CN113359100A - 一种用于跟踪目标雷达辐射源的属性数据关联方法 - Google Patents

Abstract

本发明属于雷达信号处理技术领域，具体涉及一种用于跟踪目标雷达辐射源的属性数据关联方法。本发明首先建立关于属性特征固定雷达参数的关联门判别函数，之后结合蚁群算法的蚁周模型，调整被动多传感器系统中获取的测量数据向量，使其以最优顺序进行属性数据关联，并且在关联过程中，将未关联数据视为一个新的雷达辐射源目标，完对所有测量数据的处理，实现其与目标辐射源特征信息的关联。本发明的有益效果为充分利用了被动多传感器系统获取的丰富目标辐射源属性信息，通过蚁群算法得到了访问属性信息的最短回路，有效改善了属性信息与目标辐射源特征信息的关联性能。

Description

一种用于跟踪目标雷达辐射源的属性数据关联方法

技术领域

本发明属于雷达信号处理技术领域，具体涉及一种用于跟踪目标雷达辐射源的属性数据关联方法。

背景技术

在被动多传感器测量信息数据关联融合领域中，由于大多数情况下传感器时被动地接收目标辐射源的电磁信号，其测量数据往往是无序混杂的，同时，由于环境中电磁噪声的影响以及辐射源属性信息的多样性，使得传感器测量信息数据无法与目标辐射源实现映射关系，严重影响了复杂电磁环境下传感器系统针对目标雷达辐射源进行定位、跟踪和身份识别时的工作性能，所以在多目标场景下，首先解决测量数据和来源的映射问题，实现传感器系统与目标辐射源之间的数据关联就显得格外重要。

一般情况下，传感器和目标雷达辐射源数据关联，主要有两种方法：一种是将方位信息作为关联统计量，通过设定关联门限来进行数据关联；另一种是通过被动传感器对目标进行跟踪，利用目标的方位和速度信息进行数据关联。但是，对于被动多传感器系统，其仅能获取目标的方位而没有距离信息，若进行方位数据关联会产生大量虚假点，失去了准确性。同时，针对该系统能够获取丰富的目标辐射源属性信息，此前有提出了基于基本顺序算法方案的属性数据关联方法，但该方法存在对传感器测量数据参与运算顺序敏感以及测量数据归属先于最终聚类数确定前进行分配的问题，使得分类数目与目标雷达辐射源的真实数量存在较大分歧，数据利用率低，关联性能较差。

发明内容

本发明的目的，是针对上述问题，提供了一种基于蚁群算法的属性数据关联的方法，实现传感器系统与目标辐射源之间的数据关联，为后续系统能够实现对目标雷达辐射源的定位、跟踪和身份识别提供属性信息。

本发明采用的技术方案是：首先建立关于属性特征固定雷达参数的关联门判别函数，之后结合蚁群算法的蚁周模型，调整被动多传感器系统中获取的测量数据向量，使其以最优顺序进行属性数据关联，并且在关联过程中，将未关联数据视为一个新的雷达辐射源目标，完对所有测量数据的处理，实现其与目标辐射源特征信息的关联。

本发明进行属性数据关联的流程图如图1所示，为了简化分析过程和保证所构建的算法模型的合理性，本发明中进行属性数据关联的模型基于如下假设：(1)射频类型为固定频率，脉冲重复间隔为固定的雷达辐射源，脉冲类型一般为普通脉冲或连续脉冲，可以视为属性固定的雷达辐射源；(2)各被动传感器对所有属性的测量值是各属性真值的无偏估计，测量噪声满足高斯分布并且每个属性测量值的误差互不相关；(3)任意两个传感器间的测量误差互不想关。

本发明的技术方案为：

一种用于跟踪目标雷达辐射源的属性数据关联方法，设任意目标雷达辐射源的真实属性数据为M＝(m₁,m₂,…,m_a)^T，a为属性总数，任意被动传感器S_i对任意目标雷达辐射源的属性测量值为Z_i＝(z_i1,z_i2,…,z_ia)^T，i＝1,2,…,N，N为传感器数目，传感器S_i对第k个属性的测量标准差为σ_ik；其特征在于，数据关联方法包括：

