CN111025280B - 一种基于分布式最小总体误差熵的运动目标测速方法 - Google Patents
一种基于分布式最小总体误差熵的运动目标测速方法 Download PDFInfo
- Publication number
- CN111025280B CN111025280B CN201911400398.7A CN201911400398A CN111025280B CN 111025280 B CN111025280 B CN 111025280B CN 201911400398 A CN201911400398 A CN 201911400398A CN 111025280 B CN111025280 B CN 111025280B
- Authority
- CN
- China
- Prior art keywords
- entropy
- radar
- radar node
- node
- function
- 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.)
- Active
Links
Images
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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
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
本发明公开了一种基于分布式最小总体误差熵的运动目标测速方法。构建雷达传感器网络探测运动目标,采集运动目标的反射信号,处理反射信号得到仅包含多普勒频移的待估计信号;构建分布式最小总体误差熵模型;采用基于分布式最小总体误差熵模型的雷达测速方法对运动目标进行测速。本发明能便捷地对某一范围内的多个运动目标进行在线测速,在容易产生野值的环境噪声的影响下也能保证测速精度,且处理速度快,用时短。
Description
技术领域
本发明属于分布式信息处理、信息论学习领域,特别是涉及一种基于分布式最小总体误差熵的运动目标测速方法。
背景技术
雷达测速方法一般基于多普勒效应。根据多普勒效应,雷达所接收到的运动目标反射回来的信号相对于初始的发射信号会产生一个多普勒频移。从多普勒频移中便可获得运动目标的速度信息,所以估计出多普勒频移便可完成测速任务。
在雷达测速中,一种测速方法的精确性和鲁棒性是必要的。传统的单节点测速方法可能会有采样时间受限,对噪声的鲁棒性不足等缺点。雷达传感器网络是由大量雷达节点构成的分布式网络系统,它能够协同地实时监测、采集网络覆盖区域中监测对象的物理信息,并对其进行处理和传输。分布式自适应估计方法无需中央处理单元,有着高的可靠性和鲁棒性;它通过各节点的信息处理与融合,减小网络的数据传输和处理,有效地节省了带宽的资源,在雷达测速领域有重要应用价值。
现在大多数自适应估计方法一般通过均方误差的最小化来实现参数估计,但该方法只有在高斯噪声环境下,估计结果才是最优的。在实际应用中,雷达节点采集到的信号可能会受环境噪声的干扰,相较于高斯噪声,这些环境噪声更复杂、更容易产生野值。因此通过均方误差的最小化来实现参数估计是不太合适的。
发明内容
为了解决背景技术中存在的问题,本发明的目的在于针对反射信号是分布式采集的且受容易产生野值的环境噪声的影响这样一种实际情况,提出了一种基于分布式最小总体误差熵的运动目标测速方法。
如图1所示,本发明所采用的技术方案具体包括如下步骤:
(1)构建雷达传感器网络探测运动目标,采集运动目标的反射信号,处理反射信号得到仅包含多普勒频移的待估计信号;
(2)构建分布式最小总体误差熵模型;
(3)采用基于分布式最小总体误差熵模型的雷达测速方法对运动目标进行测速。
所述步骤(1)中,雷达传感器网络是由部署在地面的多个多普勒雷达组成,各雷达间地位平等,任意两个雷达间的距离若小于预设距离阈值,则该两个雷达间通过无线/有线方式互相连接并进行通信;以雷达作为节点组件,以两个雷达间的通信关系作为节点的连接,组建雷达传感器网络。
所述步骤(1)中,处于雷达传感器网络中心的一个雷达节点向空中发射频率固定的连续窄带信号,发射的连续窄带信号遇到运动目标反射后被雷达传感器网络的雷达节点接收,运动目标的反射信号是由雷达传感器网络采集获得的,每个雷达节点采集各自监测范围内的运动目标的反射信号。
在每个雷达节点,雷达节点包括天线、频率滤波器和一阶陷波器系统,天线接收到的运动目标的反射信号经过频率滤波器,采集到的反射信号被处理为仅包含多普勒频移的待估计信号,待估计信号表示为:
式中,xk(n)是雷达节点k在n时刻的待估计信号;M是运动目标的总数,m是运动目标的序数;Bk,m和分别是雷达节点k的待估计信号的第m个分量的幅值和相位;ej(·)是复指数函数,其中j是虚部单位且Δwm是第m个运动目标对应的多普勒频移;fs是雷达节点接收运动目标的反射信号的采样频率;vk(n)是雷达节点k在n时刻的环境噪声,该环境噪声加性零均值的并且是非高斯分布的或者非圆的。
所述的雷达传感器网络是全连接的,即在雷达传感器网络中不存在孤立的不与其他任何雷达节点通信的雷达节点。
所述的雷达传感器网络中的每个雷达节点的监测范围可以相互重叠,共同接收采集运动目标的反射信号。
所述步骤(2)中,分布式最小总体误差熵模型采用以下方式建立:
(2.1)每个雷达节点内部设有一个一阶陷波器系统,频率滤波器的输出端连接一阶陷波器系统,一阶陷波器系统由多个一阶陷波器以级联的方式组成,一阶陷波器的数量和运动目标的数量相同;使用部署在每个雷达节点内部的一阶陷波器系统处理步骤(1)得到的待估计信号,得到一阶陷波器系统的输出:
依据一阶陷波器的时域特性,得到在雷达节点k的第m个一阶陷波器在n时刻的输出为:
ok,m(n)=-βbmok,m(n-1)+ok,m-1(n)+bmok,m-1(n-1)
式中,β是控制一阶陷波器阻带带宽的参数,是小于1的;ok,m(n)是雷达节点k的第m个一阶陷波器在n时刻的输出,ok,m-1(n-1)是雷达节点k的第m-1个一阶陷波器在n-1时刻的输出,也即为第m个一阶陷波器在n-1时刻的输入,bm表示第m个一阶陷波器的多普勒频移参数,ej(·)是复指数函数,j表示虚部单位;
当m=1时,ok,m-1(n)=xk(n),ok,m-1(n)是雷达节点k的第一个一阶陷波器在n时刻的输入。ok,M(n)是雷达节点k的最后一个一阶陷波器在n时刻的输出。
(2.2)使用香农熵界估计器估计雷达节点的总体误差熵,并根据总体误差熵建立雷达节点的局部目标函数,具体为:
(2.2.1)针对每个雷达节点,根据对多普勒频移参数bm在n时刻的估计值使用下式计算出n时刻的总体误差:
bk(n)=[bk,1(n),bk,2(n),...,bk,M(n)]T
式中,bk,m(n)是雷达节点k在n时刻对多普勒频移参数bm,m=1,2,...M的估计值;||bk(n)||2为bk(n)的二范数;bk(n)表示雷达节点k在n时刻的各个对多普勒频移参数的估计值构成的多普勒频移参数估计向量;ok(n)是雷达节点k在n时刻的一阶陷波器系统的输出,ok(n)=ok,M(n),表示雷达节点k在n时刻的总体误差;
式中,u、v和r分别表示第一、第二、第三实值变量;表示总体误差的实部,表示总体误差的虚部,下角标R为取实部,下角标I为取虚部;是预设的总体误差实部的方差,是预设的总体误差虚部的方差,ρ是预设的总体误差实部与虚部的协方差;σR是预设的总体误差实部的标准差;Δ1表示第一中间实值变量,Δ2表示第二中间实值变量;
式中,是雷达节点k在n时刻的总体误差在排列序数i1,i2下的香农熵界;I[I]表示香农熵界I的最大排列个数,i1,i2是香农熵界I的测量函数与负熵函数的排列序数;Y[I]是香农熵界I的负熵函数,香农熵界I的负熵函数无显示的函数表达式,根据预设的一些香农熵界I的负熵函数变量与对应的香农熵界I的负熵函数值,可由样条插值法获得任意香农熵界I的负熵函数变量所对应的香农熵界I的负熵函数值表示第i1个香农熵界I的负熵函数,表示第i2个香农熵界I的负熵函数;E[·]是求期望函数;G[I]是香农熵界I的测量函数,表示第i1个香农熵界I的测量函数,表示第i2个香农熵界I的测量函数,均由下表获得,下表中x=u或x=v;
式中,是雷达节点k在n时刻的总体误差在序数i下的香农熵界;I[П]表示香农熵界П的最大排列个数,i是香农熵界П的测量函数与负熵函数的序数;Y[П]是香农熵界П的负熵函数,香农熵界П的负熵函数无显示的函数表达式,根据预设的一些香农熵界П的负熵函数变量与对应的香农熵界П的负熵函数值,可由样条插值法获得任意香农熵界П的负熵函数变量所对应的香农熵界I的负熵函数值表示第i个香农熵界П的负熵函数;E[·]是求期望函数;G[П]是香农熵界П的测量函数,G[П](x)表示第i个香农熵界II的测量函数,由下表获得,下表中x=r;
(2.2.5)针对每个雷达节点,比较步骤(2.2.3)得到的香农熵界I的最紧上界和步骤(2.2.4)得到的香农熵界П的最紧上界,选择其中最小的作为总体误差熵的估计值。
基于总体误差熵的估计值,具体建立以下公式表示的雷达节点的局部目标函数作为分布式最小总体误差熵模型:
所述步骤(3)中,具体为:
(3.1)针对每个雷达节点,首先计算出雷达节点在n+1时刻的多普勒频移参数中间估计向量:
(3.1.1)当香农熵界I的最紧上界为总体误差熵的估计值时,具体采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量ψk(n+1):
式中,μ是学习步长;y[I]是香农熵界I的负熵函数的导数,表示第i1个香农熵界I的负熵函数的导数,表示第i2个香农熵界I的负熵函数;g[I]是香农熵界I的测量函数的导数,表示第i1个香农熵界I的测量函数的导数,表示第i2个香农熵界I的测量函数的导数;bk(n)*表示雷达节点k在n时刻的多普勒频移参数估计向量的共轭,上角标*为求共轭操作,是第一中间实值变量Δ1相对于bk(n)*的导数,是第一实值变量u相对于bk(n)*的导数,是第二实值变量v相对于bk(n)*的导数。
且上述公式还具有:
其中,表示雷达节点k在n时刻的各个一阶陷波器的组合信号构成的组合信号向量的共轭, 是雷达节点k的第m个一阶陷波器在n时刻的组合信号,oR表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的实部;oI表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的虚部,ok(n)*表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的共轭,均表示求导数操作。
(3.1.2)当香农熵界П的最紧上界为总体误差熵的估计值时,具体采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量ψk(n+1):
式中,μ是学习步长;y[П]是香农熵界П的负熵函数的导数,表示第i个香农熵界П的负熵函数的导数;g[П]是香农熵界П的测量函数的导数,表示第i个香农熵界П的测量函数的导数,是第三实值变量r相对于bk(n)*的导数。
且上述公式还具有:
(3.2)然后,通过雷达节点k与邻居雷达节点进行多普勒频移参数向量bk(n)的信息交换,采用以下公式表示的扩散式融合方式计算获得每个雷达节点k在n+1时刻的多普勒频移参数估计向量bk(n+1):
式中,Nk是由雷达节点k以及自身所有邻居雷达节点构成的集合;clk表示雷达节点k接收邻居雷达节点l的信息加权系数,clk为非负标量。ψl(n+1)为雷达节点l在n+1时刻的多普勒频移参数中间估计向量。
所述步骤(3.2)获得多普勒频移参数估计向量bk(n+1)后,使用以下公式获得运动目标的速度:
式中,vm是第m个运动目标的速度;c是光传播的速度;w0是雷达节点的发射信号的角频率,各个雷达节点的发射信号的角频率相同。K是雷达节点的总个数。
本发明有益效果:
1)本发明由于采用分布式的处理方式,各个雷达节点都可以处理采集到的反射信号数据,因此不需要将原始反射信号数据集中到某一个数据处理中心,就能便捷地对网络覆盖区域内的多个运动目标进行在线测速,并且具有更小的通信代价和更强的鲁棒性。
2)当雷达节点采集到的信号受容易产生野值的环境噪声的干扰时,使用基于分布式最小总体误差熵的运动目标测速方法比使用基于最小均方误差的方法速度更快,精度更高。
附图说明
图1是本发明方法的框架流程图。
图2是本发明的雷达传感器网络示意图。
图3是本发明的实现流程图。
图4是实施例对应的本发明的方法与基于最小均方误差方法的比较图。
图5是实施例对应的本发明的方法的测速结果图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的阐述。
如附图3所示,本发明方法实现步骤如下:
1、构建雷达传感器网络探测运动目标
雷达传感器网络是由部署在地面的多个多普勒雷达组成,各雷达间地位平等,任意两个雷达间的距离小于预设距离阈值,则该两个雷达间通过无线/有线方式互相连接并进行通信;以雷达作为节点组件,以两个雷达间的通信关系作为节点的连接,组建雷达传感器网络;
2、确定雷达传感器网络的信息加权系数并初始化参数
非负标量clk表示雷达节点k接收邻居雷达节点l的信息加权系数。也就是说,当雷达节点l不属于雷达节点k的邻居雷达节点集时,clk=0。我们使用以下公式计算该非负标量
式中,nk和nl分别表示雷达节点k和雷达节点l的连接度。信息加权系数确定后,初始化每个雷达节点的估计量bk(0)及中间估计量ψk(0)。还需要确定每步学习步长μ
3、雷达节点采集运动目标的反射信号并将其处理得到待估计信号
处于雷达传感器网络中心的一个雷达节点向空中发射频率固定的连续窄带信号,发射的连续窄带信号遇到运动目标反射后被雷达传感器网络的雷达节点接收,运动目标的反射信号是由雷达传感器网络采集获得的,每个雷达节点采集各自监测范围内的运动目标的反射信号。
在每个雷达节点,经过频率滤波器,采集到的反射信号被处理为仅包含多普勒频移的待估计信号:
4、得到每个雷达节点的一阶陷波器系统的输出
针对每个雷达节点,获得的待估计信号会被时序地处理。依据一阶陷波器时域特性,可以得到在雷达节点k的第m个一阶陷波器在n时刻的输出为
ok,m(n)=-βbmok,m(n-1)+ok,m-1(n)+bmok,m-1(n-1)
当m=1时,ok,m-1(n)=xk(n),ok,m-1(n)是雷达节点k的第一个一阶陷波器在n时刻的输入。ok,M(n)是雷达节点k的最后一个一阶陷波器在n时刻的输出。ok(n)是雷达节点k在n时刻的一阶陷波器系统的输出,ok(n)=ok,M(n)
5、针对每个雷达节点,分别计算总体误差的香农熵界I的最紧上界和香农熵界П的最紧上界:
通过下式计算总体误差的香农熵界I的最紧上界
通过下式计算总体误差的香农熵界П的最紧上界
6、针对每个雷达节点,计算出其在n+1时刻多普勒频移参数中间估计向量
当香农熵界I的最紧上界小于香农熵界П的最紧上界时,具体采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量:
否则,采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量:
7、针对每个雷达节点,计算出其在n+1时刻的多普勒频移参数估计向量
通过雷达节点k与邻居雷达节点进行信息交换,采用以下公式表示的扩散式融合方式计算获得雷达节点k在n+1时刻的多普勒频移参数估计向量:
8、使用以下公式获得运动目标的速度:
为了验证本发明的性能,按照本发明方法进行仿真实验的实施例及其实施情况是:
在本实验中,考虑一个由20个雷达节点组成的雷达传感器网络。传感器节点随机分布在一个平面区域中,传感器节点之间的通信距离为1。在这次模拟实验中,设置雷达的发射信号频率为30MHz。设置飞行目标相对于雷达传感器网络的速度分别为250m/s,500m/s和750m/s。设置雷达节点的采样频率为600Hz。
测速过程中,以雷达节点1和雷达节点13在第4时刻为例,雷达节点1的香农熵界I的最紧上界小于香农熵界П的最紧上界,所以选择使用香农熵界I的最紧上界的梯度计算雷达节点在第5时刻的多普勒频移参数中间估计向量;雷达节点13的香农熵界I的最紧上界大于香农熵界П的最紧上界,所以选择使用香农熵界П的最紧上界的梯度计算雷达节点在第5时刻的多普勒频移参数中间估计向量。
测量值与真实值之间的均方偏差(mean square deviation,MSD)是衡量测量结果的有效指标,在接下来的实验中,将使用均方偏差对测速方法进行性能评估。实验结果如图4所示,本发明的方法相比于基于最小均方误差的方法,均方偏差更小,均方偏差减小速度更快,也即意味着本发明的方法速度更快,精度更高。
图5是实施例对应的本发明的方法的测速结果图,从图中可以看出,本发明的方法的测速结果与设置速度几乎一致。
由此实施例可见,本发明能便捷地对某一范围内的多个运动目标进行在线测速,在容易产生野值的环境噪声的影响下也能保证测速精度,且处理速度快,用时短。
Claims (6)
1.一种基于分布式最小总体误差熵的运动目标测速方法,其特征在于包括以下几个步骤:
(1)构建雷达传感器网络探测运动目标,采集运动目标的反射信号,处理反射信号得到仅包含多普勒频移的待估计信号;
(2)构建分布式最小总体误差熵模型;
(3)采用基于分布式最小总体误差熵模型的雷达测速方法对运动目标进行测速;
所述步骤(2)中,分布式最小总体误差熵模型采用以下方式建立:
(2.1)每个雷达节点内部设有一个一阶陷波器系统,频率滤波器的输出端连接一阶陷波器系统,一阶陷波器系统由多个一阶陷波器以级联的方式组成,一阶陷波器的数量和运动目标的数量相同;使用部署在每个雷达节点内部的一阶陷波器系统处理步骤(1)得到的待估计信号,得到一阶陷波器系统的输出:
依据一阶陷波器的时域特性,得到在雷达节点k的第m个一阶陷波器在n时刻的输出为:
ok,m(n)=-βbmok,m(n-1)+ok,m-1(n)+bmok,m-1(n-1)
式中,β是控制一阶陷波器阻带带宽的参数;ok,m(n)是雷达节点k的第m个一阶陷波器在n时刻的输出,ok,m-1(n-1)是雷达节点k的第m-1个一阶陷波器在n-1时刻的输出,也即为第m个一阶陷波器在n-1时刻的输入,bm表示第m个一阶陷波器的多普勒频移参数,ej(·)是复指数函数,j表示虚部单位,Δwm是第m个运动目标对应的多普勒频移;fs是雷达节点接收运动目标的反射信号的采样频率;
(2.2)使用香农熵界估计器估计雷达节点的总体误差熵,并根据总体误差熵建立雷达节点的局部目标函数,具体为:
(2.2.1)针对每个雷达节点,根据对多普勒频移参数bm在n时刻的估计值使用下式计算出n时刻的总体误差:
bk(n)=[bk,1(n),bk,2(n),...,bk,M(n)]T
式中,bk,m(n)是雷达节点k在n时刻对多普勒频移参数bm,m=1,2,...M的估计值;||bk(n)||2为bk(n)的二范数;bk(n)表示雷达节点k在n时刻的各个对多普勒频移参数的估计值构成的多普勒频移参数估计向量;ok(n)是雷达节点k在n时刻的一阶陷波器系统的输出,ok(n)=ok,M(n),表示雷达节点k在n时刻的总体误差;
式中,u、v和r分别表示第一、第二、第三实值变量;表示总体误差的实部,表示总体误差的虚部;是总体误差实部的方差,是总体误差虚部的方差,ρ是总体误差实部与虚部的协方差;σR是总体误差实部的标准差;Δ1表示第一中间实值变量,Δ2表示第二中间实值变量;
式中,是雷达节点k在n时刻的总体误差在排列序数i1,i2下的香农熵界;I[I]表示香农熵界I的最大排列个数,i1,i2是香农熵界I的测量函数与负熵函数的排列序数;表示第i1个香农熵界I的负熵函数表示第i2个香农熵界I的负熵函数;E[·]是求期望函数;表示第i1个香农熵界I的测量函数,表示第i2个香农熵界I的测量函数,均通过以下方式获得,其中x=u或x=v;
若为第1个香农熵界I的测量函数,则G[I](x)表达式为x4;
式中,是雷达节点k在n时刻的总体误差在序数i下的香农熵界;I[П]表示香农熵界П的最大排列个数,i是香农熵界П的测量函数与负熵函数的序数;Yi [П]{·}表示第i个香农熵界П的负熵函数;E[·]是求期望函数;G[П](x)表示第i个香农熵界II的测量函数,通过以下方式获得,其中x=r;
若为第1个香农熵界П的测量函数,则G[П](x)表达式为x4;
(2.2.5)针对每个雷达节点,比较步骤(2.2.3)得到的香农熵界I的最紧上界和步骤(2.2.4)得到的香农熵界П的最紧上界,选择其中最小的作为总体误差熵的估计值;
具体建立以下公式表示的雷达节点的局部目标函数作为分布式最小总体误差熵模型:
2.根据权利要求1所述的一种基于分布式最小总体误差熵的运动目标测速方法,其特征在于:所述步骤(1)中,雷达传感器网络是由部署在地面的多个多普勒雷达组成,各雷达间地位平等,任意两个雷达间的距离若小于预设距离阈值,则该两个雷达间通过无线/有线方式互相连接并进行通信;以雷达作为节点组件,以两个雷达间的通信关系作为节点的连接,组建雷达传感器网络;处于雷达传感器网络中心的一个雷达节点向空中发射频率固定的连续窄带信号,发射的连续窄带信号遇到运动目标反射后被雷达传感器网络的雷达节点接收,每个雷达节点采集各自监测范围内的运动目标的反射信号;
在每个雷达节点,接收到的运动目标的反射信号经过频率滤波器,采集到的反射信号被处理为仅包含多普勒频移的待估计信号,待估计信号表示为:
3.根据权利要求2所述的一种基于分布式最小总体误差熵的运动目标测速方法,其特征在于:所述的雷达传感器网络是全连接的,即在雷达传感器网络中不存在孤立的不与其他任何雷达节点通信的雷达节点。
4.根据权利要求2所述的一种基于分布式最小总体误差熵的运动目标测速方法,其特征在于:所述的雷达传感器网络中的每个雷达节点的监测范围可以相互重叠,共同接收采集运动目标的反射信号。
5.根据权利要求1所述的一种基于分布式最小总体误差熵的运动目标测速方法,其特征在于:所述步骤(3)中,具体为:
(3.1)针对每个雷达节点,首先计算出雷达节点在n+1时刻的多普勒频移参数中间估计向量:
(3.1.1)当香农熵界I的最紧上界为总体误差熵的估计值时,具体采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量ψk(n+1):
式中,u表示第一实值变量,μ是学习步长;y[I]是香农熵界I的负熵函数的导数,表示第i1个香农熵界I的负熵函数的导数,表示第i2个香农熵界I的负熵函数;g[I]是香农熵界I的测量函数的导数,表示第i1个香农熵界I的测量函数的导数,表示第i2个香农熵界I的测量函数的导数;bk(n)*表示雷达节点k在n时刻的多普勒频移参数估计向量的共轭,上角标*为求共轭操作,是第一中间实值变量Δ1相对于bk(n)*的导数,是第一实值变量u相对于bk(n)*的导数,是第二实值变量v相对于bk(n)*的导数;
且上述公式还具有:
其中,表示雷达节点k在n时刻的各个一阶陷波器的组合信号构成的组合信号向量的共轭,是雷达节点k的第m个一阶陷波器在n时刻的组合信号,oR表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的实部;oI表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的虚部,ok(n)*表示雷达节点k在n时刻的一阶陷波器系统的输出ok(n)的共轭,均表示求导数操作;
