CN111239724A - 一种基于雷达传感网络的目标识别方法 - Google Patents

Abstract

本发明公开了一种基于雷达传感网络的目标识别方法，包括：部署雷达传感网络，所述雷达传感网络的雷达之间能够相互通信；所述雷达传感网络中的雷达工作，并获取各雷达在识别方向接收到的无线电回波；所述雷达传感网络之间进行无线电回波数据的柔性融合；根据数据融合结果，判断目标是否存在。本发明方法提供了一种柔性组织的数据融合方法，雷达之间的数据融合过程可以是集中式的、分布式的、或者两者混合的。使用对偶分解将中心化的图割算法进一步扩展，使其适用于分簇和分布式的网络结构中，适合不同类型雷达之间的数据融合，且能够根据实际需求减少每个处理单元的运算的负载，具有较好的适用性。

Description

一种基于雷达传感网络的目标识别方法

技术领域

本发明属于数据处理与目标识别领域，具体涉及一种基于雷达传感网络的目标识别方法。

背景技术

采用雷达、声呐雷达等感应器通过感应相关信号来对目标的有无进行识别是一种常见的应用场景。然而由于噪声或者雷达故障，因为在很多场景下，单个雷达提供的数据很难满足环境感知的需求。多雷达数据融合通过将相关联雷达的数据进行特定的联合处理，来增强环境感知的精度和效率。

对于目标有无的识别实际上是二元判决场景下的数据融合问题，即雷达i感知到数据y_i，并希望通过感知数据来判决环境状态x_i∈{0,1}。对空搜索雷达环境中，y_i表示雷达接收的无线电回波信号，x_i表示是否探测到飞行器，而二元分类的问题就是利用y_i来推断x_i。

然而，现实应用中，存在三个问题，第一、多雷达之间如何进行高效的数据融合，快速准确获得识别结果，第二、针对单一雷达计算资源有有限，如何进行一种柔性的数据融合，即进行分布式数据融合，第三、针对不同雷达所感知的参数并非完全相同，而只是存在一定相关性，只能使用某个关联函数来建模x_i和x_j，如何进行数据融合根据接收到的数据y_i和y_j以及关联函数来分别推断x_i和x_j。

发明内容

有鉴于此，本发明的目的在于提供一种基于雷达传感网络的目标识别方法，所述方法提供了一种雷达传感网络的柔性数据融合框架，使得本发明方法能够进行集中式的、分布式的、或者两者混合的雷达网络数据融合，从而实现对目标的快速高效识别。

基于上述目的，一种基于雷达传感网络的目标识别方法，包括以下步骤：

步骤1，部署雷达传感网络，所述雷达传感网络的雷达之间能够相互通信；

步骤2，所述雷达传感网络中的雷达工作，并获取各雷达在识别方向接收到的无线电回波；

步骤3，所述雷达传感网络之间进行无线电回波数据的柔性融合；

步骤4，根据数据融合结果，判断目标是否存在。

具体地，所述的步骤3中的数据的柔性融合包括以下步骤：

步骤301，将雷达传感网络进行分簇，并在每个簇中选出或者指定一个簇首；

步骤302，每个簇的传雷达将数据发送给各自簇首；

步骤303，簇首决策各自簇的雷达的感知状态，并且通过信息交互达成簇内共识；

步骤304，每个簇首将决策结果发送给应用端，完成数据融合。

具体地，步骤301中分簇包括以下步骤：

步骤30101，将雷达传感网络划分成L个子网络

其中υ_l表示子网络中的节点，ε_l表示子网络中的边，该划分方法需将雷达传感网络进行完全划分，即满足∪v_l＝v；

步骤30102，对子网络从1到L进行编号；

步骤30103，将第l个子网络与第m个子网络相连接的雷达定义为门户雷达v_lm；

步骤30104，第l个簇由第l个子网络和与之相关的门户雷达构成，即

步骤303中的达成簇内共识的步骤包括：

步骤30301，基于图割理论，使用第l个簇计算下式，

其中，κ(x_i，x_j)为第i个雷达和第j个雷达之间的关联度，随机变量x_i表示雷达i范围内是否存在目标，随机变量x_j表示雷达j范围内是否存在目标，κ(x_i，x_j)＝-β_ij(x_ix_j+(1-x_i)(1-x_j))，参数β_ij＞0，表示关联度的强度，v_l和ε_l分别表示第l个簇上的节点和边，

