CN107436424B - 一种基于信息增益的多雷达动态调节方法及装置 - Google Patents

Abstract

本发明实施例涉及一种基于信息增益的多雷达动态调节方法及装置，其中方法包括：S1、接收多部雷达的初始观测数据；S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；S3、根据所述多雷达融合熵模型，计算多雷达信息增益；S4、对所述多雷达信息增益进行优化；S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。本发明的方法及装置，通过最大化信息增益，实现雷达布站、参数和融合方法的联合自适应优化设计，从而更好地获取目标信息。

Description

一种基于信息增益的多雷达动态调节方法及装置

技术领域

本发明涉及雷达系统资源管理技术领域，尤其涉及一种基于信息增益的多雷达动态调节方法及装置。

背景技术

战场环境和作战目标处于不断变化中，为了最大化获取目标信息，实现最佳的目标探测、跟踪或识别等，需要根据作战任务，对多雷达系统资源，包括雷达布站、雷达参数和融合方法等，进行实时动态组织以适应不断变化的复杂环境和目标。

雷达布站、雷达参数和融合处理方法等的不同，获得的目标信息及其精度将不同。并且，对于多雷达观测决策，这些因素的影响是耦合的。而目前雷达动态组织方法大多分别针对多雷达的各个融合处理层级，并且割裂了不同因素间的关系，单独设计雷达布站、雷达参数或融合方法，因此不能很好地适应复杂环境和目标的需要。

为了便于理解本发明的基本原理，下面对信息论中的信息熵进行简要介绍。

在信息论中，熵是一个极为重要的概念，对于一个广义的系统来说，熵可作为系统状态的混乱性或无序性的度量。一般来说熵值越小，系统不确定性的程度就越小，也即系统含有的信息量越多。同理，信息熵是随机变量不确定度的度量，它也是平均意义上描述随机变量所需的信息量的度量，一个以f(w)为密度函数的连续型随机变量W的信息熵定义为

H(W)＝-∫f(w)lnf(w)dw (1)

其中，H(W)为随机变量W的信息熵，f(w)为随机变量W的概率密度函数。

如果随机变量W和S的联合概率密度函数f(w,s)，定义条件信息熵为

H(W|S)＝-∫f(w,s)lnf(w|s)dwds (2)

其中，H(W|S)为在S条件下随机变量W的信息熵，f(w,s)为随机变量W和S的联合概率密度函数，f(w|s)为在S条件下随机变量W的概率密度函数。

发明内容

本发明的目的是提出一种基于信息增益的多雷达动态调节方法及装置，通过最大化信息增益，实现雷达布站、参数和融合方法的联合自适应优化设计，从而更好地获取目标信息。

为实现上述目的，在本发明的一个方面，提供一种基于信息增益的多雷达动态调节方法，包括：

S1、接收多部雷达的初始观测数据；

S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；

S3、根据所述多雷达融合熵模型，计算多雷达信息增益；

S4、对所述多雷达信息增益进行优化；

S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。

其中，所述初始观测数据为：

多部雷达对同一目标的回波数据、检测后输出的目标点迹或提取的特征矢量。

其中，所述观测融合模型为：

Ψ＝g(z₁,z₂,…,z_N)

其中，g为信息融合方法，z_n(n＝1,2,…N)为多部雷达的初始观测数据；当z_n(n＝1,2,…N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当z_n(n＝1,2,…N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量z_n(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。

其中，根据所观测述融合模型，建立多雷达融合熵模型，具体包括：

根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：

H(N)＝H(Ψ|z_1:N)

＝-∫∫p(z_1:N,Ψ)logp(Ψ|z_1:N)dΨdz_1:N

＝-∫∫p(z_1:N)p(Ψ|z_1:N)logp(Ψ|z_1:N)dΨdz_1:N

其中，观测集z_1:N＝{z₁,z₂,...,z_N}，每个观测矢量z_n(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z_1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z_1:N)表示在输入观测z₁,z₂,…,z_N的条件下，输出Ψ的平均不确定度。

