CN110057353B - 一种基于通信信号辅助下的中断航迹关联的方法 - Google Patents

Abstract

本发明属于多传感器信息融合技术领域，公开了一种基于通信信号辅助下的中断航迹关联的方法；输入中断前航迹和中断后航迹；基于通信信号作初步关联；基于多尺度组合预测的方法获得关联样本；基于航迹关联的方法对关联样本进行关联；对关联上的航迹重新进行编号，获得一条完整的连续航迹；在雷达探测和通信辐射源同时对目标进行跟踪的场景下，通过初步关联可以排除一些不相关的航迹，对获得的关联样本进行关联，确定中断前后的航迹是否来自于同一个目标，形成一条完整的航迹。本发明有效的解决了中断航迹关联问题；基于通信信号作辅助的中断航迹关联，可以降低算法的复杂度。该发明符合真实场景中的研究，有更好的工程实践应用价值。

Description

一种基于通信信号辅助下的中断航迹关联的方法

技术领域

本发明属于多传感器信息融合技术领域，尤其涉及一种基于通信信号辅助下的中断航迹关联的方法.

背景技术

目前，最接近的现有技术：随着航空飞行环境趋向复杂化，由于系统误差、地理环境的隔绝、敌方电磁干扰、目标超出了传感器的探测范围、传感器本身的性能异常等不确定因素的影响，往往会造成传感器在某一段时间内探测不到目标航迹，过一段时间航迹又恢复正常，导致了目标航迹不连续的问题。融合中心并不总是能连续获得各目标信息，经过融合后呈现给指挥员的可能是非连续的跟踪状态，给指挥员的决策带来很大影响。因此，需要一种适合在目标航迹中断情况下的航迹关联算法，来解决这一问题，使得来自于同一个目标的中断前后的航迹关联起来，形成一条连续的完整航迹。

现有技术一采用中断前航迹最后一个量测值的正向卡尔曼预测值与中断后航迹起始的第一个量测值进行关联。由于中断后航迹的单个量测点同时存在系统噪声和量测噪声，当误差较大或者机动情况下，基于单个点的关联配对准确性较差，导致误关联、漏关联经常发生。现有技术二采用中断前最后一个量测值的正向预测值和中断后第一个量测值的反向预测值进行关联。通过正反两次预测，可以降低错误关联的概率。当中断时间较长时，点迹的预测会出现偏差，使关联效果恶化。现有技术三采用同一段时间内中断前航迹预测片段和中断后航迹的滤波片段作为关联样本。中断前航迹不仅要在中断时长内进行预测，在中断后航迹的滤波片段内还要进行预测，作为中断前航迹的关联样本。由于中断前航迹的预测长度为关联样本长度与中断时长之和，较长的预测时间段大大降低了预测精度，中断时间较长时，关联效果并不好。另外一点是，当考虑一段时间内作为关联样本长度时，现有的方法是通过目标确定的运动模型的状态方程和量测方程直接外推获得获得预测结果。在一般的航迹中断场景中，得到的只是目标航迹的量测数据，得不到具体的运动模型。

综上所述，现有技术存在的问题是：当目标机动情况下、误差较大情况下以及中断时间较长情况下，单个点迹的关联配对准确性较差；当选择中断前航迹的预测值和中断后航迹的滤波值作为关联样本时，预测的时间段较长，中断时间较长情况下，预测准确性较差，关联效果恶化；卡尔曼预测在预测多步时准确性差，外推法受运动模型所限制。

解决上述技术问题的难度：在运动模型未知情况下，如何有效的选择关联样本；当目标机动情况下或者误差较大情况下，如何提高预测结果的准确性；当中断时间较长情况下，如何提高整体的关联效果；

解决上述技术问题的意义：上述技术问题是中断航迹关联中一些急需解决的问题。选择一种合适的关联样本，可以减少预测步长，提高预测结果的准确性。解决目标机动或者中断时间较长情况下的中断航迹关联问题，一直是中断航迹研究中的一个重难点。提高关联正确率是反映航迹关联效果的指标。因此，解决上述技术问题有非常重要的作用。

