CN113390406A - 基于被动多传感器***的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，具体涉及一种非理想状态下的基于被动多传感器***的多目标数据关联与定位方法。本发明的方法总共分为三个步骤：粗关联、细关联和回溯。首先计算在搜索区间内所有位置点的误差向量，再根据相关条件进行判定筛选出粗关联后的位置点。在细关联中利用DBSCAN聚类算法将粗关联后的点划分为不同的簇，再找出每个簇所匹配的测量值，并利用WLS算法得到每个簇对应的目标的位置估计。最后在回溯中根据马氏距离删除对应于同一组测量值的多余目标。本发明的有益效果为，本发明可以准确对被动多传感器多目标数据完成关联，并最终准确估计出多个目标的位置，方法简单，效果良好。

Description

基于被动多传感器***的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，是一种基于被动多传感器***的多目标数据关联与定位方法。

背景技术

现如今随着科技不断发展，各国之间的电子对抗也愈演愈烈，对于敌方目标的侦察以获得更多有效的目标信息显得尤为重要。因此，被动多传感器侦察***越来越受欢迎，它利用每个传感器对于某一特定空间内目标的独立测量参数来进行综合分析，通过数据关联、匹配、加权融合等一系列技术手段将所有测量参数充分利用，尽可能的降低由于其中某一个传感器出现问题所带来的影响，实现对于作战环境的全方面和准确的描述，以便于让指挥员做出更加科学、有效的作战策略。不难看到，被动多传感器侦察***相比于单个传感器而言复杂的多，特别是在多目标的场景中，要想得到多个目标准确的位置估计首先得得到多个传感器下对于同一目标的测量值组合，只有对所有测量数据进行正确的匹配关联，才能有效的降低侦察信息的不确定性，提高目标定位精度从而提高电子作战性能。

目前大部分针对多目标数据关联与定位算法的研究都是在理想的状态下，也就是不存在虚警、漏检的情况下实现的。但是在实际的信号检测中，通过一系列信号处理算法得出的数据并非都是带有一定测量误差的真实目标相对应的数据，比如采用门限检测的方法时由于噪声的普遍存在和起伏，将实际不存在目标判断为有目标的情况以及由于信号强度较弱，通过信号处理后未能将该信号从噪声中提取出来，也就是漏检的情况。因此，对于存在虚警、漏检情况下的多目标定位问题研究具有非常大的研究意义。

发明内容

针对上述问题，本发明提出了一种非理想状态下的基于被动多传感器***的多目标数据关联与定位方法。

本发明采用的技术方案是：

假设该被动多传感器侦察***模型中有M个传感器，N个目标。由于该***中存在虚警和漏检的情况，所以每个传感器中得到的方位角测量值个数不一定等于N。该方法总共分为三个步骤：粗关联、细关联和回溯。首先计算在搜索区间内所有位置点的误差向量，再根据相关条件进行判定筛选出粗关联后的位置点。在细关联中利用DBSCAN聚类算法将粗关联后的点划分为不同的簇，再找出每个簇所匹配的测量值，并利用WLS算法得到每个簇对应的目标的位置估计。最后在回溯中根据马氏距离删除对应于同一组测量值的多余目标。

基于被动多传感器***的多目标数据关联与定位算法，包括以下步骤：

S1、粗关联：在存在虚警、漏检的情况下由于每个传感器测量数据长度可能不同，将其最长的长度值用L表示，并将方位角测量值集合

重新定义为一个M×L的矩阵

其中不满足长度为L的行在末尾全部用无效值填充。确定目标检测范围，并将其划分为K×J个网格点，遍历每个网格点(x_k,y_j)，分别计算每个网格点相对于M个传感器的方位角信息，并表示为

定义1^1×L为元素全为1的向量，计算网格点(x_k,y_j)相对于传感器所有测量值之间的误差，将其定位为：

上式的物理意义是将坐标点(x_k,y_j)处的位置信息计算值与测量值之间的差值按行取矩阵所有列中最小值组成该坐标点的误差向量

在粗关联中，为了使关联上的目标尽可能的接近真实目标位置，将满足以下两个条件：

(1)考虑到在测量误差满足正态分布的情况下，则有真实目标位置与测量值之差在3σ范围内能够让置信水平达到接近100％，其中σ表示方位角测量误差。另外考虑到漏检的存在，并且多个传感器对于同一目标同时存在漏检的可能性较低的情况下构建下式基本条件：

(2)此外，在满足该条件的基础上定义待关联的点与所对应的测量值之间的马氏距离，在满足置信度为90％的条件下，则可将该网格点的位置作为粗关联的点。

如图1所示，对于任意一个位置(x,y)而言，将位于网格坐标图中的虚线范围内的两个坐标点当作是同一个目标，△x和△y分别是横、纵坐标的范围，而(x₀,y₀)则是作为同一坐标区域内的均值点即网格点(x_k,y_j)。

令μ＝[x,y]^T，则对于第m个传感器而言有：

对f(μ)在μ₀＝[x₀,y₀]^T处进行一阶泰勒展开近似有：

f(μ)＝f(μ₀)+H(μ-μ₀) (4)

其中

对于任意一个网格点(x_k,y_j)由式(3)可以得到该点到所有传感器的方位角真实值θ_(k,j)＝[θ₁,θ₂,...,θ_M]^T。此外，由式(1)中的最小误差向量

可以找到相对应的测量值集合

如果在该误差向量中存在不满足3σ误差范围的值，则在马氏距离的计算中去掉其对应的传感器的测量值。马氏距离是一种有效的计算两个未知样本集的相识度的方法，对于上述两个方位角向量而言，它们之间的马氏距离可以表示为：

其中协方差矩阵∑可表示为：

∑＝H₀PH₀ ^T+R (6)

其中

R＝σ²I_M。

易知，D²近似服从自由度为M的卡方分布

通过查表可知在置信度为90％门限值D_标，由此可以对目标点关系进行如下判定：

S2、细关联：将粗关联后的得到的q个数据点定义为D＝{x₁,x₂,…,x_q}，利用DBSCAN聚类算法，设置算法参数(∈,MinPts)，其中∈表示某一数据样本的邻域半径，即该样本点的邻域为以∈为半径的圆形区域，MinPts表示该样本点的邻域内的样本点个数阈值。在未知真实目标个数的情况下DBSCAN算法能够将输入的数据点根据密度原理进行聚类，最终输出n个簇C＝{C₁,C₂,...,C_n}，每一个簇意味着能够得到一个目标估计位置。

定义对于同一个簇中的网格点所对应的每个传感器测量值的位置的匹配矩阵matchMatrix^M×l，其中l表示该簇中网格点的个数。在matchMatrix^M×l中按行取出现频率最高的位置所对应的测量值作为该簇对应的目标位置的测量值集合

利用加权最小二乘法(WLS)即可得到该簇所对应的目标位置估计值，从而得到细关联中所有估计目标集合

因此，对于每一个簇都能通过匹配的方位角测量值得到其对应的目标估计位置。此外，在匹配时仍会对匹配的角度差进行限制，若不满足3σ的门限，则将其匹配值置为无效匹配，如果在某个传感器的匹配值中无效匹配值成为了出现频率最高的数，则在位置估计过程中去掉该传感器的测量值。

S3、回溯：对于在细关联中得到的估计目标集合

为了去除由同一个真实目标产生的多余的虚假估计目标，将各个估计目标两两之间进行测量值匹配比较，如果发现它们匹配的测量值有一半及以上相同的话，则可以认定为是同一个目标产生的，同样式(5)中马氏距离计算公式对两个待定目标进行比较，选择马氏距离较小的作为目标的估计位置。如图2为所提算法的流程图。

输出：多目标的位置估计

本发明的有益效果为可以准确对多目标数据进行关联，并且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为关联目标范围示意图；

图2为被动多传感器多目标定位算法流程图；

图3为仿真场景目标位置分布图；

图4为多目标粗关联结果示意图；

图5为基于DBSCAN的密度聚类效果图；

图6为多目标位置估计示意图。

具体实施方式

下面结合实施例对本发明进行详细的描述：

本例利用Matlab对上述基于被动多传感器***利用方位角测量值进行多目标数据关联与定位的方法进行验证，为简化起见，对算法模型作如下假设：

1.传感器和目标都在XY平面内；

2.所有的工程误差都叠加到距离误差中；

3.假设目标静止或运动速度极低。

假定目标检测区域为100km×80km的长方形区域，目标搜索间隔为1km，待检目标个数为4个，其坐标分别为(50,30)、(50,60)、(30,40)、(70,40)，传感器个数为5个，它们的坐标分别为(10,10)、(90,10)、(10,80)、(90,80)、(60,5)，单位均为km。该场景下的传感器与目标位置分布图如图3所示。

被动多传感器***多目标定位效果：

在存在虚警、漏检的情况下，令虚警概率Pf＝0.8/rad，检测概率Pd＝0.9，如图4所示是在角度测量误差为0.5°时该算法在进行粗关联后的结果。图5和6分别是DBSCAN聚类以及最后目标位置估计的结果。从图4和5可以看出，在进行粗关联过后那些距离真实目标非常接近的点都被筛选了出来，而且不存在任何噪声点。再利用DBSCAN算法的优势，便能准确的将属于不同目标的点区分开。从图6中可以看到，该算法对于4个真实的目标都实现了有效的估计，定位精度也比较高，而且没有出现虚假目标点，说明该算法对于虚警、漏检的情况实现了很好的处理。

Claims (1)

1.基于被动多传感器***的多目标数据关联与定位方法，设被动多传感器侦察***中有M个传感器，用于对N个目标的方位角进行测量，测量值中存在虚警和漏检的情况，其特征在于，数据关联与定位方法包括以下步骤：

S1、通过传感器获取目标的测量数据，将获得的最长测量数据的长度表示为L，将方位角测量值

定义为一个M×L的矩阵

其中不满足长度为L的行在末尾全部用无效值填充；定义目标检测平面，并将其划分为K×J个网格点，遍历每个网格点(x_k,y_j)，分别计算每个网格点相对于M个传感器的方位角信息，并表示为

定义1^1×L为元素全为1的向量，计算网格点(x_k,y_j)相对于传感器所有测量值之间的误差：

误差向量

是由坐标点(x_k,y_j)处的位置信息计算值与测量值

之间的差值按行取矩阵所有列中最小值组成；

对于任意一个网格点(x_k,y_j)由公式：

得到该点到所有传感器的方位角真实值θ_(k,j)＝[θ₁,θ₂,...,θ_M]^T，下角标m表示第m个传感器，(x_m,y_m)为第m个传感器的坐标，再根据误差向量

找到相对应的测量值集合

它们之间的马氏距离表示为：

特别的，对于误差向量中不满足3σ误差范围的值，在马氏距离的计算中需去掉其对应的传感器的测量值，σ表示方位角测量误差，3σ误差范围是指

协方差矩阵∑表示为：

∑＝H₀PH₀ ^T+R

其中

R＝σ²I_M，μ₀＝[x_k,y_j]^T，△x和△y分别是网格点(x_k,y_j)所在网格的横、纵坐标范围；

设置置信度为90％门限值D_标，通过以下方式对目标点关系进行粗关联判定：

S2、将粗关联后的数据集定义为D＝{x₁,x₂,...,x_L}，利用DBSCAN聚类算法，定义算法参数(∈,MinPts)，其中∈表示某一数据样本的邻域半径，即该样本点的邻域为以∈为半径的圆形区域，MinPts表示该样本点的邻域内的样本点个数阈值，在未知真实目标个数的情况下DBSCAN算法将输入的数据点根据密度原理进行聚类，最终输出n个簇C＝{C₁,C₂,...,C_n}；定义对于同一个簇中的网格点所对应的每个传感器测量值的位置的匹配矩阵matchMatrix^M×l，其中l表示该簇中网格点的个数；在matchMatrix^M×l中按行取出现频率最高的位置所对应的测量值作为该簇对应的目标位置的测量值集合

利用加权最小二乘法即可得到该簇所对应的目标位置估计值，从而得到细关联的所有估计目标集合

对于每一个簇通过匹配的方位角测量值得到其对应的目标估计位置，同时在匹配时对匹配的角度差进行限制，若不满足3σ误差范围，则将其匹配值置为无效匹配，如果某个传感器的匹配值中无效匹配值成为了出现频率最高的数，则在位置估计过程中去掉该传感器的测量值；

S3、对于在细关联中得到的估计目标集合

将各个估计目标两两之间进行测量值匹配比较，如果它们匹配的测量值有一半及以上相同，则认定为是由同一个目标产生，通过马氏距离计算公式对两个待定目标进行比较，选择马氏距离较小的作为目标的估计位置，从而得到最终多目标的位置估计值。

Images