S1、通过任意两个传感器S_i和S_j得到关于第j个目标雷达辐射源的测量数据z_ik和z_jk，定义：

其中

S2、根据ε_ijk得到测量数据向量间的邻近测度：

d_ij满足以下条件：

1)任意两个传感器测量数据向量之间的邻近测度有：d_ij＝d_ji；

2)如果一个传感器测量数据向量与自己本身的邻近测度为：d_ii＝d₀，那么当且仅当i＝j时，才存在d_ij＝d₀；

3)任意两个传感器测量数据向量之间的邻近测度不大于这两个传感器与另外任意一个传感器测量数据向量之间的邻近测度之和；

S3、基于蚁群算法调整传感器测量数据向量的顺序，具体为，设定蚂蚁数量为k，最大迭代次数为L，信息启发式因子为α，期望启发式因子为β，信息挥发因子为ρ，初始信息素为C；任取一个邻近测度作为初始解x₀，重复以下步骤L次：

S31、定义判断函数为：

其中，τ_ij(t)和τ_is(t)表示t时刻在顶点i转移到顶点j或顶点s时残留的信息素，η_ij(t)和η_is(t)为启发因子，p_ij表示蚂蚁从顶点i转移到顶点j的概率，J_k(i)表示一只蚂蚁要遍历的顶点集合，allowed为蚂蚁下一步可以选择的路径点；根据得到的所有测量数据向量间的邻近测度和初始解x₀，计算新的路径长度x_new，如果x_new<x₀，则接受x_new为新解，否则切换下一步选择路径点更新得到新的路径长度。

S32、在本次迭代中，在蚂蚁均完成移动后使得所有测量数据都按照路径长度排序成功后，更新所有边上的信息素：

h_ij(t+Δt)＝(1-ρ)·h_ij(t)+Δh_ij

其中，Δt为迭代耗费时间，h_ij表示信息素，Δh_ij表示信息素增量；

S33、当达到终止条件时，记录最优路径经过的点作为最优顺序，对传感器属性测量值进行重排序；

S4、建立关于目标雷达辐射源参数的关联判别门限，具体步骤为：

S41、设定各个雷达辐射源对应的聚类中心为X_c，c＝1,2,…,m，则构造得到测量值z_i和属性特征为X_c的关联判别函数如下为：

b为聚类X_c中向量的个数；

S42、令

假设对于同一雷达辐射源的测量数据，存在ε_ijk～N(0,1)，则T_ic～χ²(ab)，即服从自由度为ab的卡方分布；设定漏关联概率P_m＝α，则根据分布的上侧分位数可以设定关联门限τ为：

S5、利用基本顺序算法对已经排序后的传感器数据进行属性数据关联聚类，具体步骤为：

S51、令m＝1，设定此时的聚类中心X_m＝{x₁}，其中x₁为S3步骤重排序后得到的属性测量集合的第一个值。

S52、选择一个不属于任何类的x_i，找到X_k:d(x_i,X_k)＝min_1≤j≤md(x_i,X_j)；如果d(x_i,X_k)≤τ，X_k＝X_k∪{x_i}，及时更新聚类中心；否则，令m＝m+1，改变聚类中心X_n＝{x_i}；

S53、重复步骤S51和S52，遍历完所有数据后，得到属性数据关联结果。

本发明的有益效果为，本发明提供了一种基于蚁群算法的属性数据关联的方法，实现传感器系统与目标辐射源之间的数据关联，为后续系统能够实现对目标雷达辐射源的定位、跟踪和身份识别提供属性信息；本发明充分利用了被动多传感器系统获取的丰富目标辐射源属性信息，通过蚁群算法得到了访问属性信息的最短回路，有效改善了属性信息与目标辐射源特征信息的关联性能。

