CN109521395A - 基于ut-dc的主被动传感器目标定位方法 - Google Patents

Abstract

本发明公开了一种基于UT‑DC的主被动传感器目标定位方法，包括以下具体步骤：(1)主动传感器和被动传感器目标定位分析；(2)数据压缩融合定位；(3)融合定位加权系数；(4)不敏变换位置估计统计特性计算；(5)建立不同模型，比较各模型下目标定位性能。本发明能够减小了非线性误差的影响，对数据压缩过程中量测信息重复利用的问题进行去相关性处理，适用于压制干扰下有源主动传感器和无源被动传感器目标定位过程中定位精度的提高。

Description

基于UT-DC的主被动传感器目标定位方法

技术领域

本发明属于传感器数据处理技术领域，具体涉及一种基于UT-DC的主被动传感器目标定位方法。

背景技术

压制干扰是在敌方雷达中注入干扰信号以使真实目标回波信号被干扰淹没的一种有源干扰方式。它主要通过在雷达的调谐频带上产生宽带或窄带的有源噪声信号，在空间辐射形成压制干扰环境，人为地把噪声传给雷达的接收机，增大其输入端的噪声水平，降低其信噪比，从而干扰雷达正常工作。从原理上说，由于压制干扰信号具有与雷达接收机内部噪声相似的特性，因而雷达接收机很难摆脱这种性质的有源干扰。

抗压制干扰的一种有效途径是采用多传感器信息融合，而无源传感器测向交叉定位和主被动传感器信息融合定位是常用的二种方式。当部分传感器受到干扰，部分传感器没有受到干扰时，可以采用主被动传感器信息融合法进行目标定位，在公共的探测区域内，主动传感器能够获得目标的距离和方位信息，被动传感器只能够获得目标位置中的方位信息，从改善定位精度考虑，把被动传感器的量测信息和主动传感器的测量信息进行融合时能否提高定位效果是实际应用中面临的问题，然而，此方面的研究还鲜见相关的报道。

发明内容

针对现有技术的缺陷和不足，本发明通过提供一种基于UT-DC的主被动传感器目标定位方法，以解决传统的线性化方法计算变量统计特性，易导致理论定位结果与实际定位结果相差较大的技术问题。

为实现上述目的，本发明的技术方案为：

一种基于UT-DC的主被动传感器目标定位方法，包括以下具体步骤：

(1)主动传感器和被动传感器目标定位分析：主动传感器获得目标距离和方位信息，被动传感器只获得目标方位信息，分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位；

(2)数据压缩融合定位：充分利用主动传感器和被动传感器的量测信息，将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合；

(3)融合定位加权系数：主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测，二者所得位置估计具有相关性，数据压缩加权融合时加权系数去相关；

(4)不敏变换位置估计统计特性计算：主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程，采用不敏变换计算位置估计统计特性；

(5)建立不同模型，比较各模型下目标定位性能。

进一步，步骤(2)中，将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0， D)，D为主动传感器和被动传感器的基线长度，主动传感器能够获得目标的距离和方位量测 r,θ₁，被动传感器只能获得目标的方位量测为θ₂；两部传感器的角度量测误差及主动传感器的距离量测误差相互独立，并且服从均值为0、方差分别为的高斯分布。

进一步，步骤(2)中，主动传感器目标定位结果为：

主动传感器和被动传感器利用角度量测进行交叉定位的结果为：

将主动传感器目标定位和交叉定位结果通过数据压缩加权融合：

其中，Q₁、Q₁₂分别为主动传感器目标定位和交叉定位在融合中的权重。

进一步，步骤(3)中，主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ₁，两种目标位置估计是相关的，数据压缩加权融合考虑相关性，加权系数分别为：

其中，P₁、P₁₂分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵，为互协方差矩阵。

进一步，步骤(4)中，不敏变换位置估计统计特性计算的方法包括以下具体步骤：

(a)主动传感器定位

根据不敏变换原理，将传感器1的距离和方位量测构造随机向量x₁＝[r,θ₁]^T，随机向量维数为协方差为：

其中，由x₁到位置估计z₁的非线性映射为：G₁:z₁＝g₁(x₁)；采用不敏变换计算z₁的统计特性，对于2维随机向量x₁，选取5个sigma采样点，x₁的sigma采样点经非线性映射G₁后，得到z₁的sigma采样点z_1i，z_1i＝g₁(v_i),i＝0,1,...,4，加权得到目标位置估计和相应协方差阵：

