CN111175738B - 一种基于多模型隶属控制的相控阵雷达目标快速建航方法 - Google Patents

Abstract

本发明涉及一种基于多模型隶属控制的相控阵雷达目标快速建航方法，该方法包括：构建基于模糊逻辑框架的速度多模型算法，每个模型采用匀速直线运动模型，并采用标准卡尔曼滤波器进行滤波。利用模糊集和目标匀速直线运动模型估计值确定各卡尔曼滤波器的有效性。在选择合适模糊集重叠时，只需要对接近的速度估计模型子集进行预测下一时刻目标的位置，并对资源调度模块提出目标建航波束请求，该方法利用模糊逻辑的最优化方式平衡了建航估计准确率和调度资源消耗量。

Description

一种基于多模型隶属控制的相控阵雷达目标快速建航方法

技术领域

本发明涉及雷达技术领域中的雷达数据处理技术。

背景技术

相控阵雷达因其天线增益高、天线波束控制灵活，雷达多功能可自适应分配时间片来加以实现，可以同时多目标跟踪、多空域扫描等优点，相控阵雷达目标跟踪技术已经在军事、工业和民用中得到了广泛的应用。同时在目标跟踪技术中，波束指向灵活可控，可以通过一定的准则自适应确定雷达能量在多个目标跟踪上的分配，在目标出现可能性较大的的位置上，集中能量，提高目标发现速度，增加目标跟踪精度，同时保持其它目标稳定跟踪。

相控阵雷达从目标截获到跟踪的过程，对多个目标搜索同时跟踪的控制，都属于数据处理系统。目标回波信号经接收机和信号处理机处理，提取出方位、仰角、距离和速度等信息后，送数据处理系统进行处理，以完成信号相关判决、目标位置外推、滤波、数据内插、航迹相关和轨道测量等计算，对于弹道目标，还要计算目标的发点和落点坐标。目标丢失后，相控阵雷达的数据处理系统能够控制和实现对目标的重新照射、数据补点，能够根据需要改变某个目标的数据采样率。在数据处理系统控制下，相控阵雷达可以根据目标回波信号的大小实现自适应能量管理、改变信号波形、信号重复频率及雷达在目标方向上的驻留时间；根据目标位置和特征判定其威胁度，然后按威胁度大小改变对目标的跟踪状态；根据被跟踪的目标数目和不同的跟踪状态，可灵活地调整供搜索和跟踪用的信号能量分配程度。

相控阵雷达可以自适应控制对目标的采样数据率，在保证对已实现跟踪目标的稳定跟踪以及对重点空域进行搜索的前提下，最大限度的发挥雷达的效能，尽可能多地跟踪目标。文献《Benchmark for Radar Allocation and Tracking in ECM》(Blair,W.D.等，IEEE Transactions on Aerospace and Electronic Systems，34.4(1998):1097-1114)通过设置对目标预测协方差的门限来控制相控阵雷达的采样数据率。用预测误差协方差和量测误差协方差之比来表示期望的预测精度，通过设置期望精度，可以直接用公式得到需要的采样周期。在这些方法中，雷达的资源利用与目标的探测准确率和精度始终是一个矛盾体。

《基于目标威胁度计算的相控阵快速确认跟踪模式》(曹正林等著，南京航空航天大学学报2011年04期)，在TWS基本理论基础上，根据目标的威胁度不同，对远程高威胁度目标给出一种快速回扫确认的跟踪模式，既能较好发挥出相控阵优势，提高对低空、高速、远程、高危目标的跟踪性能，又不影响跟踪目标容量。但是对于目标起始过程，没有目标的先验信息，无法估计出目标本身的威胁度信息。因此怎样充分发挥相控阵波束捷变优势，提高目标起始的速度和准确度，是相控阵雷达的关键技术之一。

综上，相控阵由于可以灵活的控制雷达波束的时间和方向，可以利用短时间内调度雷达资源对对运动目标进行快速的建航，然而，在此过程中由于系统随机噪声及目标运动等原因，快速起始面临着起始准确率和雷达资源负荷的矛盾。

发明内容

本发明目的在于一种相控阵雷达的目标快速建航方法，快速建航时对目标的两次采样时间非常短，时间间隔大约在50-100ms之间，量测误差和系统差造成的对目标的速度估计的精度影响非常大，比如点迹误差30米，采用2秒的采样间隔速度误差为15米/秒，但是50ms采样间隔速度误差会达到600米/秒，因此采用传统建航方式的滤波模型会造成滤波发散，目标的预测点的位置偏差过大，造成目标失跟；本发明结合非线性状态估计的局部建模和模糊滤波的优点，利用多模型来估计目标初始速度，采用模糊逻辑进行模型调节策略，来提高每个卡尔曼滤波的局部有效性，模糊集作为速度估计值和条件值之间的相似性度量来确定多个模型的综合有效性，使用适当的模糊集重叠，仅需评估多个模型的几个子集，这些模型将以接近估计的速度为条件，得到下一时刻的目标速度和位置的估计，由此请求资源调度模块，对目标发射起始跟踪波束，该方法不需要对所有的多模型估计进行波束确认，由于所评估的模型数量仅由模糊重叠部分决定，因此可以在不显著增加相控阵雷达时间资源负荷的情况下添加更多的模型，从而始终可以实现对目标位置范围的有效覆盖。

