CN109581359A - 一种esm无源信息与雷达有源信息关联的方法 - Google Patents
一种esm无源信息与雷达有源信息关联的方法 Download PDFInfo
- Publication number
- CN109581359A CN109581359A CN201811607966.6A CN201811607966A CN109581359A CN 109581359 A CN109581359 A CN 109581359A CN 201811607966 A CN201811607966 A CN 201811607966A CN 109581359 A CN109581359 A CN 109581359A
- Authority
- CN
- China
- Prior art keywords
- radar
- esm
- track
- time
- information
- 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 16
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 32
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 abstract 1
- 238000005094 computer simulation Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于信息融合技术领域,涉及一种ESM无源信息与雷达有源信息关联的方法。本发明首先使用线性内插法,将ESM数据对准到雷达测量时刻;然后使用1NN最近邻分类建立关联判别函数,并利用类似纽曼‑皮尔逊准则,建立判别门限;再使用Dempster‑Shafer证据理论融合不同时刻的信息;最后使用硬判决确定关联矩阵。计算机仿真表明本发明经过一定时间积累具有较好的性能。
Description
技术领域
本发明属于信息融合技术领域,涉及一种ESM无源信息与雷达有源信息关联的方法。
背景技术
在多传感器信息融合系统中,多平台之间异类传感器信息融合一直是一个亟待解决的问题。在雷达-电子支援措施(Electronic Support Measures,ESM)协同工作的多平台系统中,ESM通过对目标辐射源信号的分析获得辐射源的特征信息(发射频率,脉冲宽度等),且抗干扰能力强。雷达的目标定位能力强,且精度较高,但抗干扰能力和识别能力较差。通过雷达与ESM数据融合,一方面可以综合不同传感器的数据实现更可靠的决策;另一方面可以利用雷达的高精度方位数据,对目标威胁综合判定、综合态势生成提供有力的数据支持。
雷达-ESM数据融合首先应将两类传感器的数据进行关联,即要确定ESM数据源于哪一个雷达目标。由于异类传感器之间可以利用的信息不同,例如雷达可以获得辐射源的方位、速度和航向,而ESM传感器只能提供方位信息。因而雷达和ESM之间可以利用的信息只有角度,且两者的数据率一般不同,使得航迹关联存在很多不确定性。对于运动的目标辐射源,雷达-ESM航迹关联结果应实时更新,如何将之前时刻与当前时刻的关联结果进行融合,并且控制计算量在可以接受的范围内,也是目前需要解决的问题。
发明内容
本发明提供了一种ESM无源信息与雷达有源信息关联的方法。该方法首先利用模糊综合函数,制定关联准则,将每一时刻雷达与ESM数据之间的马氏距离(MahalanobisDistance)转化为航迹关联信任度,再利用DS证据理论,将该时刻的航迹关联信任度与之前时刻的航迹关联信任度融合,最后根据当前融合结果,利用最大似然的方法做出硬判决。
本发明采用的技术方案是:一种多平台数据实时关联的方法,包括以下步骤:
第一步:雷达和ESM时间对准
当雷达和ESM数据率不同时,首先应将观测数据进行时间对准。由于雷达数据率一般比较高(1次/秒),对于第j条航迹,两次ESM数据之间有nj个雷达测量值。本发明使用线性内插法,将ESM数据对准到雷达测量时刻。
设在ti时刻,ESM上传了观测数据。ESM前一次上报数据与当前时刻之间,雷达有nj个测量值,根据线性插值法,ESM和雷达的时间对准公式为:
第二步:建立关联判别函数
假设ti时刻ESM的测量值为第j个雷达的角度测量值为贝叶斯分类规则的描述为:
如果且i≠j则接受假设Hi (2)
利用贝叶斯公式,式(3)可以表示为:
如果各个假设的先验概率相等,则式(5)可以表示为:
假设从t0到tn时刻ESM和雷达都采集了n个采样值,每个都是独立同分布,ESM的测量方差为第j个雷达的测量方差为
对(6)取对数后,式(5)可简化为
如果令:
其中要使得式子(7)左边最大也就是使得(8)最小。所以在先验概率相等的情况下,正态分布的贝叶斯分类被简化为了1NN最近邻分类。由于随着nj的增大,Dj也有增大趋势,无法直接将Dj作为雷达和ESM航迹关联的判别函数。所以令:
第三步:选取关联门限
(1)TL的选取
