一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法制造技术

本发明专利技术公开了一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法。该算法基于改进的当前统计模型预测机动目标运动状态，采用模糊逻辑推理系统选择最优的雷达节点跟踪目标，然后以随机变量表示目标的RCS，采用预测的条件克拉美罗界作为目标跟踪误差的衡量基准，建立基于随机机会约束规划的资源分配模型，最后采用融合了随机模拟算法和遗传算法的混合智能优化算法求解出满足给定置信水平的最优资源分配结果。本发明专利技术能够精确快速预测机动目标运动状态，综合雷达多个属性而合理选择雷达工作节点；同时采用预测的条件克拉美罗界可更精确预测机动目标跟踪性能，实现功率资源的更精确分配；同时增强算法稳健性。同时增强算法稳健性。同时增强算法稳健性。

【技术实现步骤摘要】
一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法


[0001]本专利技术涉及雷达系统资源管理与优化
，尤其涉及一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法。

技术介绍

[0002]机会阵雷达(opportunistic array radar, OAR)是一种高度数字化和智能化的雷达系统，其“机会性”的资源管理模式能够有效完成“空
‑
时
‑
能”资源优化配置，使雷达“同时”实现一种或多种战术功能。在现代电子战中，随着科学技术的发展，飞行器为躲避雷达的探测，其机动属性不断增强，及至低空突防技术的使用更是让目标难以被捕捉。因此，针对这个问题，如何快速预测机动目标运动状态，精确衡量机动目标跟踪性能成为亟待解决的技术难题。
[0003]传统研究方法中，对于强机动目标运动模型的建模主要分为多模型和单模型两类。多模型主要是将复杂的机动模型采用多个简单模型尽可能地进行加权拟合。当采用交互多模型(interacting multiple model, IMM)来表示机动目标的运动状态时，其包含的简单模型仅有匀速运动、匀加速运动和协同转弯等。这不仅不能完全表示机动目标所有的运动形式，还将降低跟踪算法的实时性。对于单模型算法，主要有Singer模型，当前统计(current statistical, CS)模型和Jerk模型。相比于其他两个模型，CS模型能够更加全面的描述机动目标运动形式。在CS模型基础上进行了改进，实现状态协方差、状态噪声协方差和机动频率的自适应调整，从而提高跟踪目标的滤波精度。
[0004]另一方面，在资源预分配时选择一个精确的目标跟踪性能衡量基准是实现雷达系统资源优化分配、提高目标跟踪性能的又一个重要原因。对于一般的匀速运动目标或机动性较弱的目标，标准的后验克拉美罗界(posterior Cram
é
r
‑
Rao lower bound, PCRLB)能够为任何状态矢量无偏估计的均方误差(mean square error, MSE)提供一个紧密的下界，从而实现雷达资源的预分配。但是由于标准PCRLB是基于从初始时间开始的状态矢量和测量矢量的联合概率密所计算出来的平均值，因此标准PCRLB是一个离线边界，不能准确衡量强机动目标的跟踪性能。而预测的条件克拉美罗界(predicted conditional CRLB, PC
‑
CRLB)是基于最新的测量信息推导所得，具有更高的时效性和准确性，能够提供一个更紧密的下界。
[0005]针对现有算法中机动目标的运动状态预测和跟踪性能衡量基准不准确的问题，本文提出了一种基于改进的CS(modified CS, MCS)模型的组网机会阵雷达功率分配算法。且由于环境的复杂时变和目标信息的未知，在机会阵雷达体制下，将目标雷达散射截面(radar cross section, RCS)用随机变量来进行表征，建立基于机会约束规划(chance
‑
constraint programming, CCP)的功率分配模型，采用混合智能优化算法(hybrid intelligent optimization algorithm, HIOA)求解出功率优化分配结果。该算法不仅可以提高资源的利用效率，还可以平衡资源消耗和跟踪性能之间的关系，增强模型的稳健性。

技术实现思路

[0006]本专利技术的目的在于提供一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，通过优化雷达节点选择和发射资源分配，以达到在满足期望跟踪性能的机会约束下，实现功率资源优化分配，以解决上述技术问题。
[0007]为实现上述目的本专利技术采用以下技术方案：一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，包括如下步骤：假定在二维平面内，一个集中式组网机会阵雷达框架下包含M个独立的机会阵雷达，第m (m=1,2,
…
,M)个雷达的坐标为(xR m, yR m)。在第k个采样时刻，机动目标的坐标、速度和加速度分别是(x
k
, y
k
),和。
[0008]步骤1：基于各机会阵雷达节点和目标之间的相对关系，采用模糊逻辑推理系统计算各目标优先级，从而选出下一时刻最优的雷达组合来照射目标。
[0009]步骤2：通过调整的当前统计模型预测机动目标运动状态；步骤3：基于目标最新的量测信息，采用预测的条件克拉美罗界作为目标跟踪性能衡量基准；步骤4：将机动目标RCS视为随机变量，建立基于机会约束规划的资源管理模型；步骤5：将随机模拟算法嵌入到遗传算法中构成混合智能优化算法，从而预测出下一时刻的最优功率分配，组网机会阵雷达系统根据预测的结果对目标进行滤波器跟踪。
[0010]作为本专利技术的进一步方案：所述步骤1中模糊逻辑推理系统具体为：根据各雷达与目标之间的相对关系，将各属性的精确值输入模糊逻辑推理系统，然后选择三角模糊化函数进行模糊化处理，转换成给定论域上的模糊集合；然后激活模糊规则库中的模糊规则，并且选用Larsen模糊推理方法，根据已知的模糊事实推理结果；最后采用中心平均法将计算出的模糊结果进行解模糊化以得到精确值；相对于不同雷达，目标的运动状态是不一样的，在计算过程中，将目标相对于不同雷达的距离和径向速度作为模糊变量，给每个模糊变量设置7个模糊值。这样目标距离和径向速度，以及优先级三个模糊变量都有7个模糊值，其表示形式如表1所示：表1模糊变量模糊值距离非常近,近,中近,中,中远,远,非常远径向速度非常慢,慢,中慢,中,中快,快,非常快优先级非常低,低,中低,中,中高,高,非常高通过目标距离和径向速度两个模糊变量的模糊值的排列组合，在模糊规则库中，一共生成49条if
‑
then模糊规则，然后采用Larsen推理算法根据模糊规则进行模糊推理。
[0011]作为本专利技术的进一步方案：所述步骤2中通过调整的当前统计模型预测机动目标运动状态，其表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）；该模型是由当前统计模型运动方程：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）；
和增补方程：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）；联立而成，其中
k
‑1表示当前输入加速度的矩阵；是平均Jerk矢量；表示目标状态矢量，、和分别表示目标位置、速度和加速度；F
k
‑1表示状态转移矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）；是克罗内克积运算符；I2表示2阶单位阵；T0表示采样间隔；U
k
‑1表示加速度输入矩阵：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（5）；w
k
‑1表示零均值复高斯白噪声，其协方差为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（6）；其中σ2 ax,k
‑
1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，其特征在于，包括如下步骤：步骤1：基于各机会阵雷达节点和目标之间的相对关系，采用模糊逻辑推理系统计算各目标优先级，从而选出下一时刻最优的雷达组合来照射目标；步骤2：通过调整的当前统计模型预测机动目标运动状态；步骤3：基于目标最新的量测信息，采用预测的条件克拉美罗界作为目标跟踪性能衡量基准；步骤4：将机动目标RCS视为随机变量，建立基于机会约束规划的资源管理模型；步骤5：将随机模拟算法嵌入到遗传算法中构成混合智能优化算法，从而预测出下一时刻的最优功率分配，组网机会阵雷达系统根据预测的结果对目标进行滤波器跟踪。2.如权利要求1所述的一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，其特征在于，所述步骤1中模糊逻辑推理系统具体为：根据各雷达与目标之间的相对关系，将各属性的精确值输入模糊逻辑推理系统，然后选择三角模糊化函数进行模糊化处理，转换成给定论域上的模糊集合；然后激活模糊规则库中的模糊规则，并且选用Larsen模糊推理方法，根据已知的模糊事实推理结果；最后采用中心平均法将计算出的模糊结果进行解模糊化以得到精确值；相对于不同雷达，目标的运动状态是不一样的，在计算过程中，将目标相对于不同雷达的距离和径向速度作为模糊变量，给每个模糊变量设置7个模糊值；这样目标距离和径向速度，以及优先级三个模糊变量都有7个模糊值，其表示形式如表1所示：表1模糊变量模糊值距离非常近,近,中近,中,中远,远,非常远径向速度非常慢,慢,中慢,中,中快,快,非常快优先级非常低,低,中低,中,中高,高,非常高通过目标距离和径向速度两个模糊变量的模糊值的排列组合，在模糊规则库中，一共生成49条if
‑
then模糊规则，然后采用Larsen推理算法根据模糊规则进行模糊推理。3.如权利要求1所述的一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，其特征在于，所述步骤2中通过调整的当前统计模型预测机动目标运动状态，其表达式为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）；该模型是由当前统计模型运动方程：
ꢀꢀꢀꢀ
（2）；和增补方程：
ꢀꢀꢀ
（3）；联立而成，其中
k
‑1表示当前输入加速度的矩阵；是平均Jerk矢量；
表示目标状态矢量，、和分别表示目标位置、速度和加速度；F
k
‑1表示状态转移矩阵：
ꢀꢀꢀ
（4）；是克罗内克积运算符；I2表示2阶单位阵；T0表示采样间隔；U
k
‑1表示加速度输入矩阵：
ꢀꢀꢀꢀ
（5）；w
k
‑1表示零均值复高斯白噪声，其协方差为：
ꢀꢀ
（6）；其中σ2 ax,k
‑
1和σ2 ay,k
‑
1分别是目标加速度的方差，均服从瑞利分布；q
cs,k
‑1由机动频率α和采样间隔T0决定，在调整的当前统计模型中，过程噪声方差σ2 ax,k
‑
1和σ2 ay,k
‑
1可通过输出的状态协方差矩阵P
k
‑1中的对应元素进行更新，从而增强自适应跟踪能力； （7）；其中P
k
‑1(
•
,
•
)是对应位置上的元素，σ2ay,k可通过类似的方法获得。4.如权利要求1所述的一种针对机动目标跟踪的组网机会阵雷达节点选择和功率分配算法，其特征在于，所述步骤3中，基于最新量测信息的预测条件克拉美罗界与目标状态估计值的估计误差之间的关系为：
ꢀꢀ
（8）；其中是期望运算符，ξ
k
表示目标状态矢量；；J
‑1(ξ
k
|Z
k
‑1)表示预测的费舍尔信息矩阵(predicted conditional Fisher information matrix, PC
‑
FIM)，C
PCRLB
(ξ
k
|Z
k
‑1)表示预测的克拉美罗矩阵；Z
k
‑1表示k
‑
1时刻的量测值，其表达式为；
ꢀꢀꢀ
（9）；其中表示二阶偏导数，p(ξ
k
,Z
k
|Z
k
‑1)表示联合概率密度函数(probability density function, PDF)；在计算过程中，为了方便用预测的条件克拉美罗界表示目标跟踪性能，从而建立资源分配模型，采用以下形式表示目标跟踪性能；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（10）；其中P<...

【专利技术属性】
技术研发人员：韩清华，杨振，高鹏，张伟，张强，单承刚，
申请(专利权)人：枣庄学院，
类型：发明
国别省市：