JP6400251B1 - 電波探知装置 - Google Patents
電波探知装置 Download PDFInfo
- Publication number
- JP6400251B1 JP6400251B1 JP2018518541A JP2018518541A JP6400251B1 JP 6400251 B1 JP6400251 B1 JP 6400251B1 JP 2018518541 A JP2018518541 A JP 2018518541A JP 2018518541 A JP2018518541 A JP 2018518541A JP 6400251 B1 JP6400251 B1 JP 6400251B1
- Authority
- JP
- Japan
- Prior art keywords
- hypothesis
- unit
- feature amount
- feature
- radio wave
- 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
- 230000005540 biological transmission Effects 0.000 claims abstract description 75
- 238000000605 extraction Methods 0.000 claims abstract description 75
- 238000001514 detection method Methods 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000002596 correlated effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 description 45
- 238000012545 processing Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 13
- 238000013500 data storage Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- 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
- G01S7/021—Auxiliary means for detecting or identifying radar signals or the like, e.g. radar jamming signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0864—Measuring electromagnetic field characteristics characterised by constructional or functional features
- G01R29/0892—Details related to signal analysis or treatment; presenting results, e.g. displays; measuring specific signal features other than field strength, e.g. polarisation, field modes, phase, envelope, maximum value
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
- G01S7/4021—Means for monitoring or calibrating of parts of a radar system of receivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
この電波探知装置は、複数の送信源から繰り返し送信される電波であるパルスを、送信源毎に分類する方法として、MHT(Multiple Hypothesis Tracking)と呼ばれる方法を用いている。
図1は、この発明の実施の形態1による電波探知装置を示す構成図である。
図2は、この発明の実施の形態1による電波探知装置を示すハードウェア構成図である。
図1及び図2において、センサ1は、空間に存在している送信源から送信された電波であるパルスを受信するレーダなどの装置である。
センサ1は、受信したパルスを電波探知装置2に出力する。
受信部11は、例えば図2に示す受信回路31で実現される。
受信部11は、センサ1から出力されたパルスを検波する。
受信部11は、検波したパルスを示す観測信号をアナログ信号からデジタル信号に変換し、デジタルの観測信号を特徴量抽出部12に出力する。
特徴量抽出部12は、受信部11からデジタルの観測信号が出力される毎に、当該観測信号の特徴量を抽出する処理を実施する。
例えば、特徴量抽出部12は、受信部11から出力されたデジタルの観測信号に対して、クラッタなどの不要信号を抑圧する処理、パルス検出処理及びMUSIC(MUltiple SIgnal Classification)などの測角処理を実施することで、観測信号の特徴量を抽出する。
データ蓄積部13は、観測信号の特徴量の平均値及び分散値、あるいは、最大目標数などの情報を事前情報として格納する。
分布推定部14は、例えば図2に示す分布推定回路34で実現される。
分布推定部14は、仮説選択部18から出力される隠れ変数の出現確率及びデータ蓄積部13により格納されている事前情報を用いて、特徴量抽出部12により抽出された複数の特徴量のクラスタリングを実施する。