其中，计算多雷达信息增益，具体为；

E(N)＝H(N-1)-H(N)＝H(Ψ|z_1:N-1)-H(Ψ|z_1:N)。

其中，对所述多雷达信息增益，具体的优化模型公式为：

其中，优化变量Θ包括雷达位置、雷达参数和融合方法。

其中，当所述观测数据为检测后输出的目标点迹时，所述融合熵的公式为：

其中，x和y分别为目标的横轴和纵轴位置，[r a]为N部自发自收雷达组成的检测后输出的目标点迹集合，r＝[r_n]_1×N，a＝[a_n]_1×N，r_n和a_n分别为第n部雷达探测目标距离和方位角，R_N,xy为在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵，| |为矩阵的行列式，H为采用多雷达极坐标观测获得的目标直角坐标位置的信息量。

其中，当所述观测数据为检测后输出的目标点迹时，所述多雷达信息增益的计算公式为：

E(x,y|r,a)＝H_N-1(x,y|r,a)-H_N(x,y|r,a)。

其中，对所述融合熵模型进行优化的优化公式为：

其中，所述协方差矩阵与参数估计的克拉美罗下界的关系为：

其中，所述I_N(x,y|r,a)为Fisher信息矩。

其中，所述融合熵的下界为：

其中，所述Fisher信息矩阵I_N(x,y|r,a)具体为：

其中，f(r,a)为多雷达系统观测的联合概率密度函数。

其中，所述N部雷达观测的联合概率密度函数，具体为：

其中，r_n,0为第n部雷达探测目标真实距离、a_n,0为第n部雷达探测目标真实角度，其中

和

分别为第n部雷达的距离和方位角观测噪声标准差。

根据本发明的另一个方面，提供一种基于信息增益的多雷达动态调节装置，包括：

接收模块，用于接收多部雷达的初始观测数据；

模型建立模块，用于获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；

信息增益计算模块，用于根据所述多雷达融合熵模型，计算多雷达信息增益；

优化模块，用于对所述多雷达信息增益进行优化；

调整模块，用于根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。

其中，所述初始观测数据为：

多部雷达对同一目标的回波数据、检测后输出的目标点迹或提取的特征矢量。

其中，所述观测融合模型为：

Ψ＝g(z₁,z₂,…,z_N)

其中，g为信息融合方法，z_n(n＝1,2,…N)为多部雷达的初始观测数据；当z_n(n＝1,2,…N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当z_n(n＝1,2,…N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量z_n(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。

其中，所述模型建立模块，建立融合熵模型，具体为：

根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：

H(N)＝H(Ψ|z_1:N)

＝-∫∫p(z_1:N,Ψ)logp(Ψ|z_1:N)dΨdz_1:N

＝-∫∫p(z_1:N)p(Ψ|z_1:N)log p(Ψ|z_1:N)dΨdz_1:N

其中，观测集z_1:N＝{z₁,z₂,...,z_N}，每个观测矢量z_n(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z_1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z_1:N)表示在输入观测z₁,z₂,…,z_N的条件下，输出Ψ的平均不确定度。

其中，所述信息增益计算模块计算多雷达信息增益，具体为；

E(N)＝H(N-1)-H(N)＝H(Ψ|z_1:N-1)-H(Ψ|z_1:N)。

其中，所述优化模块对所述多雷达信息增益进行优化的优化公式为：

其中，优化变量Θ包括雷达位置、雷达参数和融合方法。

本发明基于信息增益的多雷达动态调节方法及装置，使用基于信息熵的多雷达动态组织方法，可以获得通过增加一部雷达使得目标信息增加最多时的该雷达的布站位置、雷达参数和融合方法，也可以通过递推获得所有雷达的布站位置、雷达参数和融合方法的优化结果。此外，该方法中的信息增益模型可用于在多雷达系统中选择信息量高的固定数目的雷达站，从而获得在该数目下的多雷达的最佳的融合效果。可以基于不同层级的作战任务，自适应优化调整雷达布站、雷达参数和融合方法，以适应战场环境和目标的动态变化，从而达到最大化获取目标信息的目的。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明的基于信息增益的多雷达动态调节方法的流程图。

