CN108089148B - 一种基于时差信息的无源多站多目标测向交叉定位方法 - Google Patents

Abstract

本发明属于电子对抗技术领域，具体的说是涉及一种基于时差信息的无源多站多目标测向交叉定位方法。本发明的方法首先采用多辐射源数据关联算法，将多个观测站的观测数据进行关联得到代价矩阵C(p,q)，再根据获得的代价矩阵C(p,q)，采用聚合层次聚类算法估计出目标坐标。本发明的有益效果为，本发明可以准确对多站数据完成关联，并最终准确估计出目标的位置，方法简单，效果良好。

Description

一种基于时差信息的无源多站多目标测向交叉定位方法

技术领域

本发明属于电子对抗技术领域，具体的说是涉及一种基于时差信息的无源多站多目标测向交叉定位方法。

背景技术

随着电子干扰和反辐射导弹等雷达对抗技术的迅速发展，以雷达为代表的有源定位收到严重的威胁。由于无源定位技术可以在自身不产生辐射的情况下确定辐射源的位置，具有作用距离远、隐蔽接收、抗干扰能力强且不易被对方发觉等优点，对于提高系统在电子战环境下的生存能力和作战效能具有十分重要的作用，因此，无源定位技术的研究越来越受到各国的重视。在无源定位技术飞速发展的今天，时差定位技术以其抗干扰、易实现以及精度高等优点逐渐成为无源定位技术的主流。这种定位方法的原理是通过地面固定基站接收定位目标自身携带的信号源发射的信号到达时间之间的时间差数据来确定目标位置，这就需要多个基站协同工作来完成，由此，当空间存在多个目标时，多个基站进行时差定位时容易出现虚假目标点，所以需要多个基站观测的多目标数据进行相互关联，在此基础上实现定位处理，否则容易导致定位错误。

层次聚类和划分聚类是数据聚类的两大方法，层次聚类的产生是为了解决划分聚类算法所存在的一些缺陷，如划分聚类的效果很依赖预定义的参数，而参数在很多现实情况下是没有办法确定的，并且，划分聚类还存在初始化问题，不良的初始化会直接导致聚类效果低下，层次聚类就是要实现聚类过程与初始参数无关以及更灵活的目的。层次聚类算法有两种思路：聚合层次聚类算法和分裂聚类算法。聚合层次聚类先将每个数据视为单独的类，然后根据某种距离度量选择距离最近的两个或多个类进行合并，重复合并的过程直到最后只剩下一个类。分裂层次聚类则是聚合层次聚类的逆过程。在现实情况中，采用聚合的方法较多。目前，层次聚类算法在无源定位中的研究目前还很少，是值得研究的一个方向。

发明内容

针对上述问题，本发明提出了一种结合多辐射源数据关联和聚合层次聚类两种算法来实现多站多目标时差定位。

本发明采用的技术方案是：

一种结合多辐射源数据关联和聚合层次聚类两种算法来实现多站多目标定位的方法，所述的是在利用多站时差定位定位过程中，对出现的虚假目标点进行剔除实现多辐射源数据关联。

以三个观测站对两个目标的时差定位为例。对多目标测量数据关联方法进行描述，多目标定位时差定位示意图如图1所示。

设主站、从站1和从站2的坐标为(x₀,y₀)、(x₁,y₁)、(x₂,y₂)，假设目标1位置已知，目标1到达主站和从站1、2之间的距离差分别为△d₁ ¹，△d₂ ¹，根据双曲线定义可以看出，目标1位于以主站和从站为定点，以目标到两定点之间的距离差为定长所形成的双曲线上。

当目标位置未知时，假设图1未知目标2坐标为(x_p,y_q)，其与主站、从站1和从站2的距离分别为d₀ ^(p,q)、d₁ ^(p,q)、d₂ ^(p,q)，△d_k ^(p,q)(k＝1,2)表示目标2到达主站和从站k之间的距离差，则有如下方程：

当只涉及单目标定位时，以上方程可以直接计算出未知目标2的位置(x_p,y_q)，目标位置即是两两观测站以距离差为定长所形成的双曲线上的交点。但当空间存在多个目标时，利用多个观测站测量时就会出现多个双曲线交叉点，即如图1中所示的虚假目标，这时就出现多目标数据关联情况。