分布推定部14は、1つ以上の特徴量が属するクラス毎に、当該クラスに属している1つ以上の特徴量の頻度分布をそれぞれ推定する処理を実施する。
仮説選択部18から出力される隠れ変数の出現確率は、受信部11により検波されたパルスが、どの送信源から送信されたパルスであるかを示す確率である。
仮説生成部15は、特徴量抽出部12により抽出された複数の特徴量を用いて、受信部11により検波されたパルスの送信源を仮定する仮説を生成する処理を実施する。
また、仮説生成部15は、予測部19の判定結果が、特徴量抽出部12により抽出された複数の特徴量の中に、予測した特徴量と相関が有る特徴量が存在しない旨を示していれば、予測部19により予測された特徴量を用いて、受信部11により検波されたパルスの送信源を仮定する仮説を生成する処理を実施する。
また、仮説生成部15は、分布推定部14により推定された特徴量の頻度分布を用いて、仮説を生成する処理を実施する。
仮説評価部16は、特徴量抽出部12により抽出された複数の特徴量と分布推定部14により推定された頻度分布とから、仮説生成部15により生成された仮説の確からしさを表す仮説信頼度を算出する処理を実施する。
予測モデル推定部17は、例えば図2に示す予測モデル推定回路37で実現される。
予測モデル推定部17は、仮説選択部18により選択された仮説と仮説評価部16により算出された仮説信頼度とから、特徴量の予測モデルを推定する処理を実施する。
仮説選択部18は、仮説生成部15により既に生成されている1つ以上の仮説の中から、仮説評価部16により算出された仮説信頼度が相対的に高い仮説を選択し、選択した仮説に基づいて受信部11により検波されたパルスを送信している送信源を探知する処理を実施する。
予測部19は、仮説選択部18により選択された仮説と、予測モデル推定部17により推定された特徴量の予測モデルとを用いて、特徴量抽出部12により将来抽出される可能性がある特徴量を予測し、予測した特徴量を仮説生成部15に出力する処理を実施する。
また、予測部19は、予測した特徴量と、特徴量抽出部12により抽出された各々の時刻の特徴量との相関の有無をそれぞれ判定する処理を実施する。
表示部20は、例えば図2に示す表示回路40で実現される。
表示部20は、仮説選択部18の探知結果などをディスプレイに表示する処理を実施する。
また、受信回路31、特徴量抽出回路32、分布推定回路34、仮説生成回路35、仮説評価回路36、予測モデル推定回路37、仮説選択回路38、予測回路39及び表示回路40は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(Field−Programmable Gate Array)、または、これらを組み合わせたものが該当する。
ソフトウェア又はファームウェアはプログラムとして、コンピュータのメモリに格納される。コンピュータは、プログラムを実行するハードウェアを意味し、例えば、CPU(Central Processing Unit)、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、あるいは、DSP(Digital Signal Processor)が該当する。
電波探知装置の受信部11を除く構成要素が、ソフトウェア又はファームウェアなどで実現される場合、データ蓄積部13をコンピュータのメモリ51上に構成するとともに、特徴量抽出部12、分布推定部14、仮説生成部15、仮説評価部16、予測モデル推定部17、仮説選択部18、予測部19及び表示部20の処理手順をコンピュータに実行させるためのプログラムをメモリ51に格納し、コンピュータのプロセッサ52がメモリ51に格納されているプログラムを実行するようにすればよい。
図4は、この発明の実施の形態1による電波探知装置の処理手順を示すフローチャートである。
センサ1は、空間に存在している送信源から繰り返し送信されるパルスをそれぞれ受信し、受信した各々のパルスを電波探知装置2に出力する。
電波探知装置2の受信部11は、センサ1からパルスが出力される毎に、パルスを検波する(図4のステップST1)。
受信部11は、検波したパルスを示す観測信号をアナログ信号からデジタル信号に変換し、デジタルの観測信号を特徴量抽出部12に出力する。
特徴量抽出部12により抽出される観測信号の特徴量として、例えば、受信パルスの周波数、方位、パルス幅、TOA(Time Of Arrival)、あるいは、振幅を示す値が考えられる。
例えば、特徴量抽出部12は、受信部11から出力されたデジタルの観測信号に対して、クラッタなどの不要信号を抑圧する処理、パルス検出処理及びMUSICなどの測角処理を実施することで、観測信号の特徴量を抽出する。
特徴量抽出部12は、抽出した各々の時刻の観測信号の特徴量を分布推定部14、仮説生成部15及び予測部19に出力する。
予測部19による特徴量の予測処理としては、例えば、公知のカルマンフィルタ又はMHTを用いる送信源の追尾処理内で行われる予測処理が考えられる。
追尾処理内で行われる予測処理は、上記の非特許文献1のほか、以下の非特許文献2及び非特許文献3に開示されているため、予測部19による特徴量の予測処理の詳細は省略する。
[非特許文献2]真庭久和,岩本雅史,小林正明,桐本哲郎,“MHTを用いたレーダパルス列分離法,”信学論(B),vol.J84-B, no.1, pp.116-123, Jan. 2001
[非特許文献3]S. Blackman, R. Popoli, Design and Analysis of Modern Tracking Systems , Artech House, 1999.
