CN110673090A - 基于dbscan的无源多站多目标定位方法 - Google Patents

Abstract

本发明属于电子对抗技术领域，具体涉及一种基于DBSCAN的无源多站多目标定位方法。本发明的方法主要是首先通过联合观测站所测量的相对于目标的角度信息和观测站自身位置信息来确定观测视线，再根据观测视线得到所有视线的交叉点位置通过基于密度的DBSCAN聚类方法找出各个目标附近的交叉点形成的簇，最后通过找到簇的中心位置实现多个目标定位。本发明的有益效果为，本发明可以有效地通过多个观测站测量的角度信息和观测站自身位置对多个目标进行定位估计，方法简单，效果良好。

Description

基于DBSCAN的无源多站多目标定位方法

技术领域

本发明属于电子对抗技术领域，具体涉及一种基于DBSCAN的无源多站多目标定位方法。

背景技术

在现代化的电子信息战争中，最关键之处在于敌我之间电磁空间的争夺以及对对方重点目标的探测与监控，以获取敌方单位的战略部署、平台类型等信息。因此，在电子对抗领域中，无源定位技术由于具备作用距离远、隐蔽接收、抗干扰能力强且不易被对方发觉等诸多优点在提高电子作战能力上发挥着越来越重要的作用。而在无源定位中，利用角度信息进行目标定位是一种运用非常广泛的定位方法。但是在多站多目标的情况下会出现多个虚假目标点，使该定位方法难以实现。

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种比较具有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。因此在无源多站多目标侧向交叉定位中，如果把目标位置看作是多个两两相交的观测线交点的集合，则可通过DBSCAN聚类方法实现目标定位。目前DBSCAN聚类方法在无源定位中研究较少，是一个值得研究的方向。

发明内容

针对上述问题，本发明提出了一种基于DBSCAN的无源多站多目标定位方法。

本发明采用的技术方案是：

一种基于DBSCAN的无源多站多目标定位方法主要通过联合观测站所测量的相对于目标的角度信息和观测站自身位置信息来确定观测视线，从而得到所有观测视线的交叉点位置，即使在存在一定角度测量误差的情况下，目标真实位置附近的交叉点密度仍然最大。所以通过基于密度聚类的DBSCAN方法可以找出各个目标点附近的交叉点集合，计算每个集合中交叉点位置的中心，实现目标定位。

为方便描述，以二维平面为例，假设在二维平面的某一区域上有M个观测站，N个目标，通过观测站对目标的方位角测量，可以得到第m个观测站测量到第n个目标的方位角测量值

其中m＝1,2,...,M,n＝1,2,...,N。由于观测站坐标已知，由方位角信息可唯一确定一条由第m个观测站到第n个目标的观测视线，则可得到M×N条观测视线。对于任意一个观测站到任意一个目标的观测视线，都会存在其余M-1个观测站到所有目标的观测视线与之相交。对于任意两个观测站来说，它们的观测视线的交点一共有N²个，而M个观测站一共有

种两两组合，即对于所有观测视线来说一共有

个交点。假设不存在角度测量误差，则交点的重复度最高即密度最大的点可视为目标的具***置。由于测量误差的存在，在目标真实位置处的视线交点并不会完全重合，而是分布在目标位置附近，得到一个高密度的区域。同时，其它位置会分布一些虚假点，也就是非目标真实位置处视线两两相交形成的交点。

利用所有观测视线两两相交得到的所有交点位置，采用基于密度聚类的DBSCAN算法进行密度聚类，算法具体步骤包括：

输入：样本即所有交叉点位置信息D＝(x₁,x₂,...,x_m)，其中邻域参数(∈,MinPts),∈表示某一交叉点的邻域距离阈值，MinPts描述了某一交叉点的距离为∈的邻域中样本个数的阈值；样本距离度量方式为欧式距离。

