CN113705551B - 一种基于无人机集群的雷达波束特征提取方法及装置 - Google Patents
一种基于无人机集群的雷达波束特征提取方法及装置 Download PDFInfo
- Publication number
- CN113705551B CN113705551B CN202111274859.8A CN202111274859A CN113705551B CN 113705551 B CN113705551 B CN 113705551B CN 202111274859 A CN202111274859 A CN 202111274859A CN 113705551 B CN113705551 B CN 113705551B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- map
- radar
- cluster
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于无人机集群的雷达波束特征提取方法及装置,属于无人机预警探测领域,方法包括:将无人机集群阵型设置为同心双圈正m边形的拓扑结构;不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机的接收值;根据无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;当经图傅里叶变换后的图谱有效基占比收敛时,以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围。本发明在该阵型上应用波束特征提取技术可以提取雷达波束照射范围最大幅度、波束照射范围以及3dB波束宽度等雷达波束特征参数。
Description
技术领域
本发明属于无人机预警探测领域,更具体地,涉及一种基于无人机集群的雷达波束特征提取方法及装置。
背景技术
雷达辐射源侦察是通过截获并处理雷达辐射源的信号提取雷达波束特征以实现对雷达不同功能参数、位置、甚至型号等信息的分类识别,尤其是对相控阵雷达侦察的研究中比较常见。快速而准确获取雷达参数等电子情报是侦察的追求目标,传统单机侦察方式面对当前复杂体制的雷达侦察效能明显不足,在一定的背景需求下研究提升侦察效能具有重要意义。而在对雷达辐射源的侦察中,侦察方式与处理侦察信号的波束特征提取技术是保证侦察效果的前提,因此侦察方式与波束特征提取技术是重要研究内容。
近年来随着各种前沿技术的发展,无人机的人机智能融合的交互控制、甚至全自主控制使得无人机集群作业正在由概念变成现实。无人机集群将空间局部单点串行处理模式拓展为空间大范围多点并行群处理模式,能够形成智能体群对抗雷达辐射源的态势,提高复杂电磁环境下雷达辐射源侦察和干扰能力。应用无人机集群侦察雷达辐射源相比传统单机侦察方式具有巨大优势,研究对群侦察采集信号处理的波束特征提取技术是保证无人机集群顺利完成侦察任务的关键。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于无人机集群的雷达波束特征提取方法及装置,旨在解决现有技术缺乏对无人机集群施行雷达波束特征提取,进而无法保证无人机集群顺利完成侦察任务的问题。
为实现上述目的,一方面,本发明提供了一种基于无人机集群的雷达波束特征提取方法,包括以下步骤:
(1)将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
(2)不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;
(3)固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机集群阵型与无人机的接收值;
(4)根据步骤(3)中的无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
(5)当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
(6)以有效基占比收敛开始时对应外圈无人机位置的围成区域,作为波束照射范围;
其中,图信号的构建方法为:
将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
经图傅里叶变换后的图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
优选地,基于无人机集群的雷达波束特征提取方法,步骤(6)后还包括以下步骤:
当外圈无人机在波束照射范围外时,无人机内圈正多边形收缩范围至照射范围圆心,通过获取当前图谱中的有效基分量,计算照射范围最大幅度;
扩大无人机内圈正多边形,计算实时图谱中的有效基分量;
当照射范围最大幅度除以实时图谱中有效基分量的值为100.15时,对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,作为3dB波束宽度。
优选地,使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
优选地,有效基占比为:
优选地,收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
另一方面,本发明提供了一种基于无人机集群的雷达波束特征提取装置,包括:
阵型设置系统,用于将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
阵型调节系统,用于不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;