表示第i个相关的簇的集合，η_i(x_i)为待调整参数，得到雷达的状态x_l；

步骤30302，第l个簇首将共识结果发送给相邻的簇，并且同时接收相邻簇发送的状态{x_m}_m

步骤30303，基于对偶分解理论，第l个簇首根据接收到信息，使用

调整簇中雷达i所对应参数η_i(x_i)，其中

步骤30304，重复步骤30301、步骤30302和步骤30303，直到x_l和{x_m}_m满足以下约束条件x_l(v_lm)＝x_m(v_lm)，

其意义为第l个簇的决策状态x_l与任意相邻的簇的决策状态x_m在所对应的门户雷达v_lm都相同，即第l个簇与所有邻居簇都达成了共识。

本发明方法为一种柔性组织的数据融合方法，雷达之间的数据融合过程可以是集中式的、分布式的、或者两者混合的，L＝1时，即不对雷达传感网络进行分簇，实现集中式的数据融合，L＝N时，即将雷达传感网络中的每个雷达定义为一个簇，从而实现全分布式的数据融合，1＜L＜N时，则可以得到介于分布式和集中式之间的层次化数据融合算法。本发明方法使用对偶分解将中心化的图割算法进一步扩展，使其适用于分簇和分布式的网络结构中，适合不同类型雷达之间的数据融合，且能够根据实际需求减少每个处理单元的运算的负载。

附图说明

图1为本发明实施例的多雷达数据融合示例图；

图2为本发明实施例的雷达传感网络相关性建模示意图；

图3为本发明实施例的雷达网络协同感知示意图；

图4为本发明实施例的目标识别方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施列中，使用马尔科夫随机场(Markov random field)来建模雷达之间的关联关系，以实现对实际应用中的雷达传感网络有效描述；同时基于数学理论中的图割(graph-cut)和对偶分解(dual decomposition)来求解雷达的状态方法应用于雷达传感网络中的二元分类数据融合中，结合雷达传感网络分簇方法以实现灵活的数据融合实现。

以图1所示的场景来说明所考虑的场景。在某个区域中随机分布着由N个雷达所构成的网络来探测所感兴趣的目标(如飞机)。当目标与雷达的距离小于某一个门限距离，即感知范围，记为r，该目标可能被雷达探测到。但由于噪声和无线信道的随机性，探测结果存在不确定性，因此可以使用似然函数来描述感知数据与所感兴趣的目标的有无之间的关系。根据雷达参数和环境模型，我们可以构建似然函数f(y_i|x_i)，其中f(y_i|1)表示当感兴趣的目标存在第i个雷达的感知范围内时，探测数据为y_i的概率密度函数；而f(y_i|0)表示第i个雷达的感知范围内没有感兴趣目标时，探测数据为y_i的概率密度函数。因此，当只使用第i个雷达的感知数据进行目标判别时，可以通过比较f(y_i|1)和f(y_i|0)的大小来实现，即当f(y_i|1)＞f(y_i|0)时，则第i个雷达的感知范围内存在目标的可能性更大；反之亦然。为后后续算法计算的便利性，技术将f(y_i|x_i)转换到对数空间，定义η_i(x_i)为

η_i(x_i)＝-ln(f(y_i|x_i))， (1)

可以看出η_i(x_i)与f(y_i|x_i)一一对应，且负相关。

当网络中存在多个雷达时，通过融合相邻雷达的数据可以提高感知检测的可靠性。这是因为相邻的雷达的探测范围彼此交错，感知数据之间存在着相关性。基于以上考虑，本实施例使用马尔科夫随机场来建模雷达之间的相关性，为数据融合提供模型基础。

图2(a)展示了一个包含7个雷达的网络，临近的雷达之间存在数据传输通道，可以用来进行感知数据的交换。同时，相邻的雷达由于感知范围的交错，也存在着相关性，即若雷达i与雷达j相邻，则雷达i范围内是否存在目标(用随机变量x_i表示)与雷达j范围内是否存在目标(用随机变量x_j表示)彼此相关。将第i个雷达和第j个雷达之间的关联度描述函数构建为

κ(x_i,x_j)＝-β_ij(x_ix_j+(1-x_i)(1-x_j))， (2)

其中参数β_ij＞0，从(2)可以看出，κ(1,1)＝κ(0,0)＝β_ij＞0＝κ(1,0)＝κ(1,0)。因此，函数κ(x_i,x_j)很好地描述两个雷达之间关联关系，而β_ij表示关联度的强度，可以通过第i个雷达和第j个雷达的历史检测数据统计得出。基于马尔科夫随机场理论(如图2(b)所示)，整个雷达传感网络之间的状态的初始联合概率可以由建模为

