无源多传感器综合数据关联算法研究

王赫男

摘 要：区别于传统的数据关联算法，本文通过应用目标的属性信息和方位信息对目标进行属性判决和定位，此方法简单易行、且省去了传统交叉定位算法中去除虚假点的麻烦，运算量少，在侦察系统中具有较高的应用价值。

关键词：多传感器；属性数据；数据关联；交叉定位

中图分类号：TN953 文献标识码：A 文章编号：1671-2064（2019）15-0023-02

0 引言

随着电子对抗与反对抗、隐身与反隐身技术的迅速发展，在战场态势瞬息万变的环境中，依靠单一传感器提供信息已无法满足作战需要，必须采用不同类型的多传感器提供探测数据，并进行多传感器数据关联，这样才能掌握准确的战略、战术情报，获得最佳的作战效果。这些传感器通常是无源的，即不主动向外发射电磁波，而是通过接收目标辐射的电磁波来探测和跟踪目标的。利用无源传感器对多目标进行跟踪，可以充分发挥无源探测隐蔽性好、提取目标属性信息多等优点，增强系统在电子战环境下的抗干扰能力、生存能力，提高系统的性能。

在无源多传感器数据关联中，传统的数据关联算法只利用与目标状态向量直接相关的信息（如TOA、DOA、方位等），可利用的目标信息非常有限。事实上，可用于目标探测的无源传感器种类非常多，不只是能获取目标的状态信息，还可以获得更多的有关目标的属性特征数据（如信号载频（CW）、脉冲重复频率（PRI）、脉宽（PW）及天线扫描周期等）[1]。本文将充分利用目标的状态向量信息和属性信息进行数据关联，提高对目标属性判别和定位。

1 目标属性数据关联算法

由于无源传感器仅能获得方位信息，目标的位置只能依靠各个方位探测线的交点确定，在多目标情况下，由两个测向站进行交叉定位时，将产生许多虚假交叉定位点。一般情况下，仅依靠两个传感器的观测很难区分真实目标和虚假目标，解决该问题的办法可再增加一个测向站[2]。但随着观测站和目标数目的增加，数据关联的计算量将呈指数增长，给实时处理带来困难，这时就要充分利用无源探测器获得目标属性信息多的特点，先利用属性信息（CW、PRI、PW）进行数据关联以减少计算量。

属性数据关联的算法较多，这里采取计算传感器测量值的模糊隶属度的方法来判断所测数据的关联度（隶属度），进而判断所测目标是否是同一目标。在建立隶属度函数时，考虑到目标本身的特性及传感器工作时的干扰，选取正态函数作为传感器测量值的隶属函数：

（1）

其中表示传感器对参数测量误差的均方值，表示该参数的测量基准值。为测量值。通过计算每一特征值的隶属度，则可得每一传感器的隶属度向量。

（2）

在两探测站探测多目标时（各目标属性各不相同），可先将某一传感器的测量特征向量值做为基准，计算另一传感器的每一特征向量与其对比后的隶属度。若某一隶属度向量中的所有元素都大于预先设置的隶属度门限值，则可认为此特征向量与对应的基准特征向量所探测的是同一目标。

对同一目标的一组特征向量对应元素求平均值，确定新的特征向量，将其作为下一时刻特征向量测量值与其对比的基准，依此类推。

采用属性数据关联，不仅可获取目标的属性信息，而且可省去传统的多目标交叉定位时去除虚假点的困难。

2 测向交叉定位法

测向交叉定位方法是无源定位中应用最多的一种，它又称三角形定位法，是指通過高精度的测向设备在两个或两个以上的观测站对目标进行测向，然后根据各观测站测得的数据以及观测站之间的距离，经过几何的三角运算，确定出目标的位置。

在属性数据关联中已经确定出同一目标所对应的一组特征向量值，那么也就相当于知道了两个传感器对同一目标测量的方位值，于是可采取交叉定位法对目标进行定位。

对于两传感器单目标来说，设传感器位置和已经被统一到同一坐标系下，对目标的方位测量值（与目标的属性特征在同一时刻被测）分别为，。则目标位置可由以下方程组测得[3]。

（3）

解方程组可得：

依此类推：可测得各个目标的位置，进而可求得目标到观测点的距离。但这种方式的测量精度不高，可用于远程搜索雷达，告警雷达等。若多传感器（三个及三个以上）对同一目标进行交叉定位，则由于实际探测中存在测角误差，所以交叉定位就有可能产生交叉点不重合的情况，要想得到精确的目标位置，有必要对这些交叉定位点在进行数据融合，如利用平均法、最小二乘法、迭代法等，从而得到更接近目标真实位置的估计值。

3 仿真实验

仿真条件：设有两个探测传感器，三个目标。目标特征向量由四个特征数据构成，即CW（MHz）、PRI（Hz）、PW（us）、方位（o）。

已知传感器1在直角坐标系的坐标为（0，-30km），传感器2在直角坐标系的坐标为（0，30km）。

设t1时刻传感器1测得的一组特征向量为：{（3000，250，6.5，60）；（3800，200，7.0，45）；（2000，300，6.0，30）}。传感器2测得的一组特征向量为：{（3080，245，6.3，145）；（2000，285，5.7，110）；（3850，180，6.8，135）}。各传感器方位角测量精度为0.58 mrad（2min），属性方差为（25，2.6，0.2）。隶属度门限值为0.7。属性关联后的结果由表1-表3所示（选取了隶属度最大的）。

从表1-表3可以看出，传感器2所测的一个特征向量较传感器1中的一个特征向量隶属度都超过了门限值，故可以认为它们为同一目标的属性特征向量。如U12和U23为同一目标特征向量值。

确定了同一目标的来自不同传感器的两组特征向量后，就可取其特征向量中的方位信息对目标进行定位。设目标的初始位置为：目标1（100km，200km），目标2（102km，200km），目标3（98km，200km）。取传感器1和传感器2特征向量中对应的方位值，如（U12中的45°和U23中的135°），而后利用交叉定位法对目标进行定位，仿真结果为：目标1（100.4km，200km），目标2（101.7.km，200km），目标3（99km，200km）。仿真结果存在一定的误差，所以说此方法可应用与对目标位置要求低的场合，如应用在远程搜索雷达，告警雷达中。

若目标是运动的，则在不同时刻仍然应用此方法，可表现为对目标进行跟踪。

4 结语

本文通过应用目标的属性信息和方位信息对目标进行属性判决和定位，此方法简单易行、且省去了传统交叉定位算法中去除虚假点的麻烦，运算量少，在侦察系统中具有较高的应用价值。

参考文献

[1] 何友，王国宏，等.多传感器信息融合及应用[M].电子工业出版社，2001.

[2] 王新全，王维玲.无源定位与数据融合技术在辐射源目标跟踪中的应用[J].系统工程与电子技术，2003（08）：24-27.

[3] 修建娟，何友.两站无源定位系统中的多目标跟踪算法研究[J].电子学报，2002（12）：32-35.

[4] 王杰贵，罗景青.基于多目标多特征信息融合数据关联的无源跟踪方法[J].电子学报，2004（06）：6-8.