CN106896348A - 一种基于概率数据关联的雷达信号分选方法 - Google Patents

Abstract

本发明属于雷达信号分选技术领域，具体涉及一种基于概率数据关联的雷达信号分选方法。本发明包括：利用在杂波环境下一个采样周期的采样数据，用逻辑法确立初始雷达参数库；对采样数据进行联合概率数据关联，把确认矩阵拆分成互联矩阵，计算联合事件概率；计算联合事件概率：计算新息协方差、目标增益矩阵以及状态估计协方差；更新雷达参数库；重复步骤，直到本次采样数据关联完毕。应用本发明可以在信噪比较低和采样数据精确度有限的情况下正确而有效地得到稳定的雷达信号参数，将采样周期内各个时刻的采样点的数据与雷达库数据进行概率互联，并对雷达库参数进行预测和更新，达到在杂波与信号共存的情况下分选出准确的雷达信号的目的。

Description

一种基于概率数据关联的雷达信号分选方法

技术领域

本发明属于雷达信号分选技术领域，具体涉及一种基于概率数据关联的雷达信号分选方法。

背景技术

伴随着随着全球航空业的迅速发展，空间中的飞机数量与客流量都在不断增大，这就会导致机场内飞机的移动次数不断增加，在机场地面的活动区域内，由于天气原因以及机场工作人员的视线遮挡等原因，导致飞机在起飞，滑落的过程中发生碰撞的概率增加，因此，能够有效的在拥挤的机场准确的掌握飞机的状态至关重要，这就要求地面的服务中心需要有先进的雷达信号分选方法，来保证飞机雷达的参数被准确掌握。

雷达辐射源信号在传播和接受过程难免不可避免会受到环境噪声和传感器的测量噪声的干扰，导致同一部雷达的参数信息可能分散，不同雷达的参数信息混叠在一起，雷达信号分选就是在交错的，密集复杂的，有杂波的采样信息流中提取出属于同一部雷达的信息，然后对这些信息进行后续的相关处理。其中在采样数据中有杂波的情况在传统的分选算法中鲜有提及，而在混入杂波的采样数据中如何正确的找到雷达目标，并对采样时刻的多个数据点与雷达进行关联是关键点。

传统的雷达信号分选技术主要有基于PRI的单参数信号分选方法和多参数联合分选方法，这些方法都是把采样得到的一组脉冲描述字进行聚类，也就是根据测量到的不同参数，和不同雷达参数的差异性，对采样数据进行划分，划分的规则是非此即彼，对于参数可能属于多部雷达的情况不予考虑。成熟的方法主要有序列差直方图法，PRI变换法，K_means聚类算法等。

目前，国内外对信号分选中采用概率数据关联的理论还没有涉及，对信号分选关联权重的方法有一定的涉及，申请公开号为CN105022792A的专利提出了一种基于数据挖掘的雷达信号分选关联权重计算方法，利用信息熵计算一部雷达不同参数的权重，从而分选出不同的雷达信号。

发明内容

本发明的目的是提出一种基于概率数据关联的雷达信号分选方法，重点解决杂波环境中采样信号与多部雷达信号目标的关联问题。

本发明的目的是这样实现的：

本发明包括以下步骤：

(1)利用在杂波环境下一个采样周期的采样数据，用逻辑法确立初始雷达参数库；

(2)对采样数据进行联合概率数据关联，把确认矩阵拆分成互联矩阵，计算联合事件概率；

(3)计算联合事件概率：计算新息协方差、目标增益矩阵以及状态估计协方差；

(4)更新雷达参数库；

(5)重复步骤(2)到(4)，直到本次采样数据关联完毕。

所述步骤(1)中用逻辑法确立初始雷达参数库包括：

(1.1)在第一个采样周期初始化雷达参数库时，滑窗的长度保证在最开始建立相对稳定的雷达参数；

(1.2)在第一次之后的采样周期中，初始化时对之前得到的雷达参数库进行更新，当连续两个采样周期中没有在初始化时得到之前库中的雷达参数，同时对于新得到的雷达参数，要把参数加到雷达库中；

(1.3)初始化的参数包括到达角DOA，脉宽PW，载频CF，带宽BW，到达时间TOA，雷达重复周期PRI，即

X^t(0)＝[DOA^t(0),PW^t(0),CF^t(0),BW^t(0),TOA^t(0),PRI^t(0)]'。

所述步骤(3)中计算联合事件概率包括：

(3.1)V为广义体积：维度为6；

(3.2)调整雷达t的被接收到的概率；

(3.3)对于脉冲描述字的每一维参数，在可能的门限内服从高斯分布，所以可以利用先验落入波门内的概率动态调整波门的宽度，对于每一维的参数，就是调整参数的范围。

所述步骤(4)中步骤四中的更新雷达参数库包括：

(4.1)删掉出现概率小于设定值e的雷达；

(4.2)更新波门的大小；

(4.3)在参数库允许的最大数量之内，加入新出现的雷达参数；

(4.4)在雷达库中对各部雷达出现的频率进行统计，给频率越高的雷达越高的处理优先级。

本发明的有益效果在于：

本发明的核心技术内容在于利用采样数据点与雷达参数库间的互联概率提出了一种基于联合概率数据互联理论的雷达信号分选方法，应用本发明可以在信噪比较低和采样数据精确度有限的情况下正确而有效地得到稳定的雷达信号参数，将采样周期内各个时刻的采样点的数据与雷达库数据进行概率互联，并对雷达库参数进行预测和更新，达到在杂波与信号共存的情况下分选出准确的雷达信号的目的。