其中

E表示雷达传感网络中所有相邻的边，C表示归一化因子。融合感知数据似然函数和状态的初始联合概率函数，后验雷达传感网络的后验概率函数可以建模为

其中

因此通过最大后验方法，选择

最大化(4)可以得到雷达传感网络状态的联合估计，即

等价地，(5)可以写成

(6)可以使用图割算法进行求解。

通过以上内容，可以完成中心化的数据融合。但是在实际应用中，由于处理能力的限制雷达难以进行大量的运算，或者感知数据难以汇聚到一个中心单元。因此本实施例使用对偶分解将中心化的图割算法进一步扩展，使其适用于分簇和分布式的网络结构中，从而减少每个处理单元的运算的负载。

对偶分解是一种求解大规模整数规划的方法，该方法通过将原问题分解成为(可能存在耦合的)若干子问题，通过求解子问题，并且使子问题的解满足彼此的耦合关系，进而通过子问题的解还原得到原问题的解。为了使用对偶分解方法，需要将雷达传感网络划分成若干个簇，每个簇中存在一个簇首(cluster head，CH)，负责对每个簇内进行信息收集和状态决策。其中，簇首可以是处理能力较强的雷达，也可以是额外的处理设备。

假设网络中存在L个簇，则可以将式(6)中目标函数

分解到L个簇中，即

其中，

为分解到第l个簇上的子目标函数

而v_l和ε_l分别表示第l个簇上的节点和边，

表示第i个相关的簇的集合。

因此，求解式(6)可以写成

其中，约束

表示彼此相邻的簇，对于耦合的雷达的状态的决策结果应该相同。

基于以上结果，可以使用对偶分解来设计协同感知算法，其核心在于并非严格求解式(8)，而是将问题分解，让每个簇在所定义的子图上使用图割算法来求解独自决策

如下

其中

为第i个雷达所处的簇的集合。如果决策结果中x_l所包含的雷达状态与相邻簇的决策结果{x_m}_m不满足(8)中的约束条件，则让相关簇按照某种规则来进行调整参数η_i(x_i)

其中

并重新计算(9)直至结果能够满足(8)中的约束条件，如图3所示。而此时，各个簇所决策的频谱状态则满足了全局最优的结果，从而完成数据融合过程。

由此，基于马尔科夫随机场进行关联建模，通过图割算法和对偶分解算法完成感知决策的数据融合方法。由于该方法没有限制各个簇中的簇的大小，因此该方法可以适用集中式、分布式和分簇网络结构中。特别地，当网络中只有一个簇时，算法实际上退化为集中式的数据融合方法；当网络中有N个簇时(即每个簇只有一个雷达)，算法则运行在全分布式的网络架构中；而当网络中有L(1＜L＜N)个簇时，可以根据需要和雷达的运算能力，通过灵活设置每个簇的大小，实现柔性组织的数据信息交互和决策计算负载分配。

基于以上技术的理论部分，由此，如图4所示，一种基于雷达传感网络的目标识别方法，包括以下步骤：

步骤1，部署雷达传感网络，所述雷达传感网络的雷达之间能够相互通信；

步骤2，所述雷达传感网络中的雷达工作，并获取各雷达在识别方向接收到的无线电回波：

步骤3，所述雷达传感网络之间进行无线电回波数据的柔性融合；

步骤4，根据数据融合结果，判断目标是否存在。

具体地，所述的步骤3中的数据的柔性融合包括以下步骤：

步骤301，将雷达传感网络进行分簇，并在每个簇中选出或者指定一个簇首；

步骤302，每个簇的传雷达将数据发送给各自簇首；

步骤303，簇首决策各自簇的雷达的感知状态，并且通过信息交互达成簇内共识；

步骤304，每个簇首将决策结果发送给应用端，完成数据融合。

具体地，步骤301中分簇包括以下步骤：

步骤30101，将雷达传感网络划分成L个子网络

其中υ_l表示子网络中的节点，ε_l表示子网络中的边，该划分方法需将雷达传感网络进行完全划分，即满足∪v_l＝υ；

步骤30102，对子网络从1到L进行编号；

步骤30103，将第l个子网络与第m个子网络相连接的雷达定义为门户雷达υ_lm；

步骤30104，第l个簇由第l个子网络和与之相关的门户雷达构成，即

步骤303中的达成簇内共识的步骤包括：

步骤30301，基于图割理论，使用第l个簇计算下式，

其中，κ(x_i,x_j)为第i个雷达和第j个雷达之间的关联度，随机变量x_i表示雷达i范围内是否存在目标，随机变量x_j表示雷达j范围内是否存在目标，κ(x_i,x_j)＝-β_ij(x_ix_j+(1-x_i)(1-x_j))，参数β_ij＞0，表示关联度的强度，υ_l和ε_l分别表示第l个簇上的节点和边，

