采用扩展遗忘因子递推最小二乘滤波算法进行滤波更新，再将每个传感器观测数据统一预测外推到同一时刻，同步多传感器观测数据；然后，利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程；根据每个观测传感器的观测误差构建量测协方差矩阵，计算出加权矩阵和多传感器的观测线性方程组，并采用最小二乘估计方法求解目标位置的初始估计值；采用加权非线性最小二乘估计算法计算量测值残差，把非线性化观测式进行泰勒级数展开，利用加权高斯牛顿下降法计算增量，对目标位置进行迭代求解，计算增量的显著性检验统计量，再对检验统计量进行判决，当判决为估计收敛则退出迭代计算，将此时迭代估计解作为最终目标定位信息，通过多传感器协同定位输出此时迭代估计解作为最终目标定位信息，从而实现对目标的协同测向定位。

本发明相比于现有技术具有如下有益效果：

本发明针对传感器失效时提出一种多传感器无源协同测向定位方法。在协同定位分机PowerPC中，以多传感器数据预处理模块、观测方程构建模块、加权矩阵计算模块、目标初始值估计模块、加权非线性最小二乘估计模块为单元构建的多无源传感器协同测向定位软件架构，协同测向定位软件不需要改变已有的硬件设备，只在软件上进行优化升级，工程应用上易操作实现。

本发明在无源协同测向定位软件中，输入多传感器量测数据，对多传感器数据进行预处理，计算预测残差，利用预测残差对观测值进行判别野值并剔除野值，野值剔除后采用扩展遗忘因子递推最小二乘滤波算法进行滤波更新，再将每个传感器观测数据统一预测外推到同一时刻，同步多传感器观测数据；与现有方法相比，对改进传感器观测结果的有效性、提高处理质量都极为重要，能有效解决多无源传感器在观测值跳变、时间不同步的目标定位问题。

本发明利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程；根据每个观测传感器的观测误差构建量测协方差矩阵，计算出加权矩阵和多传感器的观测线性方程组，并采用最小二乘估计方法求解目标位置的初始估计值；采用加权非线性最小二乘估计算法计算量测值残差，把非线性化观测式进行泰勒级数展开，利用加权高斯牛顿下降法计算增量，对目标位置进行迭代求解，计算增量的显著性检验统计量，再对检验统计量进行判决，当判决为估计收敛则退出迭代计算，将此时迭代估计解作为最终目标定位信息，通过多传感器协同定位输出此时迭代估计解作为最终目标定位信息。为实现多无源传感器在观测值跳变、时间不同步、精度差异大的情况下对目标高精度协同测向定位提供了解决方法和坚实的基础。通过蒙特卡洛方法进行仿真分析，本发明目标定位均方根误差相比一般方法提升30～40％。另外，发现迭代次数以2和3居多，表明一般迭代2～3次算法就能收敛，相比一般的估计方法来说计算量也不是太大，以现在硬件设备计算速度来说，可以满足要求，因此以2～3次迭代的计算量换取更高定位精度是值得的。

