CN107728124A - 一种基于信息熵的多雷达动态调节方法及装置 - Google Patents
一种基于信息熵的多雷达动态调节方法及装置 Download PDFInfo
- Publication number
- CN107728124A CN107728124A CN201710807920.8A CN201710807920A CN107728124A CN 107728124 A CN107728124 A CN 107728124A CN 201710807920 A CN201710807920 A CN 201710807920A CN 107728124 A CN107728124 A CN 107728124A
- Authority
- CN
- China
- Prior art keywords
- radar
- fusion
- model
- target
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 96
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 239000004744 fabric Substances 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005267 amalgamation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4052—Means for monitoring or calibrating by simulation of echoes
Abstract
本发明实施例涉及一种基于信息熵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、对所述多雷达融合熵模型进行优化；S4、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。本发明的调节方法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。
Description
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熵的多雷达动态调节方法及装置。
背景技术
实际中，战场环境和目标处于不断变化中，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，从而最大化获取目标信息，实现最佳的目标探测、跟踪或识别等。
雷达相对目标的地理位置或雷达参数不同，获得的目标信息将不同，采用不同的融合方法，结果的精度也将不同。并且，对于多雷达观测决策，这些因素的影响是耦合的。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，单独设计雷达布站或雷达参数或融合方法，此种方法对多雷达系统资源的设计不完整，不能很好地适应复杂环境和目标的需要。
本发明中，对于多雷达观测决策系统而言，希望获取的目标信息越准确越好，即系统的不确定程度越小越好。信息熵作为随机变量不确定度的度量方法，熵值越小，随机变量的不确定程度越小。本发明使用信息熵对多雷达观测决策输出的不确定性程度进行度量，即多雷达的融合熵，其值与雷达布站、雷达参数和融合方法等因素有关。通过最小化多雷达观测决策的融合熵，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，最大化降低获取目标信息的不确定程度。
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
本发明提出一种基于信息熵的多雷达动态调节方法及装置，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。
基于上述目的，本发明提供一种基于信息熵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、对所述多雷达融合熵模型进行优化；
S4、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,…,zN)
其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(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zn(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zn(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(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)logp(Ψ|z1:N)dΨdz1:N
＝-∫∫p(z1:N)p(Ψ|z1:N)logp(Ψ|z1:N)dΨdz1:N
其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(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(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。
其中，对所述多雷达融合熵模型进行优化，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极坐标系下目标检测的点迹集合，r＝[rn]1×N，a＝[an]1×N，rn和an分别为第n部雷达探测目标距离和方位角，RN,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，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IN(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IN(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，rn,0为第n部雷达探测目标真实距离、an,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。
基于本发明的另一个方面，提供一种基于信息熵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；
优化模块，用于对所述多雷达融合熵模型进行优化；
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,…,zN)
其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(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zn(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zn(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(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)logp(Ψ|z1:N)dΨdz1:N
＝-∫∫p(z1:N)p(Ψ|z1:N)logp(Ψ|z1:N)dΨdz1:N
其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(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(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。
其中，所述优化模块对所述融合熵模型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。
本发明提出基于信息熵的多雷达动态调节方法及装置，可以自适应调整雷达布站、雷达参数和融合方法，最大化获取目标信息。同时，可通过降维求解最优化融合熵模型中的部分参量，例如，在雷达参数和融合方法确定的情况下，获取最优化多雷达自适应布站结果。此外，该方法中的融合熵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。
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熵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两部雷达最优布站方式示意图。
