CN110456360B - 一种针对非连续目标被动多阵列声呐检测跟踪方法 - Google Patents

Abstract

本发明公开一种针对非连续目标被动多阵列声呐检测跟踪方法，应用于被动探测领域，针对现有技术中存在的检测跟踪发散、目标识别失败、航迹断裂等问题；本发明通过对非连续阵列接收信号进行建模，并根据建立的模型得到多个阵列声呐的量测数据，基于得到的量测数据建立联合似然函数，并构造联合似然比函数，根据联合似然比的值结合联合似然函数对目标的状态及其非连续特性进行估计；本发明的方法不仅能有效识别目标非连续特性，且对非连续性目标的跟踪精度明显提高。

Description

一种针对非连续目标被动多阵列声呐检测跟踪方法

技术领域

本发明属于被动探测领域，特别涉及一种被动多阵列声呐目标检测跟踪技术。

背景技术

在现代人们对海洋资源需求日益增长以及海洋冲突愈发频繁的背景下，声呐技术在国内外都备受重视。在现代高科技战争中，由于隐身兵器、低空/超低空突防等技术手段的出现，使得目标探测跟踪系统面临着日益严重的威胁。被动阵列声呐探测技术因其有良好的隐蔽性且不易受到攻击等优点，在未来信息化海战中，将扮演越来越重要的角色。

但是由于单个被动声呐传感器只能探测目标方位信息、不能提供目标的距离信息，即具有不完全观测性。为了解决这个问题，一般有两种方法，一种是将单个阵列声呐安放于移动平台上，对目标进行连续角度量测，进而得到目标的状态估计稳定解，但这个解不一定是唯一的，且该方法对平台运动要求较高，应用范围受到限制。另一种是采用多阵列声呐组网的形式，将各阵列接收的量测数据进行数据关联融合进行协同跟踪，可以有效提高系统观测精度和作用距离，因而得到广泛研究。在利用多阵列声呐对目标进行探测跟踪过程中，传感器被动接收来自目标自身向外发射或辐射的信号，对于能够非连续发射信号的目标，称之为非连续目标。在实际系统中，分析这类非连续特性对于系统对目标的识别跟踪具有决策性意义。在这种情况下，阵列将接收到断续的目标信号，利用现有目标跟踪算法处理会导致检测跟踪发散、目标识别失败等一系列问题。

在已公开的专利《用于被动传感系统对具有非连续特性目标的检测跟踪方法》(公开号：CN110031797A)中，考虑了对非连续目标的检测跟踪，但是该方法仅考虑了单被动传感器下的纯方位跟踪情况，对于被动传感器的不完全观测问题并未加以讨论，无法准确对目标进行识别定位。在文献“Multitarget detection and tracking using multi-sensorpassive acoustic data,Aerospace conference,2009.”中，考虑了多被动声呐水声连续目标的跟踪问题。文献“Distributed multi-target tracking in clutter for passivelinear array sonar systems,International Conference on Information Fusion,2017.”讨论了Y形被动线阵的分布式多目标跟踪问题。但是，以上针对被动多阵列系统的目标跟踪方法只适用于连续目标的跟踪，并没有考虑对目标的非连续特性的分析，忽略目标的非连续特性的影响，不能提供准确的目标特征识别，且在断续量测的影响下，滤波器将造成进一步严重的跟踪发散，航迹断裂现象。

发明内容

为解决上述技术问题，本发明提出一种针对非连续目标被动多阵列声呐检测跟踪方法，克服了单被动阵列声呐不完全观测的问题，同时还实现了被动多阵列声呐系统对非连续目标状态及其非连续特性的联合估计。

本发明采用的技术方案为：一种针对非连续目标被动多阵列声呐检测跟踪方法，包括：

A1、建立非连续阵列接收信号模型；

A2、根据建立的模型，得到各阵列声呐的量测数据；

A3、融合各阵列声呐的量测数据，计算联合似然函数，并构造联合似然比函数；

A4、根据联合似然比函数估计目标的非连续性；

A5、结合联合似然函数及估计的目标的非连续性，对目标状态进行估计。

进一步地，步骤A1所述模型建立过程为：

A11、目标非连续特性建模，定义目标非连续特性为：

A12、阵列接收信号模型，

y^s(k)＝a(θ_s(k))s(k)+v(k)

其中，a(θ_s(k))表示k时刻目标信号的方向向量，θ_s(k)表示k时刻目标发射出的信号相对于阵列法线方向角度。注意，根据不同的阵列中阵元分布的不同，方向向量可以有不同的表达。s(k)表示k时刻目标发射出的信号，v(k)表示k时刻接收机中的加性噪声；