附图说明

图1雷达参数库的建立方法；

图2联合概率数据互联流程图；

图3为本发明的方法框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步具体说明：

本发明具体是根据采样得到的不同雷达信号的特征参数，利用概率数据关联算法估计各个采样点与不同雷达信号的关联概率，进一步对雷达参数进行预测更新，可用于对不同类型的雷达信号进行分选。

该方法首先利用逻辑法对杂波环境下采样得到的信号的特征参数信息，确立初始的雷达参数库，然后，利用不同雷达信号的这些参数的差异性，以及同一部雷达信号特征参数的相似性，利用联合概率数据关联算法，计算出落入相关波门内的每个确认量测属于雷达库中每部雷达的条件概率，然后对雷达库进行更新，利用联合事件概率的互联概率以及组合新息，对雷达库中每部雷达的状态进行预测，再后，在采样周期内重复雷达库的更新过程。重复前述过程，以达到每个采样周期的量测重新确定雷达库的情况并更新雷达库的目的。

本发明提供一种基于联合概率数据关联理论的雷达信号分选方法，方法流程图如图3所示，包括以下步骤：

步骤一：用逻辑法法进行初始雷达参数库的确立。这里量测和状态方程均利用卡尔曼滤波的量测和状态方程，量测即采样，设是k时刻采样脉冲描述字i的第l个分量，l＝1,…,p，i＝1,…,m_k,其中m_k是k时刻采样落入相关波门的数据点个数。有采样数据点Z_i(k)与Z_j(k+1)间的距离矢量d_ij因为一部雷达的脉冲描述字的分量相关性很弱，可以认为是独立的，而采样误差是服从独立，零均值的高斯分布，协方差R_i(k)，归一化的距离平方为：

式中D_ij(k)是服从自由度为p的χ²分布的随机变量。根据实际的门限概率可以得到门限γ，若D_ij(k)≤γ，可以判定Z_i(k)与Z_j(k+1)互联。

主要有，对当前采样周期中第一次的采样数据点利用先验知识建立门限和相关波门宽度，对落入初始相关波门的第二次采样的量测均加入可能的雷达参数库，然后对库中的每部可能雷达的脉冲描述字进行预测，后续相关波门的大小由脉冲描述字误差的协方差确定，第三次采样落入后续相关波门离预测点最近的进行关联，若后续的相关波门里没有采样数据落入，则删掉当前的雷达参数，继续上述过程，直到形成稳定的雷达参数库。

步骤二：对采样数据进行联合概率数据关联。当k时刻有采样数据点落到雷达参数库几部雷达的重叠区域时，必须综合考虑各个数据点的来源情况，为了表示各个数据点和参数库中雷达的关系，引入确认矩阵Ω：

式中，ω_jt＝1表示数据点j(j＝1,2,…,m_k)落入雷达t(t＝0,1,…,T)的确认门内，ω_jt＝0表示数据点j没有落在雷达t的确认门内。t＝0，此时Ω对应的列元素都是1，表示数据点来自杂波。接下来，把确认矩阵拆分成互联矩阵。对确认矩阵的拆分要遵循：一、每个数据点都有唯一的一个源，不是源自雷达库中的某一部雷达，就是源自杂波；二、对于雷达库中的雷达来说，最多有一个数据点以其为源，如果一部雷达与多个数据点匹配，将一个为真，其余为假。联合事件概率的就算就是为了计算出每个数据点与它可能的雷达库中的雷达的互联概率，设θ_jt(k)表示数据点属于雷达t的事件，θ_j0(k)表示数据点j是杂波。按照概率数据互联滤波器中的条件概率的定义，第j个采样点与库中雷达t互联的概率

(3)式中，表示数据点j在第i个联合事件中源于雷达t(0≤t≤T)的事件，θ_i(k)表示第i个联合事件，n_k表示联合事件的个数，而(4)式表示在第i个联合事件中，数据点j源于雷达t时为1，其他为0。与联合事件对应的互联矩阵定义为

