CN109001706B - 基于特征值最大化的多个辐射源目标被动直接定位方法 - Google Patents
基于特征值最大化的多个辐射源目标被动直接定位方法 Download PDFInfo
- Publication number
- CN109001706B CN109001706B CN201810734987.8A CN201810734987A CN109001706B CN 109001706 B CN109001706 B CN 109001706B CN 201810734987 A CN201810734987 A CN 201810734987A CN 109001706 B CN109001706 B CN 109001706B
- Authority
- CN
- China
- Prior art keywords
- cost function
- radiation source
- grid
- target
- positioning
- 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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于特征值最大化的多个辐射源目标被动直接定位方法,属于雷达信号处理领域。本发明利用傅里叶变换将观测信号变换到频域,并利用离散化的接收信号量测得到基于特征值最大化的代价函数,然后对目标位置搜索区域划分网格,再计算并保存每个网格点的代价函数值得到代价函数平面,最后再利用图像膨胀算法处理代价函数平面,得到辐射源目标数量及位置。过程中,定位目标的代价函数只与目标位置相关,与辐射源目标的发射信号无关,可处理发射信号未知的辐射源的定位;利用目标提取算法,目标的数量及对应的位置坐标可一次性得到估计,比之依次提取并定位目标的算法更为高效,可应用于多基站无源雷达***中的多辐射源目标定位问题。
Description
技术领域
本发明属于雷达信号处理领域,特别涉及一种基于特征值最大化的多个辐射源目标被动直接定位方法。
背景技术
被动定位技术因其诸多优点如隐蔽性、低功耗等,受到了越来越多的关注。被动定位通常采用几个分布较分散的雷达基站截获目标发射机的发射信号,相比主动雷达,由于雷达自身不需要发射源发射电磁波,因此被动定位也被称为无源定位。目前,正处在研制当中的无源雷达有两种:一种是依靠目标辐射器探测和定位目标,而另一种则利用其它辐射器发射的电磁波来进一步定位目标。对前一种而言,目标本身就是辐射源,它们可能是机载雷达、干扰机和通信设备等;对于后者来说,目标本身不直接发射电磁波,而是当有非合作辐射器发射的电磁波通过目标时,利用从目标反射的电磁波来获取目标数据。
对于第一种情况,也可称之为辐射源定位,较为常用的方法是到达时差定位(timedifference of arrival,TDOA)、到达角定位(angle of arrival,AOA)。它们的基本思路是,首先在各基站接收机中提取出有关辐射源目标发射信号的到达时间或到达角度,再将这些参数传输给处理中心,通过求解方程式的方法估计出目标位置。这种方法虽然传输的数据量小,计算简单,但是在低信噪比条件下其定位精度较低,且多目标定位时存在参数与相应辐射源目标之间进行匹配的问题,无法实现多辐射源目标的高精度定位。
在被动定位的研究中,提出了一种直接定位(direct position determination,DPD)技术引起了广泛关注,其定位性能相比传统的基于TDOA,AOA等两步定位方法有明显的优势。当目标的发射信号完全未知时,DPD方法通过构造基于特征值最大化的代价函数的方法实现了单个辐射源目标的定位,仿真显示其定位性能仍然优于传统的两步定位方法,称这种方法为DPD-unknown方法。但是,该种定位方法只能解决单目标定位问题,无法适用于多个未知信号辐射源的定位问题。
发明内容
为了解决现有技术中定位目标精度差以及无法定位多个目标的问题,本发明提出了一种基于特征值最大化的多个辐射源目标被动直接定位方法,利用傅里叶变换将观测信号变换到频域,并利用离散化的接收信号量测得到基于特征值最大化的代价函数,然后对感兴趣的目标位置搜索区域划分网格,再计算并保存每个网格点的代价函数值得到代价函数平面,最后再利用图像膨胀算法处理代价函数平面,得到辐射源目标数量及位置的估计值。
一种基于特征值最大化的多个辐射源目标被动直接定位方法,包括以下步骤:
步骤1,初始化***参数,其中,所述参数包括接收机个数、各接收机位置、采样间隔及目标数量;
步骤2,读取各接收机的量测,对量测进行采样,得到数个离散的量测向量;
步骤3,对所述量测向量进行傅里叶变换,得到频域中的各量测的表达形式;
步骤4,划分目标位置搜索区间;
步骤5,计算并保存各网格点处的代价函数值,得到全局代价函数平面;
步骤6,应用目标提取算法处理所述全局代价函数平面,基于门限处理准则,得到目标数量及其位置。
进一步地,所述目标提取算法为图像膨胀算法。
进一步地,所述门限处理准则为CFAR准则。
进一步地,所述步骤5包括以下流程:
步骤51,选取一个网格点,计算并保存该网格点处的代价函数值;
步骤52,判断数据平面上所有网格点是否已经被遍历;
步骤53,若数据平面上的所有网格点未被全部遍历,返回步骤51;
步骤54,若数据平面上的所有网格点已经被遍历,保存全局代价函数平面,进入步骤6。
进一步地,所述步骤51包括以下流程:
步骤511,计算与网格点处所对应的时延;
步骤512,构造相关向量;
步骤513,计算网格点处的基于特征值最大化的代价函数值。
进一步地,所述步骤6包括以下流程:
步骤61,将全局代价函数平面对应的图像与核进行卷积,计算核覆盖的区域中的网格点处的代价函数值最大值,并把所述最大值赋值给核覆盖的所有网格点;
步骤62,将处理后的图像,与原图像进行对比,搜寻原图像与处理后图像值相等的网格点;
步骤63,基于门限处理准则,提取出局部极大值对应的网格点,得到局部极值点的个数和对应位置,从而得到目标数量及其位置。
本发明的有益效果:本发明提供了一种基于特征值最大化的多个辐射源目标被动直接定位方法,基于直接定位算法,定位目标的代价函数只与目标位置相关,与辐射源目标的发射信号无关,因此发射信号的形式可以忽略,即可以处理发射信号未知的辐射源的定位;结合目标提取算法处理得到的代价函数平面,可得目标数量及位置的估计值;利用目标提取算法(图像膨胀算法),目标的数量及对应的位置坐标可一次性得到估计,相比于依次提取并定位目标的算法更为高效。本发明可以应用于解决现有的多基站无源雷达***中的多辐射源目标定位问题。
附图说明
图1为本发明实施例的流程图。
图2为图1中步骤5的流程图。
图3为图2中步骤51的流程图。
图4为图1中步骤6的流程图。
具体实施方式
本发明主要采用计算机仿真的方法进行验证,所有步骤、结论都在MATLAB-R2016a上验证正确。
下面结合附图对本发明的实施例做进一步的说明。
请参阅图1,本发明提出的一种基于特征值最大化的多个辐射源目标被动直接定位方法,通过以下步骤实现:
步骤1,初始化***参数,其中,所述参数包括接收机个数、各接收机位置、采样间隔及目标数量。
本实施例中,初始化的参数包括雷达接收机的个数L,如L=5,雷达接收机的位置,采样周期Ts,如Ts=10-7s,目标个数G,如G=3。
步骤2,读取各接收机的量测,对量测进行采样,得到数个离散的量测向量。
本实施例中,从各雷达接收机中读取量测,信号观测时间为T,对量测进行采样,得到L个离散的量测向量rl,rl=[rl[0],rl[1],...,rl[Ns-1]],l=1,2,...,L。其中,Ns为量测样本个数。
步骤3,对所述量测向量进行傅里叶变换,得到频域中的各量测的表达形式。
步骤4,划分目标位置搜索区间。
步骤5,计算并保存各网格点处的代价函数值,得到全局代价函数平面。
请参阅图2,步骤5通过以下流程实现:
步骤51,选取一个网格点ηg,grid=(xgrid,ygrid),g=1,...,G,计算并保存该网格点处的代价函数值。
本实施例中,重复进行步骤51,直到全部网格点被遍历,得到全局代价函数平面。
步骤52,判断数据平面上所有网格点是否已经被遍历。
步骤53,若数据平面上的所有网格点未被全部遍历,返回步骤51。
步骤54,若数据平面上的所有网格点已经被遍历,保存全局代价函数平面,进入步骤6。
请参阅图3,步骤51中,计算代价函数值的步骤如下:
步骤511,计算与网格点ηg,grid处所对应的时延τl(ηg,grid)以及相关的量bl,g(m),其表达式如下:
g=1,...,G,0≤m≤Ns-1.
步骤512,构造如下相关向量。
U=BHB,
步骤513,计算网格点处的基于特征值最大化的代价函数值。
F(ηg,grid)=λmax(U)
其中,U为包含位置信息的数据矩阵,λmax(U)表示数据矩阵U的最大特征值。
步骤6,应用目标提取算法处理所述全局代价函数平面,基于门限处理准则,得到目标数量及其位置。
请参阅图4,步骤6通过以下流程实现:
步骤61,将全局代价函数平面对应的图像与核进行卷积,计算核覆盖的区域中的网格点处的代价函数值最大值,并把最大值赋给核覆盖的所有网格点。
本实施例中,采用的目标提取算法为图像膨胀算法,将图像(对应于得到的全局代价函数平面)与核进行卷积(核可以是任何的形状和大小,它拥有一个单独定义出来的参考点,多数情况下,核是一个小的中间带有参考点和实心正方形或者圆盘),即计算核覆盖的区域中的网格点处的代价函数值最大值,并把这个最大值赋给核覆盖的所有网格点。
步骤62,得到进行膨胀处理后的图像,与原图像进行对比,搜寻原图像与处理后图像值相等的网格点。
步骤63,基于门限处理准则,提取出局部极大值对应的网格点,得到局部极值点的个数和对应位置,从而得到目标数量及其位置。
本实施例中,采用的门限处理准则为CFAR准则。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于特征值最大化的多个辐射源目标被动直接定位方法,其特征在于,包括以下步骤:
步骤1,初始化***参数,其中,所述参数包括接收机个数、各接收机位置、采样间隔及目标数量;
步骤2,读取各接收机的量测,对量测进行采样,得到数个离散的量测向量;
步骤3,对所述量测向量进行傅里叶变换,得到频域中的各量测的表达形式;
步骤4,划分目标位置搜索区间;
步骤5,计算并保存各网格点处的代价函数值,得到全局代价函数平面;包括以下流程:
步骤51,选取一个网格点,计算并保存该网格点处的代价函数值;包括以下流程:
步骤511,计算与网格点处所对应的时延;计算与网格点ηg,grid处所对应的时延τl(ηg,grid)以及相关的量bl,g(m),其表达式如下:
g=1,...,G,0≤m≤Ns-1
步骤512,构造如下相关向量:
U=BHB,
步骤513,计算网格点处的基于特征值最大化的代价函数值:
F(ηg,grid)=λmax(U)
其中,U为包含位置信息的数据矩阵,λmax(U)表示数据矩阵U的最大特征值;
步骤52,判断数据平面上所有网格点是否已经被遍历;
步骤53,若数据平面上的所有网格点未被全部遍历,返回步骤51;
步骤54,若数据平面上的所有网格点已经被遍历,保存全局代价函数平面,进入步骤6;
步骤6,应用目标提取算法处理所述全局代价函数平面,基于门限处理准则,得到目标数量及其位置。
2.如权利要求1所述的基于特征值最大化的多个辐射源目标被动直接定位方法,其特征在于,所述目标提取算法为图像膨胀算法。
3.如权利要求1所述的基于特征值最大化的多个辐射源目标被动直接定位方法,其特征在于,所述门限处理准则为CFAR准则。
4.如权利要求1所述的基于特征值最大化的多个辐射源目标被动直接定位方法,其特征在于,所述步骤6包括以下流程:
步骤61,将全局代价函数平面对应的图像与核进行卷积,计算核覆盖的区域中的网格点处的代价函数值最大值,并把所述最大值赋值给核覆盖的所有网格点;
步骤62,将处理后的图像,与原图像进行对比,搜寻原图像与处理后图像值相等的网格点;
步骤63,基于门限处理准则,提取出局部极大值对应的网格点,得到局部极值点的个数和对应位置,从而得到目标数量及其位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734987.8A CN109001706B (zh) | 2018-07-06 | 2018-07-06 | 基于特征值最大化的多个辐射源目标被动直接定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810734987.8A CN109001706B (zh) | 2018-07-06 | 2018-07-06 | 基于特征值最大化的多个辐射源目标被动直接定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109001706A CN109001706A (zh) | 2018-12-14 |
CN109001706B true CN109001706B (zh) | 2021-02-09 |
Family
ID=64599212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810734987.8A Active CN109001706B (zh) | 2018-07-06 | 2018-07-06 | 基于特征值最大化的多个辐射源目标被动直接定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109001706B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161475A (zh) * | 2019-05-30 | 2019-08-23 | 杭州电子科技大学 | 一种时钟偏差下多发多收外辐射源雷达双基距定位方法 |
CN111812582B (zh) * | 2020-06-23 | 2023-09-29 | 南京航空航天大学 | 一种基于分布式无人机移动监测的干扰源直接定位方法 |
CN112180328B (zh) * | 2020-09-29 | 2022-09-30 | 中国船舶重工集团公司第七二四研究所 | 一种基于交叉定位及特征搜索的被动定位方法 |
CN116203501B (zh) * | 2023-04-27 | 2024-01-05 | 中国人民解放军战略支援部队航天工程大学 | 基于频域互模糊函数插值映射辐射源无源定位方法和设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076594B (zh) * | 2012-12-31 | 2015-01-28 | 东南大学 | 一种基于互相关的水声脉冲信号双阵元定位的方法 |
CN105974362B (zh) * | 2016-04-29 | 2018-10-16 | 电子科技大学 | 一种联合估计信号参数和位置的高精度被动定位方法 |
CN106125059B (zh) * | 2016-07-18 | 2018-04-17 | 电子科技大学 | 非参数联合估计信号及位置的被动定位方法 |
CN106371078B (zh) * | 2016-08-16 | 2018-06-26 | 电子科技大学 | 基于发射波形和位置联合估计的多发射源被动定位方法 |
-
2018
- 2018-07-06 CN CN201810734987.8A patent/CN109001706B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109001706A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109001706B (zh) | 基于特征值最大化的多个辐射源目标被动直接定位方法 | |
CN107132505B (zh) | 直达与非直达混合场景中的多目标直接定位方法 | |
Tobias et al. | Probability hypothesis density-based multitarget tracking with bistatic range and Doppler observations | |
US20160011292A1 (en) | System and Method for Determining Angle | |
Rabaste et al. | Detection–localization algorithms in the around-the-corner radar problem | |
CN106468771B (zh) | 一种低可观测高杂波条件下的多目标检测与跟踪方法 | |
CN108776342A (zh) | 一种高速平台sar慢速动目标检测与速度估计方法 | |
CN101644760B (zh) | 一种适用于高分辨阵列的快速鲁棒的信源个数检测方法 | |
CN104142496A (zh) | 基于连通域划分的统计mimo雷达多目标定位方法 | |
Hamdollahzadeh et al. | Moving target localization in bistatic forward scatter radars: Performance study and efficient estimators | |
CN106371078B (zh) | 基于发射波形和位置联合估计的多发射源被动定位方法 | |
CN109521418B (zh) | 基于干涉场的地基雷达测角方法 | |
Ma et al. | Joint TDOA and FDOA estimation for interleaved pulse trains from multiple pulse radiation sources | |
CN116930963A (zh) | 一种基于无线通信***的穿墙成像方法 | |
Kim et al. | Deep-learning based multi-object detection and tracking using range-angle map in automotive radar systems | |
Cao et al. | A novel CFAR algorithm for multi-target detection with FMCW radar | |
Tang et al. | Multipath maximum likelihood probabilistic multihypothesis tracker for low observable targets | |
Zhao et al. | Multipath TDOA and FDOA estimation in passive Bistatic radar via multiple signal classification | |
Yan et al. | Robust Target Localization for Multistatic Passive Radar Networks | |
CN115166785A (zh) | 一种基于三接收机钟差单差的导航欺骗式干扰检测方法 | |
CN108318857B (zh) | 基于分数阶傅里叶变换的多个非合作发射源被动定位方法 | |
Vincent et al. | Doppler-aided position estimation for HS-GNSS | |
Luo et al. | An effective multipath ghost recognition method for sparse MIMO radar | |
CN106371088B (zh) | 基于clean的多个非合作发射源被动定位方法 | |
CN112924928A (zh) | 一种基于路径分离的室内Wi-Fi多人检测方法 |
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 |