(3.1.2)当香农熵界П的最紧上界为总体误差熵的估计值时,具体采用以下公式计算雷达节点k在n+1时刻的多普勒频移参数中间估计向量ψk(n+1):
式中,μ是学习步长;y[П]是香农熵界П的负熵函数的导数,表示第i个香农熵界П的负熵函数的导数;g[П]是香农熵界П的测量函数的导数,表示第i个香农熵界П的测量函数的导数,是第三实值变量r相对于bk(n)*的导数;
且上述公式还具有:
(3.2)然后,通过雷达节点k与邻居雷达节点进行多普勒频移参数向量bk(n)的信息交换,采用以下公式表示的扩散式融合方式计算获得每个雷达节点k在n+1时刻的多普勒频移参数估计向量bk(n+1):
式中,Nk是由雷达节点k以及自身所有邻居雷达节点构成的集合;clk表示雷达节点k接收邻居雷达节点l的信息加权系数,clk为非负标量;ψl(n+1)为雷达节点l在n+1时刻的多普勒频移参数中间估计向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400398.7A CN111025280B (zh) | 2019-12-30 | 2019-12-30 | 一种基于分布式最小总体误差熵的运动目标测速方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911400398.7A CN111025280B (zh) | 2019-12-30 | 2019-12-30 | 一种基于分布式最小总体误差熵的运动目标测速方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111025280A CN111025280A (zh) | 2020-04-17 |
CN111025280B true CN111025280B (zh) | 2021-10-01 |
Family
ID=70199821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911400398.7A Active CN111025280B (zh) | 2019-12-30 | 2019-12-30 | 一种基于分布式最小总体误差熵的运动目标测速方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111025280B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671475B (zh) * | 2021-06-29 | 2022-06-14 | 哈尔滨工程大学 | 一种基于时延信息的水下机动平台高精度测速方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6512538B1 (en) * | 1997-10-22 | 2003-01-28 | British Telecommunications Public Limited Company | Signal processing |
JP2011077699A (ja) * | 2009-09-29 | 2011-04-14 | Oki Electric Industry Co Ltd | 動画像符号化装置及びプログラム、並びに、動画像配信システム |
CN105306010A (zh) * | 2015-11-10 | 2016-02-03 | 西安交通大学 | 一种基于最小误差熵的凸组合自适应滤波器设计方法 |
CN106842240A (zh) * | 2017-03-17 | 2017-06-13 | 太原理工大学 | 基于最小误差熵和ε等级差分进化的多径估计器 |
CN107843892A (zh) * | 2017-10-31 | 2018-03-27 | 西安电子科技大学 | 一种基于最小二乘法的高速目标多普勒测速方法 |
CN107977651A (zh) * | 2017-12-21 | 2018-05-01 | 西安交通大学 | 基于量化最小误差熵的共用空间模式空域特征提取方法 |
CN108490115A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 一种基于分布式在线主成分分析的空气质量异常检测方法 |
CN109767779A (zh) * | 2018-11-17 | 2019-05-17 | 沈阳工业大学 | 基于最小误差熵的成比例仿射投影方法 |
CN110118979A (zh) * | 2018-11-26 | 2019-08-13 | 太原理工大学 | 基于广义互熵的改进差分进化算法估计多径参数的方法 |