发明内容

针对现有技术存在的问题，本发明提供了一种基于通信信号辅助下的中断航迹关联的方法。

本发明是这样实现的，一种基于通信信号辅助下的中断航迹关联的方法，所述基于通信信号辅助下的中断航迹关联的方法包括以下步骤：

步骤一，输入中断前航迹和中断后航迹；

步骤二，基于通信信号作初步关联；

步骤三，基于多尺度组合预测的方法获得关联样本；

(1)选择中断航迹关联样本，T₁和T₂是航迹中断前后的两条航迹，T₀为中断时长；将中断前后航迹进行正反预测，获得关联样本；关联样本的长度为l，中断前航迹T₁预测长度n₁，中断后航迹T₂预测长度n₂，满足于l＝n₁+n₂-T₀；

(2)集合经验模态分解，将原航迹数据序列分解为频率上从高到低的平稳化的多个本征模分量；对原始序列x(t)中的局部极大值点和局部极小值点采用三次样条插值，得到上下包络线e_max(t)和e_min(t)，去低频序列为d(t)，其中一种典型的去低频方法为：

d(t)代替x(t)进行去低频处理，当满足过零点数和极值点数之间最多相差为1和上下包络线局部对称时，即为第一个最高频的本征模分量c₁(t)，剩余序列代替x(t)为：r(t)＝x(t)-c₁(t)；然后对该剩余序列进行去低频操作，获得下一个本征模分量；直到不能再筛分，剩余序列为一个单调函数，即为最后的趋势项；将原始序列分解为n个本征模分量c_i(t)和一个趋势项r(t)：

(3)重构本征模分量，对序列求均值，大于均值的为1，小于均值的为0，有连续的0或者连续的1即为一个游程，计算序列游程总数目；序列长度为N,分为n个等分区间，通过计算每个本征模分量的游程数目，将游程数目划分在同一个区间的本征模分量重构为一项，最后重构为高频、中低频、趋势项；

(4)在各个频率尺度上进行预测，在高频上用一种典型的局部回归神经网络Elman进行预测，在中低频上用支持向量机预测方法进行预测，在趋势项上用典型的灰色模型GM(1,1)进行预测；在各个尺度上分别进行预测后，将预测值进行累加得到综合预测结果；

(5)获得关联样本；由步骤(1)可以得到中断前航迹和中断后航迹需要预测的长度；关联样本是由预测值和原数据构成；由步骤(3)得到中断前航迹的正向预测值和中断后航迹反向预测值，得到中断前航迹和中断后航迹的关联样本；

步骤四，基于航迹关联的方法对关联样本进行关联；

步骤五，关联上的中断前后航迹重新编号，获得连续航迹。

进一步，所述步骤二具体包括：

(1)雷达信号无，通信信号有；根据通信信号的连续性，与通信信号关联的中断前后的雷达航迹自动关联为一条连续的完整航迹；

(2)雷达信号无，通信信号无；根据电台航迹和雷达航迹的关联，得到电台和平台之间的对应关系，将中断前后航迹来自于同一个电台航迹、中断前的电台航迹和中断后的电台航迹装载在同一平台上、以及一些不确定的模糊关联的航迹进行二次关联。

进一步，所述步骤四具体包括：

U₁＝{1,2,...,n₁}，U₂＝{1,2,...,n₂}是传感器1和传感器2的航迹集合；传感器1的其中一条航迹i为参考矩阵：

表示每一个矩阵有N个属性，每个属性的长度为M；传感器2的所有航迹为比较矩阵：

对参考矩阵X₀和比较矩阵X_k进行区间归一化处理后，用航迹关联的方法进行关联；选择典型的多元矩阵型灰色关联的方法：

参考矩阵X₀和比较矩阵X_k在(i,j)处的关联系数为：

权重取值均相等时，参考矩阵X₀和比较矩阵X_k的关联度为：

航迹关联判断准则：

当

时，判断参考矩阵的航迹i与比较矩阵的航迹k^*关联度最高，即为航迹关联对；ε为设置的关联阈值。

进一步，所述步骤五具体包括：融合中心会对中断后的航迹重新进行编号，当中断航迹关联完成时，将来自于同一条连续航迹的中断后的航迹编号改为和中断前航迹编号一致，使形成一条完整的航迹。

