CN105787081A - 一种基于辐射源空间位置的辐射平台关联方法 - Google Patents
一种基于辐射源空间位置的辐射平台关联方法 Download PDFInfo
- Publication number
- CN105787081A CN105787081A CN201610120389.2A CN201610120389A CN105787081A CN 105787081 A CN105787081 A CN 105787081A CN 201610120389 A CN201610120389 A CN 201610120389A CN 105787081 A CN105787081 A CN 105787081A
- Authority
- CN
- China
- Prior art keywords
- radiation
- platform
- radiation source
- correlation
- cluster
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
该发明公开了一种基于辐射源空间位置的辐射平台关联方法,属于电子对抗技术领域,涉及数据关联技术与数据融合技术。本发明主要从一个平台上辐射源的空间分布结构入手,利用空间聚类和模板匹配以及相似度检测的相关技术,对来自不同平台的辐射源进行平台关联。结合特定场景,在定位精度较高的情况下,对一段时间内定位的辐射源观测值进行聚类关联,从而判断出不同时刻的辐射源信号是否来自于同一平台。在观测误差为SIGMA、5SIGMA、10SIGMA时,杂波密度取不同值时,基于空间结构辐射源关联算法的关联正确率随着杂波密度的增加,算法性能下降,在杂波密度为1e‑5(个/m^2)以内时,关联正确率为85%以上,观测误差在35倍的SIGMA以内,均能保证关联正确率达到80%。
Description
技术领域
本发明属于电子对抗技术领域,涉及数据关联技术与数据融合技术。
背景技术
现有的资料对于辐射源平台识别方面的研究不多,且多是集中于基于型号识别的平台识别,主要依据型号识别的结果去查询辐射源配属关系数据库,运用推理的方法得出辐射源对应的平台类型。这种推理的方法实现起来有一定难度。加之,雷达辐射源和大型舰船平台的配属关系一般不是一一对应的。一种型号的雷达辐射源可能装载于多种类型的舰船平台上,一种舰船上往往又有着多种类型雷达辐射源。依据单个辐射源的型号和平台配属关系可能会导致平台识别结果的模糊性和不确定性。
每个海上作战平台一般都会装备多种辐射源,且对于如航母这种大型舰艇平台,其平台上的辐射源位置都会呈现特定的几何分布。鉴于目标平台上的辐射源分布通常是以阵群方式出现,因此以目标平台的辐射源空间阵群分布为研究对象,利用阵群的整体特征对其进行辨别和分析,依据先验数据库中的平台信息,可以将特定辐射源阵群关联在某一平台上。尽管受到漏检、观测噪声和杂波的影响,辐射源目标群中的某些辐射源成员的观测可能会丢失,空间位置也可能会有偏移误差,甚至会有一些虚假的目标混进来,但是辐射源阵群中的大部分成员还是会呈现特定的空间分布特征,以下的方法正是基于这一空间分布特征来实现不同时刻对观测值的关联,调用先验的平台辐射源空间分布数据库,进行相似度检测,最终判定为特定平台上的辐射源群。但是这些的前提都是侦察方较高的定位精度,且各类辐射源的位置上不重叠,且具有可分辨性。
发明内容:
本发明主要从一个平台上辐射源的空间分布结构入手,利用空间聚类和模板匹配以及相似度检测的相关技术,对来自不同平台的辐射源进行平台关联。结合特定场景,在定位精度较高的情况下,对一段时间(保证所有辐射源均发送信号)内定位的辐射源观测值进行聚类关联,从而判断出不同时刻的辐射源信号是否来自于同一平台。
本发明为解决上述技术问题所提供的技术方案是:一种基于辐射源空间位置的辐射平台关联方法,该方法包括如下步骤:
步骤1:接收同一辐射平台的多个辐射源发射的雷达信号,对应确定当前时刻辐射源的空间位置,对一段时间内各辐射源的空间位置进行分群聚类,获得多个聚类中心,每个聚类中心表示一个辐射源;
步骤2:根据同一类中多个聚类的空间位置构建辐射平台的空间结构模型,并作为该辐射平台的匹配模板;
步骤3:根据步骤1和步骤2的方法获取下一时间段的辐射平台空间结构;
步骤4:采用相似度检测算法,将下一时刻与上一时刻的辐射平台空间结构进行一一配对,从而达到辐射平台的关联。