假设在方位上与雷达航迹j最接近的雷达航迹为k,门限TL决定的是本应该与雷达航迹j相关的ESM航迹,被错误地判为与雷达航迹k相关。令雷达航迹k与雷达航迹j在方位上间隔λ,则:Hk:εki~N(μ,σ2)和Hk:Dk~χ2(nj,λ)其中,门限TL的选择使得ESM测量值被错判为与方位上最邻近雷达航迹k的概率为Pe,则
Dj服从非中心卡方分布,根据自由度为nj和错误关联概率Pe得到非中心卡方分布的上侧分位数 即
(2)TH的选取
门限TH决定的是正确关联的雷达航迹被错误判为不相关的概率,即漏关联概率,设漏关联概率为Pm,则:Hj:εji~N(0,1)和Hj:Dj~χ2(nj)。Dj服从中心卡方分布,根据自由度为nj和漏关联概率Pm得到中心卡方分布的上侧分位数 即
第四步:时间维度的信息融合
使用Dempster-Shafer证据理论是为了融合不同时刻的信息,这一理论可以理解为概率论的推广,即将概率(置信度)分配给一系列事件,而不是相互排斥的单个事件。进行时间维度的信息融合,应按照以下步骤进行。
(1)建立识别框架
在测量时刻t,雷达航迹有n个,Xi为第i条雷达航迹在ESM测量空间的投影。对于ESM测量e,建立辨识框架其中Ti表示“e与目标航迹Xi相关”,表示“e与目标航迹Xi不相关”,T0表示“e与任何目标航迹都不相关”,θ表示“不知道e的关联情况”。置信度是t时刻证据对于识别框架中各个元素的赋值,分别记为mt(Ti),mt(θ)。
(2)计算统计距离量
利用第二步的方法计算e与所有雷达航迹Xi之间的统计距离。
(3)证据产生
根据εi和门限TL、TH,为当前识别框架赋予信任度。
令
最后对当前时间的识别框架进行归一化。
(4)证据合成
得到了当前时刻识别框架对所有雷达航迹的信任度之后,使用DS证据理论将前一时刻的ESM测量信息与当前时刻的ESM测量信息进行融合。融合按照以下规则进行:
其中,
第五步:判决输出
在t时刻,如果不需要做出硬判决,则等待ESM上报下一时刻的测量数据,返回第一步开始执行。
在t时刻,如果需要做出硬判决,则应按照以下规则执行:
找到mt(Ti)=maxmt(Tj),j=1,2,...,n,如果mt(Ti)>0.5,则ESM数据与雷达航迹Ti相关。
若m(T0)>0.5,则ESM数据与任何雷达航迹不相关。
若m(θ)>0.5,则ESM测量与雷达航迹的相关情况未知。
本发明的有益效果是:。
附图说明
图1:本发明一种ESM无源信息与雷达有源信息关联的方法的一种具体实施方式流程图;
图2:本发明具体实施中,目标运动方位示意图;
图3:本发明具体实施中,性能曲线示意图,其中(a)是关联错误率,(b)是漏关联率;
具体实施方式
下面结合具体场景详细说明本发明的技术方案,仿真场景设置如下:
假设我方ESM和雷达同地布置,坐标为(0,0)。敌方有四架飞机向我方飞来,每架飞机上搭载两个辐射源。相邻敌机之间的方位间隔为λ=1.5σ2。雷达只对前三个目标进行跟踪,测角均方误差为σr 2=0.1°,数据率1秒/次。ESM对所有目标进行角度测量,测角均方误差为σe 2=3°,数据率为4秒/次。雷达和ESM分别对目标的角度测量值如图2所示。
第一步:雷达和ESM时间对准
当雷达和ESM数据率不同时,首先将观测数据进行时间对准。对于第j条航迹,两次ESM数据之间有nj=4个雷达测量值。本发明使用线性内插法,将ESM数据对准到雷达测量时刻。
设在ti时刻,ESM上传了观测数据。ESM前一次上报数据与当前时刻之间,雷达有nj=4个测量值,根据线性插值法,ESM和雷达的时间对准公式为:
第二步:建立关联判别函数
假设ti时刻ESM的测量值为第j个雷达的角度测量值为雷达航迹j和ESM之间的关联判别函数为其中
第三步:选取关联门限
(1)TL的选取
设Pe=0.05,则
(2)TH的选取
设Pe=0.05,则
第四步:时间维度的信息融合
(1)建立识别框架
在测量时刻ti,雷达航迹有n个,Xi为第i条雷达航迹在ESM测量空间的投影。对于ESM测量e,建立辨识框架其中Ti表示“e与目标航迹Xi相关”,表示“e与目标航迹Xi不相关”,T0表示“e与任何目标航迹都不相关”,θ表示“不知道e的关联情况”。置信度是t时刻证据对于识别框架中各个元素的赋值,分别记为mt(Ti),mt(θ)。
(2)计算统计距离量
对于ESM测量e,利用第二步的方法计算e与所有雷达航迹Xi之间的统计距离。
(3)证据产生
根据εj和门限TL、TH,为辨识框架赋予信任度。
其中,
令
最后对ti时刻的识别框架进行归一化。
(4)证据合成
得到了当前时刻识别框架对所有雷达航迹的信任度之后,使用DS证据理论将之前时刻的信息与当前时刻的信息进行融合。融合按照以下规则进行:
其中,
第五步:判决输出
在ti时刻,如果需要做出硬判决,则应按照以下规则执行:
找到mt(Ti)=maxmt(Tj),j=1,2,...,n,如果mt(Ti)>0.5,则ESM数据与雷达航迹Ti相关;若m(T0)>0.5,则ESM数据与任何雷达航迹不相关;若m(θ)>0.5,则ESM测量与雷达航迹的相关情况未知。
本发明方法性能用以下两个数据定义:
1.错误率:本应该与雷达航迹Ti关联的ESM航迹,被错误判定为与雷达航迹Tj相关。
2.漏关联率:本应该与雷达航迹Ti关联的ESM航迹,被判决为不与任何雷达相关。
做500次蒙特卡洛仿真实验,仿真结果如图3所示,由图3(a)可以看出,经过约10个ESM测量时刻,目标的关联错误率下降到5%;由图3(b)可以看出,经过约3个ESM测量时刻,目标的漏关联概率下降到5%。说明经过一定时刻的积累,本发明可以达到预期关联指标,完成ESM测量数据和雷达测量数据的关联。
表4和表5分别展示了其中两个时刻的关联信任度矩阵。
表4 t1时刻的关联可信度矩阵
表5 t10时刻的关联可信度矩阵
对比表4和表5可以发现,经过10个时刻的迭代,原来无法判定是否与雷达航迹相关的ESM航迹,能够正确地与雷达航迹关联。例如t1时刻,无法判定ESM测量1与雷达航迹的关联情况。经过几次数据融合,在t10时刻EMS测量1与雷达航迹1的关联概率为0.999,与雷达航迹2的关联概率为0.001,几乎可以判定ESM测量1与雷达航迹1相关。
Claims (3)
1.一种ESM无源信息与雷达有源信息关联的方法,其特征在于,包括以下步骤:
第一步:雷达和ESM时间对准;
使用线性内插法,将ESM数据对准到雷达测量时刻:
设在tk时刻,ESM上传观测数据θ(tk),ESM前一次上报数据θ(tk-1)与当前时刻[tk-1,tk]之间,雷达有n个测量值,定义ESM和雷达的时间对准公式为:
第二步:建立关联判别函数:
令其中
其中,为ti时刻ESM的测量值,为第j个雷达的角度测量值,ESM的测量方差为
第三步:建立关联门限
(1)建立低门限TL
假设在方位上与雷达航迹j最接近的雷达航迹为k,门限TL决定的是本应该与雷达航迹j相关的ESM航迹,被错误地判为与雷达航迹k相关;令雷达航迹k与雷达航迹j在方位上间隔其中μ为雷达航迹j和雷达航迹k在方位上的差值。
门限TL的选择使得ESM测量值被错判为与方位上最邻近雷达航迹k的概率为Pe,则
(2)建立高门限TH
门限TH决定的是正确关联的雷达航迹被错误判为不相关的概率,即漏关联概率,设漏关联概率为Pm,则
第四步:时间维度的信息融合:
(1)建立识别框架
在测量时刻t,雷达航迹有n个,Xi为第i条雷达航迹在ESM测量空间的投影;对于ESM测量e,建立辨识框架其中Ti表示“e与目标航迹Xi相关”,表示“e与目标航迹Xi不相关”,T0表示“e与任何目标航迹都不相关”,θ表示“不知道e的关联情况”;
(2)计算统计距离
计算e与所有雷达航迹Xi之间的统计距离:
(3)证据产生
根据εi和门限TL、TH,为当前识别框架赋予信任度,最后对当前时间的识别框架进行归一化;
(4)证据合成
得到了当前时刻识别框架对所有雷达航迹的信任度之后,使用DS证据理论将前一时刻的ESM测量信息与当前时刻的ESM测量信息进行融合;
第五步:判决输出
在t时刻,如果不需要做出硬判决,则等待ESM上报下一时刻的测量数据,返回第一步开始执行;
在t时刻,如果需要做出硬判决,则应按照以下规则执行:
找到mt(Ti)=maxmt(Tj),j=1,2,...,n,如果mt(Ti)>0.5,则ESM数据与雷达航迹Ti相关;
若m(T0)>0.5,则ESM数据与任何雷达航迹不相关;
若m(θ)>0.5,则ESM测量与雷达航迹的相关情况未知。
2.如权利要求1所述的一种ESM无源信息与雷达有源信息关联的方法,其特征在于,所述第四步中证据产生的方法:
根据εi和门限TL、TH,为当前识别框架赋予信任度
令
最后对当前时间的识别框架进行归一化
3.如权利要求2所述的一种ESM无源信息与雷达有源信息关联的方法,其特征在于,所述第四步中证据合成的方法:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607966.6A CN109581359B (zh) | 2018-12-27 | 2018-12-27 | 一种esm无源信息与雷达有源信息关联的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607966.6A CN109581359B (zh) | 2018-12-27 | 2018-12-27 | 一种esm无源信息与雷达有源信息关联的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109581359A true CN109581359A (zh) | 2019-04-05 |
CN109581359B CN109581359B (zh) | 2023-04-28 |
Family