图2示出了本发明实施例的四部雷达最优布站方式示意图。

图3示出了本发明实施例四部雷达定位模糊区示意图。

图4示出了本发明的基于信息增益的多雷达动态调节装置的结构框图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明中，从增加雷达站角度来看，增加一部雷达，相当于增加了目标观测量，从而增加了获取观测目标的信息量，可以降低了融合系统输出的不确定性，将该增加的信息量定义为信息增益，并且，希望增加的信息量越多越好。本发明通过最大化多雷达观测决策的信息增益，可自适应优化设计多雷达资源，包括雷达站位置、参数和融合方法，降低获取目标信息的不确定程度。

在本发明的一个实施例中，考虑有N部雷达自发自收的观测系统，基于信息增益的多雷达动态调节方法，如图1所示，具体为：

S1、接收多部雷达的初始观测数据。本实施例中，初始观测数据可以是N部雷达对同一个目标的回波序列、检测后输出的目标点迹或提取的特征矢量。

S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型。

针对目标检测、跟踪和识别等融合处理过程，统一建立多雷达观测决策的一般化模型，为公式(3)：

Ψ＝g(z₁,z₂,…,z_N) (3)

其中，g为信息融合方法，这里的z_n(n＝1,2,…,N)为广泛意义上的观测量。根据融合的层级，z_n(n＝1,2,…,N)可以是N部雷达对同一个目标的回波序列、检测后输出的目标点迹或提取的特征矢量。当z_n(n＝1,2,…,N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当z_n(n＝1,2,…,N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量z_n(n＝1,2,…,N)为目标特征矢量时，融合输出Ψ为识别结果。上式的统计特性可以用概率密度函数p(Ψ|z₁,z₂,…,z_N)表示。

进一步地，根据信息论原理，以及上述建立的多雷达观测融合决策模型，定义多雷达系统的融合熵，为公式(4)

其中，观测集z_1:N＝{z₁,z₂,...,z_N}，每个观测矢量z_n(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z_1:N)为N部雷达观测的联合概率密度函数。由信息论原理可知，上式(4)中定义的多雷达的融合熵H(Ψ|z_1:N)，表示在输入观测z₁,z₂,…,z_N的条件下，经过步骤S00中的融合处理方法g后，输出Ψ的平均不确定度。

由公式(3)和公式(4)可知，多雷达的融合熵与雷达观测和融合方法有关，而雷达观测与雷达站位置和参数有关，因而融合熵与雷达布站位置、参数以及信息融合方法有关。

S3、根据所述多雷达融合熵模型，计算多雷达信息增益。

具体地，根据步骤S2中的融合熵，定义多雷达信息增益为雷达站数由N-1增加至N时增加的信息量，也即融合熵的变化，为公式(5)

E(N)＝H(N-1)-H(N)＝H(Ψ|z_1:N-1)-H(Ψ|z_1:N) (5)

其中，z_1:N-1表示不包含第N部雷达观测z_N的N-1部雷达观测集合。在观测与目标信息相关条件下，E(N)＞0，即H(N-1)-H(N)＞0，同时可知，它还具有递推性质。对于多雷达信息融合，信息增益公式(5)表示了增加了一个观测就增加了信息量，从而降低了融合系统输出的不确定性。

由公式(3)～公式(5)可知，在N-1部雷达站位置和参数固定的情况下，增加雷达N带来的融合系统的信息增益与该雷达布站位置、参数以及信息融合方法有关。

S4、对所述多雷达信息增益进行优化。

具体地，根据步骤S3中定义的信息增益的含义可知，该数值越大，通过增加雷达N观测获得目标信息将越多、越精确。为此，通过最大化信息增益，可以获得联合优化设计该雷达位置、参数和融合方法的模型，对应的优化模型为公式(6)

S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。

本实施例中，通过采用优化方法求解公式(6)的最优化信息增益模型，可获得新增加的雷达位置、参数和多雷达信息融合方法，或通过递推获得N部雷达位置、参数和融合方法的最优化，实现目标的最佳探测、跟踪或识别。