表示第i个相关的簇的集合，η_i(x_i)为待调整参数，得到雷达的状态x_l；

步骤30302，第l个簇首将共识结果发送给相邻的簇，并且同时接收相邻簇发送的状态{x_m}_m

步骤30303，基于对偶分解理论，第l个簇首根据接收到信息，使用

调整簇中雷达i所对应参数η_i(x_i)，其中

步骤30304，重复步骤30301、步骤30302和步骤30303，直到x_l和{x_m}_m满足以下约束条件x_l(ν_lm)＝x_m(v_lm),

其意义为第l个簇的决策状态x_l与任意相邻的簇的决策状态x_m在所对应的门户雷达v_lm都相同，即第l个簇与所有邻居簇都达成了共识。

由发明内容和实施例可知，本发明方法的核心是一种柔性组织的数据融合方法，雷达之间的数据融合过程可以是集中式的、分布式的、或者两者混合的，L＝1时，即不对雷达传感网络进行分簇，实现集中式的数据融合，L＝N时，即将雷达传感网络中的每个雷达定义为一个簇，从而实现全分布式的数据融合，1＜L＜N时，则可以得到介于分布式和集中式之间的层次化数据融合算法。本发明方法使用对偶分解将中心化的图割算法进一步扩展，使其适用于分簇和分布式的网络结构中，适合不同类型雷达之间的数据融合，且能够根据实际需求减少每个处理单元的运算的负载。

Claims (4)

1.一种基于雷达传感网络的目标识别方法，其特征在于，包括以下步骤：

步骤1，部署雷达传感网络，所述雷达传感网络的雷达之间能够相互通信；

步骤2，所述雷达传感网络中的雷达工作，并获取各雷达在识别方向接收到的无线电回波；

步骤3，所述雷达传感网络之间进行无线电回波数据的柔性融合；

步骤4，根据数据融合结果，判断目标是否存在。

2.根据权利要求1所述的目标识别方法，其特征在于，所述的步骤3中的数据的柔性融合，包括以下步骤：

步骤301，将雷达传感网络进行分簇，并在每个簇中选出或者指定一个簇首；

步骤302，每个簇的传雷达将数据发送给各自簇首；

步骤303，簇首决策各自簇的雷达的感知状态，并且通过信息交互达成簇内共识；

步骤304，每个簇首将决策结果发送给应用端，完成数据融合。

3.根据权利要求2所述的目标识别方法，其特征在于，步骤301中分簇包括以下步骤：

步骤30101，将雷达传感网络划分成L个子网络

其中

表示子网络中的节点，ε_l表示子网络中的边，该划分方法需将雷达传感网络进行完全划分，即满足

步骤30102，对子网络从1到L进行编号；

步骤30103，将第l个子网络与第m个子网络相连接的雷达定义为门户雷达

步骤30104，第l个簇由第l个子网络和与之相关的门户雷达构成，即

4.根据权利要求3所述的目标识别方法，其特征在于，步骤303中的达成簇内共识的步骤包括：

步骤30301，基于图割理论，使用第l个簇计算下式，

其中，κ(x_i,x_j)为第i个雷达和第j个雷达之间的关联度，随机变量x_i表示雷达i范围内是否存在目标，随机变量x_j表示雷达j范围内是否存在目标，κ(x_i,x_j)＝-β_ij(x_ix_j+(1-x_i)(1-x_j))，参数β_ij＞0，表示关联度的强度，

和ε_l分别表示第l个簇上的节点和边，

表示第i个相关的簇的集合，η_i(x_i)为待调整参数，得到雷达的状态x_l；

步骤30302，第l个簇首将决策结果x_l发送给相邻的簇，并且同时接收相邻簇发送的状态{x_m}_m；

步骤30303，基于对偶分解理论，第l个簇首根据接收到信息，使用

调整簇中雷达i所对应参数η_i(x_i)，其中

步骤30304，重复步骤30301、步骤30302和步骤30303，直到x_l和{x_m}_m满足以下约束条件

其意义为第l个簇的决策状态x_l与任意相邻的簇的决策状态x_m在所对应的门户雷达

都相同，即第l个簇与所有邻居簇都达成了共识。

Images