本发明的另一目的在于提供一种实现所述基于通信信号辅助的中断航迹关联的方法的信息处理系统。

综上所述，本发明的优点及积极效果为：(1)采用通信信号辅助，通过在初步关联中排除一些不相关的航迹，可以降低运算量，提升整个算法的运算效率；(2)在关联长度内，将中断前航迹的量测值和中断前航迹的正向预测结果两部分作为一个关联样本，将中断后航迹的反向预测结果和中断后航迹的量测值作为另一个关联样本，减少了预测步长，提高预测结果的准确性；(3)采用多尺度组合预测的方法获得预测结果，大大提高了预测结果的精度；(4)采用多元矩阵型灰色关联对关联样本关联，当目标比较密集情况下，仍能保持良好的关联效果；(5)当中断时间比较长时，提高了中断航迹关联正确率，关联效果比较好。

附图说明

图1是本发明实施例提供的基于通信信号辅助下的中断航迹关联的方法流程图。

图2是本发明实施例提供的中断航迹关联的示意图。

图3是本发明实施例提供的雷达航迹与电台航迹对应关系图。

图4是本发明实施例提供的选择关联样本示意图。

图5是本发明实施例提供的多尺度组合预测的方法获得关联样本框架图。

图6是本发明实施例提供的几种处理中断航迹关联方法的关联效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有中断航迹关联算法在解决中断时间比较长的情况下，容易导致错误关联；在一般的航迹中断场景中，得不到具体的运动模型的问题。本发明采用多尺度组合预测的方法获得关联样本，提高了关联质量，当中断时间比较长时，关联效果比较好。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于通信信号辅助下的中断航迹关联的方法包括以下步骤：

S101：输入中断前航迹和中断后航迹；

S102：基于通信信号作初步关联；

S103：基于多尺度组合预测的方法获得关联样本；

S104：基于航迹关联的方法对关联样本进行关联；

S105：关联上的中断前后航迹重新编号，获得连续航迹。

下面结合附图对本发明的应用原理作进一步的描述。

本发明实施例提供的基于通信信号辅助的中断航迹关联的方法具体包括以下步骤：

步骤一，输入中断前航迹和中断后航迹；

如图2所示，图中描述的为中断航迹关联示意图。航迹中断后，因为不确定和中断前航迹的匹配关系，接收中心会对航迹重新进行编号，如图中的航迹4，5，6。对中断航迹进行关联后，中断后航迹4，5，6分别判断和中断前航迹1，2，3相关联，是来自于同一个目标的航迹，将航迹4，5，6航迹编号改为和航迹中断前的航迹编号相同，为航迹1，2，3。解决中断航迹关联的目的就是将航迹中断前的航迹和航迹中断后的航迹进行关联，判断中断前后的航迹是否来自于同一个目标的同一条连续航迹。

步骤二，基于通信信号作初步关联；

(1)雷达信号无，通信信号有。当雷达探测设备自身发生一些异常或者其它一些不确定性因素时，导致雷达信号发生暂时的航迹中断，通信辐射源正常收集目标信息。根据通信信号的连续性，与通信信号关联的中断前后的雷达航迹自动关联为一条连续的完整航迹。

(2)雷达信号无，通信信号无。当地理环境隔绝或者外界强烈的杂波干扰等异常情况发生时，可能会同时对通信信号和雷达信号造成影响，使得雷达信号和通信信号同时在某一段时间内发生航迹中断的现象。根据电台航迹和雷达航迹的关联，得到电台和平台之间的对应关系。如图3所示，表示电台A和电台B，电台C和电台D，电台E和电台F所对应的辐射源分别装载在雷达航迹所对应的目标平台1，2，3上。将中断前后航迹来自于同一个电台航迹、中断前的电台航迹和中断后的电台航迹装载在同一平台、以及一些不确定的模糊关联的航迹，这几种情况进行二次关联，通过排除一些不相关航迹，降低运算量。

步骤三，基于多尺度组合预测的方法获得关联样本；

如图4和图5所示，基于多尺度组合预测的方法获得关联样本的步骤如下：

(1)选择中断航迹关联样本。T₁和T₂是航迹中断前后的两条航迹，T₀为中断时长。将中断前后航迹进行正反预测，获得关联样本。关联样本的长度为l，假设中断前航迹T₁预测长度n₁，中断后航迹T₂预测长度n₂，满足于l＝n₁+n₂-T₀；

