CN108061877A - 一种基于角度信息的无源多站多目标测向交叉定位方法 - Google Patents

Abstract

本发明属于电子对抗技术领域，具体的说是涉及一种基于角度信息的无源多站多目标测向交叉定位方法。本发明的方法首先采用多辐射源数据关联算法，将多个观测站的观测数据进行关联得到代价矩阵C(p,q)，再根据获得的代价矩阵C(p,q)，采用k‑均值++聚类算法估计出目标坐标。本发明的有益效果为，本发明可以准确对多站数据完成关联，并最终准确估计出目标的位置，方法简单，效果良好。

Description

一种基于角度信息的无源多站多目标测向交叉定位方法

技术领域

本发明属于电子对抗技术领域，具体的说是涉及一种基于角度信息的无源多站多目标测向交叉定位方法。

背景技术

在电子侦察过程中，准确估计目标辐射源位置有助于获取辐射源信息，是做好高层次上的态势估计和威胁估计的关键和主要依据，也是对目标实现精准打击的重要保证。随着电磁环境不断复杂化，定位的要求也不断提高，国内外学者对测向交叉定位的研究也在不断深入。在无源定位***中，测向交叉定位是伴随着电子对抗活动而产生的，是无源定位中运用最广泛、研究时间最长的一种定位方法。目前，多站多目标测向交叉定位面临如下问题：1)采用多站协同定位时，如何分清各个被动站的测量数据中哪些是来源于同一目标的，并把属于同一目标的测量数据组合起来(即完成测量数据关联)，然后才能进行目标定位；如果关联不正确就会出现虚假目标；2)随着目标数量的增加，多个无源观测站会产生大量的虚假交叉点，如何快速高效的剔除虚假交叉点。诸如此类的问题，使得获得的目标数目估计和位置的估计之间存在较大的偏差，因此需要有新的方法，针对性的解决这类问题。

k-均值++算法是一种针对基于划分的聚类问题的初始化方法，能有效地解决关于聚类初始值的选取问题，是改进的k-均值算法。由于利用k-均值算法进行数据聚类需要知道聚类个数和初始聚类中心点，而在实际情况中，聚类个数和初始聚类中心点往往是不能提前知道的，所以提出了k-均值++的算法来解决关于初始中心的问题，目前已经成为一种硬聚类算法的标准，但以k-均值++聚类方法为代表的聚类算法在无源定位中的研究目前还很少，是值得研究的一个方向。

发明内容

针对上述问题，本发明提出了一种结合多辐射源数据关联和k-均值++聚类两种算法来实现多站多目标测向交叉定位。

本发明采用的技术方案是：

一种结合多辐射源数据关联和k-均值++聚类两种算法来实现多站多目标定位的方法，所述的是在利用多站测向交叉定位中，针对的是虚假目标和真实目标交叉点。测向交叉法中多站多目标定位模型如图1所示。

已知观测站1、观测站2和观测站3的坐标分别为：(x₁,y₁)、(x₂,y₂)、(x₃,y₃)，辐射源1和辐射源2的坐标未知。假设3个观测站分别观测到辐射源1的方位角为θ_1,1,θ_2,1,θ_3,1，设辐射源1的坐标为(x_p,y_q)，那么由公式：

即可求出辐射源1的坐标，这里n_i为第i个观测站的角度测量误差。

但是这是单个目标的定位问题，当空间出现多个目标时，每个观测站观测到多个方位角，这时就涉及到每个观测站方位角关联问题，即哪几个方位角是观测的同一个目标，如果数据关联错误，就会出现如图1所示的虚假目标，造成定位错误。对于这种情况，本发明采用以下方法：

一种基于角度信息的无源多站多目标测向交叉定位方法，其特征在于，包括以下步骤：

a、采用多辐射源数据关联算法，将多个观测站的观测数据进行关联，具体包括：

S1、假设辐射源和观测站都位于XY平面上，已知观测站的位置坐标(x_k,y_k),k＝1,2,...K，其中K是观测站总数，各观测站所有的有测量误差的观测方位角为其中J是辐射源总数；

