JP6400251B1 - 電波探知装置 - Google Patents

Abstract

特徴量の予測モデルを用いて、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する予測部（１９）と、特徴量抽出部（１２）により抽出された複数の特徴量と予測部（１９）により予測された特徴量とを用いて、受信部（１１）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（１５）とを設ける。

Description

この発明は、電波を送信している送信源を探知する電波探知装置に関するものである。

以下の非特許文献１には、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の特徴量に基づいて、電波を送信している送信源を探知する電波探知装置が開示されている。
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。

J. Liu, H. Meng, Y. Liu, and X. Wang, "Deinterleaving pulse trains in unconventional circumstances using multiple hypothesis tracking algorithm," Signal Process., vol.90, no.8, pp.2581-2593, 2010.

従来の電波探知装置が用いるＭＨＴは、送信源から繰り返し送信されるパルスの特徴量に基づいて仮説を生成する。しかし、送信源から繰り返し送信されるパルスの一部が検波されない状況である探知抜けが生じると、正確な仮説を生成することができず、パルスを送信している送信源の誤探知が発生してしまうことがあるという課題があった。

この発明は上記のような課題を解決するためになされたもので、送信源から繰り返し送信される電波の一部が検波されない状況が生じても、電波を送信している送信源を探知することができる電波探知装置を得ることを目的とする。

この発明に係る電波探知装置は、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、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、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、特徴量抽出部により抽出された複数の特徴量と予測部により予測された特徴量とを用いて、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、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、特徴量抽出部により抽出された複数の特徴量と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、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、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、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、仮説選択部により選択された仮説と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、を備えたものである。

この発明によれば、特徴量の予測モデルを用いて、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、特徴量抽出部により抽出された複数の特徴量と予測部により予測された特徴量とを用いて、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、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、特徴量抽出部により抽出された複数の特徴量と分布推定部により推定された頻度分布とから、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を設け、仮説選択部が、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、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ように構成したので、送信源から繰り返し送信される電波の一部が検波されない状況が生じても、電波を送信している送信源を探知することができる効果がある。

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。 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。 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のコンピュータのハードウェア構成図である。 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。 送信源から繰り返し送信されるパルスの一部が検波されない状況である探知抜けを示す説明図である。 ＰＲＩの頻度分布の一例を示す説明図である。 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。 仮説生成部１５により生成される仮説の一例を示す説明図である。 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に示す仮説に予測特徴量を含めている仮説を示す説明図である。

以下、この発明をより詳細に説明するために、この発明を実施するための形態について、添付の図面に従って説明する。

実施の形態１．
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。

電波探知装置２は、センサ１から出力されたパルスを送信している送信源を探知する装置である。
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、例えば図２に示す特徴量抽出回路３２で実現される。
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、例えば図２に示すデータ蓄積回路３３で実現される。
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、例えば図２に示す仮説生成回路３５で実現される。
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、例えば図２に示す仮説評価回路３６で実現される。
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、例えば図２に示す仮説選択回路３８で実現される。
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、例えば図２に示す予測回路３９で実現される。
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。

図１では、電波探知装置の構成要素である受信部１１、特徴量抽出部１２、データ蓄積部１３、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のそれぞれが、図２に示すような専用のハードウェアで実現されるものを想定している。即ち、受信回路３１、特徴量抽出回路３２、データ蓄積回路３３、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で実現されるものを想定している。

ここで、データ蓄積回路３３は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒy）などの不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、あるいは、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）が該当する。
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。

例えば、電波探知装置の受信部１１を除く構成要素は、専用のハードウェアで実現されるものに限るものではなく、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、ファームウェア、または、ソフトウェアとファームウェアとの組み合わせで実現されるものであってもよい。
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。

図３は、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のコンピュータのハードウェア構成図である。
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。

また、図２では、電波探知装置の構成要素のそれぞれが専用のハードウェアで実現される例を示し、図３では、電波探知装置の受信部１１を除く構成要素が、ソフトウェアやファームウェアなどで実現される例を示しているが、電波探知装置における一部の構成要素が専用のハードウェアで実現され、残りの構成要素がソフトウェアやファームウェアなどで実現されるものであってもよい。

次に動作について説明する。
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（図４のステップＳＴ２）。
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は、仮説選択部１８から出力された１つ以上の仮説と、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複数の時刻の特徴量をそれぞれ予測する（図４のステップＳＴ３）。
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.