CN110146901A (zh) * | 2018-11-26 | 2019-08-20 | 太原理工大学 | 基于径向基神经网络和无迹卡尔曼滤波多径估计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7505897B2 (en) * | 2005-01-27 | 2009-03-17 | Microsoft Corporation | Generalized Lempel-Ziv compression for multimedia signals |
EP2019383A1 (en) * | 2007-07-25 | 2009-01-28 | Dybuster AG | Device and method for computer-assisted learning |
EP2967482A2 (en) * | 2013-03-15 | 2016-01-20 | Andreas Jörg Schriefl | Automated diagnosis-assisting medical devices utilizing rate/frequency estimation and pattern localization of quasi-periodic signals |
CN106612430A (zh) * | 2016-02-04 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于香农熵和差分进化的多级阈值图像压缩方法 |
CN108959188A (zh) * | 2018-05-03 | 2018-12-07 | 西安交通大学 | 基于量化最小误差熵准则的格兰杰因果判辨方法 |
CN109447272A (zh) * | 2018-09-29 | 2019-03-08 | 西安交通大学 | 一种基于最大中心互相关熵准则的极限学习机方法 |
CN110146886A (zh) * | 2019-05-29 | 2019-08-20 | 西安电子科技大学 | 非均匀旋转目标运动参数的快速估计方法 |
-
2019
- 2019-12-30 CN CN201911400398.7A patent/CN111025280B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6512538B1 (en) * | 1997-10-22 | 2003-01-28 | British Telecommunications Public Limited Company | Signal processing |
JP2011077699A (ja) * | 2009-09-29 | 2011-04-14 | Oki Electric Industry Co Ltd | 動画像符号化装置及びプログラム、並びに、動画像配信システム |
CN105306010A (zh) * | 2015-11-10 | 2016-02-03 | 西安交通大学 | 一种基于最小误差熵的凸组合自适应滤波器设计方法 |
CN106842240A (zh) * | 2017-03-17 | 2017-06-13 | 太原理工大学 | 基于最小误差熵和ε等级差分进化的多径估计器 |
CN107843892A (zh) * | 2017-10-31 | 2018-03-27 | 西安电子科技大学 | 一种基于最小二乘法的高速目标多普勒测速方法 |
CN107977651A (zh) * | 2017-12-21 | 2018-05-01 | 西安交通大学 | 基于量化最小误差熵的共用空间模式空域特征提取方法 |
CN108490115A (zh) * | 2018-02-08 | 2018-09-04 | 浙江大学 | 一种基于分布式在线主成分分析的空气质量异常检测方法 |
CN109767779A (zh) * | 2018-11-17 | 2019-05-17 | 沈阳工业大学 | 基于最小误差熵的成比例仿射投影方法 |
CN110118979A (zh) * | 2018-11-26 | 2019-08-13 | 太原理工大学 | 基于广义互熵的改进差分进化算法估计多径参数的方法 |
CN110146901A (zh) * | 2018-11-26 | 2019-08-20 | 太原理工大学 | 基于径向基神经网络和无迹卡尔曼滤波多径估计方法 |
Non-Patent Citations (4)
Title |
---|