图3a和图3b示出了本发明实施例两部雷达不同布站方式下定位模糊区对比示意图。
图4示出了本发明的基于信息熵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。
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，基于信息熵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。
具体地，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,…,zN) (3)
其中，g为信息融合方法，这里的zn(n＝1,2,…,N)为广泛意义上的观测量。根据融合的层级，zn(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zn(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zn(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zn(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,…,zN)表示。
进一步地，根据信息论原理，以及上述的观测融合决策模型，将多雷达系统融合决策结果的不确定程度(也即融合结果的精确度)用信息熵表示，定义为融合熵，为公式(4)
其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(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(z1: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|z1:N)，表示在输入观测z1,z2,…,zN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、对所述多雷达融合熵模型进行优化。
具体地，根据步骤S2中融合熵H(Ψ|z1:N)的含义可知，该数值越小，通过多雷达观测和融合处理获得目标信息越多、越精确。通过最小化融合熵，可以获得联合优化设计多雷达位置、参数和融合方法的模型，对应的优化模型为公式(5)
其中，优化变量Θ包括雷达位置、雷达参数和融合方法。
S4、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。
本发明实施例的基于信息熵的多雷达动态调节方法，可以自适应调整雷达布站、雷达参数和融合方法，最大化获取目标信息。同时，可通过降维求解最优化融合熵模型中的部分参量，例如，在雷达参数和融合方法确定的情况下，获取最优化多雷达自适应布站结果。此外，该方法中的融合熵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(6)
Ψ＝g(z1,z2,…,zN) (6)
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zn＝[rn an],n＝1,…,N为第n部雷达的量测矢量，rn和an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观测的目标点迹矢量z＝[r a]，其中r＝[rn]1×N，a＝[an]1×N，每个观测量为公式：
其中，rn,0为第n部雷达探测目标真实距离、an,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(9)：
RN,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(9)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：通过最小化步骤S12中的目标跟踪阶段的融合熵，可以获得跟踪阶段的联合优化设计N部雷达位置、参数和融合方法的模型，对应的优化模型为公式(10)
其中，优化变量Θ包括雷达位置、雷达参数和融合方法。
由公式(6)-(8)和公式(9)可知，多雷达跟踪的融合熵与雷达布站位置、参数以及融合跟踪方法有关。
步骤S14：选择合适的优化方法，求解公式(10)的最优化融合熵模型，得到多雷达的雷达位置、雷达参数和融合方法，实现多雷达资源的自适应调整，获得目标最佳跟踪。
为了简化优化模型公式(10)最优化求解的复杂度，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(11)
其中，IN(x,y|r,a)为Fisher信息矩，其具体求解在下文中介绍。
由公式(9)和公式(11)可知，多雷达观测融合熵的下界为公式(12)
此时，由公式(10)和公式(12)可知，为了获得最多的信息量，需要最小化融合熵，也即使得最小，即最大化|IN(x,y|r,a)|，相应的优化模型为公式(13)
根据参数估计理论，目标位置估计的Fisher信息矩阵IN(x,y|r,a)为公式(14)
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(7)和公式(8)，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(15)
由公式(14)和公式(15)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。
由公式(13)、公式(14)和公式(15)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，跟踪阶段多雷达最优控制模型化简为公式(16)
通过求解上式可获得N部雷达布站的相对目标的观测角度。以雷达站数N＝2为例，上式化简为
由上式得，a2＝π/2+a1，即在该优化模型下，获得的雷达1和雷达2布站位置为它们相对目标的夹角为π/2。
附图2和附图3为在雷达数目为2部时应用上述实施例中的结果图。图2给出了将雷达1部署在直角坐标系的原点时的一种结果，相对于目标，雷达1和雷达2对目标构成的夹角为直角，即π/2。图3a和图3b给出了雷达1和雷达2相对目标的夹角为直角和非直角时，雷达1和雷达2观测模糊区的变化。
由仿真结果图3可知，两雷达相对于目标形成的夹角为直角时的目标位置模糊区(标黄区域)小于夹角非直角的，从而说明在两雷达时，布站位置相对目标夹角成直角时，定位模糊区最小，精度最高，从而验证了上面基于信息熵两雷达布站的理论结果。
在本发明的又一个实施例中，提供一种基于信息熵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；
优化模块30，用于对所述多雷达融合熵模型进行优化；
调整模块40，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 (16)
1.一种基于信息熵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、对所述多雷达融合熵模型进行优化；
S4、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。
2.根据权利要求1所述的方法，其特征在于，所述初始观测数据为：
多部雷达对同一目标的回波数据、检测后输出的点迹或提取的特征矢量。
3.根据权利要求1所述的方法，其特征在于，所述观测融合模型为：
Ψ＝g(z1,z2,…,zN)
其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(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zn(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zn(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。
4.根据权利要求3所述的方法，其特征在于，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(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)log p(Ψ|z1:N)dΨdz1:N
＝-∫∫p(z1:N)p(Ψ|z1:N)log p(Ψ|z1:N)dΨdz1:N
其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(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(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。