用于固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机集群阵型与无人机的接收值;
图谱构建系统,用于根据无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
曲线获取系统,用于当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
波束照射范围获取系统,用于以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围;
其中,所述图谱构建系统包括图信号构建模块和图傅里叶变换模块;
所述图信号构建模块用于将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
所述图傅里叶变换模块用于将图信号进行图傅里叶变换,获取图谱;图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
优选地,上述基于无人机集群的雷达波束特征提取装置,还包括:
有效基分量获取系统,用于当外圈无人机在波束照射范围外,且阵型调节系统将无人机内圈正多边形收缩范围至照射范围圆心时,获取当前图谱中的有效基分量,计算照射范围最大幅度;
且用于在阵型调节系统扩大无人机内圈正多边形时,计算实时图谱中的有效基分量;
3dB波束宽度获取系统,用于当照射范围最大幅度除以实时图谱中有效基分量的值为100.15时,将对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,获取3dB波束宽度。
优选地,阵型调节系统使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
优选地,有效基占比为:
优选地,收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明中将无人机集群阵型设置为同心双圈正m边形的拓扑结构,相比于传统的单点串行侦察方式,无人机集群能够实现空间多点并行侦察,具有更强的时效性,同时无人机集群侦察结果的整体分布可描述被侦察目标的空间特性;为了能够获取空间多点并行侦察,本发明提出采用图信号理论解决无人机集群阵型采集信号进行处理,经过图信号处理后提取波束特征在图信号域中对应的图谱特征;图谱特征将传统雷达辐射源特征与无人机分布的空间特点相结合(具体为:调整无人机集群阵型,使得雷达波束照射方向垂直于无人机集群阵面;固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机的接收值,当图谱有效基占比收敛时,以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围;当外圈无人机在照射范围外时,无人机内圈正多边形收缩范围至照射范围圆心,通过获取当前图谱中的有效基分量,计算照射范围最大幅度;扩大无人机内圈正多边形,计算实时图谱中的有效基分量;当照射范围最大幅度除以实时图谱中的有效基分量的值为100.15时,对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,作为3dB波束宽度),在原有特征的基础上增加空间属性,对具有波束空间分布特征(场)的相控阵雷达的侦察识别更有优势。
本发明提出的同心双圈正多边形拓扑结构的无人机集群阵型设计,在该阵型上应用波束特征提取技术成功可以提取雷达波束照射范围最大幅度、波束照射范围以及3dB波束宽度等雷达波束特征参数。
附图说明
图1是本发明实施例提供的无人机集群侦察场景图信号图谱表示;
图2(a)是本发明实施例提供的波束照射范围示意图;
图2(b)是本发明实施例提供的波束3dB投影示意图;
图3是本发明实施例提供的同心双圈正m边形阵型示意图;
图4是本发明实施例提供的理想图谱示意图;
图5是本发明实施例提供的场景模型示意图;
图6是本发明实施例提供的γ随r out 的变化曲线;
图7是本发明实施例提供的误差随信噪比变化的示意图;
图8是本发明实施例提供的误差随同心双圈正多边形边数变化情况。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一方面,本发明提供了一种基于无人机集群的雷达波束特征提取方法,包括以下步骤:
(1)将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
(2)不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;(3)固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机集群阵型与无人机的接收值;
(4)根据步骤(3)中的无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
(5)当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
(6)以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围;
其中,图信号的构建方法为:
将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
经图傅里叶变换后的图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
优选地,基于无人机集群的雷达波束特征提取方法,步骤(6)后还包括以下步骤:
当外圈无人机在波束照射范围外时,无人机内圈正多边形收缩范围至照射范围圆心,通过获取当前图谱中的有效基分量,计算照射范围最大幅度;
扩大无人机内圈正多边形,计算实时图谱中的有效基分量;