附图说明

为了更清楚地理解本发明，现将通过本发明实施例，同时参照附图，来描述本发明，其中：

图1是本发明多传感器无源协同测向定位方法流程图。

图2是本发明加权非线性最小二乘估计模块的流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

参阅图1。在以下描述的实施例中，多传感器无源协同测向定位方法的整个流程在协同定位分机中，采用基于PowerPC嵌入式软件方式自动实现。为此，根据本发明，以多传感器数据预处理模块、观测方程构建模块、加权矩阵计算模块、目标初始值估计模块、加权非线性最小二乘估计模块为单元构建多传感器无源协同测向定位软件架构；在无源协同测向定位软件中，输入多传感器量测数据，对多传感器数据进行预处理，计算预测残差，利用预测残差对观测值进行判别野值并剔除野值，野值剔除后采用扩展遗忘因子递推最小二乘滤波算法进行滤波更新，再将每个传感器观测数据统一预测外推到同一时刻，同步多传感器观测数据；然后，利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程；根据每个观测传感器的观测误差构建量测协方差矩阵，计算出加权矩阵和多传感器的观测线性方程组，并采用最小二乘估计方法求解目标位置的初始估计值；采用加权非线性最小二乘估计算法计算量测值残差，把非线性化观测式进行泰勒级数展开，利用加权高斯牛顿下降法计算增量，对目标位置进行迭代求解，计算增量的显著性检验统计量，再对检验统计量进行判决，当判决为估计收敛则退出迭代计算，将此时迭代估计解作为最终目标定位信息，通过多传感器协同定位输出此时迭代估计解作为最终目标定位信息，从而实现对目标的协同测向定位。其中，(S1)多传感器数据预处理模块读入多传感器量测数据，计算预测残差，利用预测残差对观测值进行判别野值，野值剔除后采用扩展遗忘因子递推最小二乘滤波算法进行滤波更新，再将每个传感器观测数据统一预测外推到同一时刻；(S2)观测方程构建模块利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程；(S3)加权矩阵计算模块将每个观测传感器的观测误差构建量测协方差矩阵，计算出加权矩阵；(S4)目标初始值估计模块构建多传感器的观测线性方程组，采用最小二乘估计方法求解目标位置的初始估计值；(S5)加权非线性最小二乘估计模块计算第次迭代的量测值残差，把非线性化观测式进行泰勒级数展开，采用加权高斯牛顿下降法计算增量，计算增量的显著性检验统计量，再对检验统计量进行判决，当判决为估计收敛则退出迭代计算，将此时迭代估计解作为最终目标定位信息，通过协同定位输出目标位置信息，从而实现对目标高精度协同测向定位。

每个模块具体步骤是：

在多传感器数据预处理中，多传感器数据预处理模块读入多传感器量测数据，计算预测残差v(k)

v(k)＝z(k)-H(k)Y(k|k-1)(1)

其中，v(k)服从均值为零的高斯分布；z(k)为传感器第k次观测方位角θ或俯仰角量测矩阵H(k)＝[10]，第k-1次滤波值对第k次预测值Y(k|k-1）的计算方式如下

Y（k|k-1）＝F（k）Y（k-1）(2)

其中，状态转移矩阵T_s为传感器的观测周期；状态估计向量y（k-1）和分别为传感器第k-1次滤波方位角或俯仰角及其变化率。

多传感器数据预处理模块利用预测残差v（k）对观测值z（k)进行判别

若v(k)≤μσ，则判为正常点

若v(k)＞μσ，则判为野值点

其中，μ为常数，可根据判别概率选取，通常可选3或4；σ为传感器观测噪声标准差。

多传感器数据预处理模块采用扩展遗忘因子递推最小二乘滤波算法，把通过判别的正常残差数据带入进行滤波更新

Y(k)＝Y(k|k-1)+K(k)v(k)(3)

K(k)＝F(k)P(k-1)F(k)^TH(k)^T[λI+H(k)F(k)P(k-1)F(k)^TH(k)^T]^-1(4)

P(k)＝λ^-1[F(k)P(k-1)F(k)^T-K(k)H(k)F(k)P(k-1)F(k)^T](5)

其中，K(k)为滤波增益；I为2阶单位矩阵；T表示矩阵转置；λ为遗忘因子，满足0＜λ≤1；P(k)为Y(k)的状态滤波协方差矩阵。

多传感器数据预处理模块把协同定位时间设定在t时刻，将每个传感器观测数据统一预测外推到t时刻，计算同步时刻外推观测值

其中，作为传感器在协同定位t时刻外推观测值，预测转移矩阵φ(k)＝[1t-t_k]，t_k为滤波值Y(k)所在时刻。

在观测方程构建中，观测方程构建模块利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程

$Z=h\left(X\right)=\left[\begin{array}{c}arctan\frac{y-y_1}{x-x_1}\\ arctan\frac{z-z_1}{\sqrt{{(y-y_1)}^2+{(x-x_1)}^2}}\\ .\\ .\\ .\\ arctan\frac{y-y_N}{x-x_N}\\ \arctan \frac{z-z_N}{\sqrt{{(y-y_N)}^2+{(x-x_N)}^2}}\end{array}\right]---\left(7\right)$