5.根据权利要求4所述的方法，其特征在于，对所述多雷达融合熵模型进行优化，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。
6.根据权利要求3所述的方法，其特征在于，当所述观测数据为检测后输出的点迹数据时，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检测后输出的目标点迹矢量，r＝[rn]1×N，a＝[an]1×N，rn和an分别为第n部雷达探测目标距离和方位角，RN,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。
7.根据权利要求6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：
。
8.根据权利要求6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IN(x,y|r,a)为Fisher信息矩。
9.根据权利要求8所述的方法，其特征在于，所述融合熵的下界为：
10.根据权利要求8所述的方法，其特征在于，所述Fi sher信息矩阵IN(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。
11.根据权利要求10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，rn,0为第n部雷达探测目标真实距离、an,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。
12.一种基于信息熵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；
优化模块，用于对所述多雷达融合熵模型进行优化；
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。
13.根据权利要求12所述的装置，其特征在于，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。
14.根据权利要求12所述的装置，其特征在于，所述观测融合模型为：
Ψ＝g(z1,z2,…,zN)
其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(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zn(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zn(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。
15.根据权利要求14所述的装置，其特征在于，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(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)log p(Ψ|z1:N)dΨdz1:N
＝-∫∫p(z1:N)p(Ψ|z1:N)log p(Ψ|z1:N)dΨdz1:N
其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(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(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。
16.根据权利要求14所述的装置，其特征在于，所述优化模块对所述融合熵模型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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807920.8A CN107728124B (zh) | 2017-09-08 | 2017-09-08 | 一种基于信息熵的多雷达动态调节方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710807920.8A CN107728124B (zh) | 2017-09-08 | 2017-09-08 | 一种基于信息熵的多雷达动态调节方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107728124A true CN107728124A (zh) | 2018-02-23 |
| CN107728124B CN107728124B (zh) | 2021-07-13 |
Family
ID=61205847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710807920.8A Active CN107728124B (zh) | 2017-09-08 | 2017-09-08 | 一种基于信息熵的多雷达动态调节方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107728124B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109932716A (zh) * | 2019-03-03 | 2019-06-25 | 中国人民解放军空军工程大学 | 一种低空目标微多普勒特征提取方法 |
| CN110187340A (zh) * | 2019-06-17 | 2019-08-30 | 中国电子科技集团公司信息科学研究院 | 一种基于熵的探测目标的信息表征方法及系统 |
| CN110209993A (zh) * | 2019-06-17 | 2019-09-06 | 中国电子科技集团公司信息科学研究院 | 一种探测目标的信息抽取方法及系统 |
| CN110362779A (zh) * | 2019-06-11 | 2019-10-22 | 南京江岛环境科技研究院有限公司 | 一种多尺度环境数据融合方法 |
| CN112344979A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 传感器的检出稳定性调节方法及装置 |
| WO2023207008A1 (zh) * | 2022-04-27 | 2023-11-02 | 华为技术有限公司 | 雷达控制方法和装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0749083A1 (fr) * | 1995-06-13 | 1996-12-18 | Thomson Csf | Procédé et dispositif de détermination du spectre de fréquence d'un signal |
| CN102333307A (zh) * | 2011-09-28 | 2012-01-25 | 北京航空航天大学 | 一种基于主观信念的无线传感器网络信任评估方法 |
| CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
| CN103945531A (zh) * | 2014-05-12 | 2014-07-23 | 哈尔滨工业大学 | 基于信息熵的WLAN室内定位Radio Map更新方法 |
| CN103954962A (zh) * | 2014-02-28 | 2014-07-30 | 西安电子科技大学 | 一种基于压缩感知的isar成像脉冲估计算法 |
| US20150277856A1 (en) * | 2014-04-01 | 2015-10-01 | Nebula, Inc. | Entropy Generation for a Distributed Computing System |
| CN106054171A (zh) * | 2016-05-27 | 2016-10-26 | 中国电子科技集团公司信息科学研究院 | 一种基于信息熵的多雷达节点自适应选择跟踪方法 |
| CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
| CN106371080A (zh) * | 2016-08-24 | 2017-02-01 | 电子科技大学 | 基于几何结构特征和多特征综合的雷达目标识别方法 |
| CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