进一步的,所述步骤2将同一类的聚类中心按照排列的方式进行两两分组,计算每组内两个聚类中心的距离,获得所有分组的距离组成辐射平台的空间结构模型。
进一步的,所述步骤3中根据实际情况设定距离阈值,计算第k-1时段与第k时段中辐射平台空间结构模型的距离,距离小于设定阈值则计算的两模型匹配,则将两模型对应的,辐射平台关联起来。
本发明达到的良好效果:在观测误差为SIGMA、5SIGMA、10SIGMA时,杂波密度取不同值时,基于空间结构辐射源关联算法的关联正确率随着杂波密度的增加,算法性能下降,在杂波密度为1e-5(个/m^2)以内时,关联正确率为85%以上,观测误差在35倍的SIGMA以内,均能保证关联正确率达到80%,达到较好的效果。
附图说明
图1:仿真场景设置图。
图2:杂波密度与聚类正确率的关系曲线。
图3:辐射源群聚类正确率随观测噪声的变化曲线。
图4-6:不同观测误差下杂波密度与聚类正确率关系曲线
图7:辐射源群聚类正确率随观测噪声变化曲线。
具体实施方式:
上述各流程步骤详细实现方法说明如下:
1,结合空间聚类方法对一段时间内观测的辐射源位置进行分群聚类。
要进行多辐射源目标的平台关联,首先必须从传感器观测中提取出可能的辐射源阵群,这一过程可以通过观测聚类来完成。对于一些常用的聚类算法:根据相似性阈值和最小距离的简单聚类算法、K均值聚类法等。简单聚类法受聚类门限和聚类中心的影响;而K均值聚类法需要确定聚类的类数和初始聚类中心,但是对于观测区域内的辐射源数量和位置都是未知的,不适用与辐射源阵群提取。本方法中根据近邻点集合并的思想,在不选取聚类中心的前提下,通过近邻点集合并对所有辐射源点集进行合并聚类。
定义1(近邻点集)将某时刻所有观测组成的集合记为P,任取点pi∈P,则P内与点pi之间欧氏距离小于聚类门限Dmaxmin的所有点组成的集合称为点pi的近邻点集,记为Pi={pj|pj∈P,dij≤Dmaxmin},其中dij=||pj-pi||,Dmaxmin为所有阵群目标中相距最近的两个成员目标集合中相距最大的值
定义2(公共近邻点集),设Pi,Pj分别为点pi和pj的近邻点集,若Pi∩Pj≠Φ,则称pi和pj具有公共近邻点,集合Pi∩Pj称为点pi和pj的公共近邻点集。
首先,选取聚类门限Dmaxmin,由于阵群目标的类型不同,其相邻成员目标之间的距离的最大值差别较大,因此可以借助一些先验信息(如阵群目标中显著成员目标的类型)来确定该门限的大小;其次,计算每个观测的近邻点集;最后,合并所有具有公共近邻点的近邻点集,得到彼此具有公共近邻点的近邻点集的最大并集。这些最大并集即为阵群观测提取的结果。
2,对聚类结果进行空间结构模型建模。
用点集Gm={g1,g2,…,gm}表示某个辐射源群的观测值,其中m为该辐射源观测群的势。将由Gm中任意两个观测位置之间的差矢量组成的集合记为其中ds=gj-gi,gi,gj∈Gm,求出Dm中各元素的模,得到一个距离集合用Dm描述点集Gm对应的辐射源源阵群的观测空间分布。
假设k-1时段辐射源阵群目标xi的队形空间分布特征为k时段辐射源刻辐射源阵群目标yj的队形空间分布特征为计算集合和内元素两两之间的距离,得到一个距离矩阵Rij为
其中:rth为元素和之间的差的绝对值,即
观测集合和之间的距离度量dij用Hausdorff距离度量
dij=max{Rmin,Cmin}(2)
其中Rmin和Cmin为:
3,对前后观测时段的空间结构模型进行相似度计算并进行关联判决。确定空间分布的距离门限Ts,Ts与真实辐射源位置和观测噪声的标准差大小相关,Ts取距离差的最大值近似为
取n=min(ui,uj);
从集合Gk,i中任取n个点组成集合从集合Gk+1,j中也任取n个点组成集合计算令若计算辐射源阵群目标关联度γij,其中否则n=n-1,继续计算直到n<2结束。
利用给出的算法计算前后两个观测时段辐射源群之间的关联度量,然后以这个关联度量值构建一个关联代价矩阵
C=[cij],1≤i≤Nk,1≤j≤NK+1,(0.5)
cij为k时段观测的第i个辐射源群与k+1时段观测到的第j个辐射源群之间的关联代价,可以用关联度表示为:
cij=1-γij(0.6)
辐射源群的关联判决转化为一个在改矩阵二维分配问题,用下式表示:
约束条件是:
其中ρij为二进制变量,即k时段第i个辐射源群关联上k+1时段观测的第j个辐射源群,则ρij=1,否则ρij=0,二维分配问题的解法已经有很多成熟算法求解,如拍卖算法。