当照射范围最大幅度除以实时图谱中有效基分量的值为100.15时,对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,作为3dB波束宽度。
优选地,使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
优选地,有效基占比为:
优选地,收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
另一方面,本发明提供了一种基于无人机集群的雷达波束特征提取装置,包括:
阵型设置系统,用于将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
阵型调节系统,用于不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;
用于固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机的接收值;
图谱构建系统,用于根据无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
曲线获取系统,用于当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
波束照射范围获取系统,用于以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围;
其中,所述图谱构建系统包括图信号构建模块和图傅里叶变换模块;
所述图信号构建模块用于将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
所述图傅里叶变换模块用于将图信号进行图傅里叶变换,获取图谱;图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
优选地,上述基于无人机集群的雷达波束特征提取装置,还包括:
有效基分量获取系统,用于当外圈无人机在波束照射范围外,且阵型调节系统将无人机内圈正多边形收缩范围至照射范围圆心时,获取当前图谱中的有效基分量,计算照射范围最大幅度;
且用于在阵型调节系统扩大无人机内圈正多边形时,计算实时图谱中的有效基分量;
3dB波束宽度获取系统,用于当照射范围最大幅度除以实时图谱中有效基分量的值为100.15时,将对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,获取3dB波束宽度。
优选地,阵型调节系统使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
优选地,有效基占比为:
优选地,收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
本发明具体的原理介绍如下:
本发明提供的一种基于无人机集群的雷达波束特征提取方法,具体步骤如下:
1.无人机集群侦察场景图信号建模
图信号是定义在网络拓扑结构中的信号集合,其拓扑结构用图G=(V,E,W)表征;其中,V={v 0,…,v n-1}表示节点集合;E={e ij |i,j=0,1,…,n-1}表示节点v i 和v j 间边e ij 的集合;W=(w ij ) n×n 为图G的邻接矩阵;w ij 为边e ij 的权重,表征节点v i 和v j 之间的相关程度;信号f=(f i ) n×1为依附在图节点集V上的信号序列;
无人机集群对雷达辐射源进行侦察,将无人机视为图的节点,无人机之间均存在通信互联,因此认为所有节点两两之间均存在无向边,建模得到图G;无人机携带侦察设备在不同位置的接收值为信号f;节点v i 和v j 之间边的权重w ij 与不同位置两无人机之间的欧氏距离d(v i ,v j )有关,φ为尺度参数其计算公式为:
w ij =exp(-d(v i ,v j )/φ) i≠j;i,j≤n-1
完成图信号建模;本发明中对图信号的处理方式主要采用图傅里叶变换,经处理后得到类似频谱的图谱;
图傅里叶变换定义为:
其中,U=(u ij ) n×n =(u i ) n×1为图G拉普拉斯矩阵L的特征向量矩阵,图傅里叶变换的结果用图谱表示,如图1所示;
拉普拉斯矩阵定义为L=D-W,其中,度矩阵D=diag(d 0,d 1,…,d n-1),;特征分解拉普拉斯矩阵L得到特征值对角阵Λ=diag(λ0,λ1,…,λ n-1)和由特征向量u 0,u 1,…,u n-1组成特征向量矩阵U,λ i 与u i 一一对应,即L=UΛU T;
2.无人机集群阵型设计
为能够在图谱上提取有效特征,如图2(a)和图2(b)所示,信号在特征向量上的投影要有一定特点,由特征分解知,特征向量仅与L有关,因此需要构造含有特殊向量的图G;本发明提出一种同心双圈正m边形的拓扑结构,如图3所示;设n=2m架无人机分布在正多变形的各个顶点位置上作为图的节点,所有节点两两之间均有边;定义内圈正多边形外接圆半径为r in ,外圈正多边形外接圆半径为r out ;内圈无人机中任意指定一个为节点v 0,逆时针旋转,各无人机分别为节点v 0,v 1,…,v m-1;外圈中与v 0同半径的无人机为v m ,同样逆时针旋转,各无人机分别为v m ,v m+1,…,v n-1;
同心双圈正m边形图的L存在两个特殊的特征向量u 0,u 1(一个元素都为1;一个前m个元素均为1,后m个元素均为-1),将u 1成为有效基,即:
因L为半正定对称矩阵,其特征向量相互正交,内积<u i ,u j >=0;所以对其他特征向量
u 2~n-1=u=[u 0,u 1,…,u n-1]T,有:
u 0+ u 1+...+ u m-1=0;u m + u m+1+...+ u n-1=0;