以下、予測部19によるゲート判定処理の一例を説明する。
まず、予測部19は、予測した各々の時刻の特徴量(以下、予測特徴量と称する)と、特徴量抽出部12により抽出された各々の時刻の特徴量(以下、抽出特徴量と称する)との間の距離Lとして、マハラビノス距離などをそれぞれ算出する。
次に、予測部19は、或る時刻の予測特徴量と或る時刻の抽出特徴量との間の距離Lと、事前に設定された距離閾値Lthとを比較する。
予測部19は、以下の式(1)が示すように、距離Lが距離閾値Lth以下であれば、或る時刻の予測特徴量と或る時刻の抽出特徴量との間に相関が有ると判定する。
L≦Lth → 相関が有る (1)
予測部19は、以下の式(2)が示すように、距離Lが距離閾値Lthよりも大きければ、或る時刻の予測特徴量と或る時刻の抽出特徴量との間に相関が無いと判定する。
L>Lth → 相関が無い (2)
図5の例では、送信源から一定のパルス繰り返し周期(PRI:Pulse Repetition Interval)でパルスが送信されているが、2番目のパルスが検波されていない状況を示している。1番目及び3〜5番目のパルスについては検波されている。
このため、図5の例では、1番目及び3〜5番目のパルスについての特徴量は、特徴量抽出部12によって抽出されるが、2番目のパルスについての特徴量は、特徴量抽出部12によって抽出されない。
例えば、i番目(i=1,3,4,5)のパルスについての予測特徴量と、特徴量抽出部12により抽出されたi番目のパルスについての抽出特徴量との距離Lは、距離閾値Lth以下となる可能性が高いため、相関が有ると判定される可能性が高い。
2番目のパルスについての予測特徴量と、特徴量抽出部12により抽出されたi番目のパルスについての抽出特徴量との距離Lは、距離閾値Lthよりも大きくなる可能性が高いため、相関が無いと判定される可能性が高い。
これは一例に過ぎず、予測部19は、例えば、図6に示すようなPRIの頻度分布を示す分布情報を参照して、受信部11により検波されるパルスのPRIを特定する。
具体的には、予測部19は、図6に示す分布情報を参照して、最も頻度が高い閾値以上のPRIを、受信部11により検波されるパルスのPRIとして特定する。図6の例では、受信部11により検波されるパルスのPRIとして、1000[μs]が特定される。
図6は、PRIの頻度分布の一例を示す説明図である。
PRIの頻度分布を示す分布情報は、例えば、事前に予測部19に保持されているものとする。
予測部19は、特定したPRIで決まる時刻の特徴量をそれぞれ予測する。図6の例では、PRIが1000[μs]である各々のパルスについての特徴量をそれぞれ予測する。
例えば、特徴量抽出部12により抽出された特徴量に係るパルスが、送信源(1)から送信されたパルスであると仮定する仮説(1)と、特徴量抽出部12により抽出された特徴量に係るパルスが、送信源(2)から送信されたパルスであると仮定する仮説(2)とが既に生成されているものとする。
この場合、仮説生成部15は、例えば、仮説の生成処理として、特徴量抽出部12により新たに抽出された特徴量を仮説(1)に含める処理と、特徴量抽出部12により新たに抽出された特徴量を仮説(2)に含める処理とを行う。また、仮説生成部15は、送信源(3)から送信されたパルスであると仮定する仮説(3)を生成し、特徴量抽出部12により新たに抽出された特徴量を仮説(3)に含める処理を行う。
ここでは、仮説生成部15が、3つの仮説を生成する例を示しているが、送信するパルスのPRIが固定の送信源についての運動モデルを含む仮説を3つ生成し、また、送信するパルスのPRIが変動する送信源についての運動モデルを含む仮説を3つ生成するようにしてもよい。
この場合、合計で6つの仮説が生成される。
図8では、受信部11により8つのパルスが検波された際に生成された仮説の例を示している。
図8の例では、塗りつぶしがあるパルスは、送信源(1)から送信されたパルスであり、塗りつぶしがないパルスは、送信源(2)から送信されたパルスである。
図8に示す仮説(2)は、送信するパルスのPRIが固定の送信源についての運動モデルを含んでおり、図8に示す仮説(1)(3)は、送信するパルスのPRIが変動する送信源についての運動モデルを含んでいる。
PRIが固定の送信源についての運動モデルは、固定PRIモデルであり、PRIが変動する送信源についての運動モデルは、スタガPRIモデルである。
図8では、PRIが変動する送信源についての運動モデルがスタガPRIモデルである例を示しているが、これに限るものではなく、例えば、ジッターPRIモデルあってもよい。
図9は、2番目のパルスについての特徴量を含まない仮説の一例を示す説明図である。
図9に示す仮説は、2番目のパルスについての特徴量を含んでいないため、正確な仮説ではない。したがって、図9に示す不正確な仮説を生成すると、パルスを送信している送信源の誤探知の発生確率が高まる。
仮説生成部15は、予測部19の判定結果が、特徴量抽出部12により抽出された各々の時刻の特徴量の中に、予測した特徴量と相関が有る特徴量が存在しない旨を示していれば(図4のステップST6:YESの場合)、予測部19により予測された特徴量を用いて、仮説を生成する(図4のステップST7)。
