CN108152789B - 利用rss信息的无源多站多目标数据关联与定位方法 - Google Patents

Abstract

本发明属于电子对抗技术领域，具体的说是一种利用RSS信息的无源多站多目标数据关联与定位方法。本发明在是在利用多个接收站接收的来自不同辐射源发射信号的信号强度，对多个站的多个接收数据进行关联时，针对出现虚假目标和真实目标交叉点，所提出的解决方法：首先采用多目标数据关联算法，将多个接收站的多个信号接受强度数据进行关联，根据多站多目标数据的关联，对于所得到的代价矩阵，采用自适应k‑medoids聚类算法估计出目标坐标。

Description

利用RSS信息的无源多站多目标数据关联与定位方法

技术领域

本发明属于电子对抗技术领域，具体涉及一种无源定位中基于接收信号强度(Received Signal Strength,RSS)的多传感器多目标数据融合方法。

背景技术

电子侦察过程，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。在无源定位***中，其中基于RSS信息的定位方法由于对传输带宽要求低，无需额外硬件的优点得到广泛应用。基于RSS目标定位方法利用了接收信号强度和路径衰减的关系，可以实现对单目标的定位。但针对多站多目标定位时该方法会面临多数据关联问题和如何去除多站数据关联产生的鬼影点即虚假目标问题。同时，鬼影点的个数会随着目标个数的增加而呈现出几何级数的增长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。

数据聚类是在无标记样本的条件下将数据分组，从而发现数据的天然结构，在数据分析中扮演了重要的角色。基于划分的聚类方法是一种被广泛研究和应用的数据聚类方法，其中k-means算法被选为数据挖掘领域的十大算法之一。但是在实际情况下，k-means由于需要诸如类别个数等先验信息、对离群点敏感等问题而有所缺点，于是国内外学者研究出类k-means算法，其中k-medoids算法是一种比k-means算法能更好处理离群点的算法，同时，于k-means算法不同是，k-medoids算法只选取真实的数据点作为中心点，而k-means算法中的中心点被设定为当前簇中所有数据点的平均值，是一个虚拟点，相比簇均值，真实的数据点受到离群点的影响会更小一点。以k-medoids算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

本发明的目的，就是针对上述问题，提出了一种结合多辐射源数据关联和自适应k-medoids两种算法相结合来实现基于RSS信息的无源多站多目标数据融合，从而完成目标位置估计。。

本发明所采用的技术方案为：

基于RSS信息的无源多站多目标数据融合，所述的是在利用多个接收站接收的来自不同辐射源发射信号的信号强度，对多个站的多个接收数据进行关联时，针对出现虚假目标和真实目标交叉点，所提出的解决方法。基于RSS信息的无源多站多目标定位示意图如图1所示，为简单起见，图1只给出了两个接收站在对两个目标进行交叉定位时的鬼影位置和真实目标所在的位置。

基于RSS信息实现定位的原理是：以目标1为例，设目标1的坐标为(x_m,y_n)，距接收站1、2的距离分别为接收站1、2接收目标1发射信号的接收功率分别为 则有经典的强度-距离损耗公式：

P_r＝P₀-10βlg(d/d₀)

计算可得到其中，P_r表示接收强度，P₀表示在参考传输距离为d₀处的接收强度，d为信号传输距离。β为路径衰减指数，一般介于2至5之间，自由空间通常取为2。再由公式：

计算可得到目标1的坐标(x_m,y_n)。以上是针对单个目标定位的解决方法，但是当涉及多个接收站对对多个目标定位时，还需要考虑多个目标的数据的关联问题，即不同接收站的哪些数据是来自同一个目标，多数据关联即会出现多个鬼影点，即虚假目标。

鬼影点是由两接收站分别对两个不同的真实目标信号接收强度的错误关联组合得到的，所以鬼影点的个数会随着目标个数的增加而呈现出几何级数的增长，当真实目标个数为n时，鬼影点的个数则为n²-n。要剔除鬼影点，减少鬼影点对真实目标定位的影响，首先要做的是多站多目标数据关联，然后在进行多目标定位，所以发明如下算法：

首先采用多目标数据关联算法，将多个接收站的多个信号接受强度数据进行关联，算法路程图如图2所示，具体做法如下：

S1、假设目标和接收站都位于XOY平面上，设接收站的位置坐标为(x_k,y_k)，其中k＝1,2,...K,K是接收站总数，每个接收站所接收的信号强度为：

其中j＝1,2...J,J是目标总数，表示测量噪声。

S2、将目标平面划分为M×N范围的网格，每个格点代表目标平面中的一个位置坐标((x_m,y_n)，其中m＝1,2,...M,n＝1,2,...N，遍历网格平面中的每个网格点，假设每个点上都有一个目标发出信号，计算每个接收站接收到的每个点上的接收强度：

S3、计算每个搜索点(x_m,y_n)相对于接收站的RSS值接收站所接收到的真实RSS值之间的误差

其中，k＝1,2,...K,K是接收站总数，j＝1,2...J,J是目标总数，m＝1,2,...M,n＝1,2,...N。

S4、计算由每次搜索点与真实值之间的总误差，组成代价矩阵C(m,n)：

其中，k＝1,2,...K,K是接收站总数，m＝1,2,...M,n＝1,2,...N。

S5、S1～S4即完成了多站多目标数据的关联，对于所得到的代价矩阵C(m,n)，采用自适应k-medoids聚类算法估计出目标坐标。

进一步的，所述执行步骤S5中自适应k-medoids聚类算法流程图如图3所示，具体如下：

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包含n个对象的数据库X；

S7、自适应聚类个数为J(目标总数)，随机选择J个代表对象作为初始中心点；

S8、将数据库中其余每个非代表对象指派到距离其最近的代表对象所属的簇，即对于数据集中的其他每一个点，计算它与每个聚类中心(指已选择的初始中心)的距离D(x_j),j＝1,2...J，将其分配到最小的D(x_j)值对应的代表对象所属的簇。

S9、剔除步骤S8中空簇集合；

S10、在每个簇集合中随机选取一个非代表对象O_r，计算用O_r替代其所属簇中的代表对象O_j所产生的代价S，即计算各簇集合中，距簇内各样本点距离的总的绝度误差构成总代价S；

S11、如果O_r对应的S最小，则由O_r替代O_j构成新的簇集合，作为新的中心点；

S12、重复S7～S11，直到形成的簇集合的中心点不再发生变化。

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为基于RSS信息多站多目标定位示意图；

图2为多目标数据关联算法流程图；

图3为自适应k-medoids聚类算法流程图；

图4为定位模型图；

图5为多目标数据关联后的目标分布图；

图6为理想情况下定位正确率随门限大小变化曲线图；

图7为定位正确率随误差变化曲线图；

图8为定位性能RMSE值随误差变化曲线图；

图9为定位正确率随目标间距变化曲线图；

图10为定位性能RMSE值随目标间距变化曲线图。

具体实施方式

下面结合附图对上述基于RSS信息的无源多站多目标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.接收站和目标都在XOY平面内；

2.所有的工程误差都叠加到RSS值测量误差中；

3.假设目标静止或运动速度极低；

4.P₀＝1W，β＝2，d₀＝1m；

5.搜索间隔为0.5km；

如图4所示，假设目标区域为50km×50km的方形区域，利用4个固定接收站对4个目标进行数据关联并且定位，接收站采用最优布局，即在目标区域的4个方向，坐标分别为(0,0)，(0,50)，(50,0)，(50,50)，单位为km，目标平行与X轴分布，目标位置为[20+(i-1)*R,30],i＝1,2,3,4，单位为km，其中R为目标间距。所有接收站的测量误差服从均值为零的高斯分布，且误差之间相互独立。1000次Monte Carlo仿真后得出多站数据关联效果和定位效果。

多站多目标数据关联效果：

如图5所示，对多个站所观测到的关于各个目标的RSS信息进行关联后，从图中可以看出有4个明显的谱峰，可以认为这4个明显的谱峰对应的位置正是4个目标位置，由此可以知算法能够准确的将各个接收站接收的信号进行正确关联，从而能够减少鬼影点对后续定位的影响。

自适应k-medoids聚类算法定位效果：

仿真情况1：目标间距为5km，门限为0:0.5:2.5，单位km，测量误差为0.1dbm；

研究理想情况时，该算法在不同门限值下的定位正确率。由于在观测过程中始终存在测量误差，因此当目标估计位置与目标真实位置之间的距离小于某一门限时，可以认为已经获得正确的定位结果。假设目标呈分散分布，在RSS值测量误差非常小几乎可以忽略不计，由图6可以看出，在理想情况下，即目标间距5km，测量误差为0.1dbm时，该算法在估计位置和真实位置之间的距离差为0.5km时就可以达到很高的正确率。

仿真情况2：目标间距R为5km，门限为2km，测量误差为0～20，单位dbm；

在此情况下，假设真实目标位置与估计目标位置之间的距离差小于2km时即表示目标位置估计正确，依次增加各个站测量误差，得到该算法下测量误差对定位正确率的影响。由图7可以看出，当误差逐渐增大时，定位正确率也逐渐下降，当测量误差在0～10dbm之间时，正确率曲线下降速度快，10dbm以后曲线变化平缓。同时由图8可以看出，随着误差的增加，其对应的平均距离相对误差逐渐增加，误差在0～10dbm曲线呈陡峭上升趋势，10dbm以后曲线变化缓慢。图7和图8说明在误差允许的范围内，该算法对实现多站多目标测量数据关联以及定位可行。

仿真情况3：目标间距R为1～5km，门限为0.5km，测量误差为0.1dbm；

在此情况下，假设真实目标位置与估计目标位置之间的距离小于0.5km时即表示目标位置估计正确，依次增加目标之间的距离，得到该算法下目标间距对定位正确率的影响。由图9可以看出，当目标间距逐渐增大时，定位正确率也逐渐增加，当目标间距为4km时定位正确率极高，同时图10可以看出平均距离相对误差随着间距的增加逐渐减小。说明在误差允许的范围内，该算法对实现多站多目标测量数据关联以及定位可行。

Claims (1)

1.利用RSS信息的无源多站多目标数据关联与定位方法，其特征在于，包括：

采用多目标数据关联算法，将多个接收站的多个信号接收强度数据进行关联，具体为：

S1、假设目标和接收站都位于XOY平面上，设接收站的位置坐标为(x_k,y_k)，其中k＝1,2,...K,K是接收站总数，每个接收站所接收的信号强度为：

其中为接收信号的强度，P₀为参数传输距离为d₀处的信号接收强度，为信号传输距离，β为路径衰减指数，j＝1,2...J,J是目标总数，表示测量噪声；

S2、将目标平面划分为M×N范围的网格，每个格点代表目标平面中的一个位置坐标(x_m,y_n)，其中m＝1,2,...M,n＝1,2,...N，遍历网格平面中的每个网格点，假设每个点上都有一个目标发出信号，计算每个接收站接收到的每个点上的接收强度：

S3、计算每个搜索点(x_m,y_n)相对于接收站的RSS值和接收站所接收到的真实RSS值之间的误差

S4、计算由每次搜索点与真实值之间的总误差，组成代价矩阵C(m,n)：

S5、S1～S4即完成了多站多目标数据的关联，对于所得到的代价矩阵C(m,n)，采用自适应k-medoids聚类算法估计出目标坐标，具体包括：

S51、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包含n个对象的数据库X；

S52、自适应聚类个数为J，即目标总数，随机选择J个代表对象作为初始中心点；

S53、将数据库中其余每个非代表对象指派到距离其最近的代表对象所属的簇，即对于数据集中的其他每一个点，计算它与每个聚类中心，即已选择的初始中心的距离D(x_j),j＝1,2...J，将其分配到最小的D(x_j)值对应的代表对象所属的簇；

S54、剔除步骤S53中空簇集合；

S55、在每个簇集合中随机选取一个非代表对象O_r，计算用O_r替代其所属簇中的代表对象O_j所产生的代价S，即计算各簇集合中，距簇内各样本点距离的总的绝度误差构成总代价S；

S56、如果O_r对应的S最小，则由O_r替代O_j构成新的簇集合，作为新的中心点；

S57、重复S51～S56，直到形成的簇集合的中心点不再发生变化。