假设多个观测站和多个目标均在XY平面上，假设目标总数为J，观测站总数为K，则侦察可得到一组时差，根据时差可以得到多组距离差△d_k ^(p,q)信息，其中，k＝1,2,...K-1,(p,q)表示目标平面内某一目标的坐标，以多组距离差为已知信息，本发明采用以下方法：

一种基于时差信息的无源多站多目标测向交叉定位方法，其特征在于，包括以下步骤：

a、采用多辐射源数据关联算法，将多个观测站的观测数据进行关联，具体包括：

S1、假设目标和观测站都位于XY平面上，设主站位置坐标(x₀,y₀)，从站的位置坐标(x_k,y_k)，其中k＝1,2,...K-1，K是观测站总数，则有主站和从站之间的多组距离差为：

其中j＝1,2,...J，J是目标总数量，c为光速，n_k,0 ^j表示测量噪声；

S2、将目标平面划分为P×Q范围的网格，每个网格点代表目标平面中一个位置坐标(x_p,y_q)，其中p＝1,2,...,P,q＝1,2,...,Q，遍历网格平面中每个网格点，计算每个点(x_p,y_q)对于主站和从站的距离以及它们之间的距离差：

其中：k＝1,2,...K-1；

S3、计算每个搜索点(x_p,y_q)相对于观测站的距离差△d_k ^(p,q)与观测站所观测得到的距离差之间的误差e_k ^(p,q)：

其中：k＝1,2,...K-1，j＝1,2,...J，J是目标总数；

S4、计算由每次搜索得到的总误差组成的代价矩阵C(p,q)：

其中：k＝1,2,...K-1，p＝1,2,...,P,q＝1,2,...,Q；

b、根据获得的代价矩阵C(p,q)，采用聚合层次聚类算法估计出目标坐标，具体包括：

S6、数据预处理：将代价矩阵中大于阈值的数据剔除，把剩下所有数据在矩阵中所对应的索引作为元素组成新的数据集X；

S7、设聚类数目为目标总数J，将数据集X中所有的样本点当作一个独立的类簇；

S8、计算两两簇之间的距离，找到距离最小的两个簇；

S9、合并S8中的两个簇，生成新的簇的集合；

S10、重复S8～S9，直到达到定义的簇的数目；

S11、完成步骤S10，数据集X中已被分成J个簇，针对每一个簇，计算每一个簇的均值，求得的该均值即为目标的估计位置。

进一步的，所述步骤S8的具体方法为：

计算两簇之间的距离，常采用Single-link方法，该方法同时也被称为最近邻方法。它使用两个簇最近样本之间的距离作为两簇之间的距离，设C_i、C_j、C_k表示三组数据，即三个簇，则C_k和C_i∪C_j之间的距离可以利用Lance-Williams公式表示：

式中，D(.,.)表示两个簇之间的距离，由上式不难验证：

式中，C与C'表示非空不相交的两个簇；d(.,.)表示算法所采用的距离函数，这里采用的是欧几里得距离。

本发明的有益效果为，本发明可以准确对多站数据完成关联，并最终准确估计出目标的位置，方法简单，效果良好。

附图说明

图1为多站时差定位模型图；

图2为多辐射源数据关联算法流程图；

图3为聚合层次聚类流程图

图4为多目标伪谱峰图；

图5为定位结果图；

图6为定位正确率随门限变化曲线图；

图7为定位正确率随测距误差变化曲线图。

具体实施方式

下面结合实施例对本发明进行详细的描述：

实施例

本例利用matlab对上述无源多站多目标时差定位算法方案进行验证，为简化起见，对算法模型作如下假设：

1.主站、从站和目标都在XY平面内；

2.主站和从站具有相同的距离精度；

3.所有的工程误差都叠加到距离误差中；

4.假设目标静止或运动速度极低；

假设目标区域为200km×200km的方形区域，进行500次Monte Carlo仿真，每次随机生成5个目标的坐标，单位为km。使用1个主站和3个从站对上述目标进行定位，主站和从站的坐标分别为(100,30)，(10,10)，(190,10)，(15,190)，单位为km，所有站的测距误差服从均值为零的高斯分布，且所有站的测距误差之间相互独立。500次Monte Carlo仿真后得出多站数据关联效果和定位效果。