-
2017
- 2017-09-08 CN CN201710807920.8A patent/CN107728124B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0749083A1 (fr) * | 1995-06-13 | 1996-12-18 | Thomson Csf | Procédé et dispositif de détermination du spectre de fréquence d'un signal |
| CN102333307A (zh) * | 2011-09-28 | 2012-01-25 | 北京航空航天大学 | 一种基于主观信念的无线传感器网络信任评估方法 |
| CN102788976A (zh) * | 2012-06-27 | 2012-11-21 | 北京理工大学 | 高量级扩展卡尔曼滤波方法 |
| CN103954962A (zh) * | 2014-02-28 | 2014-07-30 | 西安电子科技大学 | 一种基于压缩感知的isar成像脉冲估计算法 |
| US20150277856A1 (en) * | 2014-04-01 | 2015-10-01 | Nebula, Inc. | Entropy Generation for a Distributed Computing System |
| CN103945531A (zh) * | 2014-05-12 | 2014-07-23 | 哈尔滨工业大学 | 基于信息熵的WLAN室内定位Radio Map更新方法 |
| CN106054171A (zh) * | 2016-05-27 | 2016-10-26 | 中国电子科技集团公司信息科学研究院 | 一种基于信息熵的多雷达节点自适应选择跟踪方法 |
| CN106204629A (zh) * | 2016-08-17 | 2016-12-07 | 西安电子科技大学 | 天基雷达与红外数据融合在轨动目标检测方法 |
| CN106371080A (zh) * | 2016-08-24 | 2017-02-01 | 电子科技大学 | 基于几何结构特征和多特征综合的雷达目标识别方法 |
| CN106383344A (zh) * | 2016-09-30 | 2017-02-08 | 长沙太电子科技有限公司 | 基于融合准则的多站雷达运动目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| C.A.NOONAN 等: ""Entropy measures of multi-sensor fusion performance"", 《IEE COLLOQUIUM ON TARGET TRACKING AND DATA FUSION》 * |
| 万树平 等: ""基于信息熵的多传感器数据的融合方法木"", 《传感器与微系统》 * |
| 何红红 等: ""阵风锋自动识别算法的试验研究"", 《气象科学》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109932716A (zh) * | 2019-03-03 | 2019-06-25 | 中国人民解放军空军工程大学 | 一种低空目标微多普勒特征提取方法 |
| CN109932716B (zh) * | 2019-03-03 | 2023-02-24 | 中国人民解放军空军工程大学 | 一种低空目标微多普勒特征提取方法 |
| CN110362779A (zh) * | 2019-06-11 | 2019-10-22 | 南京江岛环境科技研究院有限公司 | 一种多尺度环境数据融合方法 |
| CN110187340A (zh) * | 2019-06-17 | 2019-08-30 | 中国电子科技集团公司信息科学研究院 | 一种基于熵的探测目标的信息表征方法及系统 |
| CN110209993A (zh) * | 2019-06-17 | 2019-09-06 | 中国电子科技集团公司信息科学研究院 | 一种探测目标的信息抽取方法及系统 |
| CN110209993B (zh) * | 2019-06-17 | 2023-05-05 | 中国电子科技集团公司信息科学研究院 | 一种探测目标的信息抽取方法及系统 |
| CN112344979A (zh) * | 2019-08-07 | 2021-02-09 | 杭州海康威视数字技术股份有限公司 | 传感器的检出稳定性调节方法及装置 |
| CN112344979B (zh) * | 2019-08-07 | 2023-06-30 | 杭州海康威视数字技术股份有限公司 | 传感器的检出稳定性调节方法及装置 |
| WO2023207008A1 (zh) * | 2022-04-27 | 2023-11-02 | 华为技术有限公司 | 雷达控制方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107728124B (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107728124A (zh) | 一种基于信息熵的多雷达动态调节方法及装置 | |
| CN111025283B (zh) | 雷达与球机联动的方法及装置 | |
| Xu et al. | Optimal sensor deployment for 3D AOA target localization | |
| CN109275093A (zh) | 基于uwb定位与激光地图匹配的定位方法和移动终端 | |
| CN103941233B (zh) | 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法 | |
| CN110133637B (zh) | 目标定位方法、装置及系统 | |
| CN106959437B (zh) | 一种基于多发多收的外辐射源雷达目标定位方法及装置 | |
| CN109725303A (zh) | 坐标系的修正方法及装置、存储介质 | |
| CN106323272B (zh) | 一种获取航迹起始轨迹的方法及电子设备 | |
| CN110208782A (zh) | 一种雷达定位方法、装置、系统、计算机设备和存储介质 | |
| CN107436424A (zh) | 一种基于信息增益的多雷达动态调节方法及装置 | |
| CN101308206B (zh) | 一种白噪声背景下的圆周轨迹机动目标跟踪方法 | |
| CN111157943A (zh) | 在异步网络中基于toa的传感器位置误差抑制方法 | |
| Laveti et al. | TDOA measurement based GDOP analysis for radio source localization | |
| CN105866757B (zh) | 基于时变定位误差的外辐射源雷达目标航迹融合方法 | |
| US7020046B1 (en) | System and method for target motion analysis with intelligent parameter evaluation plot | |
| CN108562893A (zh) | 一种外辐射源雷达多站混合跟踪方法 | |
| CN107728122A (zh) | 一种基于信息熵的多雷达信息量的度量方法及装置 | |
| US11567186B2 (en) | Compensating radio tracking with comparison to image based tracking | |
| CN104502889A (zh) | 指纹定位中基于参考点最大距离的定位可信度计算方法 | |
| CN110220513A (zh) | 一种目标定位的方法、系统、无人机及存储介质 | |
| CN108828509A (zh) | 一种多平台多辐射源承载关系判定方法 | |
| CN109459747A (zh) | 一种定位方法、定位装置及雷达 | |
| CN105445741B (zh) | 一种目标定位的方法、装置及系统 | |
| CN108540926A (zh) | 一种无线信号指纹的构建方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wu Jianqi Inventor after: Ge Jianjun Inventor after: Li Chunxia Inventor before: Ge Jianjun Inventor before: Li Chunxia |