A13、集合定义的目标非连续性与阵列接收信号模型，建立非连续阵列接收信号模型：

进一步地，步骤A2具体为：

A21、基于步骤A1建立的模型，采用波束形成方法得到k时刻第s个阵列θ_s(k)方向上获取的量测值

其中，b表示方位角θ_s(k)占整个观测平面的第b个分辨单元，h_s(·)代表CBF波束形成方法，上标H表示转置共轭运算，R表示阵列的空间相关矩阵；

A22、根据各时刻的量测值，得到在k时刻阵列s接收到的量测数据记为

B表示角度分辨单元的个数。

更进一步地，步骤A21中的阵列的空间相关矩阵R采用时间平均估计得到，计算式如下：

进一步地，步骤A3构造的联合似然比函数表达式为：

其中，

表示在目标发射信号假设下的似然函数模型，x(k)表示k时刻目标的位置，

表示在目标不发射信号假设下的似然函数模型。

进一步地，步骤A4具体为：若联合似然比的值大于似然比门限值，则代表目标发射信号；否则目标不发射信号。

进一步地，步骤A5采用粒子滤波对目标状态进行估计。

更进一步地，步骤A5采用粒子滤波对目标状态进行估计的过程为：

A51、若步骤A4估计目标的非连续性为目标发射信号，则进行粒子样本预测；否则执行k＝k+1，重复步骤A1～A5，直至k＝L，算法迭代结束；L表示跟踪总时间；

A52、根据步骤A51预测的粒子样本，结合联合似然函数，更新各时刻粒子样本权值；

A53、对粒子进行重采样；

A54、根据估计的粒子样本及更新的粒子样本权值，进行粒子状态估计。

进一步地，还包括步骤A0、系统初始化，包括：被动阵列声呐个数S、每个阵列中包含的水听器数目M、系统采样间隔T、跟踪总时间L、各阵列的位置以及根据已知先验信息产生初始粒子状态及其相应权值。

本发明的有益效果：本发明通过对非连续阵列接收信号进行建模，并根据建立的模型得到多个阵列声呐的量测数据，基于得到的量测数据建立联合似然函数，并构造联合似然比函数，根据联合似然比的值结合联合似然函数对目标的非连续特性进行估计；本发明的方法具备以下优点：

1、在贝叶斯框架下实现被动多阵列对非连续目标状态及其信号非连续特性的联合估计；

2、本发明的方法求解过程简单，跟踪性能好；

3、本发明的方法适用性更广，可以推广至无源雷达探测、无人机定位跟踪等其他被动探测应用领域。

附图说明

图1是本发明提供的方法流程框图。

图2是本发明实施例中提供的多阵列声呐场景图。

图3是目标与被动声呐几何关系示意图。

图4是本发明实施例中两个阵列声呐分别接收的非连续量测的方位历程图；

图4(a)为阵列声呐S1接收的非连续量测的方位历程图，图4(b)为阵列声呐S2接收的非连续量测的方位历程图。

图5是本发明实施例中目标跟踪航迹单次仿真结果图。

图6是本方法在200次蒙特卡罗实验中位置均方根误差曲线结果图。

具体实施方式

本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在MATLAB-R2017b上验证正确。具体实施步骤如下：

A0：系统初始化

初始化参数包括：被动阵列声呐个数S，每个阵列中包含阵元数目M，理论上被动阵列声呐越多，系统探测能力越强，但同时带来的系统计算负担也不容忽视，因此声呐的个数的选取一般考虑到实际跟踪场景的复杂度及具体要求而定。另外，阵元数目M的选取跟形成的谱分辨率有关，其值直接影响到阵列孔径的尺寸。跟踪系统采样间隔T，跟踪总步长为L。对于阵列s,s＝1,2,…,S，位置记为x_s＝[x_s,y_s]′，初始化目标状态

其中x(0),y(0)代表初始时刻目标在x-y平面的位置，

代表目标在x轴和y轴的速度。据已知先验信息产生初始粒子状态及其相应权值

其中N_s表示粒子的个数，初始化粒子权值为wⁱ(0)＝1/N_s。

本实施例的场景分布图如图2所示，被动阵列声呐个数S＝2，每个阵列中包含水听器数目M＝40，系统采样间隔T＝1s，跟踪总时间L＝60s，各水听器之间的间隔d取二分之一声学波长；两个阵列的位置分别为x₁＝[5,3]′km及x₂＝[6,4]′km，目标的初始状态为x(0)＝[4.5km,0.01km/s,5km,0.01km/s]′，具体采用的粒子个数为N_s＝500，初始化粒子权值为wⁱ(0)＝1/N_s。

