CN111352087B - 基于dbscan的被动mimo雷达多目标定位方法 - Google Patents

Abstract

本发明属于电子对抗技术领域，具体涉及一种基于DBSCAN的利用时延测量值进行被动MIMO多目标定位方法。本发明的方法主要是采用多目标数据关联算法，利用多个接收站所测量到的时延信息并转换为距离和进行关联得到代价矩阵C(k,j)。首先进行数据预处理，将代价矩阵中大于阈值的数据剔除，再利用DBSCAN聚类算法进行簇的划分，最后对不同的簇进行加权融合从而得到多个目标的位置估计。本发明的有益效果为，本发明可以准确对MIMO多目标数据完成关联，并最终准确估计出目标的位置，方法简单，效果良好。

Description

基于DBSCAN的被动MIMO雷达多目标定位方法

技术领域

本发明属于电子对抗技术领域，是一种基于DBSCAN的被动MIMO雷达多目标定位方法。

背景技术

多输入多输出(Multiple Input Multiple Output,MIMO)雷达是基于MIMO通信技术的基础提出来的，自提出起就引起了非常广泛的研究和应用。MIMO雷达可以根据雷达阵元的分布情况分为两类。一类是研究比较成熟的集中式MIMO雷达，该雷达比较接近于传统的相控雷达；还有一类是收发阵元之间采取大间隔布置的统计MIMO雷达，能够利用空间分集对抗目标雷达散射截面的闪烁。而被动雷达系统由于只存在接收机，自身不发射信号，而是靠外部的辐射源进行目标探测因此隐蔽性非常强。通过将MIMO雷达理论应用到被动雷达技术中，能够综合两者的优势，发挥更好的检测性能。对于单目标下的目标定位，MIMO雷达已经能够达到很好的定位效果，而且目前各种优异的单目标定位算法层出不穷。但对于多目标而言，由于被动MIMO雷达需要对不同观测通道中估计出的目标参数进行配对才能完成多个目标的定位。因此这也增加了MIMO多目标定位的难度，是目前对于MIMO雷达的一个重点研究方向。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是于1996年提出的一种具有代表性的基于密度的空间数据聚类方法。该算法将具有足够密度区域作为距离中心，不断生长该区域。它利用基于密度的聚类的概念，即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。该方法能在具有噪声的空间数据库中发现任意形状的簇，可将密度足够大的相邻区域连接，对于处理距离相聚较近的不规则形状的簇具有很大优势。将DBSCAN聚类方法运用到被动MIMO多目标定位的技术中，能够实现将两个距离相近的目标所形成的簇很好的区分开，从而得到最终的融合定位结果，对于多目标定位具有非常大的研究意义。

发明内容

针对上述问题，本发明提出了一种基于DBSCAN的利用时延测量值进行被动MIMO多目标定位方法。

本发明采用的技术方案是：

针对被动MIMO雷达系统检测到的多个目标的时延测量值，假设有M个发射站，N个接收站，则其中每个目标一共有MN组时延测量值。利用在侦察区域内进行网格搜索的方法，定义每个网格点关于所有时延测量值的最小误差代价函数，再将得到的代价矩阵中大于阈值的数据剔除，利用DBSCAN进行剩余数据聚类，得到最终的多目标定位结果。

基于DBSCAN的被动MIMO雷达多目标定位方法，包括以下步骤：

S1、通过被动MIMO雷达检测多个目标的时延测量值：设定发射站、目标以及接收站都位于XY平面上，发射站的个数为M个，接收站的个数为N个，发射站的位置坐标为(x_m,y_m),m＝1,2,...,M，接收站的位置坐标为(x_n,y_n),n＝1,2,...,N，目标的位置为(x_q,y_q),q＝1,2,...,Q，其中Q表示目标的个数；则所有接收站所测量到的信号通过信号检测以及参数估计得到的多个目标来自多个发射站的带有误差的时延测量值矩阵为

其中MN×Q表示MN行Q列的矩阵。

S2、将时延测量值通过光速转换为目标到发射站以及目标到接收站的距离和：

其中d_m,q,n表示第q个目标到第m个发射站以及第q个目标到第n个接收站的距离之和；

表示信号经过第m个发射站到目标q后，再由目标q散射得到的回波信号由第n个接收站接收的时延；c表示光速；因此对于所有目标的所有距离和测量值组成的矩阵为D^{MN ×Q}。

S3、把发射站、目标以及接收站所在的平面划分为K×J的网格，网格点的坐标表示为(x_k,y_j),k＝1,2,...K,j＝1,2,...J，遍历网格平面中每个网格点，分别计算每个网格点从M个发射站到N个接收站的所有距离和信息表示为：d_k,j ^MN×1。