S2、将目标平面划分为P×Q范围的网格，每个网格点代表目标平面中一个位置坐标(x_p,y_q)，其中p＝1,2,...,P,q＝1,2,...,Q，遍历网格平面中每个网格点，计算点(x_p,y_q)相对于每个观测站的方位角：

其中：k＝1,2,...K，K是观测站总数；

S3、计算每个搜索点(x_p,y_q)相对于观测站的方位角α_k ^(p,q)与观测站所观测得到的方位角之间的误差e_k ^(p,q)：

其中：k＝1,2,...K，j＝1,2,...J；

S4、计算由每次搜索得到的总误差组成的代价矩阵C(p,q)：

其中：k＝1,2,...K，p＝1,2,...,P,q＝1,2,...,Q；

b、根据获得的代价矩阵C(p,q)，采用k-均值++聚类算法估计出目标坐标，具体包括：

S6、数据预处理：将代价矩阵中大于阈值的数据剔除，把剩下所有数据在矩阵中所对应的索引作为元素组成新的数据集X；

S7、把新的数据集X当作算法输入集合，从中随机选择一个点x作为第一个聚类中心；

S8、对于数据集中的其他每一个点，计算它与最近聚类中心的距离D(x)；

S9、选择一个新的数据点作为新的聚类中心，选择的原则是：较大D(x)对应的点，被选取作为聚类中心的概率较大；

S10、重复S7-S9直到J个聚类中心被选出来，可知这J个中心即为目标的估计位置。

进一步的，所述步骤S8的具体方法为：

S81、对于计算的每个距离D(x)，保存在一个数组里，然后把这些距离加起来得到sum(D(x))；

S82、取一个能落在sum(D(x))中的随机值Random，当算法取值sum(D(x))*Random时，该值会以较大的概率落入D(x)较大的区间中，此时D(x)对应的点会以较大的概率被选中作为新的聚类中心。

本发明的有益效果为，本发明可以准确对多站数据完成关联，并最终准确估计出目标的位置，方法简单，效果良好。

附图说明

图1为多站时差定位模型图；

图2为多辐射源数据关联算法流程图；

图3为k-均值++算法流程图

图4为多目标伪谱峰图；

图5为定位结果图；

图6为定位正确率随门限变化曲线图；

图7为定位正确率随测距误差变化曲线图。

具体实施方式

下面结合实施例对本发明进行详细的描述：

实施例

本例利用matlab对上述无源多站多目标测向交叉定位算法方案进行验证，为简化起见，对算法模型作如下假设：

1.所有观测站和目标都在XY平面内；

2.所有观测站具有相同的测向精度；

3.所有的工程误差都叠加到测向误差中；

4.假设目标静止或运动速度极低；

设目标区域为200km×200km的方形区域，分布6个辐射源，坐标分别为：(135,148.8)，(173,191)，(74.01,193.99)，(84,131)，(23,126.9)，(119,59.71)，单位为km。使用3个固定观测站对上述目标进行定位，3个观测站的坐标分别为(10,10)，(100,30)，(190,10)，单位为km，观测站的测角误差服从均值为零的高斯分布，且3个观测站的测角误差之间相互独立。

多站多目标数据关联效果：

如图4所示，对多个站所观测到的关于各个目标的方位角信息进行关联后，从图中可以看出有6个目标的伪谱峰图，图4即证明6个目标的数据关联正确。

k-均值聚类效果：

k-均值聚类实现目标定位，在测角误差非常小几乎可以忽略不计的前提下，进行1000次Monte Carlo仿真。

由于在观测过程中始终存在测量误差，且误差服从均值为零、方差为的高斯分布，因此位置应分布在真实位置附近。最终获得的目标根据定位正确率几乎达到100％时所对应的正确定位门限，当获得目标位置与真实位置之间的距离小于门限时，可以认为已经获得正确的定位结果。