本实施例中，使用基于信息熵的多雷达动态组织方法，可以获得通过增加一部雷达使得目标信息增加最多时的该雷达的布站位置、雷达参数和融合方法。或通过递推获得所有雷达的布站位置、雷达参数和融合方法的优化结果。

此外，可以通过降维求解最优化信息增益模型中的部分参量，例如，在雷达参数和融合方法确定的情况下，求解最优化雷达布站。

进一步地，该方法中的信息增益模型可用于在多雷达系统中选择信息量高的固定数目的雷达站，从而获得在该数目下的多雷达的最佳的融合效果。

以下通过具体实施详细说明本发明的基于信息熵的多雷达动态调节方法。

本实施例针对多雷达融合处理中的融合跟踪层级，给出了基于信息熵的多雷达动态组织方法。

步骤S11：针对二维雷达目标跟踪融合，建立N部雷达观测融合模型，为公式(7)

Ψ＝g(z₁,z₂,…,z_N) (7)

其中，g为跟踪融合方法，输出Ψ为直角坐标系中目标的位置坐标(x,y)，x和y分别为目标的横轴和纵轴位置。输入z_n＝[r_n a_n],n＝1,…,N为第n部雷达的量测矢量，r_n和a_n分别为第n部雷达探测目标距离和方位角。N部自发自收雷达组成的多雷达系统的检测后输出的目标点迹集合z＝[r a]，其中r＝[r_n]_1×N，a＝[a_n]_1×N，每个观测量为公式：

其中，r_n,0为第n部雷达探测目标真实距离、a_n,0为第n部雷达探测目标真实角度，目标距离观测噪声为

方位角观测噪声为

其中

和

分别为第n部雷达的距离和方位角观测噪声标准差。

步骤S12：根据信息论原理，以及步骤S11建立的多雷达观测融合模型，得到多雷达联合跟踪的融合熵，为公式(10)

其中，R_N,xy为在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵。| |表示矩阵的行列式。上式(10)表示采用多雷达极坐标观测获得的目标直角坐标位置的信息量。

步骤S13：根据步骤S12的融合熵，定义多雷达信息增益为雷达站数由N-1增加至N时增加的信息量，也即融合熵的变化，为公式(11)

E(x,y|r,a)＝H_N-1(x,y|r,a)-H_N(x,y|r,a) (11)

其中z_1:N-1表示不包含第N部雷达观测z_N的N-1部雷达观测集合。在观测与目标信息相关条件下，E(N)＞0，即H(N-1)-H(N)＞0，同时可知，它还具有递推性质。对于多雷达跟踪阶段的观测信息融合，信息增益公式(11)表示了增加了一个观测量就增加了信息量，降低了跟踪层级融合系统输出的不确定性。

步骤S14：根据步骤S13中定义的信息增益的含义可知，该数值越大，通过增加雷达N观测获得目标信息将越多、越精确。为此，通过最大化信息增益，可以获得联合优化设计该雷达位置、参数和融合方法的模型，对应的优化模型为公式(12)

步骤S15：通过采用优化方法求解公式(12)的最优化信息增益模型，可获得新增加的雷达位置、参数和多雷达信息融合方法，或通过递推获得N部雷达位置、参数和融合方法的最优化，实现目标探测、跟踪或识别。

此外，根据公式(12)，在预设的第一部雷达站位置的基础上，将雷达站数由1逐个增加至所要布站的雷达数目，便可递推得到所有雷达的布站、参数和融合方法优化结果，实现多雷达动态组织。

为了简化优化模型公式(12)优化求解的复杂度，使用融合熵的下界，从而可以忽略融合方法这一因素对融合熵的影响。根据参数估计理论可知，由多雷达极坐标观测获得的目标位置估计的协方差矩阵与参数估计误差的克拉美罗下界(CRLB)的关系为公式(13)

其中，I_N(x,y|r,a)为Fi sher信息矩。

由公式(10)和公式(13)可知，多雷达观测融合熵的下界为公式(14)

根据参数估计理论，目标位置估计的Fisher信息矩阵I_N(x,y|r,a)为公式(15)