可知其他特征向量u 2~n-1均满足上式;
设此时无人机集群对正波束,n架无人机接收到的瞬时幅度序列(A i ) n×1作为信号,即f i =A i ,表示第i架无人机接收到的瞬时幅度;雷达波束照射方向垂直于无人机集群阵面的情况下,则接收到理想无噪声条件下的幅度有A 0= A 1=…= A m-1,A m = A m+1=…= A n-1,信号f=[f 0,f 0,…,f 0,f m ,f m ,…,f m] T ,由公式(1)可得:
由上式可知,当f 0=-f m时,图谱中仅有一根u 1基对应的谱线,而在实际情况,不会接收到负信号;当f 0≠f m ,图谱上有直流分量和u 1基对应的两根谱线,理想无噪声情况下外圈无人机在照射范围外时f m =0,即两根谱线的高度相等,如图4图谱表示;此时图谱表现出类似于频谱的“频率”特点;
3.技术方案提取波束特征原理
定义有效基占比γ为:
在理想无噪声情况下γ=100%,接收到的信号只包含直流分量和有效基分量且两者相等;当存在均值为N mean、方差为P N 的加性高斯白噪声N时,认为所有无人机接收到的同均值、同方差的高斯白噪声,接收到的幅度序列为:
f N =f+N=[f 0,f 1,f 2,…,f n-1]T+[N 0,N 1,N 2,…,N n-1]T
其中,N i 为编号为i的无人机接收到的高斯白噪声瞬时幅度,具有随机性。此时经过图傅里叶变换的结果为:
得到的图谱见图1,可以看到受噪声影响除直流分量和有效基分量外,其他基分量也存在;
令f 0不变即内圈无人机位置不变,外圈无人机移动位置,使外圈正多边形变大,外圈半径r out拉大,即使f m减小,有效基占比γ随着f m减小而增大。当外圈无人机不再被波束照射时,认为此时f m=0且继续移动不再变化,有:
γ= f 0/( f 0+2N mean)
有效基占比仅受噪声影响,因高斯白噪声N幅度均值一定,有效基占比趋于平稳。因此,可以得到有效基占比γ随外圈半径r out变化曲线,将该曲线γ开始平稳的外圈无人机位置的围成区域,作为近似波束照射范围;
由上述有效基占比表达式可知,有效基分量不受到高斯白噪声影响;当外圈无人机在照射范围外时,内圈无人机收缩范围,尽可能接近照射范围圆心,此时的有效基分量,此时求得照射范围最大幅度;当内圈无人机在接收到幅度值为A 3dB+N i 的位置时,有效基分量;两者之比为A max/A 3dB=100.15;因此可以在测得mA max后,移动内圈无人机,并计算;当时,可认为此时内圈无人机围成的区域为波束的3dB投影,内圈无人机半径r in =r 3dB,可计算3dB锥度C3dB。
4.仿真验证
有源相控阵雷达对某一空域扫描,以天线所在位置为坐标原点O建立坐标系;无人机蜂群呈平面分布对天线进行侦查,并保证在某一时刻天线主瓣能够垂直照射蜂群平面,垂心为O 1,此时天线主瓣方向为(分别为方位角和俯仰角);群峰中无人机的位置可看作平面上的一个个点,点A为无人机蜂群所在平面上任一点,场景模型如图5所示;
其中,P T为发射功率;G T为发射增益;G R接收增益,λ为目标雷达的波长;r A 为点A到点O的距离;
假设场景中存在均值为N mean、功率为p N的加性高斯白噪声N,该场景信噪比(SNR)是A 3dB处功率p 3dB=A 3dB 2与高斯白噪声功率p N之比,即:SNR=p 3dB/p N;
为衡量文本提取方案的效果,定义噪声条件下提取波束空间特征的测量值与无噪声条件下真实值的误差为:
er=|C 3dB测/C 3dB-1|
设有源相控阵天线阵列和天线方向图如图7所示,阵元为各向同性天线,频率为0.3GHz,阵面半径为2m,阵元间隔为0.4λ,阵面垂直于水平方向,天线主瓣方向方位角和俯仰角均为0°;P T=10kW,G T=1000,G R=1000;OO 1=20km,尺度参数φ=1;分别记录每架无无人机所在位置的方位角φ、俯仰角θ、增益数据。
当m=12,高斯白噪声N mean=1,功率为p N=0.5W时,有效基占比γ随外圈半径r out变化曲线如图6所示;由图6可知,当r out≥5.2km时,γ趋于平稳,计算此时的波束空间特征:r M测=5.2km,A max测=4.95,C 3dB测=0.32,er=0.17;
设m=12,高斯白噪声N mean=2,信噪比SNR范围为-6~28dB,误差er随信噪比SNR变化情况如图7所示;由图7可以看出,误差er随信噪比的增大而减小了信噪比越大,提取效果越好;
设高斯白噪声N mean=2,功率为p N=3W,误差er随同心双圈正多边形边数m变化情况如图8所示;此时,由图8可以看出,误差er随边数的增大而减小,无人机数量越多,提取效果越好。
本领域技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于无人机集群的雷达波束特征提取方法,其特征在于,包括以下步骤:
(1)将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
(2)调整所述无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;
(3)固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机集群阵型与无人机的接收值;
(4)根据步骤(3)中的无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
(5)当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
(6)以有效基占比收敛开始时对应外圈无人机位置的围成区域,作为波束照射范围;
其中,图信号的构建方法为:
将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
经图傅里叶变换后的图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
2.根据权利要求1所述的雷达波束特征提取方法,其特征在于,基于无人机集群的雷达波束特征提取方法,步骤(6)后还包括以下步骤:
当外圈无人机在波束照射范围外时,无人机内圈正多边形收缩范围至照射范围圆心,通过获取当前图谱中的有效基分量,计算照射范围最大幅度;
扩大无人机内圈正多边形,计算实时图谱中的有效基分量;
当照射范围最大幅度除以实时图谱中的有效基分量的值为100.15时,对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,作为3dB波束宽度。
3.根据权利要求1或2所述的雷达波束特征提取方法,其特征在于,使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据所述侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
5.根据权利要求4所述的雷达波束特征提取方法,其特征在于,所述收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
6.一种基于无人机集群的雷达波束特征提取装置,其特征在于,包括:
阵型设置系统,用于将无人机集群阵型设置为同心双圈正m边形的拓扑结构;其中,内圈无人机与外圈无人机一一对应;m=n/2;n为无人机总数;
阵型调节系统,用于不断调整无人机集群阵型,使雷达波束照射方向垂直于无人机集群阵面;
用于固定内圈无人机的位置,扩大无人机外圈正多边形,记录无人机集群阵型与无人机的接收值;
图谱构建系统,用于根据无人机集群阵型以及无人机的接收值,实时构建图信号并对图信号进行图傅里叶变换;
曲线获取系统,用于当经图傅里叶变换后的图谱有效基占比收敛时,获取有效基占比随外圈正多边形半径变化的曲线;
波束照射范围获取系统,用于以有效基占比收敛开始时对应的外圈无人机位置的围成区域,作为波束照射范围;
其中,所述图谱构建系统包括图信号构建模块和图傅里叶变换模块;
所述图信号构建模块用于将无人机作为图信号的节点,无人机两两之间存在的通信互联作为无向边,构建图信号;其中,将无人机在不同位置的接收值作为信号;
所述图傅里叶变换模块用于将图信号进行图傅里叶变换,获取图谱;图谱为信号在图频域上的表示;图谱的横坐标为拉普拉斯特征值,纵坐标为信号在不同特征向量上投影的大小。
7.根据权利要求6所述的雷达波束特征提取装置,其特征在于,还包括:
有效基分量获取系统,用于当外圈无人机在波束照射范围外,且阵型调节系统将无人机内圈正多边形收缩范围至照射范围圆心时,获取当前图谱中的有效基分量,计算照射范围最大幅度;
且用于在阵型调节系统扩大无人机内圈正多边形时,计算实时图谱中的有效基分量;
3dB波束宽度获取系统,用于当照射范围最大幅度除以实时图谱中有效基分量的值为100.15时,将对应的内圈无人机正多边形半径的两倍除以雷达到无人机集群的垂直距离,获取3dB波束宽度。
8.根据权利要求6或7所述的雷达波束特征提取装置,其特征在于,所述阵型调节系统使雷达波束照射方向垂直于无人机集群阵面的方法为:
保持无人机集群的同心双圈正多边形阵型始终在同一水平面上;
无人机集群阵型多次侦察雷达波束,比较各无人机的侦察采样数据差异;
根据侦察采样数据差异,调整无人机集群阵型的角度与位置,直至内圈无人机接收到相同的波束幅度值且外圈无人机也接收到相同的波束幅度值,则雷达波束照射方向垂直于无人机集群阵面。
10.根据权利要求9所述的雷达波束特征提取装置,其特征在于,所述收敛的有效基占比为:
γ= f 0/( f 0+2N mean)
其中,f 0为内圈无人机接收到的波束幅度值;N mean为加性高斯白噪声的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274859.8A CN113705551B (zh) | 2021-10-29 | 2021-10-29 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111274859.8A CN113705551B (zh) | 2021-10-29 | 2021-10-29 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705551A CN113705551A (zh) | 2021-11-26 |
CN113705551B true CN113705551B (zh) | 2022-02-11 |
Family
ID=78647552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111274859.8A Active CN113705551B (zh) | 2021-10-29 | 2021-10-29 | 一种基于无人机集群的雷达波束特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705551B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047476B (zh) * | 2022-01-13 | 2022-04-08 | 中国人民解放军空军预警学院 | 一种基于无人机集群的无源定位方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN112305530A (zh) * | 2020-11-02 | 2021-02-02 | 上海神添实业有限公司 | 一种无人机群目标检测方法、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10073454B2 (en) * | 2016-03-17 | 2018-09-11 | Northrop Grumman Systems Corporation | Machine vision enabled swarm guidance technology |