ID=65932027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811607966.6A Active CN109581359B (zh) | 2018-12-27 | 2018-12-27 | 一种esm无源信息与雷达有源信息关联的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109581359B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018450A (zh) * | 2019-04-30 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Ais与雷达角度系统偏差的关联校准方法 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN111257826A (zh) * | 2020-01-15 | 2020-06-09 | 西安交通大学 | 一种多源异构传感器复合跟踪方法 |
CN111723474A (zh) * | 2020-06-01 | 2020-09-29 | 四川九洲电器集团有限责任公司 | 一种基于最大似然准则的临近目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443665A (zh) * | 2016-09-13 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于辅助距离的雷达与esm航迹关联方法 |
CN106443664A (zh) * | 2016-09-13 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 系统误差下基于拓扑信息的雷达与esm航迹关联方法 |
-
2018
- 2018-12-27 CN CN201811607966.6A patent/CN109581359B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443665A (zh) * | 2016-09-13 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于辅助距离的雷达与esm航迹关联方法 |
CN106443664A (zh) * | 2016-09-13 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 系统误差下基于拓扑信息的雷达与esm航迹关联方法 |
Non-Patent Citations (4)
Title |
---|
LAN XU-HUI ET AL.: ""Modified combination rule of D-S evidence theory"", 《2010 IEEE》 * |
WANG JIEGUI: ""Emitter Target Recognition Based on Multi-sensor Data Fusion of ESM and IR"", 《ICSP2008 PROCEEDINGS》 * |
卜卿: ""D-S证据理论在ESM-雷达航迹关联中的应用"", 《指挥信息系统与技术》 * |
王国宏: ""雷达与ESM模糊相关的双门限判决方法"", 《电子对抗技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110018450A (zh) * | 2019-04-30 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | Ais与雷达角度系统偏差的关联校准方法 |
CN110109095A (zh) * | 2019-04-30 | 2019-08-09 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标特征辅助多源数据的关联方法 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN111257826A (zh) * | 2020-01-15 | 2020-06-09 | 西安交通大学 | 一种多源异构传感器复合跟踪方法 |
CN111723474A (zh) * | 2020-06-01 | 2020-09-29 | 四川九洲电器集团有限责任公司 | 一种基于最大似然准则的临近目标识别方法 |
CN111723474B (zh) * | 2020-06-01 | 2022-02-18 | 四川九洲电器集团有限责任公司 | 一种基于最大似然准则的临近目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109581359B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581359A (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN112946624B (zh) | 一种基于航迹管理方法的多目标跟踪方法 | |