其中，f(r,a)为多雷达系统观测的联合概率密度函数。假设各个探测目标观测值独立不相关，根据量测公式(8)和公式(9)，由N部自发自收雷达组成的多雷达系统观测的联合概率密度函数为公式(16)

由公式(14)、公式(15)和公式(16)可知，影响多雷达观测信息熵下界的因素包括各雷达站与目标距离、方位角，以及各雷达站的测距精度和测角精度。

并且，由公式(14)、公式(15)和公式(16)分析可知，在目标相距雷达站很远的情况下，目标距离和雷达测角精度对联合观测信息熵的影响可忽略，此时仅是雷达观测目标的角度和测距精度对联合观测信息熵产生影响，在假定各雷达测距精度相等，并且不失一般性考虑各雷达自发自收的情况，结合公式(12)～公式(16)可知，跟踪阶段多雷达最优控制模型化简为公式(17)：

求解上式(17)得

由上式(18)可知，假设第一部雷达站方位角为a₁，由上式求解得第二部雷达方位角为a₂＝a₁+π/2。进一步递推可知，第三部雷达的方位角a₃可为任意值，则由上式得第四部雷达位置为a₄＝a₃+π/2，以此类推。其中，当n为奇数时，该第n部雷达方位角a_n可为任意值，而第n+1部雷达a_n+1＝a_n+π/2，与第n部雷达关于目标形成的夹角，即交汇角，为90度。

附图2和附图3为在雷达数目为4部时应用上述实施例中的结果图。图2给出了基于信息增益的四部雷达布站一种结果示意图。以四部雷达为例，根据式(18)可知，这四部雷达相对目标的布站方位角可以是a₁＝0,a₂＝π/2,a₃＝π/4,a₄＝3π/4，其示意图如附图2所示。图3给出了在图2所示的布站情况下的观测模糊区示意图。

在本发明的又一个实施例中，提供一种基于信息增益的多雷达动态调节装置，如图4所示，具体包括：

接收模块10，用于接收多部雷达的初始观测数据；

模型建立模块20，用于获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；

信息增益计算模块30，用于根据所述多雷达融合熵模型，计算多雷达信息增益；

优化模块40，用于对所述多雷达信息增益进行优化；

调整模块50，用于根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。

本发明装置实施例具有与方法实施例相同的技术效果，不再重复。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于信息增益的多雷达动态调节方法，其特征在于，包括：

S1、接收多部雷达的初始观测数据；

S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；

S3、根据所述多雷达融合熵模型，计算多雷达信息增益；

S4、对所述多雷达信息增益进行优化；

S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法；其中，所述初始观测数据为：

多部雷达对同一目标的回波序列、检测后输出的目标点迹或提取的特征矢量；

所述观测融合模型为针对目标检测、跟踪和识别的融合处理过程，统一建立的多雷达观测决策的一般化模型，公式为：

Y＝g(z₁,z₂,…,z_N)

其中，g为信息融合方法，z_n(n＝1,2,…N)为多部雷达的初始观测数据，为多雷达融合系统中雷达n对同一目标的观测值；当z_n(n＝1,2,…N)为回波序列时，融合系统输出Y为检测结果，即判断目标有无；当z_n(n＝1,2,…N)为检测后输出的目标点迹，则融合结果Y为目标定位跟踪结果；当观测量z_n(n＝1,2,…N)为目标特征矢量时，融合输出Y为识别结果；

根据所观测述融合模型，建立多雷达融合熵模型，具体包括：

根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：

H(N)＝H(y|z_1:N)

＝-∫∫p(z_1:N,y)logp(y|z_1:N)dydz_1:N

＝-∫∫p(z_1:N)p(y|z_1:N)logp(y|z_1:N)dydz_1:N

其中，观测集z_1:N＝{z₁,z₂,...,z_N}，p(z_1:N)为N部雷达观测的联合概率密度函数，H(y|z_1:N)表示在输入观测z₁,z₂,…,z_N的条件下，输出y的平均不确定度；