(2)集合经验模态分解。将原航迹数据序列分解为频率上从高到低的平稳化的多个本征模分量。对原始序列x(t)中的局部极大值点和局部极小值点采用三次样条插值，得到上下包络线e_max(t)和e_min(t)，去低频序列为d(t)，其中一种典型的去低频方法为：

d(t)代替x(t)进行去低频处理，当满足过零点数和极值点数之间最多相差为1和上下包络线局部对称时，即为第一个最高频的本征模分量c₁(t)，剩余序列代替x(t)为：r(t)＝x(t)-c₁(t)。然后对该剩余序列进行去低频操作，获得下一个本征模分量。以此类推，直到不能再筛分，剩余序列为一个单调函数，即为最后的趋势项。将原始序列分解为n个本征模分量c_i(t)和一个趋势项r(t)：

(3)重构本征模分量。一种典型的重构方法为：对序列求均值，大于均值的为1，小于均值的为0，有连续的0或者连续的1即为一个游程，计算序列游程总数目。序列长度为N，分为n个等分区间，通过计算每个本征模分量的游程数目，将游程数目划分在同一个区间的本征模分量重构为一项，最后重构为高频、中低频、趋势项；

(4)在各个频率尺度上进行预测。在高频上用一种典型的局部回归神经网络Elman进行预测，在中低频上用支持向量机预测方法进行预测，在趋势项上用典型的灰色模型GM(1，1)进行预测。在各个尺度上分别进行预测后，将预测值进行累加得到综合预测结果；

(5)获得关联样本。由步骤(1)可以得到中断前航迹和中断后航迹需要预测的长度。关联样本是由预测值和原数据构成。由步骤(3)可以得到中断前航迹的正向预测值和中断后航迹反向预测值，从而得到中断前航迹和中断后航迹的关联样本。

步骤四，基于多元矩阵型灰色关联的方法对关联样本进行关联；

U₁＝{1,2,...,n₁}，U₂＝{1,2,...,n₂}是传感器1和传感器2的航迹集合。传感器1的其中一条航迹i为参考矩阵：

表示每一个矩阵有N个属性，每个属性的长度为M。传感器2的所有航迹为比较矩阵：

对参考矩阵X₀和比较矩阵X_k进行区间归一化处理后，用航迹关联的方法进行关联。这里选择的是一种典型的多元矩阵型灰色关联的方法：

对参考矩阵X₀和比较矩阵X_k进行归一化处理：

参考矩阵X₀和比较矩阵X_k在(i,j)处的关联系数为：

参考矩阵X₀和比较矩阵X_k的关联度为：

上式中，ω_ij表示的是参考矩阵X₀和比较矩阵X_k在(i,j)处的权重系数，权重取值均相等时，上式公式变为：

航迹关联判断准则：

当

时，判断参考矩阵的航迹i与比较矩阵的航迹k^*关联度最高，即为航迹关联对。ε为设置的关联阈值。

步骤五，关联上的中断前后航迹重新编号，获得连续航迹；

融合中心会对中断后的航迹重新进行编号，当中断航迹关联完成时，将来自于同一条连续航迹的中断后的航迹编号改为和中断前航迹编号一致，使形成一条完整的航迹。

下面结合仿真对本发明的应用效果作详细的描述。

1、仿真条件

在内存8G、WINDOWS 7系统上进行了仿真，采用MATLAB仿真分析。

2、仿真内容

仿真的场景是在20％的误差非编队的情况下，目标数目一定(设置目标数目为45个)，随着中断步长的增加，比较关联正确率的变化。将通信辅助下的多尺度组合预测获得关联样本的方法，多尺度组合预测获得关联样本的方法以及用卡尔曼滤波预测的传统方法这三种算法进行了对比。如图6所示，通信辅助下的航迹关联效果最好，接着是多尺度组合预测中断关联，传统方法在中断步长为6时，关联正确率下降的很快。利用多尺度组合预测获得样本然后进行关联的方法，在处理中断时长比较长一些的中断航迹关联中，有一定的优势。它的缺点在于复杂度比传统的方法高。基于通信辅助下中断航迹关联算法在初步关联中排除了一部分不相关的航迹，在一定程度上弥补了这种缺点。通过比较辅助前和辅助后算法的运行时间，也验证了这一点。因此，基于通信信号辅助的中断航迹关联在处理航迹中断关联的问题上是有效的。

以上所述仅为本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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于通信信号辅助下的中断航迹关联的方法，其特征在于，所述基于通信信号辅助下的中断航迹关联的方法包括以下步骤：