Houenou et al. | A track-to-track association method for automotive perception systems | |
CN110109095B (zh) | 目标特征辅助多源数据的关联方法 | |
CN108882149B (zh) | 距离相关概率的nlos补偿定位方法 | |
CN108596117B (zh) | 一种基于二维激光测距仪阵列的场景监控方法 | |
Ma et al. | Target tracking system for multi-sensor data fusion | |
CN104133983A (zh) | 基于加权负一阶rd和的多目标伯努利分布式融合方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN110907903B (zh) | 一种基于多传感器的自适应跟踪处理方法 | |
CN113988228B (zh) | 一种基于rfid和视觉融合的室内监控方法及系统 | |
CN113687429B (zh) | 一种确定毫米波雷达监测区域边界的装置及方法 | |
Chen et al. | Track association and fusion with heterogeneous local trackers | |
Bar-Shalom et al. | Track-to-track association for tracks with features and attributes | |
Solonar et al. | General construction principles and performance features of trajectory processing by data from one radar data source | |
CN116953692A (zh) | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 | |
CN111487613A (zh) | 基于分级聚类的雷达/esm航迹抗差关联方法 | |
CN116772860A (zh) | 基于无线定位技术与视觉人工智能融合的新型室内定位系统 | |
Hwang et al. | Multiple-target tracking and identity management | |
Li et al. | Target tracking in uncertain multipath environment using distributed angle-of-arrival observation | |
Mikhalev et al. | Passive emitter geolocation using agent-based data fusion of AOA, TDOA and FDOA measurements | |
Coraluppi et al. | Hypothesis structure in enhanced multiple-hypothesis tracking | |
Lukeš et al. | Variable structure interacting multiple model for highly aperiodic sensors with poor measurement precision | |
Carniglia et al. | Investigation of sensor bias and signal quality on target tracking with multiple radars | |
Juang et al. | Comparative performance evaluation of GM-PHD filter in clutter |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240319 Address after: No. 351 Tiyu Road, Xiaodian District, Taiyuan City, Shanxi Province 030000 Patentee after: NORTH AUTOMATIC CONTROL TECHNOLOGY INSTITUTE Country or region after: Zhong Guo Address before: 611731, No. 2006, West Avenue, hi tech West District, Sichuan, Chengdu Patentee before: University of Electronic Science and Technology of China Country or region before: Zhong Guo |
|
TR01 | Transfer of patent right |