多站多目标数据关联效果：

如图4所示，对多个站所观测到的关于各个目标的时差信息进行关联后，从图中可以看出有5个目标的伪谱峰图，图4即证明5个目标的数据关联正确。

聚合层次聚类后定位效果：

首先，在距离误差非常小几乎可以忽略不计的前提下，进行多次仿真。由于在观测过程中始终存在测量误差，且误差服从均值为零、方差为的高斯分布，因此位置应分布在真实位置附近。最终获得的目标根据定位正确率几乎达到100％时所对应的正确定位门限，当获得目标位置与真实位置之间的距离小于门限时，可以认为已经获得正确的定位结果。

为更直观的展现算法的定位效果，图5给出了第200次的定位效果。图中，圆形区域代表认定的正确的定位区域，估计位置位于圆形区域内则认定已经进行了正确的定位，从图5中可以看出，估计位置和目标真实位置几乎很接近，可以认为该算法可以几乎可以实现准确的目标位置估计。

同时，由图6可以看出，定位正确率随着门限的增大而逐渐提升，当真实位置和估计位置误差仅有6km左右时就有很高的关联正确率由此可以确定一个满足条件的正确定位门限。

在正确定位门限的条件下，为了得到测距误差对定位正确率的影响，实验逐渐增加各个站的测距误差，可以得到测距误差对该算法定位正确率的影响，由图7可以看出，当测距误差逐渐增大时，定位正确率也逐渐下降。说明在误差允许的范围内，多站时差定位联合聚合层次聚类算法对实现多站多目标测量数据关联以及定位可行。

Claims (2)

1.一种基于时差信息的无源多站多目标测向交叉定位方法，其特征在于，包括以下步骤：

a、采用多辐射源数据关联算法，将多个观测站的观测数据进行关联，具体包括：

S1、假设目标和观测站都位于XY平面上，设主站位置坐标(x₀,y₀)，从站的位置坐标(x_k,y_k)，其中k＝1,2,...K-1，K是观测站总数，则有主站和从站之间的多组距离差为：

其中j＝1,2,...J，J是目标总数量，c为光速，n_k,0 ^j表示测量噪声；

S2、将目标平面划分为P×Q范围的网格，每个网格点代表目标平面中一个位置坐标(x_p,y_q)，其中p＝1,2,...,P,q＝1,2,...,Q，遍历网格平面中每个网格点，计算每个点(x_p,y_q)对于主站和从站的距离以及它们之间的距离差：

S3、计算每个搜索点(x_p,y_q)相对于观测站的距离差△d_k ^(p,q)与观测站所观测得到的距离差之间的误差e_k ^(p,q)：

S4、计算由每次搜索得到的总误差组成的代价矩阵C(p,q)：

b、根据获得的代价矩阵C(p,q)，采用聚合层次聚类算法估计出目标坐标，具体包括：

S6、数据预处理：将代价矩阵中大于阈值的数据剔除，把剩下所有数据在矩阵中所对应的索引作为元素组成新的数据集X；

S7、设聚类数目为目标总数J，将数据集X中所有的样本点当作一个独立的类簇；

S8、计算两两簇之间的距离，找到距离最小的两个簇；

S9、合并S8中的两个簇，生成新的簇的集合；

S10、重复S8～S9，直到达到定义的簇的数目；

S11、完成步骤S10，数据集X中已被分成J个簇，针对每一个簇，计算每一个簇的均值，求得的该均值即为目标的估计位置。

2.根据权利要求1所述的一种基于时差信息的无源多站多目标测向交叉定位方法，其特征在于，所述步骤S8的具体方法为：

采用最近邻方法计算两簇之间的距离，即使用两个簇最近样本之间的距离作为两簇之间的距离，设C_i、C_j、C_k表示三组数据，即三个簇，则C_k和C_i∪C_j之间的距离可以利用Lance-Williams公式表示：

式中，D(.,.)表示两个簇之间的距离，由上式不难验证：

式中，C与C'表示非空不相交的两个簇；d(.,.)表示算法所采用的距离函数，这里采用的是欧几里得距离。