A1：非连续阵列信号建模，分别对目标非连续特性及被动阵列声呐接收信号进行建模

A11：目标非连续特性建模

考虑目标发射信号的不确定性，因而，阵列接收到的目标信号也具有非连续性，定义目标非连续特性为e(k)，

A12：阵列接收信号模型

在本实施例中，考虑阵列是均匀线阵，阵元等间距分布，间隔为d。注意，实际上也可以是其他任意阵列形式。假设k,k＝1,2,…,L时刻目标的位置为x(k)＝[x(k),y(k))]′，发射出的信号s(k)以相对于阵列法线方向角度θ_s(k)到达第s,s＝1,2,…,S个阵列上，参见图3的目标与阵列声呐的几何关系示意图，有

则阵列s接收信号模型为

y^s(k)＝a(θ_s(k))s(k)+v(k)

其中，

代表每个阵元接收的信号，a(θ_s(k))＝[1e^-jΦ … e^-j(M-1)Φ]′,Φ＝2πd sinθ_s(k)/λ代表目标信号的方向向量，根据不同的阵列中阵元分布的不同，方向向量可以有不同的表达，λ是载波的波长，v(k)代表接收机中的加性噪声。注意，当假设的阵列形式是其他任意阵列形式时，以上的接收信号模型形式不变，对应的方向向量根据不同的阵列阵元分布有不同的表达式。

类似地，当k时刻无目标发射信号，此时，阵列仅接收噪声信号，即接收信号建模为

y^s(k)＝v(k)

综上，非连续阵列接收信号建模为

A2：根据步骤A1的模型，采用波束形成方法获得第k时刻的阵列量测数据

在本实施例中，阵列接收的信号利用传统CBF(Conventional Beamforming)波束形成算法计算相应的量测数据，记k时刻第s个阵列θ_s(k)方向上获取的量测值为

其中下角标“b”代表方位角θ_s(k)占整个观测平面的第b个分辨单元。这里h_s(·)代表CBF波束形成方法。符号^H表示转置共轭，R表示阵列的空间相关矩阵。实际应用中，根据K次快拍得到的数据y^s(k),k＝1,2,…,K，用时间平均估计空间相关矩阵R

理论上来说，总的时刻数K值越大相关矩阵R的估计就越好，在本实施例中K取值为100。

A3：读取多个阵列声呐的量测数据，融合多阵列数据计算联合似然函数，并构造联合似然比函数

A31：单个阵列接收量测数据建模

在k时刻阵列s接收到的量测数据记为

B表示角度分辨单元的个数。假设各个分辨单元内量测的独立性，则量测似然函数记为

其中，

代表受目标影响的分辨单元集合，∝表示正比符号。

和

分别代表目标和噪声的分布特性，一般情况假设服从瑞利分布。

A32：融合多个阵列接收量测，计算联合似然函数

考虑S个阵列接收到的量测相互独立，量测集合记为

则联合似然函数建模成

A4：利用步骤A3中计算的多阵列数据的联合似然函数，估计目标的非连续特性

结合步骤A3中计的多个阵列数据的联合似然函数，构造以下联合似然比

类似地，

表示在目标不发射信号假设下的似然函数模型。进而，估计目标的非连续特性，如下

其中，χ代表似然比的门限值，符号“^”代表估计值，

表示目标在k时刻发射信号，

表示在k时刻不发射信号。门限χ的取值与目标的虚假估计相关，一般用虚警率来衡量门限χ的取值的可靠性，虚警的值根据实际跟踪系统的需求选取。在本实施例中，虚警率控制在10^-3得出仿真的结果。

A5：结合步骤A3中的联合似然函数以及步骤A4估计的非连续特性，采用粒子滤波对目标状态进行滤波。实际中，还有随机集理论、动态规划等方法可以用于状态滤波，粒子滤波因其具有不受限于非线性非高斯且性能优越，本发明采用粒子滤波进行滤波实现。

A51：若

则进行粒子样本预测xⁱ(k)～xⁱ(k-n_k),i＝1,2,…,N_s，其中wⁱ(k-n_k)代表对应上一个信号发射时刻的第i个粒子样本的权值，其中n_k代表两个发射时刻之间的帧数，继续执行步骤A52；否则，执行步骤A6。