(b)主被动传感器定位

根据不敏变换，将主动传感器和被动传感器方位量测构造随机变量x₁₂＝[θ₁；θ₂]，其维数协方差阵为：

由量测x₁₂到位置估计z₁₂的非线性映射为：G₂:z₁₂＝g₂(x₂)，可得交叉定位的位置估计和误差协方差P₁₂；

(c)数据压缩加权融合定位

通过不敏变换求解互协方差由于重复利用的量测信息只有θ₁，则随机变量设定为x_1,12＝θ₁，维数为方差为由x_1,12和r经非线性映射G₁可获得位置估计由x_1,12和θ₂经非线性映射G₂可获得位置估计求解互协方差时，对随机变量x_1,12选取3个 sigma采样点；非线性映射G₁后，得到的sigma采样点经非线性映射G₂后，得到的sigma采样点非线性映射后权重保持不变，通过加权可以得到两种映射下位置估计分别为：

相应的互协方差矩阵分别为：

根据P₁、P₁₂和所得的互协方差，可得考虑相关性时融合定位加权系数。

与现有技术相比，本发明具有如下优点：

(1)本发明采用的基于不敏变换-数据压缩(UT-DC)的主被动传感器目标定位方法，相较于传统的线性处理方式，采用不敏变换计算统计特性可以减小非线性误差，从而显著提高定位效果。

(2)本发明将主动定位与交叉定位结果进行融合，可以更加充分的利用主、被动传感器的信息，因而定位精度更优。

(3)本发明通过考虑相关性能够获得更精确的加权系数。

因此，本发明能够减小了非线性误差的影响，对数据压缩过程中量测信息重复利用的问题进行去相关性处理，适用于压制干扰下有源主动传感器和无源被动传感器目标定位过程中定位精度的提高。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明中主被动传感器的目标定位示意图；

其中，传感器1代表主动传感器，传感器2代表被动传感器。

具体实施方式

本发明根据主被动传感器融合定位具有高度非线性，针对采用传统的线性化方法计算变量统计特性，理论定位结果与实际定位结果相差较大的情况，提出一种基于UT-DC的主被动传感器目标定位方法。首先，通过不敏变换(UT)精确计算了二维变量的统计特性，减小了非线性误差的影响；其次，针对数据压缩(DC)过程中量测信息重复利用的问题进行去相关性处理，获得较高的定位精度。

下面结合具体实施方式对本发明作进一步详细的说明。

本发明提供了一种基于UT-DC的主被动传感器目标定位方法，包括以下具体步骤：

(1)主动传感器和被动传感器目标定位分析：主动传感器获得目标距离和方位信息，被动传感器只获得目标方位信息，如图1所示，分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位(即主动传感器和被动传感器目标交叉定位)。

(2)数据压缩融合定位：充分利用主动传感器和被动传感器的量测信息，将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合；

将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0，D)，D为主动传感器和被动传感器的基线长度，主动传感器能够获得目标的距离和方位量测r,θ₁，被动传感器只能获得目标的方位量测为θ₂；两部传感器的角度量测误差及主动传感器的距离量测误差相互独立，并且服从均值为0、方差分别为的高斯分布。

主动传感器目标定位结果为：

主动传感器和被动传感器利用角度量测进行交叉定位的结果为：

将主动传感器目标定位和交叉定位结果通过数据压缩加权融合：

其中，Q₁、Q₁₂分别为主动传感器目标定位和交叉定位在融合中的权重。

(3)融合定位加权系数：主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测，二者所得位置估计具有相关性，数据压缩加权融合时加权系数去相关。

主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ₁，两种目标位置估计是相关的，数据压缩加权融合考虑相关性，加权系数分别为：

其中，P₁、P₁₂分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵，为互协方差矩阵。

(4)不敏变换位置估计统计特性计算：主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程，目前对位置估计统计特性普遍采用的线性化处理方法，引入较大误差，而本发明采用不敏变换计算位置估计统计特性。其具体步骤如下：

(a)主动传感器定位

根据不敏变换原理，将传感器1的距离和方位量测构造随机向量x₁＝[r,θ₁]^T，随机向量维数为协方差为：

其中，由x₁到位置估计z₁的非线性映射为：G₁:z₁＝g₁(x₁)；采用不敏变换计算z₁的统计特性，对于2维随机向量x₁，选取5个sigma采样点，x₁的sigma采样点经非线性映射G₁后，得到z₁的sigma采样点z_1i，z_1i＝g₁(v_i),i＝0,1,...,4。加权得到目标位置估计和相应协方差阵：