计算多雷达信息增益，具体为；

E(N)＝H(N-1)-H(N)＝H(y|z_1:N-1)-H(y|z_1:N)；

对所述多雷达信息增益，具体的优化模型公式为：

Θ＝argmaxE(N)＝argmax(H(N-1)-H(N))。

2.根据权利要求1所述的方法，其特征在于，当所述观测数据为观测矢量数据时，所述融合熵的公式为：

其中，x和y分别为目标的横轴和纵轴位置，[r a]为N部自发自收雷达组成的观测矢量，r＝[r_n]_1×N，a＝[a_n]_1×N，r_n和a_n分别为第n部雷达探测目标距离和方位角，R_N,xy为在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵，| |为矩阵的行列式，H为采用多雷达极坐标观测获得的目标直角坐标位置的信息量。

3.根据权利要求2所述的方法，其特征在于，当所述观测数据为观测矢量数据时，所述多雷达信息增益的计算公式为：

E(x,y|r,a)＝H_N-1(x,y|r,a)-H_N(x,y|r,a)。

4.根据权利要求3所述的方法，其特征在于，对所述融合熵模型进行优化的优化公式为：

5.根据权利要求2所述的方法，其特征在于，所述协方差矩阵与参数估计的克拉美罗下界的关系为：

其中，所述I_N(x,y|r,a)为Fisher信息矩。

6.根据权利要求5所述的方法，其特征在于，所述融合熵的下界为：

7.根据权利要求5所述的方法，其特征在于，所述Fisher信息矩阵I_N(x,y|r,a)具体为：

其中，f(r,a)为多雷达系统观测的联合概率密度函数。

8.根据权利要求7所述的方法，其特征在于，所述N部雷达观测的联合概率密度函数，具体为：

其中，r_n,0为第n部雷达探测目标真实距离、a_n,0为第n部雷达探测目标真实角度，其中

和

分别为第n部雷达的距离和方位角观测噪声标准差。

9.一种基于信息增益的多雷达动态调节装置，其特征在于，包括：

接收模块，用于接收多部雷达的初始观测数据；

模型建立模块，用于获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；

信息增益计算模块，用于根据所述多雷达融合熵模型，计算多雷达信息增益；

优化模块，用于对所述多雷达信息增益进行优化；

调整模块，用于根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法；

其中，所述初始观测数据为：

多部雷达对同一目标的回波序列、检测后输出的目标点迹或提取的特征矢量；

所述观测融合模型为针对目标检测、跟踪和识别的融合处理过程，统一建立的多雷达观测决策的一般化模型，公式为：

Y＝g(z₁,z₂,…,z_N)

其中，g为信息融合方法，z_n(n＝1,2,…N)为多部雷达的初始观测数据，为多雷达融合系统中雷达n对同一目标的观测值；当z_n(n＝1,2,…N)为回波序列时，融合系统输出Y为检测结果，即判断目标有无；当z_n(n＝1,2,…N)为检测后输出的目标点迹，则融合结果Y为目标定位跟踪结果；当观测量z_n(n＝1,2,…N)为目标特征矢量时，融合输出Y为识别结果；

所述模型建立模块，建立融合熵模型，具体为：

根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：

H(N)＝H(y|z_1:N)

＝-∫∫p(z_1:N,y)logp(y|z_1:N)dydz_1:N

＝-∫∫p(z_1:N)p(y|z_1:N)logp(y|z_1:N)dydz_1:N

其中，观测集z_1:N＝{z₁,z₂,...,z_N}，p(z_1:N)为N部雷达观测的联合概率密度函数，H(y|z_1:N)表示在输入观测z₁,z₂,…,z_N的条件下，输出y的平均不确定度；所述多雷达融合系统包括不同的功能，具体包括检测、定位跟踪和识别；

所述信息增益计算模块计算多雷达信息增益，具体为；

E(N)＝H(N-1)-H(N)＝H(y|z_1:N-1)-H(y|z_1:N)；

所述优化模块对所述多雷达信息增益进行优化的优化公式为：

Θ＝argmaxE(N)＝argmax(H(N-1)-H(N))。

Images