A52：计算粒子权值

表示两个信号发射时刻之间n_k个量测平面数据，考虑到基于k时刻估计的

也就是说k-n_k～k其他时刻目标均未发射信号，进一步考虑到计算量的简便，本实施例计算粒子权值时用z^k近似了联合量测

的结果。

A53：对粒子进行重采样；

对于所有粒子q＝1,2,…,Q权值进行归一化，并对归一化的粒子集合进行重采样，在本实施例中，重采样包括以下分步骤：

A531：初始c₁＝0，

其中U[·,·]表示服从区间内的均匀分布。

A532：计算c_i＝c_i-1+wⁱ(k),i＝2:N_s

A533：计算

若c_i＜u_j，则i＝i+1，返回步骤S442；否则，记录第i个粒子在第j个位置上。

A54：状态估计：

A6：迭代k＝k+1；重复步骤A1～A5，直至k＝L，算法迭代结束。

图2提供了仿真的场景图，图中的目标的运动轨迹显性地体现了目标发射信号的非连续特性。图4分别提供两个阵列声呐S1和S2分别接收的非连续量测的方位历程图，即多个时刻的波束形成后的关于方位角的量测数据，图4(a)为阵列声呐S1接收的非连续量测的方位历程图，图4(b)为阵列声呐S2接收的非连续量测的方位历程图，其中“°”是本实施例中目标状态方位角的单位，可以看出，在目标没有发射信号的时刻，相应的目标量测是丢失的，只包含噪声数据。此外，单个阵列接收的量测仅是关于目标的纯方位角的观测数据，具有不完全观测性，如果利用单个阵列声呐的纯方位量测进行贝叶斯滤波，显然是无法实现准确的目标定位的。

图5给出了本发明提供方法的目标跟踪航迹单次仿真结果图。从图可以看出，本发明提供的方法可以正确跟踪具有非连续特性的目标。进一步地，图6给出了200次蒙特卡罗实验下位置均方根误差曲线结果，其中估计失败的惩罚值设为0.05km。注意，由于状态的估计是基于非连续特性的估计，故非连续特性的估计精度同时反映了状态估计精度，所以图6的结果同时反映了非连续特性的估计及目标航迹估计精度的结果。从图6的结果来看，本发明的方法具有较高且平稳的估计精度。

综上所述，本发明方法不仅可以有效地克服单个被动阵列声呐的不完全观测性，还可以实现对目标状态及其非连续特性的准确估计，这对于实际被动阵列声呐系统的目标探测跟踪具有重大意义。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。

Claims (4)

1.一种针对非连续目标被动多阵列声呐检测跟踪方法，其特征在于，包括：

A1、建立非连续阵列接收信号模型；步骤A1所述模型建立过程为：

A11、目标非连续特性建模，定义目标非连续特性为：

A12、阵列接收信号模型，

y^s(k)＝a(θ_s(k))s(k)+v(k)

其中，a(θ_s(k))表示k时刻目标信号的方向向量，θ_s(k)表示k时刻目标发射出的信号相对于阵列法线方向角度，s(k)表示k时刻目标发射出的信号，v(k)表示k时刻接收机中的加性噪声；

A13、集合定义的目标非连续性与阵列接收信号模型，建立非连续阵列接收信号模型：

A2、根据建立的模型，得到各阵列声呐的量测数据；步骤A2具体为：

A21、基于步骤A1建立的模型，采用波束形成方法得到k时刻第s个阵列θ_s(k)方向上获取的量测值

其中，b表示方位角θ_s(k)占整个观测平面的第b个分辨单元，h_s(·)代表CBF波束形成方法，上标H表示转置共轭运算，R表示阵列的空间相关矩阵；R采用时间平均估计得到，计算式如下：

其中，K表示总的时刻数；

A22、根据各时刻的量测值，得到在k时刻阵列s接收到的量测数据记为

B表示角度分辨单元的个数；

A3、融合各阵列声呐的量测数据，计算联合似然函数，并构造联合似然比函数；步骤A3构造的联合似然比函数表达式为：

其中，S表示被动阵列声呐个数，

表示在目标发射信号假设下的似然函数模型，x(k)表示k时刻目标的位置，

表示在目标不发射信号假设下的似然函数模型；

A4、根据联合似然比函数估计目标的非连续性；步骤A4具体为：若联合似然比的值大于似然比门限值，则表示目标发射信号；否则目标不发射信号；

A5、结合联合似然函数及估计的目标的非连续性，对目标状态进行估计。

2.根据权利要求1所述的一种针对非连续目标被动多阵列声呐检测跟踪方法，其特征在于，步骤A5采用粒子滤波对目标状态进行估计。

3.根据权利要求2所述的一种针对非连续目标被动多阵列声呐检测跟踪方法，其特征在于，步骤A5采用粒子滤波对目标状态进行估计的过程为：

A51、若步骤A4估计目标的非连续性为目标发射信号，则进行粒子样本预测；否则执行k＝k+1，重复步骤A1～A5，直至k＝L，算法迭代结束；L表示跟踪总时间；

A52、根据步骤A51预测的粒子样本，结合联合似然函数，更新各时刻粒子样本权值；

A53、对粒子进行重采样；

A54、根据估计的粒子样本及更新的粒子样本权值，进行粒子状态估计。

4.根据权利要求1所述的一种针对非连续目标被动多阵列声呐检测跟踪方法，其特征在于，还包括步骤A0、系统初始化，包括：被动阵列声呐个数S、每个阵列中包含的水听器数目M、系统采样间隔T、跟踪总时间L、各阵列的位置以及根据已知先验信息产生初始粒子状态及其相应权值。

Images