4,结合具体的仿真实例,对上文提出方法的进行仿真性能;
关联性能参数采用辐射源阵群目标关联正确率,为降低仿真数据的随机性对算法的影响,仿真结构由1e3次蒙特卡罗仿真平均得到。在侦察监视区域内设置3种平台类型结构的辐射源阵群目标,分别记为GT1~GT3;场景在附图1中所示,各个判平台目标的空间分布依次近似为三角形、棱形、环形;为简化,每次蒙特卡洛仿真产生前后两个时刻的观测值集合对其进行关联,同时每次观测时刻的相对位置不发生变化。
观测噪声的标准差设置为定位的CRLB界限。假设杂波在监视的空间区域内服从均匀分布,整个观测区域内杂波数量服从参数为λV的泊松分布,其中V为监视区域的面积,λ为杂波密度。图2中给出了两种聚类方法提取辐射源群的观测的正确率。从图中可以看出,随着空间杂波密度的增加,两种算法的正确率都会不断减小,在低杂波密度时近邻点法要优于简单聚类法,最终随着杂波的增多两种方法的性能都会下降。
在杂波密度λ取1e-5的情况下,观测噪声方差取不同的SIGMA倍数时;两类算法提取观测聚类的正确率。可以看出两种方法随着观测噪声的增大聚类正确率都会下降,但是下降的幅度都不是很大。
从图2、3的仿真结果可以看出,在所有仿真条件下近邻点传播聚类法的性能在一定条件下都要优于简单聚类法。
在观测误差为SIGMA、5SIGMA、10SIGMA时,杂波密度取不同值时,基于空间结构辐射源关联算法的关联正确率如图4-6所示。从图中可以看出,随着杂波密度的增加,算法性能下降,在杂波密度为1e-5(个/m2)以内时,该方法达到较好的效果。
在杂波密度为1e-5时,图7表征随着观测误差的增加,辐射源关联正确率的变化曲线。由图可见观测误差在35倍的SIGMA以内,该方法都达到良好的性能。
Claims (3)
1.一种基于辐射源空间位置的辐射平台关联方法,该方法包括如下步骤:
步骤1:接收同一辐射平台的多个辐射源发射的雷达信号,对应确定当前时刻辐射源的空间位置,对一段时间内各辐射源的空间位置进行分群聚类,获得多个聚类中心,每个聚类中心表示一个辐射源;
步骤2:根据同一类中多个聚类的空间位置构建辐射平台的空间结构模型,并作为该辐射平台的匹配模板;
步骤3:根据步骤1和步骤2的方法获取下一时间段的辐射平台空间结构;
步骤4:采用相似度检测算法,将下一时刻与上一时刻的辐射平台空间结构进行一一配对,从而达到辐射平台的关联。
2.如权利要求1所述的一种基于辐射源空间位置的辐射平台关联方法,其特征在于所述步骤2将同一类的聚类中心按照排列的方式进行两两分组,计算每组内两个聚类中心的距离,获得所有分组的距离组成辐射平台的空间结构模型。
3.如权利要求1所述的一种基于辐射源空间位置的辐射平台关联方法,其特征在于所述步骤3中根据实际情况设定距离阈值,计算第k-1时段与第k时段中辐射平台空间结构模型的距离,距离小于设定阈值则计算的两模型匹配,则将两模型对应的,辐射平台关联起来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610120389.2A CN105787081B (zh) | 2016-03-03 | 2016-03-03 | 一种基于辐射源空间位置的辐射平台关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610120389.2A CN105787081B (zh) | 2016-03-03 | 2016-03-03 | 一种基于辐射源空间位置的辐射平台关联方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105787081A true CN105787081A (zh) | 2016-07-20 |
CN105787081B CN105787081B (zh) | 2019-02-15 |
Family
ID=56387626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610120389.2A Expired - Fee Related CN105787081B (zh) | 2016-03-03 | 2016-03-03 | 一种基于辐射源空间位置的辐射平台关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105787081B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108984482A (zh) * | 2018-07-12 | 2018-12-11 | 中国船舶重工集团公司第七二四研究所 | 一种相控阵雷达辐射源目标大数据实时关联方法 |