为更直观的展现算法的定位效果，图5给出了第500次的定位效果。图中，圆形区域代表认定的正确的定位区域，估计位置位于圆形区域内则认定已经进行了正确的定位，从图5中可以看出，该算法可以实现正确的定位。

同时，由图6可以看出，定位正确率随着门限的增大而逐渐提升，当真实位置和测量位置误差仅有5km时就有很高的关联正确率由此可以确定一个满足条件的正确定位门限。

在正确定位门限的条件下，增加观测站的测角误差，可以得到测角误差对该算法定位正确率的影响，由图7可以看出，当测向误差逐渐增大时，定位正确率也逐渐下降。说明在误差允许的范围内，测向交叉法联合k-均值++算法对实现多站多目标测量数据关联以及定位可行。

Claims (2)

1.一种基于角度信息的无源多站多目标测向交叉定位方法，其特征在于，包括以下步骤：

a、采用多辐射源数据关联算法，将多个观测站的观测数据进行关联，具体包括：

S1、假设辐射源和观测站都位于XY平面上，已知观测站的位置坐标(x_k,y_k),k＝1,2,...K，其中K是观测站总数，各观测站所有的有测量误差的观测方位角为其中J是辐射源总数；

S2、将目标平面划分为P×Q范围的网格，每个网格点代表目标平面中一个位置坐标(x_p,y_q)，其中p＝1,2,...,P,q＝1,2,...,Q，遍历网格平面中每个网格点，计算点(x_p,y_q)相对于每个观测站的方位角：

<mrow> <msup> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mi>a</mi> <mi>r</mi> <mi>c</mi> <mi>t</mi> <mi>a</mi> <mi>n</mi> <mfrac> <mrow> <msub> <mi>y</mi> <mi>q</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>k</mi> </msub> </mrow> <mrow> <msub> <mi>x</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>k</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>

S3、计算每个搜索点(x_p,y_q)相对于观测站的方位角α_k ^(p,q)与观测站所观测得到的方位角之间的误差e_k ^(p,q)：

<mrow> <msup> <msub> <mi>e</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi>min</mi> </mrow> <mi>j</mi> </munder> <mrow> <mo>|</mo> <mrow> <msup> <msub> <mi>&amp;alpha;</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msub> <mover> <mi>&amp;theta;</mi> <mo>^</mo> </mover> <mrow> <mi>k</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> <mo>|</mo> </mrow> <mo>;</mo> </mrow>

S4、计算由每次搜索得到的总误差组成的代价矩阵C(p,q)：

<mrow> <mi>C</mi> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msup> <mrow> <mo>(</mo> <msup> <msub> <mi>e</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow>

b、根据获得的代价矩阵C(p,q)，采用k-均值++聚类算法估计出目标坐标，具体包括：

S6、数据预处理：将代价矩阵中大于阈值的数据剔除，把剩下所有数据在矩阵中所对应的索引作为元素组成新的数据集X；

S7、把新的数据集X当作算法输入集合，从中随机选择一个点x作为第一个聚类中心；

S8、对于数据集中的其他每一个点，计算它与最近聚类中心的距离D(x)；

S9、选择一个新的数据点作为新的聚类中心，选择的原则是：较大D(x)对应的点，被选取作为聚类中心的概率较大；

S10、重复S7-S9直到J个聚类中心被选出来，可知这J个中心即为目标的估计位置。

2.根据权利要求1所述的一种基于角度信息的无源多站多目标测向交叉定位方法，其特征在于，所述步骤S8的具体方法为：

S81、对于计算的每个距离D(x)，保存在一个数组里，然后把这些距离加起来得到sum(D(x))；

S82、取一个能落在sum(D(x))中的随机值Random，当算法取值sum(D(x))*Random时，该值会以较大的概率落入D(x)较大的区间中，此时D(x)对应的点会以较大的概率被选中作为新的聚类中心。