引入二元变量：

表示数据点j在联合事件θ_i(k)中是否与一部雷达互联。

表示任一数据点在联合事件θ_i(k)中是否与雷达t互联。

设φ[θ_i(k)]表示联合事件θ_i(k)中采到杂波的数量，则

在采样k时刻联合事件θ_i(k)的条件概率为

式中，c为归一化常数

假定不与库中任何雷达互联的杂波在体积为V的确认区域中服从均匀分布，而与库中雷达互联的采样服从高斯分布，即一旦θ_i(k)给定，包含φ[θ_i(k)]个杂波的事件一共有个，对于m_k-φ[θ_i(k)]个真实数据点，共有{m_k-φ[θ_i(k)]}！种可能互联，于是

式中是雷达t的落入波门的概率，联合概率数据互联滤波器的杂波数的概率质量函数μ_F{φ[θ_i(k)]服从泊松分布，λ是杂波的空间密度，λV是门内杂波期望数，c'新的是归一化常数。通过式(11)，可以得到Pr{θ_i(k)|Z^k}，作为更新雷达参数库状态的基础。

步骤三：计算状态估计协方差，新息协方差，目标增益矩阵。根据卡尔曼滤波的相关方程可以得到基于第j个数据点对雷达t的状态估计的协方差为

式中，X^t(k|k)是雷达t在采样k时刻的真实状态值。

且由卡尔曼滤波公式有

式中，K^t(k)是采样k时刻雷达t的增益矩阵，S^t是其对应的新息协方差矩阵。当采样k时刻的采样数据点中没有一个是属于雷达t的，也就是都是杂波时，不利用任何的采样数据点对雷达的状态参数进行更新，雷达t的状态估计和预测值相同。

状态估计的协方差为

可得

进一步得到新息协方差

S^t(k+1)＝H(k+1)P^t(k+1|k)H'(k+1|k)+R(k+1) (16)

H(k+1)为状态转移矩阵，R(k+1)为采样量测噪声的协方差。

K^t(k+1)＝P^t(k+1|k)H'(k+1)S^t-1(k+1) (17)

步骤四：完成对雷达参数库的更新。用步骤三的公式计算中雷达库每部雷达的计算状态估计协方差，新息协方差，目标增益矩阵，并利用式(18)对雷达库中雷达t的参数进行预测。

这样就可以做到利用当前时刻采样点的数据和联合概率数据关联的方法，对下一时刻可能的雷达库中每部雷达的参数进行预测，可以达到在概率统计的范围内提前一定的时间预知雷达库中每部雷达在下一时刻的参数状态，对于避免机场中飞机事故的发生有着一定积极的意义。

步骤五：重复步骤二到四，直到当前采样周期中采样的最后一个时刻的数据点全部关联完毕，重新开始下一个采样周期的循环。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (4)

1.一种基于概率数据关联的雷达信号分选方法，其特征在于，包括以下步骤：

(1)利用在杂波环境下一个采样周期的采样数据，用逻辑法确立初始雷达参数库；

(2)对采样数据进行联合概率数据关联，把确认矩阵拆分成互联矩阵，计算联合事件概率；

(3)计算联合事件概率：计算新息协方差、目标增益矩阵以及状态估计协方差；

(4)更新雷达参数库；

(5)重复步骤(2)到(4)，直到本次采样数据关联完毕。

2.根据权利要求1所述的一种基于概率数据关联的雷达信号分选方法，其特征在于，所述步骤(1)中用逻辑法确立初始雷达参数库包括：

(1.1)在第一个采样周期初始化雷达参数库时，滑窗的长度保证在最开始建立相对稳定的雷达参数；

(1.2)在第一次之后的采样周期中，初始化时对之前得到的雷达参数库进行更新，当连续两个采样周期中没有在初始化时得到之前库中的雷达参数，同时对于新得到的雷达参数，要把参数加到雷达库中；

(1.3)初始化的参数包括到达角DOA，脉宽PW，载频CF，带宽BW，到达时间TOA，雷达重复周期PRI，即

X^t(0)＝[DOA^t(0),PW^t(0),CF^t(0),BW^t(0),TOA^t(0),PRI^t(0)]'。

3.根据权利要求1所述的一种基于概率数据关联的雷达信号分选方法，其特征在于，所述步骤(3)中计算联合事件概率包括：

(3.1)V为广义体积：维度为6；

(3.2)调整雷达t的被接收到的概率；

(3.3)对于脉冲描述字的每一维参数，在可能的门限内服从高斯分布，所以可以利用先验落入波门内的概率动态调整波门的宽度，对于每一维的参数，就是调整参数的范围。

4.根据权利要求1所述的一种基于概率数据关联的雷达信号分选方法，其特征在于，所述步骤(4)中步骤四中的更新雷达参数库包括：

(4.1)删掉出现概率小于设定值e的雷达；

(4.2)更新波门的大小；

(4.3)在参数库允许的最大数量之内，加入新出现的雷达参数；

(4.4)在雷达库中对各部雷达出现的频率进行统计，给频率越高的雷达越高的处理优先级。