CN109031207A (zh) * | 2018-06-25 | 2018-12-18 | 电子科技大学 | 一种基于背景特征的辐射源信号分选方法 |
CN109726616A (zh) * | 2017-10-30 | 2019-05-07 | 中电科海洋信息技术研究院有限公司 | 一种舰船检测与识别方法和装置 |
CN110361707A (zh) * | 2019-08-09 | 2019-10-22 | 成都玖锦科技有限公司 | 辐射源的运动状态动态模拟方法 |
CN110880012A (zh) * | 2019-09-29 | 2020-03-13 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 |
CN109782273B (zh) * | 2019-01-11 | 2021-05-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于长时聚类关联的辐射源编批方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101100940A (zh) * | 2006-07-06 | 2008-01-09 | 李代甫 | 一种阵列化声信号检测系统及其工程应用 |
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN103235294A (zh) * | 2013-03-29 | 2013-08-07 | 电子科技大学 | 一种基于外辐射源定位的微弱信号分离估计方法 |
CN103675890A (zh) * | 2012-09-21 | 2014-03-26 | 日立民用电子株式会社 | 辐射测定装置以及辐射测定方法 |
-
2016
- 2016-03-03 CN CN201610120389.2A patent/CN105787081B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101100940A (zh) * | 2006-07-06 | 2008-01-09 | 李代甫 | 一种阵列化声信号检测系统及其工程应用 |
CN101893704A (zh) * | 2010-07-20 | 2010-11-24 | 哈尔滨工业大学 | 一种基于粗糙集的雷达辐射源信号识别方法 |
CN103675890A (zh) * | 2012-09-21 | 2014-03-26 | 日立民用电子株式会社 | 辐射测定装置以及辐射测定方法 |
CN103235294A (zh) * | 2013-03-29 | 2013-08-07 | 电子科技大学 | 一种基于外辐射源定位的微弱信号分离估计方法 |
Non-Patent Citations (3)
Title |
---|
万洪容 等: "《一种辐射源多特征数据关联的新方法》", 《电讯技术》 * |
刘宇轩 等: "《基于辐射源关联分析的舰船平台识别方法》", 《电子信息对抗技术》 * |
王利华 等: "《云模型和特征辐射源信息的平台目标识别》", 《火力与指挥控制》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726616A (zh) * | 2017-10-30 | 2019-05-07 | 中电科海洋信息技术研究院有限公司 | 一种舰船检测与识别方法和装置 |
CN109031207A (zh) * | 2018-06-25 | 2018-12-18 | 电子科技大学 | 一种基于背景特征的辐射源信号分选方法 |
CN108984482A (zh) * | 2018-07-12 | 2018-12-11 | 中国船舶重工集团公司第七二四研究所 | 一种相控阵雷达辐射源目标大数据实时关联方法 |
CN108984482B (zh) * | 2018-07-12 | 2022-06-24 | 中国船舶重工集团公司第七二四研究所 | 一种相控阵雷达辐射源目标大数据实时关联方法 |