仮説生成部15は、予測部19の判定結果が、特徴量抽出部12により抽出された各々の時刻の特徴量の中に、予測した特徴量と相関が有る特徴量が存在している旨を示していれば(図4のステップST6:NOの場合)、予測部19により予測された特徴量を用いて、仮説を生成する処理を行わない。
仮説生成部15は、予測部19により予測された各々の時刻の予測特徴量の中で、特徴量抽出部12により抽出された全ての抽出特徴量と相関が無い予測特徴量を特定する。
図9の例では、2番目のパルスについての抽出特徴量がないため、2番目のパルスについての予測特徴量は、全ての抽出特徴量と相関が無い予測特徴量として特定される。
仮説生成部15は、図10に示すように、特定した予測特徴量と、特徴量抽出部12により抽出された各々の時刻の特徴量とを含む仮説を生成する。
図10は、図9に示す仮説に予測特徴量を含めている仮説を示す説明図である。
図10の例では、2番目のパルスについての抽出特徴量が抜けているため、抜けている抽出特徴量の代わりに、2番目のパルスについての予測特徴量を用いて、仮説を生成している。
これは一例に過ぎず、例えば、仮説生成部15が、分布推定部14により推定された図7に示すような特徴量の頻度分布を用いて、全ての抽出特徴量と相関が無い予測特徴量を特定するようにしてもよい。
具体的には、仮説生成部15は、分布推定部14により推定された特徴量の頻度分布を参照して、頻度が閾値以上の特徴量をそれぞれ特定する。
そして、仮説生成部15は、それぞれ特定した頻度が閾値以上の特徴量の中に、特徴量抽出部12により抽出されていない特徴量があれば、特徴量抽出部12により抽出されていない頻度が閾値以上の特徴量を、全ての抽出特徴量と相関が無い予測特徴量であると特定する。
分布推定部14による特徴量の頻度分布の推定処理については後述するが、仮説生成部15が用いる特徴量の頻度分布は、図4のステップST11において、前の時刻で推定された頻度分布である。
図7は、分布推定部14により推定される特徴量の頻度分布の一例を示す説明図である。
図7では、1つのクラスとして送信源(1)に属する特徴量の頻度分布と、1つのクラスとして送信源(2)に属する特徴量の頻度分布とを例示している。
仮説評価部16が用いる特徴量の頻度分布についても、図4のステップST11において、前の時刻で推定された頻度分布である。
仮説評価部16による仮説信頼度の算出処理自体は、公知の技術であるため詳細な説明を省略するが、例えば、以下の方法で、仮説信頼度を算出することができる。
仮説評価部16は、固定PRIのパルスの特徴量においては、PRIのばらつきが小さいことを想定し、スタガパルス又はジッターパルスなどの変動PRIのパルスの特徴量においては、PRIのばらつきが大きいことを想定して、仮説信頼度を算出する。
具体的には、仮説評価部16は、例えば、図7に示す送信源(1)についての特徴量の頻度分布を用いる場合、当該頻度分布に従って、例えば、特徴量αに対応する頻度βを特定する。
仮説評価部16は、特徴量αに対応する頻度βと同様に、送信源(1)についての各々の特徴量に対応する頻度をそれぞれ特定し、特定した各々の頻度から、送信源(1)についての特徴量のPRIのばらつきを算出し、PRIのばらつきから、仮説信頼度を算出する。
予測モデル推定部17による予測モデルの推定処理は、例えば、上記の非特許文献2に開示されている公知の技術であるため、詳細な説明を省略する。
例えば、特徴量がTOAである場合、特徴量の予測モデルとして、固定PRIモデル、スタガPRIモデル及びジッターPRIモデルなどを扱うことができる。固定PRIモデルでは、PRIを最尤法で推定し、スタガPRIPRIモデルでは、PRIとスタガのポジションとスタガ比とを最尤法で推定する。
予測モデルの推定処理は、仮説選択部18により選択された仮説と仮説評価部16により算出された仮説信頼度とを用いて、例えば、固定PRIモデル、スタガPRIモデル及びジッターPRIモデルの尤度をそれぞれ算出し、尤度が最も高いPRIモデルを、特徴量の予測モデルとして特定する処理である。
具体的には、仮説選択部18は、仮説生成部15により既に生成されている1つ以上の仮説の中で、仮説評価部16により算出された仮説信頼度が大きい上位N(Nは1以上の整数)個の仮説を特定する。
仮説選択部18は、特定した上位N個の仮説を予測部19に出力する。
仮説選択部18は、上位N個の仮説と、正規化した仮説信頼度とから、隠れ変数の出現確率を算出する。隠れ変数の出現確率の算出処理自体は、公知の技術であるため、詳細な説明を省略する。
また、仮説選択部18は、最良仮説が仮定している「受信部11により検波されたパルスの送信源」を送信源の探知結果として表示部20に出力する。
表示部20は、仮説選択部18から出力された探知結果などをディスプレイに表示する(図4のステップST10)。
なお、仮説選択部18は、既に生成している1つ以上の仮説のうち、仮説評価部16により算出された仮説信頼度が閾値以下の仮説を削除することで、仮説の生成数が増え過ぎないようにする。