US10387727B2 (en) * | 2017-09-13 | 2019-08-20 | Wing Aviation Llc | Backup navigation system for unmanned aerial vehicles |
-
2021
- 2021-10-29 CN CN202111274859.8A patent/CN113705551B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN112305530A (zh) * | 2020-11-02 | 2021-02-02 | 上海神添实业有限公司 | 一种无人机群目标检测方法、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
《Performance of Joint Radar-Communication Enabled Cooperative UAV Network》;Xu Chen等;《 2019 IEEE International Conference on Signal, Information and Data Processing 》;20191213;全文 * |
《小型固定翼无人机集群综述和未来发展》;王祥科 等;《航空学报》;20200425;第41卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705551A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000902A1 (zh) | 一种sar图像数据增强方法、装置及存储介质 | |
CN107333238B (zh) | 一种基于支持向量回归的室内指纹快速定位方法 | |
CN106054123A (zh) | 一种稀疏l阵及其二维doa估计方法 | |
CN106526530A (zh) | 基于传播算子的2‑l型阵列二维doa估计算法 | |
CN111123341A (zh) | 无人机群三维协同定位方法 | |
CN110908374B (zh) | 一种基于ros平台的山地果园避障系统及方法 | |
CN108318862A (zh) | 一种基于神经网络的声源定位方法 | |
CN113705551B (zh) | 一种基于无人机集群的雷达波束特征提取方法及装置 | |
Guo et al. | Classification, positioning, and tracking of drones by HMM using acoustic circular microphone array beamforming | |
CN110113088A (zh) | 一种分离型数模混合天线系统波达角智能化估计方法 | |
Jiang et al. | Improve radar sensing performance of multiple roadside units cooperation via space registration | |
Chang et al. | An advanced scheme for range ambiguity suppression of spaceborne SAR based on blind source separation | |
CN111638511A (zh) | 基于信号融合的多雷达空间配准的协同探测方法及装置 | |
CN108446637B (zh) | 基于立体图模型的sar图像变化检测方法 | |
CN114114153A (zh) | 一种多声源定位方法、系统、传声器阵列以及终端装置 | |
CN109635486A (zh) | 一种高分辨率三维成像声纳换能器阵列稀疏优化方法 | |
CN106874932A (zh) | 基于快速稀疏描述的sar目标型号识别方法 | |
Wan et al. | Machine learning empowered IoT for intelligent vehicle location in smart cities | |
CN102998660A (zh) | 一种近场范围内鲁棒多波束形成方法 | |
CN107748364A (zh) | 基于降秩多级维纳滤波器的低空风切变风场速度估计方法 | |
CN112799063B (zh) | 基于弹跳射线法的双站散射中心建模方法 | |
CN108828513B (zh) | 基于多监测点电波传播衰减等差线交叉的信号源定位方法 | |
CN114047476B (zh) | 一种基于无人机集群的无源定位方法及系统 | |
Bi et al. | Optimization method of passive omnidirectional buoy array in on-call anti-submarine search based on improved NSGA-II | |
CN109799477A (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 |
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 |