其中，N个多传感器观测矢量(x_i,y_i,z_i)为第i个观测传感器的直角坐标位置，(x,y,z)为需要求解的目标直角坐标位置，h(X)为多传感器的观测表达式。

在加权矩阵计算中，加权矩阵计算模块根据每个观测传感器的观测误差构建量测协方差矩阵R

其中，diag表示对角矩阵，和第i个传感器的方位和俯仰测量噪声方差。加权矩阵计算模块以观测误差越大加权系数越小为原则，确定加权矩阵W＝R^-1。

在目标初始值估计中，目标初始值估计模块把多传感器的观测值组合成线性方程组

AX＝b(9)

其中，目标直角坐标位置X＝[xyz]^T；A和b分别是与传感器位置及观测数据有关的系数矩阵和向量，表达式如下

目标初始值估计模块采用最小二乘估计方法求解目标位置的初始估计值

参阅图2。在加权非线性最小二乘估计中，首先输入目标位置初值：加权非线性最小二乘估计模块利用目标初始值估计模块得到的目标位置，输入作为迭代估计的初值。然后，加权非线性最小二乘估计模块判别迭代次数n是否小于或等于最大迭代次数MaxCnt,若小于或等于最大值，则可继续迭代；否则需退出迭代。

加权非线性最小二乘估计模块计算第n次迭代时量测值的残差ΔZ_n

其中，Z_m为多传感器的实际观测向量，为目标n-1次迭代的目标位置估计(当n＝1时：为目标初始值估计模块的目标初始位置)。

加权非线性最小二乘估计模块把非线性观测式h(X)在处用泰勒级数展开，得到雅克比矩阵

$H=\frac{\∂h}{\∂X}{|}_{X=\hat{X}(n-1)}---\left(12\right)$

加权非线性最小二乘估计模块采用加权高斯牛顿下降法计算迭代增量

其中，W为加权矩阵计算模块得到的加权矩阵。加权非线性最小二乘估计模块计算第n次迭代估计解

加权非线性最小二乘估计模块为了检验修正后的目标位置估计收敛性的好坏，计算一个用来对最终进行显著性检验的检验统计量

其中，P为的协方差矩阵，表达式为

P＝(H^TW^-1H)^-1(16)

加权非线性最小二乘估计模块对检验统计量d²进行判决

若d²＜D，则完成估计收敛

若d²≥D，则继续迭代计算

其中，判决门限D取值为0.01。当判决为估计收敛，加权非线性最小二乘估计模块退出迭代计算，输出此时迭代估计解作为最终估计的目标定位信息。

Claims (10)

1.一种多传感器无源协同测向定位方法，其特征在于包括如下步骤：以多传感器数据预处理模块、观测方程构建模块、加权矩阵计算模块、目标初始值估计模块、加权非线性最小二乘估计模块为单元构建多传感器无源协同测向定位软件架构；在无源协同测向定位软件中，输入多传感器量测数据，对多传感器数据进行预处理，计算预测残差，利用预测残差对观测值进行判别野值并剔除野值，野值剔除后采用扩展遗忘因子递推最小二乘滤波算法进行滤波更新，再将每个传感器观测数据统一预测外推到同一时刻，同步多传感器观测数据；然后，利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程；根据每个观测传感器的观测误差构建量测协方差矩阵，计算出加权矩阵和多传感器的观测线性方程组，并采用最小二乘估计方法求解目标位置的初始估计值；采用加权非线性最小二乘估计算法计算量测值残差，把非线性化观测式进行泰勒级数展开，利用加权高斯牛顿下降法计算增量，对目标位置进行迭代求解，计算增量的显著性检验统计量，再对检验统计量进行判决，当判决为估计收敛则退出迭代计算，将此时迭代估计解作为最终目标定位信息，通过多传感器协同定位输出此时迭代估计解作为最终目标定位信息，从而实现对目标的协同测向定位。

2.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：多传感器数据预处理模块读入多传感器量测数据，计算预测残差v(k)＝z(k)-H(k)Y(k|k-1)，其中，v(k)服从均值为零的高斯分布，z(k)为传感器第k次观测方位角θ或俯仰角量测矩阵H(k)＝[10]，第k-1次滤波值对第k次预测值Y(k|k-1)的计算方式如下：

