一种基于信息增益的多雷达动态调节方法及装置制造方法及图纸

本发明专利技术实施例涉及一种基于信息增益的多雷达动态调节方法及装置，其中方法包括：S1、接收多部雷达的初始观测数据；S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；S3、根据所述多雷达融合熵模型，计算多雷达信息增益；S4、对所述多雷达信息增益进行优化；S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。本发明专利技术的方法及装置，通过最大化信息增益，实现雷达布站、参数和融合方法的联合自适应优化设计，从而更好地获取目标信息。

A dynamic adjustment method and device for multi radar based on information gain

The embodiment of the invention relates to an information gain based on multi radar dynamic adjusting method and device, wherein the method comprises: receiving the initial observation data of S1 radars; S2, for observation of pre established fusion model, and according to the observation of the fusion model, establish Doolittle of fusion entropy model; S3, according to the multi radar fusion entropy model, the calculation of multi radar information gain; S4, the multi radar information gain optimization; S5, according to the optimization results, to adjust the parameters of multi radar radar position, each radar and a method of data fusion. The method and device of the invention can realize the joint adaptive optimization design of radar layout, parameters and fusion methods by maximizing information gain, so as to get better target information.

【技术实现步骤摘要】
一种基于信息增益的多雷达动态调节方法及装置
本专利技术涉及雷达系统资源管理
，尤其涉及一种基于信息增益的多雷达动态调节方法及装置。
技术介绍
战场环境和作战目标处于不断变化中，为了最大化获取目标信息，实现最佳的目标探测、跟踪或识别等，需要根据作战任务，对多雷达系统资源，包括雷达布站、雷达参数和融合方法等，进行实时动态组织以适应不断变化的复杂环境和目标。雷达布站、雷达参数和融合处理方法等的不同，获得的目标信息及其精度将不同。并且，对于多雷达观测决策，这些因素的影响是耦合的。而目前雷达动态组织方法大多分别针对多雷达的各个融合处理层级，并且割裂了不同因素间的关系，单独设计雷达布站、雷达参数或融合方法，因此不能很好地适应复杂环境和目标的需要。为了便于理解本专利技术的基本原理，下面对信息论中的信息熵进行简要介绍。在信息论中，熵是一个极为重要的概念，对于一个广义的系统来说，熵可作为系统状态的混乱性或无序性的度量。一般来说熵值越小，系统不确定性的程度就越小，也即系统含有的信息量越多。同理，信息熵是随机变量不确定度的度量，它也是平均意义上描述随机变量所需的信息量的度量，一个以f(w)为密度函数的连续型随机变量W的信息熵定义为H(W)＝-∫f(w)lnf(w)dw(1)其中，H(W)为随机变量W的信息熵，f(w)为随机变量W的概率密度函数。如果随机变量W和S的联合概率密度函数f(w,s)，定义条件信息熵为H(W|S)＝-∫f(w,s)lnf(w|s)dwds(2)其中，H(W|S)为在S条件下随机变量W的信息熵，f(w,s)为随机变量W和S的联合概率密度函数，f(w|s)为在S条件下随机变量W的概率密度函数。
技术实现思路
本专利技术的目的是提出一种基于信息增益的多雷达动态调节方法及装置，通过最大化信息增益，实现雷达布站、参数和融合方法的联合自适应优化设计，从而更好地获取目标信息。为实现上述目的，在本专利技术的一个方面，提供一种基于信息增益的多雷达动态调节方法，包括：S1、接收多部雷达的初始观测数据；S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；S3、根据所述多雷达融合熵模型，计算多雷达信息增益；S4、对所述多雷达信息增益进行优化；S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。其中，所述初始观测数据为：多部雷达对同一目标的回波数据、检测后输出的目标点迹或提取的特征矢量。其中，所述观测融合模型为：Ψ＝g(z1,z2,…,zN)其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(n＝1,2,…N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当zn(n＝1,2,…N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量zn(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。其中，根据所观测述融合模型，建立多雷达融合熵模型，具体包括：根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：H(N)＝H(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)logp(Ψ|z1:N)dΨdz1:N＝-∫∫p(z1:N)p(Ψ|z1:N)logp(Ψ|z1:N)dΨdz1:N其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。其中，计算多雷达信息增益，具体为；E(N)＝H(N-1)-H(N)＝H(Ψ|z1:N-1)-H(Ψ|z1:N)。其中，对所述多雷达信息增益，具体的优化模型公式为：其中，优化变量Θ包括雷达位置、雷达参数和融合方法。其中，当所述观测数据为检测后输出的目标点迹时，所述融合熵的公式为：其中，x和y分别为目标的横轴和纵轴位置，[ra]为N部自发自收雷达组成的检测后输出的目标点迹集合，r＝[rn]1×N，a＝[an]1×N，rn和an分别为第n部雷达探测目标距离和方位角，RN,xy为在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵，||为矩阵的行列式，H为采用多雷达极坐标观测获得的目标直角坐标位置的信息量。其中，当所述观测数据为检测后输出的目标点迹时，所述多雷达信息增益的计算公式为：E(x,y|r,a)＝HN-1(x,y|r,a)-HN(x,y|r,a)。其中，对所述融合熵模型进行优化的优化公式为：其中，所述协方差矩阵与参数估计的克拉美罗下界的关系为：其中，所述IN(x,y|r,a)为Fisher信息矩。其中，所述融合熵的下界为：其中，所述Fisher信息矩阵IN(x,y|r,a)具体为：其中，f(r,a)为多雷达系统观测的联合概率密度函数。其中，所述N部雷达观测的联合概率密度函数，具体为：其中，rn,0为第n部雷达探测目标真实距离、an,0为第n部雷达探测目标真实角度，其中和分别为第n部雷达的距离和方位角观测噪声标准差。根据本专利技术的另一个方面，提供一种基于信息增益的多雷达动态调节装置，包括：接收模块，用于接收多部雷达的初始观测数据；模型建立模块，用于获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；信息增益计算模块，用于根据所述多雷达融合熵模型，计算多雷达信息增益；优化模块，用于对所述多雷达信息增益进行优化；调整模块，用于根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。其中，所述初始观测数据为：多部雷达对同一目标的回波数据、检测后输出的目标点迹或提取的特征矢量。其中，所述观测融合模型为：Ψ＝g(z1,z2,…,zN)其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(n＝1,2,…N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当zn(n＝1,2,…N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量zn(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。其中，所述模型建立模块，建立融合熵模型，具体为：根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：H(N)＝H(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)logp(Ψ|z1:N)dΨdz1:N＝-∫∫p(z1:N)p(Ψ|z1:N)logp(Ψ|z1:N)dΨdz1:N其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。其中，所述信息增益计算模块计算多雷达信息增益，具体为；E(N)＝H(N-1)-H(N)＝H(Ψ|z1:N-1)-H(Ψ|z1:N)。其中，所述优化模块对所述多雷达信息增益进行优化的优化公式为：其中，优化变量Θ包括雷达位置、雷达参数和融合方法。本专利技术基于信息增益的多雷达动态调节方法及装置，使用基于信息熵的多雷达动态组织方法，可以获得通过增本文档来自技高网...

【技术保护点】
一种基于信息增益的多雷达动态调节方法，其特征在于，包括：S1、接收多部雷达的初始观测数据；S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；S3、根据所述多雷达融合熵模型，计算多雷达信息增益；S4、对所述多雷达信息增益进行优化；S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。

【技术特征摘要】
1.一种基于信息增益的多雷达动态调节方法，其特征在于，包括：S1、接收多部雷达的初始观测数据；S2、获取预先建立的观测融合模型，并根据所观测述融合模型，建立多雷达融合熵模型；S3、根据所述多雷达融合熵模型，计算多雷达信息增益；S4、对所述多雷达信息增益进行优化；S5、根据优化结果，调整多部雷达的雷达位置、每部雷达的参数以及观测数据的融合方法。2.根据权利要求1所述的方法，其特征在于，所述初始观测数据为：多部雷达对同一目标的回波数据、检测后输出的目标点迹或提取的特征矢量。3.根据权利要求1所述的方法，其特征在于，所述观测融合模型为：Ψ＝g(z1,z2,…,zN)其中，g为信息融合方法，zn(n＝1,2,…N)为多部雷达的初始观测数据；当zn(n＝1,2,…N)为回波序列时，融合系统输出Ψ为检测结果，即判断目标有无；当zn(n＝1,2,…N)为检测后输出的点迹，则融合结果Ψ为目标定位跟踪结果；当观测量zn(n＝1,2,…N)为目标特征矢量时，融合输出Ψ为识别结果。4.根据权利要求3所述的方法，其特征在于，根据所观测述融合模型，建立多雷达融合熵模型，具体包括：根据条件信息熵的定义以及所述观测融合模型，建立融合熵模型，其具体公式为：H(N)＝H(Ψ|z1:N)＝-∫∫p(z1:N,Ψ)logp(Ψ|z1:N)dΨdz1:N＝-∫∫p(z1:N)p(Ψ|z1:N)logp(Ψ|z1:N)dΨdz1:N其中，观测集z1:N＝{z1,z2,...,zN}，每个观测矢量zn(n＝1,2,...,N)表示多雷达融合系统中雷达n对同一目标的观测值，p(z1:N)为N部雷达观测的联合概率密度函数，H(Ψ|z1:N)表示在输入观测z1,z2,…,zN的条件下，输出Ψ的平均不确定度。5.根据权利要求4所述的方法，其特征在于，计算多雷达信息增益，具体为；E(N)＝H(N-1)-H(N)＝H(y|z1:N-1)-H(y|z1:N)。6.根据权利要求5所述的方法，其特征在于，对所述多雷达信息增益，具体的优化模型公式为：其中，优化变量Θ包括雷达位置、雷达参数和融合方法。7.根据权利要求3所述的方法，其特征在于，当所述观测数据为检测后输出的目标点迹时，所述融合熵的公式为：其中，x和y分别为目标的横轴和纵轴位置，[ra]为N部自发自收雷达组成的检测后输出的目标点迹集合，r＝[rn]1×N，a＝[an]1×N，rn和an分别为第n部雷达探测目标距离和方位角，RN,xy为在N部雷达构成的多雷达系统极坐标观测的条件下，目标直角坐标位置估计协方差矩阵，||为矩阵的行列式，H为采用多雷达极坐标观测获得的目标直角坐标位置的信息量。8.根据权利要求7所述的方法，其特征在于，当所述观测数据为检测后输出的目标点迹时，所述多雷达信息增益的计算公式为：E(x,y|r,a)＝HN-1(x,y|r,a)-HN(x,y|r,a)。9.根据权利要求8所述的方法，其特征在于，对所述融合熵模型进行优化的优化公式为：10.根据权利要求7所述的方法，其特征在于，所述协方差矩阵与参数估计的克拉美罗下界的关系为：其中，所述IN(x,y|r,a)为Fisher信息矩。11.根据...

【专利技术属性】
技术研发人员：葛建军，李春霞，
申请(专利权)人：中国电子科技集团公司信息科学研究院，
类型：发明
国别省市：北京,11