また、分布推定部14は、1つ以上の特徴量が属するクラス毎に、当該クラスに属している1つ以上の特徴量の頻度分布をそれぞれ推定する(図4のステップST11)。
仮説選択部18から出力される隠れ変数の出現確率は、受信部11により検波されたパルスが、どの送信源から送信されたパルスであるかを示す確率である。
分布推定部14による特徴量のクラスタリング処理としては、例えば、以下の非特許文献4及び非特許文献5に開示されている公知のEM(Expectation Maximization)アルゴリズム又は変分ベイズアルゴリズムを用いることができる。
EMアルゴリズム又は変分ベイズアルゴリズムを用いることで、パルスがどの諸元に属するかを計算するEステップと、パルスの特徴量のパラメータである周波数、パルス幅、振幅、方位の平均値及び分散値を推定するMステップとを繰り返すことで、パルスが属している目標と、特徴量の頻度分布とを推定することができる。
また、電波パルスの特徴量がTOA特徴量の場合、上記のパルスがどの諸元に属するかを計算するEステップと、TOA特徴量が時間変化することを考慮し、固定PRIモデルを用いて、TOA特徴量のパラメータである初期TOAとPRIを以下の非特許文献5に開示されている公知の正規方程式を用いて推定するMステップを繰り返すことで、パルスが属している目標と、特徴量の頻度分布とを推定することができる。
[非特許文献4]H. Attias: Learning parameters and structure of latent variable models by variational Bayes, Proc. Uncertainty in Artificial Intelligence (1999)
[非特許文献5]C. M. Bishop: Pattern Recognition and Machine Learning, Springer (2006)
特徴量データznが送信元jに属する仮説の番号の集合をCjnとして、仮説番号jの仮説信頼度をβjとすると、特徴量データznが送信元iに属する場合の隠れ変数の出現確率γinは、以下の式(3)で計算される。
隠れ変数の出現確率における初期値の設定は、上記の方法に限るものではなく、一様乱数から生成する方法と上記の方法とを並列に実行し、初期値毎に、後述のEステップとMステップとを繰り返した上で、以下の式(12)に示す尤度が最大となる初期値を選択するとしてもよい。
以下の式(4)は、隠れ変数の出現確率を対角項とした行列であり、Mステップの初回では、隠れ変数の出現確率を式(3)によって設定し、Mステップの2回目以降では、後述のEステップで算出した隠れ変数の出現確率を以下の式(11)によって設定する。
以下の式(5)において、Wi MLは、隠れ変数の出現確率を重み、Φは、正規行列である。
nは、処理の対象とする蓄積した特徴量データ数、niは、送信元iに属する特徴量データ数、ziは、送信元iに属するni×1のni個の特徴量データを並べた特徴量ベクトルとする。送信元iに属する特徴量データとは、K個の送信元中で隠れ変数の出現確率が送信元iで最大となる特徴量データである。
また、hjは、基底関数を表す行列である。例えば、特徴量の時間的な一次変化のみを考慮すると、正規行列Φは、以下の式(7)、基底関数hjは、以下の式(8)で表現される。
ここで、Kは、送信元数であり、N(a;b,c)は、平均b及び標準偏差cの正規分布から観測値aが出現する確率である。また、Eステップでは、非特許文献3に示されるゲーティング処理を用いて、μijとすべての特徴量データとの統計距離が一定以上となる場合に、μijは送信元iと相関しないと判定し、次のMステップにおける送信元iに属する特徴量データから取り除いてもよい。
また、非特許文献3に示されるGNN(Global Nearest Neighbor)処理を用いて、Mステップで推定したμij,σiを用いて、μijから統計距離が最も小さい特徴量データziを次のMステップにおける送信元iに属する特徴量データとしてもよい。また、非特許文献3に示されるPDA(Probablic Data Association)を用いて、μijと相関する複数の特徴量データを重みづけ統合して、次のMステップにおける送信元iに属する特徴量データを再生成するようにしてもよい。
上記のMステップとEステップとを所定回数繰り返す、または、パラメータの変動及び式(12)の対数尤度関数の変動が小さくなった段階で処理を終了する。それぞれのデータ毎に、隠れ変数の出現確率が最も大きい送信元をデータの属するクラスとし、推定したパラメータを持つ混合正規分布を特徴量の頻度分布とする。
Claims (8)
- 送信源から送信された電波を検波し、検波した電波を示す観測信号を出力する受信部と、
前記受信部から観測信号が出力される毎に、当該観測信号の特徴量を抽出する特徴量抽出部と、
特徴量の予測モデルを用いて、前記特徴量抽出部により将来抽出される可能性がある特徴量を予測する予測部と、
前記特徴量抽出部により抽出された複数の特徴量と前記予測部により予測された特徴量とを用いて、前記受信部により検波された電波の送信源を仮定する仮説を生成する仮説生成部と、