Diffusion widely linear adaptive estimation of system frequency in distributed power grids;S. Kanna, S. P. Talebi and D. P. Mandic;《2014 IEEE International Energy Conference (ENERGYCON), 2014》;20140710;772-778 * |
Distributed Frequency Estimation Over Sensor Network;Li and H. Wang;《IEEE Sensors Journal》;20150731;3973-3983 * |
Minimum Total Error Entropy Method for Parameter Estimation;P. Shen and C. Li;《IEEE Transactions on Signal Processing》;20150801;4079-4090 * |
非高斯随机分布控制系统性能评估;张金芳;《Proceedings of the 38th Chinese Control Conference》;20190730;1432-1436 * |
Also Published As
Publication number | Publication date |
---|---|
CN111025280A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
US5686919A (en) | Process for generating wind profiler data free of fixed ground clutter contamination | |
CN107167781B (zh) | 海杂波幅度对数正态分布参数的分位点估计方法 | |
CN101509972B (zh) | 基于高分辨目标距离像修正相关矩阵的宽带雷达检测方法 | |
CN105445701B (zh) | Ddma‑mimo雷达目标的单脉冲角度估计方法 | |
CN108333569A (zh) | 一种基于phd滤波的异步多传感器融合多目标跟踪方法 | |
CN109324315B (zh) | 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法 | |
KR101628154B1 (ko) | 수신 신호 세기를 이용한 다중 표적 추적 방법 | |
CN106291487A (zh) | 一种基于agc电压和回波数据的雷达接收功率和rcs估计方法 | |
CN106707258A (zh) | 一种非高斯背景下微动目标多参数估计方法 | |
CN110389327A (zh) | 接收站位置误差下多站多外辐射源雷达双基距定位方法 | |
CN107202989A (zh) | 一种适用于被动拖曳线列阵声呐的复杂弱目标检测和跟踪方法 | |
CN111025280B (zh) | 一种基于分布式最小总体误差熵的运动目标测速方法 | |
CN110716203B (zh) | 一种被动声纳目标的时频分析与跟踪方法 | |
CN109541579A (zh) | 基于Bezier模型的霍夫变换的多普勒穿墙雷达定位方法 | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN113311398A (zh) | 强杂波复杂背景高机动弱小目标的跟踪方法 | |
CN109581350B (zh) | 基于时频积分插值的雷达测距测速方法及装置 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN108508413B (zh) | 一种基于概率统计的低信噪比条件下目标检测方法 | |
CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
CN111983579B (zh) | 一种参差脉冲重复时间消除雷达速度模糊的方法 | |
CN108445460A (zh) | 检测adas汽车雷达测速精度的测量系统及测量方法 | |
JP2002303645A (ja) | 周波数計測装置、周波数計測方法およびレーダ装置 | |
CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 |
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 |