S4、定义I^M×N是元素为全为1的矩阵，计算网格点(x_k,y_j)到d_k,j ^MN×1与所有测量值之间的误差向量，将其定义为：

上式是将坐标点(x_k,y_j)处的距离和向量d_k,j ^MN×1所扩展的矩阵与测量值之间的差值按行取矩阵所有列中最小值组成该坐标点的误差向量

S5、计算每一个网格点(x_k,y_j)处的位置信息代价函数，将其定义为：

从而得到基于距离和的代价矩阵C，设定阈值δ并将代价矩阵C中大于δ的数据剔除，由剩余的数据组成新的数据集D＝{(x₁,y₁),(x₂,y₂),...,(x_L,y_L)}，其中L表示剩余数据集的个数；

S6、采用DBSCAN算法进行聚类，具体为：

输入：设定输入样本集为数据集D，邻域参数(∈,MinPts)，其中∈表示以给定点P为中心的圆形邻域的范围即邻域距离阈值，MinPts表示以点P为中心的邻域内最少点的数量，样本距离度量方式为欧氏距离。

S61、初始化核心对象集合

初始化聚类簇数S＝0，初始化未访问样本集合Γ＝D,簇划分

S62、对于l＝1,2,...,L,按下面的步骤找出所有的核心对象：

a)通过距离度量方式，找到样本(x_l,y_l)的∈-邻域子样本集N_∈；

b)如果子样本集样本个数满足|N_∈|≥MinPts，将样本(x_l,y_l)加入核心对象样本集合：

Ω＝Ω∪{(x_l,y_l)}；

S63、如果核心对象集合

则算法结束，否则进入步骤S64；

S64、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o},初始化类别序号S＝S+1，初始化当前簇样本集合G_cur＝{o},更新未访问样本集合Γ＝Γ-{o}；

S65、如果当前簇核心对象队列

则当前簇样本集合G_cur生成完毕,更新簇划分G＝{G₁,G₂,...,G_s},更新核心对象集合Ω＝Ω-G_s，进入步骤S63，否则更新核心对象集合Ω＝Ω-G_s。

S66、在当前簇核心对象队列Ω_cur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令Δ＝N_∈(o′)∩Γ，更新当前簇样本集合G_cur＝G_cur∪Δ,更新未访问样本集合Γ＝Γ-Δ,更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，进入步骤S65；

输出：簇划分G＝{G₁,G₂,...,G_S}。

S7、在得到针对不同目标的簇G＝{G₁,G₂,...,G_S}，分别对每个簇中的对象进行加权融合得到最终的目标位置估计集合{(x₁,y₁),(x₂,y₂),...,(x_S,y_S)}。

本发明的有益效果为可以准确对多目标数据进行关联，并且最终准确估计出目标的位置，方法简单，效果良好。

附图说明

图1为被动MIMO多目标定位模型图；

图2为被动MIMO多目标定位算法流程图；

图3为仿真场景目标位置分布图；

图4为基于距离和的多目标定位伪谱峰图；

图5为基于DBSCAN的密度聚类效果图；

图6为多目标定位结果对比图。

具体实施方式

下面结合实施例对本发明进行详细的描述：

本例利用Matlab对上述基于DBSCAN的利用时延测量值进行被动MIMO多目标定位方法进行验证，为简化起见，对算法模型作如下假设：

1.发射站、接收站和目标都在XY平面内；

2.所有的工程误差都叠加到距离误差中；

3.假设目标静止或运动速度极低。

假设目标区域为100km×100km的方形区域，进行500次Monte Carlo仿真，4个目标的坐标分别为(50.1,10)、(70.4,55)、(70.4,56)和(30.1,60)，单位为km。其中目标2和目标3相距只有1km。发射站和接收站均匀分布于圆心在(50，10)，半径为10的圆周上，单位为km，具体的分布情况如图3所示。所有接收站的时延估计误差服从均值为零的高斯分布，且所有接收站的时延误差之间相互独立。500次Monte Carlo仿真后得出被动MIMO多目标关联定位结果。

MIMO多目标定位效果：

为了验证DBSCAN聚类算法在MIMO多目标定位上的有效分辨性能，将其中两个目标设置在相聚1km的位置上。如图4所示为通过网格搜索后得到的多目标伪谱峰图，可以看出即使两个目标相距较近，仍然能够看到4个目标的谱峰大概位置。为了能够准确找到目标的定位结果，在进行粗关联也就是将代价函数根据阈值剔除大部分虚假位置后，得到如图5所示的待定目标点。由图可知该数据集的分布呈现出线形形状，如果使用一些基于圆形或者球状的聚类方法将很难把两个距离较近的目标区分开。而基于密度的DBSCAN聚类算法在针对不规则形状的簇分类情况下表现良好，不仅能够准确地分辨出目标的个数，同时还能达到良好的分辨率。