前記特徴量抽出部により抽出された複数の特徴量の頻度分布を推定する分布推定部と、
前記特徴量抽出部により抽出された複数の特徴量と前記分布推定部により推定された頻度分布とから、固定PRIモデルにおいてはPRIのばらつきが小さいことを想定し、スタガPRIモデル又はジッターPRIモデルにおいてはPRIのばらつきが大きいことを想定して、前記仮説生成部により生成された仮説の確からしさを表す仮説信頼度を算出する仮説評価部と、
前記仮説生成部により既に生成されている1つ以上の仮説の中から、前記仮説評価部により算出された仮説信頼度が相対的に高い仮説を選択し、選択した仮説に基づいて前記受信部により検波された電波を送信している送信源を探知する仮説選択部と、
前記仮説選択部により選択された仮説と前記仮説評価部により算出された仮説信頼度とから、固定PRIモデル、スタガPRIモデル及びジッターPRIモデルの尤度をそれぞれ算出し、尤度が最も高いモデルが前記予測モデルであると推定する予測モデル推定部と
を備えた電波探知装置。 - 前記予測部は、前記仮説選択部により選択された仮説と前記予測モデルとを用いて、前記特徴量抽出部により将来抽出される可能性がある特徴量を予測し、予測した特徴量と前記特徴量抽出部により抽出された複数の特徴量との相関の有無をそれぞれ判定し、
前記仮説生成部は、前記特徴量抽出部により抽出された複数の特徴量を用いて、仮説を生成し、前記予測部の判定結果が、前記特徴量抽出部により抽出された複数の特徴量の中に、予測した特徴量と相関が有る特徴量が存在しない旨を示していれば、前記予測部により予測された特徴量を用いて、仮説を生成することを特徴とする請求項1記載の電波探知装置。 - 前記受信部により検波される電波がパルスであり、
前記予測部は、パルスの繰り返し周期の頻度分布を示す分布情報を参照して、前記受信部により検波されるパルスの繰り返し周期を特定し、特定した繰り返し周期で決まる時刻の特徴量をそれぞれ予測することを特徴とする請求項1記載の電波探知装置。 - 前記仮説生成部は、前記分布推定部により推定された頻度分布を用いて、仮説を生成することを特徴とする請求項1記載の電波探知装置。
- 前記仮説生成部は、既に生成している1つ以上の仮説のうち、前記仮説評価部により算出された仮説信頼度が閾値以下の仮説を削除することを特徴とする請求項1記載の電波探知装置。
- 前記受信部により検波される電波がパルスであり、
前記仮説生成部は、前記パルスの繰り返し周期が固定の送信源についての仮説と、前記パルスの繰り返し周期が変動する送信源についての仮説とを生成することを特徴とする請求項1記載の電波探知装置。 - 前記仮説選択部は、選択した仮説に基づいて、送信源から送信された電波が、どの送信源から送信された電波であるかを示す確率である隠れ変数の出現確率を算出し、
前記分布推定部は、前記仮説選択部により算出された隠れ変数の出現確率を初期値として用いて、前記特徴量抽出部により抽出された複数の特徴量のクラスタリングを実施し、1つ以上の特徴量が属するクラス毎に、当該クラスに属している1つ以上の特徴量の頻度分布をそれぞれ推定することを特徴とする請求項1記載の電波探知装置。 - 前記分布推定部は、前記特徴量抽出部により抽出された複数の特徴量が時間変化することを考慮して、前記特徴量抽出部により抽出された複数の特徴量の頻度分布を推定することを特徴とする請求項1記載の電波探知装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2017/027448 WO2019021459A1 (ja) | 2017-07-28 | 2017-07-28 | 電波探知装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6400251B1 true JP6400251B1 (ja) | 2018-10-03 |
JPWO2019021459A1 JPWO2019021459A1 (ja) | 2019-07-25 |
Family
ID=63708683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018518541A Active JP6400251B1 (ja) | 2017-07-28 | 2017-07-28 | 電波探知装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200182919A1 (ja) |
EP (1) | EP3647809A4 (ja) |
JP (1) | JP6400251B1 (ja) |
CA (1) | CA3069794A1 (ja) |
WO (1) | WO2019021459A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022102136A1 (ja) | 2020-11-16 | 2022-05-19 | 三菱電機株式会社 | 目標距離推定装置、電波探知装置、及び目標距離推定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005214842A (ja) * | 2004-01-30 | 2005-08-11 | Mitsubishi Electric Corp | 信号分離装置 |