1)初始化核心对象集合初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D,簇划分

2)对于j＝1,2,...,m,按下面的步骤找出所有的核心对象：

a)通过距离度量方式，找到样本x_j的∈-邻域子样本集N_∈(x_j)。

b)如果子样本集样本个数满足|N_∈(x_j)|≥MinPts，将样本x_j加入核心对象样本集合：Ω＝Ω∪{x_j}。

3)如果核心对象集合

则算法结束，否则转入步骤4。

4)在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o},初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{o},更新未访问样本集合Γ＝Γ-{o}。

5)如果当前簇核心对象队列

则当前聚类簇C_k生成完毕,更新簇划分C＝{C₁,C₂,...,C_k},更新核心对象集合Ω＝Ω-C_k，转入步骤3。

6)在当前簇核心对象队列Ω_cur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令Δ＝N_∈(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪Δ,更新未访问样本集合Γ＝Γ-Δ,更新Ω_cur＝Ω_cur∪(Δ∩Ω)-o′，转入步骤5。

7)将不属于任何一个簇的异常点删除，然后计算各个簇的直径,其中直径利用簇中两个点之间的最大距离来衡量，将直径大于某个阈值的簇删除即得到最终聚类结果即簇划分C＝{C₁,C₂,...,C_k}。通过求各个簇内所有交叉点的中点位置求得每个目标的定位信息。

输出结果为：多个目标的位置信息(x₁,x₂,...,x_N)。

本发明的有益效果为，本发明可以有效地通过多个观测站测量的角度信息和观测站自身位置对多个目标进行定位估计，方法简单，效果良好。

附图说明

图1为基于DBSCAN的定位算法流程图；

图2为观测站与目标辐射源分布图；

图3为基于8个观测站且角度测量误差为0.1时的观测视线交点分布图；

图4为基于DBSCAN的聚类效果原始图；

图5为基于DBSCAN的最终聚类效果图；

图6为基于8个观测站且角度测量误差为1时的观测视线交点分布图；

图7为基于DBSCAN的聚类效果原始图；

图8为基于DBSCAN的最终聚类效果图。

具体实施方式

下面结合具体实例对本发明进行详细的描述：

本例利用matlab和pathon对上述基于DBSCAN的无源多站多目标定位方法经行验证，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)所有的工程误差都叠加到角度误差中；

3)假设目标静止或运动速度极低；

4)同一个目标的视线分别来自于不同的观测站，不能有同一个辐射源的两条或两条以上的视线来自于同一个观测站；

5)一个观测站的一个测量值只对应于一个目标。

仿真场景一：

假设辐射源区域为100km×80km的长方形区域，利用8个观测站对4个目标辐射源进行数据关联，观测站坐标分别为(10，0)，(20，0)，(30，0)，(40，0)(50，0)，(60，0)，(70，0)，(80，0)单位为km，辐射源坐标为(15，66)，(35，66)，(55，66)，(75，66)，单位为km。观测站与目标分布图如图2所示。其中观测站角度测量误差为0.1。基于上面的假设，求出所有视线两两相交的交点，同时剔除坐标超出一定区域外的杂点，得到如图3所示的交叉点分布图。

仿真场景二：

同样假设辐射源区域为100km×80km的长方形区域，利用8个固定接收站对4个辐射源进行数据关联，观测站站和目标辐射源坐标同场景一。同理，得到角度测量误差为1时的交点分布图，如图6所示。

多站多目标定位效果：

通过图3所示的交叉点位置信息，利用基于密度的DBSCAN算法进行交叉点聚类，得到如图4所示的原始聚类效果图，在未知目标个数的情况下聚类结果为5个簇。根据实际情况分析，由于目标为点目标，即使在误差存在的情况下，簇的直径也不会超过一定阈值，因此设置一定的阈值，将直径大于该阈值的簇删除，并且除去异常点，则可以得到最终的聚类效果图如图5所示，图中可以看出，在角度测量误差为0.1的情况下，聚类效果良好，能够有效地实现目标的最终定位。

基于图6的交叉点位置信息，可以得到如图7所示的原始聚类效果图，同样在目标数未知的情况下得到5个簇，根据阈值删除不满足条件的簇以及由算法判定的其他异常点得到最终的聚类效果图如图8所示，由于角度测量误差相对较大，聚类效果不如场景一，但仍可以得到较好结果。

Claims (1)

1.基于DBSCAN的无源多站多目标定位方法，设目标区域有M个观测站，N个目标，观测站的坐标是已知的，其特征在于，包括以下步骤：

S1、通过观测站对目标的方位角测量，得到第m个观测站测量到第n个目标的方位角测量值其中m＝1,2,...,M,n＝1,2,...,N；

S2、根据观测站坐标，由方位角测量值唯一确定一条由第m个观测站到第n个目标的观测视线，得到M×N条观测视线；

S3、令所有观测视线位于同一平面，即任意一个观测站到任意一个目标的观测视线，都存在其余M-1个观测站到所有目标的观测视线与之相交；对于任意两个观测站来说，它们的观测视线的交点一共有N²个，M个观测站一共有

种两两组合，即对于所有观测视线来说一共有

个交点；由于测量误差的存在，在目标真实位置处的视线交点并不会完全重合，而是分布在目标位置附近，得到一个高密度的区域，定义非目标真实位置处视线两两相交形成的交点为虚假点；

S4、利用所有观测视线两两相交得到的

个交点位置信息，采用基于密度聚类的DBSCAN算法进行交叉点聚类，具体步骤包括：

S41、令所有交叉点位置信息D＝(x₁,x₂,...,x_m)作为样本，其中

定义邻域参数(∈,MinPts),∈表示某一交叉点的邻域距离阈值，MinPts描述某一交叉点的距离为∈的邻域中样本个数的阈值；样本距离度量方式为欧式距离；

S42、初始化核心对象集合

初始化聚类簇数k＝0，初始化未访问样本集合Γ＝D,簇划分

S43、对于j＝1,2,...,m,按下面的步骤找出所有的核心对象：

a)通过距离度量方式，找到样本x_j的∈-邻域子样本集N_∈(x_j)；

b)如果子样本集样本个数满足|N_∈(x_j)|≥MinPts，将样本x_j加入核心对象样本集合：

Ω＝Ω∪{x_j}；

S44、如果核心对象集合则算法结束并进入步骤S48，否则进入步骤S45；

S45、在核心对象集合Ω中，随机选择一个核心对象o，初始化当前簇核心对象队列Ω_cur＝{o},初始化类别序号k＝k+1，初始化当前簇样本集合C_k＝{o},更新未访问样本集合Γ＝Γ-{o}；

S46、如果当前簇核心对象队列

则当前聚类簇C_k生成完毕,更新簇划分C＝{C₁,C₂,...,C_k},更新核心对象集合Ω＝Ω-C_k，进入步骤S43，否则进入步骤S47；

S47、在当前簇核心对象队列Ω_cur中取出一个核心对象o′,通过邻域距离阈值∈找出所有的∈-邻域子样本集N_∈(o′)，令△＝N_∈(o′)∩Γ，更新当前簇样本集合C_k＝C_k∪△,更新未访问样本集合Γ＝Γ-△,更新Ω_cur＝Ω_cur∪(△∩Ω)-o′，进入步骤S46；

S48、将不属于任何一个簇的异常点删除，然后计算各个簇的直径,其中直径利用簇中两个点之间的最大距离来衡量，将直径大于某个阈值的簇删除即得到最终聚类结果即簇划分C＝{C₁,C₂,...,C_k}；通过求各个簇内所有交叉点的中点位置求得每个目标的定位信息；

S5、输出结果为：多个目标的位置信息(x₁,x₂,...,x_N)。

Images