附图说明

图1为基于模糊逻辑的相控阵雷达目标快速建航方法的流程图。

图2为基于模糊逻辑控制的建航方法的原理图。

具体实施方式

(1)多模型参数估计

建立目标初始运动模型，由于在短时间内对目标建航，采用匀速直线运动模型，同时叠加均值为0，方差为Q的随机噪声：

x(k+1)＝x(k)+v(k)T+w(k)

E(w(k))＝0

E(w(k)w^T(k))＝Q

其中，x表示目标运动状态，w是零均值的高斯噪声，v表示速度。建立对应不同速度目标的多个模型，各个速度模型的目标状态方程为：

x(k+1)＝x(k)+v_i(k)T+w(k),i＝1,2,...,N

对于N个模型的卡尔曼滤波估计，计算当前的目标状态的最优估计为

其中p(v(k)＝v_j|Y^k)为后验模型概率，表示每个模型的概率。后验模型概率也就表示多模型系统的后验模型权重，为了计算该权重采用模糊逻辑和局部建模的方法。

(2)航迹滤波

每个模型的权值即可作为多模型的后验概率计算多模型的滤波结果。其中每个卡尔曼滤波的过程，状态一步预测方程为：

新息计算：

状态更新方程为：

其中增益的计算如下：

K(k+1)＝P(k+1|k)H'(k+1)S^-1(k+1)

其中，P为状态估计协方差，H为测量矩阵，S为新息协方差。

(3)模糊控制

将该系统视为一个非线性局部系统，将速度空间划分为更小的域，每个域定义一个更简单的模型，只在每个域内有效，基于单个模型i的卡尔曼滤波估计最适用于实际的速度v(k)与相应模型条件的速度v比较接近的域。模糊逻辑系统在相同的局部模型框架下，将输入划分为不同域的模糊集，并对每个域定义一个模糊逻辑。这样就可以直观的看到，基于模型i的卡尔曼滤波估计的有效性，可以不适用概率方法，而是使用分布在v(k)范围内的模糊集来度量v(k)和模型的速度之间的相似性，并由隶属度函数来定义。当速度v(k)与模型速度之间相等时，隶属度函数等于1，当两者的差异增大时，隶属度函数的值越小，直到趋于0，这里采用高斯模糊集。

高斯模糊集由均值为c，方差为σ定义。隶属度函数的正规化形式为：

对于模糊集的向量输入，隶属度函数即为各个尺度的函数集。

每个模糊集的中心定义为每个模型的速度v_i，附图2图中描述了利用五种速度为条件的五个模型，{v₁,v₂,v₃,v₄,v₅}，高斯模糊集的隶属度函数在相邻的集的下降趋近于零，边界的模糊集是开口的，这样保证最少有一个模型可以适应所有速度。

只有最靠近目标估计的运动的模型可以得到大的模型权重，而离估计的运动较远的模型的权重将非常小，几乎对滤波估计没有影响。

如图2所示，尽管当某一估计速度靠近某一个模型的速度，其他模型的权值会恶化，随着差距的增大权重会越来越小，但是高斯模糊集决定了其他模糊集还是会有一定权值。

(4)波束请求

模型权重最终由多个隶属度函数估计得到：

将每个模型计算的得到的目标位置，结合该权重计算得到目标下一时刻的位置估计，并据此提出波束请求。

Claims (1)

1.一种基于多模型隶属控制的相控阵雷达目标快速建航方法，其特征在于：

a)多模型参数初始化：对雷达覆盖的目标速度划分为N个档，建立目标初始运动N个速度模型，运动模型采用匀速直线模型，叠加均值为0，方差为Q的随机噪声：

x(k+1)＝x(k)+v(k)T+w(k)；

E(w(k))＝0；

E(w(k)w^T(k))＝Q；

其中，x表示目标运动状态，w是零均值的高斯噪声，v表示速度，各个速度模型的目标状态方程为：

x(k+1)＝x(k)+v_i(k)T+w(k),i＝1,2,...,5；

对于N个速度模型的卡尔曼滤波估计，计算当前的目标状态的最优估计为：

其中p(v(k)＝v_j|Y^k)为后验模型概率，表示每个模型的概率；

b)航迹滤波：每个模型的权值即作为多模型的后验概率计算多模型的滤波结果，其中每个卡尔曼滤波的过程，状态一步预测方程为：

新息计算：

状态更新方程为：

其中增益的计算如下：

K(k+1)＝P(k+1|k)H'(k+1)S^-1(k+1)；

其中，P为状态估计协方差，H为测量矩阵，S为新息协方差；

c)模糊控制：对每一档的速度模型利用高斯模糊函数建立对应的高斯模糊隶属度函数：基于模型i的卡尔曼滤波估计的有效性，使用分布在v(k)范围内的模糊集，来度量v(k)和模型的速度之间的相似性，并由隶属度函数来定义，当速度v(k)与模型速度之间相等时，隶属度函数等于1，当两者的差异增大时，隶属度函数的值越小，直到趋于0，这里采用高斯模糊集，高斯模糊集由均值为c，方差为σ定义，隶属度函数的正规化形式为：

对于模糊集的向量输入，隶属度函数即为各个尺度的函数集；

d)目标位置预测：模型权重最终由多个隶属度函数估计得到：

将每个模型计算的得到的目标位置，结合该权重计算得到目标下一时刻的位置估计，并据此计算目标的预测位置。

Images