JP2006234674A (ja) * | 2005-02-25 | 2006-09-07 | Mitsubishi Electric Corp | 信号分類装置 |
JP2008256501A (ja) * | 2007-04-04 | 2008-10-23 | Mitsubishi Electric Corp | 信号分析装置 |
US20120280848A1 (en) * | 2011-05-03 | 2012-11-08 | Src, Inc. | Method, system and program product for deinterleaving and classifying arbitrary radar pulse patterns using non-determinsitic finite state automata |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5381150A (en) * | 1993-05-07 | 1995-01-10 | Trw Inc. | Partial intercept LPI (low probability of intercept) reconnaissance system |
JPH1082850A (ja) * | 1996-09-09 | 1998-03-31 | Mitsubishi Electric Corp | パルス列分類装置 |
JP3346326B2 (ja) * | 1999-03-16 | 2002-11-18 | 三菱電機株式会社 | パルス列分類装置 |
JP3810323B2 (ja) * | 2002-01-28 | 2006-08-16 | 三菱電機株式会社 | 時間差方位検出装置 |
US7133887B2 (en) * | 2003-08-08 | 2006-11-07 | Bae Systems Information And Electronics Systems Integration Inc | Detection and identification of stable PRI patterns using multiple parallel hypothesis correlation algorithms |
JP4987227B2 (ja) * | 2004-12-22 | 2012-07-25 | 三菱電機株式会社 | 信号分類装置 |
-
2017
- 2017-07-28 US US16/630,598 patent/US20200182919A1/en not_active Abandoned
- 2017-07-28 EP EP17919386.7A patent/EP3647809A4/en not_active Withdrawn
- 2017-07-28 JP JP2018518541A patent/JP6400251B1/ja active Active
- 2017-07-28 CA CA3069794A patent/CA3069794A1/en not_active Abandoned
- 2017-07-28 WO PCT/JP2017/027448 patent/WO2019021459A1/ja unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005214842A (ja) * | 2004-01-30 | 2005-08-11 | Mitsubishi Electric Corp | 信号分離装置 |
JP2006234674A (ja) * | 2005-02-25 | 2006-09-07 | Mitsubishi Electric Corp | 信号分類装置 |
JP2008256501A (ja) * | 2007-04-04 | 2008-10-23 | Mitsubishi Electric Corp | 信号分析装置 |
US20120280848A1 (en) * | 2011-05-03 | 2012-11-08 | Src, Inc. | Method, system and program product for deinterleaving and classifying arbitrary radar pulse patterns using non-determinsitic finite state automata |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022102136A1 (ja) | 2020-11-16 | 2022-05-19 | 三菱電機株式会社 | 目標距離推定装置、電波探知装置、及び目標距離推定方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2019021459A1 (ja) | 2019-01-31 |