次に、予測部１９は、予測した各々の時刻の特徴量と、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判定するゲート判定処理を実施する（図４のステップＳＴ４）。
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Ｌ_ｔｈ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Ｌ_ｔｈ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≦Ｌ_ｔｈ → 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Ｌ_ｔｈ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＞Ｌ_ｔｈ → 相関が無い （２）

ここで、図５は、送信源から繰り返し送信されるパルスの一部が検波されない状況である探知抜けを示す説明図である。
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Ｌ_ｔｈ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。

しかし、２番目のパルスについての特徴量は、特徴量抽出部１２によって抽出されていないため、２番目のパルスについての予測特徴量は、対応する抽出特徴量が存在していない。このため、２番目のパルスについての予測特徴量については、特徴量抽出部１２により抽出されたｉ目のパルスについての抽出特徴量との距離Ｌが算出される。
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Ｌ_ｔｈ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。

この実施の形態１では、予測部１９が、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複数の時刻の特徴量をそれぞれ予測する例を示している。
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。

仮説生成部１５は、特徴量抽出部１２により抽出された各々の時刻の特徴量を用いて、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（図４のステップＳＴ５）。
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は、仮説生成部１５により生成される仮説の一例を示す説明図である。
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５の例では、２番目のパルスが検波されていない状況を示しており、この場合には、図８に示すように、２番目のパルスについての特徴量を含む仮説が生成されない。
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、送信源の誤探知の発生確率を下げるため、さらに、以下に示すような仮説の生成処理を実施する。
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。

以下、仮説生成部１５による仮説の生成処理を具体的に説明する。
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。

ここでは、仮説生成部１５が、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例を示している。
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（図４のステップＳＴ８）。
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し、推定した予測モデルを分布推定部１４及び予測部１９に出力する。
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。

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する。
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。

また、仮説選択部１８は、上位Ｎ個の仮説における仮説信頼度の合計が１になるように、上位Ｎ個の仮説における仮説信頼度を正規化する。
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、上位Ｎ個の仮説の中から、正規化した仮説信頼度が最も高い仮説（以下、最良仮説と称する）を選択し（図４のステップＳＴ９）、最良仮説の仮説信頼度が規定値以上であれば、算出した隠れ変数の出現確率を分布推定部１４に出力する。
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。

分布推定部１４は、仮説選択部１８から出力された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により抽出された特徴量のクラスタリングを実施する。
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。

特徴量のクラスタリング処理は、例えば、電波パルスの周波数、パルス幅、振幅、方位のような特徴量の場合、混合正規分布を用いた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)

具体的には、Mステップの初期値として、隠れ変数の出現確率を仮説の信頼度から以下の式（３）で計算する。
特徴量データｚ_ｎが送信元ｊに属する仮説の番号の集合をＣ_ｊｎとして、仮説番号ｊの仮説信頼度をβ_ｊとすると、特徴量データｚ_ｎが送信元ｉに属する場合の隠れ変数の出現確率γ_ｉｎ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。

Mステップでは、隠れ変数の出現確率から混合正規分布のパラメータである平均μ_ｉｊを以下の式（６）で計算し、混合正規分布のパラメータである分散σ_ｉを以下の式（９）で計算し、混合正規分布のパラメータである混合比π_ｋを以下の式（１０）で計算する。
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、W^ｉ _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、ｎ_ｉは、送信元ｉに属する特徴量データ数、ｚ^ｉは、送信元ｉに属するｎ_ｉ×１のｎ_ｉ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、ｈ_ｊ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ｈ_ｊは、以下の式（８）で表現される。

Ｅステップでは、Mステップで求めたパラメータを用いて、隠れ変数の出現確率γ_ｉｊを以下の式（１１）によって再推定する。
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、μ_ｉｊ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、μ_ｉｊ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μ_ｉｊ，σ_ｉを用いて、μ_ｉｊから統計距離が最も小さい特徴量データｚ_ｉ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、μ_ｉｊ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。

以上で明らかなように、この実施の形態１によれば、特徴量の予測モデルを用いて、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する予測部１９と、特徴量抽出部１２により抽出された複数の特徴量と予測部１９により予測された特徴量とを用いて、受信部１１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１５と、特徴量抽出部１２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１４と、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仮説評価部１６とを設け、仮説選択部１８が、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により検波された電波を送信している送信源を探知するように構成する。これにより、送信源から繰り返し送信される電波の一部が検波されない状況が生じても、電波を送信している送信源を探知することができる効果を奏する。

なお、本願発明はその発明の範囲内において、実施の形態の任意の構成要素の変形、もしくは実施の形態の任意の構成要素の省略が可能である。

この発明は、電波を送信している送信源を探知する電波探知装置に適している。

１ センサ、２ 電波探知装置、１１ 受信部、１２ 特徴量抽出部、１３ データ蓄積部、１４ 分布推定部、１５ 仮説生成部、１６ 仮説評価部、１７ 予測モデル推定部、１８ 仮説選択部、１９ 予測部、２０ 表示部、３１ 受信回路、３２ 特徴量抽出回路、３３ データ蓄積回路、３４ 分布推定回路、３５ 仮説生成回路、３６ 仮説評価回路、３７ 予測モデル推定回路、３８ 仮説選択回路、３９ 予測回路、４０ 表示回路、５１ メモリ、５２ プロセッサ。

Claims (8)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。

Images