Y(k|k-1)＝F(k)Y(k-1)(1)

其中，状态转移矩阵T_s为传感器的观测周期，状态估计向量y(k-1)和分别为传感器第k-1次滤波方位角或俯仰角及其变化率。

3.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：多传感器数据预处理模块利用预测残差v(k)对观测值z(k)进行判别，若v(k)≤μσ，则判为正常点，若v(k)＞μσ，则判为野值点，其中，μ为常数，可根据判别概率选取，通常可选3或4；σ为传感器观测噪声标准差。

4.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：多传感器数据预处理模块采用扩展遗忘因子递推最小二乘滤波算法，把通过判别的正常残差数据带入进行滤波更新为：

Y(k)＝Y(k|k-1)+K(k)v(k)(2)

K(k)＝F(k)P(k-1)F(k)^TH(k)^T[λI＋H(k)F(k)P(k-1)F(k)^TH(k)^T]^-1(3)

P(k)＝λ^-1[F(k)P(k-1)F(k)^T-K(k)H(k)F(k)P(k-1)F(k)^T](4)

其中，K(k)为滤波增益；I为2阶单位矩阵；T表示矩阵转置；λ为遗忘因子，满足0＜λ≤1；P(k)为Y(k)的状态滤波协方差矩阵。

5.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：多传感器数据预处理模块把协同定位时间设定在t时刻，将每个传感器观测数据统一预测外推到t时刻，计算同步时刻外推观测值其中，作为传感器在协同定位t时刻外推观测值，预测转移矩阵φ(k)＝[1t-t_k]，t_k为滤波值Y(k)所在时刻。

6.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：在观测方程构建中，观测方程构建模块利用观测极坐标与直角坐标系的关系，建立多传感器的观测方程

$Z=h\left(X\right)=\left[\begin{array}{c}\arctan \frac{y-y_1}{x-x_1}\\ \arctan \frac{z-z_1}{\sqrt{{(y-y_1)}^2+{(x-x_1)}^2}}\\ \begin{array}{c}.\\ .\\ .\end{array}\\ \arctan \frac{y-y_N}{x-x_N}\\ \arctan \frac{z-z_N}{\sqrt{{(y-y_N)}^2+{(x-x_N)}^2}}\end{array}\right]---\left(5\right)$

其中，N个多传感器观测矢量(x_i,y_i,z_i)为第i个观测传感器的直角坐标位置，(x,y,z)为需要求解的目标直角坐标位置，h(X)为多传感器的观测表达式。

7.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：在加权矩阵计算中，加权矩阵计算模块根据每个观测传感器的观测误差构建量测协方差矩阵R

其中，diag表示对角矩阵，和第i个传感器的方位和俯仰测量噪声方差，加权矩阵计算模块以观测误差越大加权系数越小为原则，确定加权矩阵W＝R^-1。

8.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：加权非线性最小二乘估计模块判别迭代次数n是否小于或等于最大迭代次数MaxCnt,若小于或等于最大值，则可继续迭代；否则需退出迭代。

9.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：加权非线性最小二乘估计模块把非线性观测式处用泰勒级数展开，得到雅克比矩阵加权非线性最小二乘估计模块采用加权高斯牛顿下降法计算增量

其中，W为加权矩阵计算模块得到的加权矩阵，加权非线性最小二乘估计模块计算第n次迭代估计解

10.如权利要求1所述的多传感器无源协同测向定位方法，其特征在于：加权非线性最小二乘估计模块为了检验修正后的目标位置估计收敛性的好坏，计算一个用来对最终进行显著性检验的检验统计量

其中，P为的协方差矩阵，表达式为P＝(H^TW^-1H)^-1，加权非线性最小二乘估计模块对检验统计量d²进行判决：若d²＜D则完成估计收敛，若d²≥D则继续迭代计算，其中，判决门限D取值为0.01；当判决为估计收敛，加权非线性最小二乘估计模块退出迭代计算，输出此时迭代估计解作为最终估计的目标定位信息。