通过聚类能够得到针对不同目标的簇的集合，再次利用数据加权融合，能够得到最终的多目标位置估计。在图6中可以看到真实目标位置与估计目标位置的对比，发现真实目标与估计目标几乎处于同一位置上，说明最终融合定位结果的准确性，也证实了本发明所提的基于DBSCAN聚类的多目标定位方法的有效性。

Claims (1)

1.基于DBSCAN的被动MIMO雷达多目标定位方法，其特征在于，包括以下步骤：

S1、通过被动MIMO雷达检测多个目标的时延测量值：设定发射站、目标以及接收站都位于XY平面上，发射站的个数为M个，接收站的个数为N个，发射站的位置坐标为(x_m,y_m),m＝1,2,...,M，接收站的位置坐标为(x_n,y_n),n＝1,2,...,N，目标的位置为(x_q,y_q),q＝1,2,...,Q，其中Q表示目标的个数；则所有接收站所测量到的信号通过信号检测以及参数估计得到的多个目标来自多个发射站的带有误差的时延测量值矩阵为

其中MN×Q表示MN行Q列的矩阵；

S2、将时延测量值通过光速转换为目标到发射站以及目标到接收站的距离和：

其中d_m,q,n表示第q个目标到第m个发射站以及第q个目标到第n个接收站的距离之和；

表示信号经过第m个发射站到目标q后，再由目标q散射得到的回波信号由第n个接收站接收的时延；c表示光速；因此对于所有目标的所有距离和测量值组成的矩阵为D^MN×Q；

S3、把发射站、目标以及接收站所在的平面划分为K×J的网格，网格点的坐标表示为(xk,yj),k＝1,2,...K,j＝1,2,...J，遍历网格平面中每个网格点，分别计算每个网格点从M个发射站到N个接收站的所有距离和信息表示为：d_k,j ^MN×1；

S4、定义I^M×N是元素为全为1的矩阵，计算网格点(x_k,y_j)到d_k,j ^MN×1与所有测量值之间的误差向量，将其定义为：

上式是将坐标点(x_k,y_j)处的距离和向量d_k,j ^MN×1所扩展的矩阵与测量值之间的差值按行取矩阵所有列中最小值组成该坐标点的误差向量

S5、计算每一个网格点(x_k,y_j)处的位置信息代价函数，将其定义为：

从而得到基于距离和的代价矩阵C，设定阈值δ并将代价矩阵C中大于δ的数据剔除，由剩余的数据组成新的数据集D＝{(x₁,y₁),(x₂,y₂),...,(x_L,y_L)}，其中L表示剩余数据集的个数；

S6、采用DBSCAN算法进行聚类，具体为：

输入：设定输入样本集为数据集D，邻域参数(∈,MinPts)，其中∈表示以给定点P为中心的圆形邻域的范围即邻域距离阈值，MinPts表示以点P为中心的邻域内最少点的数量，样本距离度量方式为欧氏距离；

S61、初始化核心对象集合

初始化聚类簇数S＝0，初始化未访问样本集合Γ＝D,簇划分

S62、对于l＝1,2,...,L,按下面的步骤找出所有的核心对象：

a)通过距离度量方式，找到样本(x_l,y_l)的∈-邻域子样本集N_∈；

b)如果子样本集样本个数满足|N_∈|≥MinPts，将样本(x_l,y_l)加入核心对象样本集合：

Ω＝Ω∪{(x_l,y_l)}；

S63、如果核心对象集合

则算法结束，否则进入步骤S64；

S64、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o},更新聚类簇数S＝S+1，初始化当前簇样本集合G_cur＝{o},更新未访问样本集合Γ＝Γ-{o}；

S65、如果当前簇核心对象队列

则当前簇样本集合G_cur生成完毕,更新簇划分G＝{G₁,G₂,...,G_s},更新核心对象集合Ω＝Ω-G_s，进入步骤S63，否则更新核心对象集合Ω＝Ω-G_s；

S66、在当前簇核心对象队列Ω_cur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令Δ＝N_∈(o′)∩Γ，更新当前簇样本集合G_cur＝G_cur∪Δ,更新未访问样本集合Γ＝Γ-Δ,更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，进入步骤S65；

输出：簇划分G＝{G₁,G₂,...,G_S}；

S7、在得到针对不同目标的簇G＝{G₁,G₂,...,G_S}，分别对每个簇中的对象进行加权融合得到最终的目标位置估计集合{(x₁,y₁),(x₂,y₂),...,(x_S,y_S)}。

Images