附图说明

图1为属性数据关联流程图；

图2为仿真实验一场景图；

图3为仿真实验二场景图；

图4为属性数据关联后平均聚类数与n的关系图；

图5为属性数据关联后综合评价指标F-Score与n的关系图。

具体实施方式

下面结合附图和matlab仿真，对本发明的技术方案进行进一步说明，对其效果进行仿真验证。

(一)本发明方法的目标关联性能

本发明通过兰德系数对算法的目标关联性能进行评估，兰德系数定义为：

其中，TP为同一目标辐射源属性数据被关联到一起的关联对数量；TN为不同目标辐射源的属性数据没有被关联到一起的关联对数量；FP为不同目标辐射源的属性数据被关联到一起的关联对数量；FN为同一目标辐射源的属性数据没有被关联到一起的关联对数量。

仿真实验一：仿真场景如图2所示：目标辐射源为10艘舰船上各自搭载的1部雷达设备，每部设备其开机概率为0.9。侦察平台有10个，每个平台上放置一个雷达侦察设备，其设备传感器获取信息并上报的周期为1s。每个传感器的测量误差相同，针对雷达属性的测量误差设置其标准差分别为：目标的天线扫描周期测量误差为σ_ASP＝1s，目标的射频测量误差为σ_RF＝1MHz，目标的脉冲重复间隔测量误差为σ_PRI＝1us，目标的脉冲宽度测量误差为σ_PW＝1us。设定每个侦察设备对目标雷达辐射源的检测概率为0.9。

设定目标辐射源为固定属性特征雷达，其射频类型固定，脉冲重复间隔也保持固定，脉冲类型包含普通脉冲和双脉脉冲。各属性参数设置如表1所示：

表1固定属性特征雷达属性参数设置

设定本发明方法的蚂蚁数量设为30，α＝1，β＝5，ρ＝0.5，漏关联概率为p_m＝0.1，蒙特卡洛仿真次数为200次。得到固定属性特征雷达数据关联结果如表2所示：

表2固定属性特征雷达数据关联结果

通过表2，可以看到本文提出的算法有着更接近实际的聚类数以及更接近1的RI，减少了关联错误，有效地提升了侦察平台被动多传感器系统与固定属性特征雷达辐射源目标的关联性能。

(二)本发明方法对两个相近属性参数目标辐射源的关联效果

本发明通过综合评价指标F-Score对算法的关联效果进行评估，综合评价指标F-Score定义为：

其中，P表示精确率，其表达式为

R为召回率，其表达式为

α为调整系数，一般取为1；

仿真实验二：仿真场景如图3所示，目标辐射源为2艘舰船上各自搭载的1部雷达设备，每部设备其开机概率为0.9。侦察平台有10个，每个平台上放置一个雷达侦察设备，其设备传感器获取信息并上报的周期为1s。每个传感器的测量误差相同，针对雷达属性的测量误差设置其标准差分别为：目标的天线扫描周期测量误差为1s，目标的射频测量误差为1MHz，目标的脉冲重复间隔测量误差为1us，目标的脉冲宽度测量误差为1us。设定每个侦察设备对目标雷达辐射源的检测概率为1。

设定两个目标辐射源均为固定属性特征雷达，其射频类型固定，脉冲重复间隔也保持固定，脉冲类型包含普通脉冲和双脉脉冲。两个目标辐射源各属性参数设置相同，但在射频上相差nσ_RF，如表3所示：

表3两个固定属性特征雷达属性参数设置

属性	天线扫描周期(s)	射频(MHz)	脉冲重复间隔(us)	脉冲宽度(us)
					雷达1	10	1500	1000	10
雷达2	10	1500+nσ<sub>RF</sub>	1000	10

设定本发明方法的蚂蚁数量设为30，α＝1，β＝5，ρ＝0.5，漏关联概率为p_m＝0.1。对于不同的n值，进行蒙特卡洛仿真实验，仿真次数为100次。得到平均聚类数和综合评价指标F-Score如图4和图5所示。