CN109782273B (zh) * | 2019-01-11 | 2021-05-04 | 中国船舶重工集团公司第七二四研究所 | 一种基于长时聚类关联的辐射源编批方法 |
CN110361707A (zh) * | 2019-08-09 | 2019-10-22 | 成都玖锦科技有限公司 | 辐射源的运动状态动态模拟方法 |
CN110361707B (zh) * | 2019-08-09 | 2023-03-14 | 成都玖锦科技有限公司 | 辐射源的运动状态动态模拟方法 |
CN110880012A (zh) * | 2019-09-29 | 2020-03-13 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 |
CN110880012B (zh) * | 2019-09-29 | 2023-09-05 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 多侦察平台脉间捷变雷达辐射源频率信息关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105787081B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105787081A (zh) | 一种基于辐射源空间位置的辐射平台关联方法 | |
CN111079859B (zh) | 一种无源多站多目标测向交叉定位与虚假点去除方法 | |
CN107229033B (zh) | 基于高度维分段搜索的多目标到达时间差定位方法 | |
CN110598738B (zh) | 一种基于空间信息的分布式聚类方法 | |
CN104459661B (zh) | 检测快速火炮类微弱目标的方法 | |
CN109946694A (zh) | 基于随机有限集的圆周sar多目标跟踪方法 | |
CN104008403B (zh) | 一种svm(矢量机)模式的多目标识别判定方法 | |
CN101308206B (zh) | 一种白噪声背景下的圆周轨迹机动目标跟踪方法 | |
CN106526549A (zh) | 联合两坐标雷达和三坐标雷达统计量的假目标鉴别方法 | |
CN109901159A (zh) | 一种基于深度学习的米波雷达目标识别方法 | |
CN108152789A (zh) | 利用rss信息的无源多站多目标数据关联与定位方法 | |
Jiang et al. | TDOA passive location based on cuckoo search algorithm | |
CN106680783A (zh) | 基于站址误差融合算法对抗欺骗式假目标的方法 | |
CN110412504A (zh) | 基于角度与时差信息的无源多站多目标关联与定位方法 | |
CN110261828B (zh) | 基于距离-角误差二维聚类的横向干扰判定方法 | |
CN104407345B (zh) | 一种用于弱目标检测跟踪中的改进型动态规划方法 | |
CN107505598A (zh) | 一种基于三基阵的空中炸点定位方法 | |
CN108535704A (zh) | 一种基于自适应二维聚类的信号预分选方法 | |
CN108562893A (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
CN109459723A (zh) | 一种基于元启发算法的纯方位被动定位方法 | |
CN115964640A (zh) | 一种改进的基于模板匹配的二次目标分群方法 | |
CN104237880B (zh) | 变结构联合概率数据互联编队目标跟踪方法 | |
CN113065604B (zh) | 一种基于dtw-dbscan算法的空中目标分群方法 | |
CN105445741B (zh) | 一种目标定位的方法、装置及系统 | |
Ziyan et al. | The research of electronic countermeasure intelligence correlation analysis based on machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190215 |