(b)主被动传感器定位

根据不敏变换，将主动传感器和被动传感器方位量测构造随机变量x₁₂＝[θ₁；θ₂]，其维数协方差阵为：

由量测x₁₂到位置估计z₁₂的非线性映射为：G₂:z₁₂＝g₂(x₂)，可得交叉定位的位置估计和误差协方差P₁₂；

(c)数据压缩加权融合定位

通过不敏变换求解互协方差由于重复利用的量测信息只有θ₁，则随机变量设定为x_1,12＝θ₁，维数为方差为由x_1,12和r经非线性映射G₁可获得位置估计由x_1,12和θ₂经非线性映射G₂可获得位置估计求解互协方差时，对随机变量x_1,12选取3个 sigma采样点；非线性映射G₁后，得到的sigma采样点经非线性映射G₂后，得到的 sigma采样点非线性映射后权重保持不变，通过加权可以得到两种映射下位置估计分别为：

相应的互协方差矩阵分别为：

根据P₁、P₁₂和所得的互协方差，可得考虑相关性时融合定位加权系数。

(5)建立不同模型，比较各模型下目标定位性能。

以上所述仅为发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于UT-DC的主被动传感器目标定位方法，其特征在于，包括以下具体步骤：

(1)主动传感器和被动传感器目标定位分析：主动传感器获得目标距离和方位信息，被动传感器只获得目标方位信息，分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位；

(2)数据压缩融合定位：充分利用主动传感器和被动传感器的量测信息，将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合；

(3)融合定位加权系数：主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测，二者所得位置估计具有相关性，数据压缩加权融合时加权系数去相关；

(4)不敏变换位置估计统计特性计算：主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程，采用不敏变换计算位置估计统计特性；

(5)建立不同模型，比较各模型下目标定位性能。

2.根据权利要求1所述的方法，其特征在于：步骤(2)中，将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0，D)，D为主动传感器和被动传感器的基线长度，主动传感器能够获得目标的距离和方位量测r,θ₁，被动传感器只能获得目标的方位量测为θ₂；两部传感器的角度量测误差及主动传感器的距离量测误差相互独立，并且服从均值为0、方差分别为的高斯分布。

3.根据权利要求2所述的方法，其特征在于：步骤(2)中，主动传感器目标定位结果为：

主动传感器和被动传感器利用角度量测进行交叉定位的结果为：

将主动传感器目标定位和交叉定位结果通过数据压缩加权融合：

其中，Q₁、Q₁₂分别为主动传感器目标定位和交叉定位在融合中的权重。

4.根据权利要求3所述的方法，其特征在于：步骤(3)中，主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ₁，两种目标位置估计是相关的，数据压缩加权融合考虑相关性，加权系数分别为：

其中，P₁、P₁₂分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵，为互协方差矩阵。

5.根据权利要求4所述的方法，其特征在于：步骤(4)中，不敏变换位置估计统计特性计算的方法包括以下具体步骤：

(a)主动传感器定位

根据不敏变换原理，将传感器1的距离和方位量测构造随机向量x₁＝[r,θ₁]^T，随机向量维数为协方差为：

其中，由x₁到位置估计z₁的非线性映射为：G₁:z₁＝g₁(x₁)；采用不敏变换计算z₁的统计特性，对于2维随机向量x₁，选取5个sigma采样点，x₁的sigma采样点经非线性映射G₁后，得到z₁的sigma采样点z_1i，z_1i＝g₁(v_i),i＝0,1,...,4，加权得到目标位置估计和相应协方差阵：

(b)主被动传感器定位

根据不敏变换，将主动传感器和被动传感器方位量测构造随机变量x₁₂＝[θ₁；θ₂]，其维数协方差阵为：

由量测x₁₂到位置估计z₁₂的非线性映射为：G₂:z₁₂＝g₂(x₂)，可得交叉定位的位置估计和误差协方差P₁₂；

(c)数据压缩加权融合定位

通过不敏变换求解互协方差由于重复利用的量测信息只有θ₁，则随机变量设定为x_1,12＝θ₁，维数为方差为由x_1,12和r经非线性映射G₁可获得位置估计由x_1,12和θ₂经非线性映射G₂可获得位置估计求解互协方差时，对随机变量x_1,12选取3个sigma采样点；非线性映射G₁后，得到的sigma采样点经非线性映射G₂后，得到的sigma采样点非线性映射后权重保持不变，通过加权可以得到两种映射下位置估计分别为：

相应的互协方差矩阵分别为：

根据P₁、P₁₂和所得的互协方差，可得考虑相关性时融合定位加权系数。