步骤一，输入中断前航迹和中断后航迹；

步骤二，基于通信信号作初步关联；

步骤三，基于多尺度组合预测的方法获得关联样本；

(1)选择中断航迹关联样本，T₁和T₂是航迹中断前后的两条航迹，T₀为中断时长；将中断前后航迹进行正反预测，获得关联样本；关联样本的长度为l，中断前航迹T₁预测长度n₁，中断后航迹T₂预测长度n₂，满足于l＝n₁+n₂-T₀；

(2)集合经验模态分解，将原航迹数据序列分解为频率上从高到低的平稳化的多个本征模分量；对原航迹数据序列x(t)中的局部极大值点和局部极小值点采用三次样条插值，得到上下包络线e_max(t)和e_min(t)，去低频序列为d(t)，其中一种典型的去低频方法为：

d(t)代替x(t)进行去低频处理，当满足过零点数和极值点数之间最多相差为1和上下包络线局部对称时，即为第一个最高频的本征模分量c₁(t)，剩余序列代替x(t)为：r(t)＝x(t)-c₁(t)；然后对该剩余序列进行去低频操作，获得下一个本征模分量；直到不能再筛分，剩余序列为一个单调函数，即为最后的趋势项；将原始序列分解为n个本征模分量c_i(t)和一个趋势项r(t)：

(3)重构本征模分量，对序列求均值，大于均值的为1，小于均值的为0，有连续的0或者连续的1即为一个游程，计算序列游程总数目；序列长度为N,分为n个等分区间，通过计算每个本征模分量的游程数目，将游程数目划分在同一个区间的本征模分量重构为一项，最后重构为高频、中低频、趋势项；

(4)在各个频率尺度上进行预测，在高频上用一种典型的局部回归神经网络Elman进行预测，在中低频上用支持向量机预测方法进行预测，在趋势项上用典型的灰色模型GM(1,1)进行预测；在各个尺度上分别进行预测后，将预测值进行累加得到综合预测结果；

(5)获得关联样本；由步骤(1)可以得到中断前航迹和中断后航迹需要预测的长度；关联样本是由预测值和原数据构成；由步骤(3)得到中断前航迹的正向预测值和中断后航迹反向预测值，得到中断前航迹和中断后航迹的关联样本；

步骤四，基于航迹关联的方法对关联样本进行关联；

步骤五，关联上的中断前后航迹重新编号，获得连续航迹。

2.如权利要求1所述的基于通信信号辅助的中断航迹关联的方法，其特征在于，所述步骤二具体包括：

(1)雷达信号无，通信信号有；根据通信信号的连续性，与通信信号关联的中断前后的雷达航迹自动关联为一条连续的完整航迹；

(2)雷达信号无，通信信号无；根据电台航迹和雷达航迹的关联，得到电台和平台之间的对应关系，将中断前后航迹来自于同一个电台航迹、中断前的电台航迹和中断后的电台航迹装载在同一平台上、以及一些不确定的模糊关联的航迹进行二次关联。

3.如权利要求1所述的基于通信信号辅助的中断航迹关联的方法，其特征在于，所述步骤四具体包括：

U₁＝{1,2,...,n₁}，U₂＝{1,2,...,n₂}是传感器1和传感器2的航迹集合；传感器1的其中一条航迹i为参考矩阵：

表示每一个矩阵有N个属性，每个属性的长度为M；传感器2的所有航迹为比较矩阵：

对参考矩阵X₀和比较矩阵X_k进行区间归一化处理后，用航迹关联的方法进行关联；选择典型的多元矩阵型灰色关联的方法：

参考矩阵X₀和比较矩阵X_k在(i,j)处的关联系数为：

权重取值均相等时，参考矩阵X₀和比较矩阵X_k的关联度为：

航迹关联判断准则：

当

时，判断参考矩阵的航迹i与比较矩阵的航迹k^*关联度最高，即为航迹关联对；ε为设置的关联阈值。

4.如权利要求1所述的基于通信信号辅助的中断航迹关联的方法，其特征在于，所述步骤五具体包括：融合中心会对中断后的航迹重新进行编号，当中断航迹关联完成时，将来自于同一条连续航迹的中断后的航迹编号改为和中断前航迹编号一致，使形成一条完整的航迹。

5.一种实现权利要求1～4任意一项所述基于通信信号辅助的中断航迹关联的方法的信息处理系统。

Images