从图4的曲线可以看出，当两个辐射源属性至少在一个属性上相差大于2σ时，本发明方法得到的聚类数更接近于真实聚类数值。同时，从图5的曲线可以看出，当n≥3时，本发明方法的F-Score已经高于0.9，并且明显好于BSAS算法，证明其关联效果更加优异。

Claims (1)

1.一种用于跟踪目标雷达辐射源的属性数据关联方法，设任意目标雷达辐射源的真实属性数据为M＝(m₁,m₂,...,m_a)^T，a为属性总数，任意被动传感器S_i对任意目标雷达辐射源的属性测量值为Z_i＝(z_i1,z_i2,...,z_ia)^T，i＝1,2,...,N，N为传感器数目，传感器S_i对第k个属性的测量标准差为σ_ik；其特征在于，数据关联方法包括：

S1、通过任意两个传感器S_i和S_j得到关于第j个目标雷达辐射源的测量数据z_ik和z_jk，定义：

其中

S2、根据ε_ijk得到测量数据向量间的邻近测度：

d_ij满足以下条件：

1)任意两个传感器测量数据向量之间的邻近测度有：d_ij＝d_ji；

2)如果一个传感器测量数据向量与自己本身的邻近测度为：d_ii＝d₀，那么当且仅当i＝j时，才存在d_ij＝d₀；

3)任意两个传感器测量数据向量之间的邻近测度不大于这两个传感器与另外任意一个传感器测量数据向量之间的邻近测度之和；

S3、基于蚁群算法调整传感器测量数据向量的顺序，具体为，设定蚂蚁数量为k，最大迭代次数为L，信息启发式因子为α，期望启发式因子为β，信息挥发因子为ρ，初始信息素为C；任取一个邻近测度作为初始解x₀，重复以下步骤L次：

S31、定义判断函数为：

其中，τ_ij(t)和τ_is(t)表示t时刻在顶点i转移到顶点j或顶点s时残留的信息素，η_ij(t)和η_is(t)为启发因子，p_ij表示蚂蚁从顶点i转移到顶点j的概率，J_k(i)表示一只蚂蚁要遍历的顶点集合，allowed为蚂蚁下一步可以选择的路径点；根据得到的所有测量数据向量间的邻近测度和初始解x₀，计算新的路径长度x_new，如果x_new<x₀，则接受x_new为新解，否则切换下一步选择路径点更新得到新的路径长度；

S32、在本次迭代中，在蚂蚁均完成移动后使得所有测量数据都按照路径长度排序成功后，更新所有边上的信息素：

h_ij(t+Δt)＝(1-ρ)·h_ij(t)+Δh_ij

其中，Δt为迭代耗费时间，h_ij表示信息素，Δh_ij表示信息素增量；

S33、当达到终止条件时，记录最优路径经过的点作为最优顺序，对传感器属性测量值进行重排序；

S4、建立关于目标雷达辐射源参数的关联判别门限，具体步骤为：

S41、设定各个雷达辐射源对应的聚类中心为X_c，c＝1,2,...,m，则构造得到测量值z_i和属性特征为X_c的关联判别函数如下为：

b为聚类X_c中向量的个数；

S42、令

假设对于同一雷达辐射源的测量数据，存在ε_ijk～N(0,1)，则T_ic～χ²(ab)，即服从自由度为ab的卡方分布；设定漏关联概率P_m＝α，则根据分布的上侧分位数可以设定关联门限τ为：

S5、利用基本顺序算法对已经排序后的传感器数据进行属性数据关联聚类，具体步骤为：

S51、令m＝1，设定此时的聚类中心X_m＝{x₁}，其中x₁为S3步骤重排序后得到的属性测量集合的第一个值。

S52、选择一个不属于任何类的x_i，找到X_k:d(x_i,X_k)＝min_1≤j≤md(x_i,X_j)；如果d(x_i,X_k)≤τ，X_k＝X_k∪{x_i}，及时更新聚类中心；否则，令m＝m+1，改变聚类中心X_n＝{x_i}；

S53、重复步骤S51和S52，遍历完所有数据后，得到属性数据关联结果。

Images