EP3647809A1 (en) | 2020-05-06 |
JPWO2019021459A1 (ja) | 2019-07-25 |
EP3647809A4 (en) | 2020-06-24 |
US20200182919A1 (en) | 2020-06-11 |
CA3069794A1 (en) | 2019-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199584B (zh) | 一种基于量测存储的航迹起始方法 | |
US8654005B2 (en) | Methods for resolving radar ambiguities using multiple hypothesis tracking | |
CN106291534B (zh) | 一种改进的航迹确认方法 | |
CN114114192B (zh) | 集群目标检测方法 | |
EP3417311B1 (en) | A method for motion classification using a pulsed radar system | |
JP4549929B2 (ja) | センサ信号処理システム | |
Baser et al. | A novel auxiliary particle PHD filter | |
Grossi et al. | A heuristic algorithm for track-before-detect with thresholded observations in radar systems | |
JP2011203214A (ja) | 目標検出装置及び目標検出方法 | |
Soldi et al. | Online estimation of unknown parameters in multisensor-multitarget tracking: A belief propagation approach | |
WO2017188905A1 (en) | A method for motion classification using a pulsed radar system | |
Ma et al. | Radiation intensity Gaussian mixture PHD filter for close target tracking | |
JP6400251B1 (ja) | 電波探知装置 | |
Tugac et al. | Radar target detection using hidden Markov models | |
JP2004309209A (ja) | センサ信号処理システム | |
JP5036392B2 (ja) | 目標検出装置 | |
JP2010133960A (ja) | アンテナ回転からアンテナ回転にかけてのレーダブリップの多次元時間的運動フィルタリングの方法 | |
JP2018205229A (ja) | 信号追尾装置及び信号追尾方法 | |
JP6513310B1 (ja) | 航跡推定装置及び携帯情報端末 | |
Jishy et al. | A Bayesian track-before-detect procedure for passive radars | |
CN113192110A (zh) | 多目标跟踪方法、装置、设备及存储介质 | |
Bae | Survey of amplitude‐aided multi‐target tracking methods | |
JP5701152B2 (ja) | 追尾装置及びコンピュータプログラム及び追尾方法 | |
JP2004219300A (ja) | 目標追尾装置 | |
JP5623253B2 (ja) | 多目標追尾装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180409 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180409 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180409 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180517 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180529 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180710 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180807 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180904 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6400251 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |