汪小林,黎 亮,夏 鸿
(四川九洲电器集团有限责任公司,绵阳 621000)
雷达、红外光电等是多数作战平台发现目标的主要探测器[1, 2],雷达敌我识别器与主探测器紧耦合工作,由主探测器直接牵引敌我识别功能,雷达敌我识别器历来是国内外满足快速、准确、可靠识别需求的首要手段[3-5]。
敌我识别的基本功能是对雷达发现目标的敌我属性进行判定。敌我识别基本流程为,通过对雷达牵引的目标进行询问,根据目标应答信号估计出目标位置,然后将雷达牵引目标和敌我识别目标进行位置关联,最后确定牵引目标的属性。可见敌我识别处理流程与雷达目标检测过程类似,是一个二元判决问题[6],其确定牵引目标属性的性能可用判决概率和虚警概率衡量。
雷达目标和敌我识别目标存在独立的定位误差[7],两种传感器对同一目标的位置估计不完全一致。复杂态势指在一定空间范围内有多于1个雷达目标的情形,相对单一目标的情况,此时敌我识别目标与雷达目标的关联形式难以准确估计,进而给目标属性的判别带来较大难度。针对该问题,本文对目标关联配准的处理流程进行改进,加入对单目标、密集目标等多种情况下的差异化处理流程,并在此基础上提出基于序列检测的敌我识别属性融合方法。
本文仅讨论由目标数量增加构成的复杂态势。
本文提出的改进目标关联配准方法主要通过对单一目标、多目标不同态势进行分类,增加识别结果的置信度计算。
同一目标的雷达位置与敌我识别位置估计之间的差异主要为两者的估计误差之和。将目标的真实位置表示为由距离和方位构成的矢量,如D=[R,A]T。假设雷达目标与敌我识别目标的测量误差在距离和方位上均服从零均值高斯分布,且相互独立,则误差协方差矩阵分别为
(1)
和
(2)
将雷达目标位置误差表示为E=[eRR,eAR]T,敌我识别目标位置误差表示为EF=[eRF,eAF]T。根据敌我识别估计位置DF=[RF,AF]T和雷达估计位置DR=[RR,AR]T计算出的差异为
EFR=DF-DR=EF-ER
(3)
两个测量的差值EFR服从二维高斯分布。令归一化矩阵
(4)
雷达目标与敌我识别目标的归一化间距为[8]
(5)
同一目标的归一化间距服从单位瑞利分布。
目标关联配准处理流程的首先对所有的雷达目标和敌我识别目标间的归一化间距dnc进行测量,只保留小于预设门限的关联关系。传统方法对每个雷达目标进行判决,当其拥有关联关系时,则认为该雷达目标能够与敌我识别目标关联。该方法适用于单一目标情况,但在多目标情况下关联关系可能存在非唯一性的,其突出的不足在于容易导致多于敌我识别目标数量的雷达目标被错误关联。
本文提出对目标态势进行分类,然后进行差异化目标配准的关联处理。目标态势分类过程为,首先依据归一化间距提取仅能与唯一雷达目标关联的敌我识别目标,确定其配准关系;其余敌我识别目标存在与多个雷达目标关联的可能,对其进行细化分类处理如图1所示。
图1 多目标关联分类处理示意图
其中TR和TI分别表示雷达目标数量和敌我识别目标数量。当雷达目标数量小于等于敌我识别目标数量,采取直接判决方式;当雷达目标数量大于敌我识别目标数量时,分两个、多个目标进行差异化处理,过程参照下文。
单一雷达目标的敌我识别配准关联是最简单的一种态势。将敌、我两种状态分别表示为H0和H1,根据贝叶斯准则(最小代价准则)[9],判决规则为
(6)
其中,P(H0)和P(H1)是H0和H1的先验概率,当存在一定先验信息时,如情报上传、防空空域等,目标为我方概率增加。下文均假设常假设P(H0)=P(H1)=0.5。
cij表示假设Hj为真,选择了假设Hi的代价,因此c11和c00是正确判断的代价,假设它们为0,c10为认敌为我(误识别)代价,c01为认我为敌(漏识别)代价,下文假设二者相等,即c10=c01。
定义目标预判概率为Pd,是对目标应答信号检测、滑窗处理等流程后对目标判决为我方的概率;定义虚警概率Pf,是对非我目标误判为我方的概率,满足Pd>Pf。单一雷达目标条件下,预判判决规则与是否检测出敌我识别目标等效,因此
(7)
检测似然比Λ(d)为
(8)
定义输出目标属性的置信度是两种判决条件下各自的正确判决概率,为
(9)
判决对应的输出置信度总是大于0.5。
对于多目标态势场景,雷达目标和敌我识别目标的关联存在不确定性。用TR和TI分别表示雷达目标数量和敌我识别目标数量。
(1)对于TR>2的密集目标识别处理流程采用目标统一相同输出属性方式,对实际含有j个我方目标、TR-j为非我的密集目标中统一输出属性代价为
(10)
假设密集目标属性相互独立,雷达目标数量为TR的密集目标场景下实际含有j个我目标的概率为
(11)
假设虚警在某个密集目标范围内至多只产生1个假目标,因此获得TI个识别目标的概率为
(12)
以及条件概率
(13)
检测到TI个敌我识别目标的条件下密集目标两种识别结果(全我或非我)平均代价为
(14)
其中
(15)
密集目标的贝叶斯准则判决规则为
(16)
密集目标判决结果置信度是其中每个目标判决结果的平均正确率,为
(17)
(2)当TR=2时,密集目标可以进行更加精细的处理,其单一识别判决结果包括2敌、2我、1敌1我三类,总计4种判决,是一个四元判决问题。其中2敌或2我两种判决的代价与TR>2的情况相同,即
(18)
判决结果置信度为
(19)
当敌我识别目标数量为1时,判决结果为1敌1我,将敌我识别目标关联到2个雷达目标的任意1个的方式是一个二元判决问题。利用雷达目标与敌我识别目标之间的两个归一化间距作为判决检测门限,将接近识别估计位置(间距较小者)的目标判为我属性,另一个目标判为敌属性。当2个雷达目标为1敌1我时,该判决方法对应的目标正确关联配准的概率Pc为
Pc(dnc)=P{dnc(H1) (20) 其中dnc(H1)和dnc(H0)分别表示我目标和敌目标与雷达目标位置的归一化距离,dnc是两个雷达目标之间的归一化距离。显然,dnc越大,目标正确关联概率越大。 受正确关联配准的概率的影响,判决代价为 (21) 最后从R1(1),R0(TI)和R2(TI)中选择最小值对应的为雷达目标与敌我识别目标判决结果。 当2个目标的贝叶斯判决结果为1敌1我形式时,两个目标的置信度分别为 (22) 其中 (23) 目标敌我识别处理流程与雷达目标检测类似,都是二元判决问题。基于最大似然准则的序列检测是一种能够显著改善检测性能的自适应处理方法,借鉴该方法的思想,可以构成序列检测形式的敌我识别处理方法,有效改善目标识别性能。 当敌我识别序列满足以下假设条件时,可以直接进行识别序列融合: (1)通过多次识别过程获得了一系列单次识别属性和相应的置信度。各种态势决定了相应的预判概率和虚警概率,进而确定了对应单次判决的置信度。单次识别的先验信息是该识别对应的态势。 (2)各次识别过程获得了每个敌我识别目标和雷达目标的关联。 (3)各次识别过程是相互独立的随机过程。 设有N次独立的识别过程,得到的识别结果构成独立元素序列s=[s1,s2,...,sN]T,元素取值1表示我,0表示敌。各次识别过程相应的预判概率、虚警概率和置信度已知。根据这些信息,可以将N次独立的识别过程融合成为最终识别判决结果输出,融合原理及方法如下: 序列的似然比为 (24) 其中,目标为我条件下的识别预判概率和漏识别概率为 (25) 目标为敌条件下的对敌误判概率和敌判决概率为 (26) 在P(H1)=P(H0)=0.5的条件下可推出 (27) 根据识别过程序列和对应的置信度计算出序列似然比,即可进行融合属性判决,如 (28) 同时,根据似然函数与置信度的关系,可得出序列判决的置信度为 (29) 雷达目标与敌我识别目标关联处理中,最常见和最典型的是1敌1我目标和2我目标,多目标关联可等效递推为上述情况;2个敌目标则直接判定为敌,不存在关联处理。 因此,本节对2个雷达目标中1敌1我目标态势和2我目标态势的敌我识别处理流程分别进行仿真,每次识别过程采用改进型识别处理方法,并对目标的多次独立识别过程进行序列融合处理。仿真中假设敌我识别对单一目标单次预判概率为0.9,虚警概率为0.05。 1敌1我目标态势条件下,两个雷达目标在不同归一化距离的条件下,识别处理流程所得的我目标判决概率,非我目标虚警概率如图2所示。 图2 识别序列输出的判决概率和虚警概率 从图上可见,各种处理的判决概率随着归一化距离的增加而提高,虚警概率随着归一化距离的增加而降低。 目标的置信度结果如图3所示。 图3 识别流程输出的置信度 从图中可见,各种处理的输出置信度随着归一化距离的增加而提高,融合处理流程的置信度高于单次处理过程。 2我目标态势条件下,识别处理流程所得的我目标判决概率如图4所示。 图4 识别序列输出的判决概率 从图上可见,融合判决概率接近1,高于过程判决概率,且不敏感于归一化距离。 目标的置信度结果如图5所示。 图5 识别流程输出的置信度 从图中可见,融合我输出的置信度接近1;融合敌输出置信度维持在较低水平。融合我属性输出的高判决概率和置信度与仿真设定中两个目标均为我属性的事实相符。 本文针对密集雷达目标与敌我识别目标关联配准准确度会显著下降的问题,对目标关联处理流程进行改进,加入对单目标、密集目标等多种情况下的差异化处理,提出基于序列检测的属性融合的方法,改善了复杂态势下的目标敌我属性判决的准确度。改进的关联配准处理流程能够提升单一目标单次关联性能,并输出置信度对目标识别态势进行量化;在此基础上,识别序列融合处理流程,能够有效提高敌我识别目标与雷达目标信息配准关联的准确度。敌我识别处理流程具备工程实践价值。2 识别序列融合
3 仿真验证
4 结 语