一种基于自适应出生模型和动态视域划分的分布式雷达融合跟踪方法

本发明涉及分布式雷达目标跟踪领域，具体涉及一种基于自适应出生模型和动态视域划分的分布式雷达融合跟踪方法。

背景技术：

1、现代战场电磁环境日益复杂，多传感器系统由于其感知信息丰富、生存能力好、抗干扰能力强得到了广泛的应用。但多传感器系统在部分探测场景中仍存在感知能力有限的情况，例如受到电磁干扰、探测威力有限等。特别是当传感器受到有源干扰时，会导致目标航迹中断，且中断后新航迹难起始，严重影响了正常的探测和预警。主被动分布式雷达通过被动雷达阵列的联合定位技术，可以感知有源干扰下的目标状态；同时，结合目标全局先验信息，可以有效起始目标航迹。因此，利用全局信息稳定起始在雷达视域(field of view,fov)中的目标航迹，结合不同雷达的不同视域设计融合权重，可以解决有源干扰下的航迹间断问题。为有限感知能力下通过航迹融合来持续跟踪目标提供了可能性。

2、针对有限感知能力下分布式雷达目标航迹中断难题，传统的航迹融合方法受限于不同雷达视域不同的影响，效果较差。有鉴于此，w.yi，g.li和g.battistelli(w.yi,g.liand g.battistelli,"distributed multi-sensor fusion of phd filters withdifferent sensor fields of view,"in ieee transactions on signal processing,vol.68,pp.5204-5218,2020.)针对固定雷达视域，提出了基于视域划分的航迹融合方法，并针对受遮挡的雷达视域，提出了基于目标状态聚类的航迹融合方法，可以实现分布式雷达非同视域场景下目标航迹的稳定输出。

3、针对有限感知能力下分布式雷达目标航迹起始难题，传统随机有限集类方法利用单站量测简单建模出生分布，未考虑全局信息。且在有源干扰场景中，雷达杂波率高，会导致计算量大，出生分布不精准，航迹起始效果较差。有鉴于此，li t,sun s等人(li t,suns,corchado j m,et al.random finite set-based bayesian filters usingmagnitude-adaptive target birth intensity[c]//17th international conferenceon information fusion(fusion).ieee,2014:1-8.)通过量测反馈设计出生分布的幅值和分布，解决了出生分布不精准的问题，实现了目标稳定起始与跟踪。trezza等人(trezza,anthony,donald j.bucci,and pramod k.varshney."multi-sensor joint adaptivebirth sampler for labeled random finite set tracking."ieee transactions onsignal processing 70(2022):1010-1025.)通过gibbs采样有效利用多雷达全局量测，同样实现了目标航迹的稳定起始与跟踪。以上研究均表明，主被动分布式雷达若利用全局先验信息起始航迹、设计非同视域航迹融合方法，将具有提升雷达视域内目标航迹完整度的潜力。

4、上述所提到的前人方法中，解决了众多常规场景下分布式雷达目标跟踪的难题，然而对于有源干扰下的雷达目标跟踪场景，仍有一定的局限性。一方面，有源干扰决定了雷达的探测能力，进一步决定了雷达的视域。然而，非合作单位有源干扰的开启与关闭是不可预知的，这会导致雷达视域的动态未知变化，基于雷达观测范围划分视域的传统方法不再可行，需要基于雷达状态动态划分雷达视域并设计融合权重。另一方面，由于有源干扰、多径效应等因素，雷达会探测出大量杂波点迹。在航迹起始阶段，将点迹全部处理会导致计算量爆炸，严重影响实时处理的性能，需要基于全局先验信息设计自适应出生模型快速、精准地起始航迹。

5、因此，在有源干扰下的主被动分布式雷达场景中，研究一种基于自适应出生模型和动态视域划分的融合跟踪方法，可以有效提升航迹完整度，有着重要的实际意义和应用价值。

技术实现思路

1、本发明提供了一种有源干扰背景下的主被动分布式雷达鲁棒航迹起始与融合方法。该方法基于主被动分布式雷达，在有源干扰场景下，通过自适应出生模型和动态视域划分航迹融合方法，解决了主动雷达目标丢失、航迹中断，被动雷达航迹难起始的问题，实现全过程稳定目标融合跟踪。

2、本发明的技术方案为：一种基于自适应出生模型和动态视域划分的分布式雷达融合跟踪方法，包括如下步骤：

3、步骤一、节点雷达视域划分初始化，基于回波幅度、信噪比、杂波率等特征信息对雷达工作状态进行判断，划分雷达视域，计算视域指示函数，为各节点雷达的融合权重赋值；

4、步骤二、节点雷达目标跟踪，基于伯努利滤波器，各节点利用本地量测进行目标跟踪；

5、步骤三、融合中心航迹融合，设置节点向融合中心通信的分布幅值门限，筛选待融合的伯努利分布中的高斯项后，将目标状态分布传输至融合中心进行基于动态视域划分的目标状态融合；

6、步骤四、自适应出生分布设置，经过“步骤三”中的目标状态融合后，若融合中心存在目标，将融合中心目标数目与各节点目标数目做比对；为没有滤波出目标的节点添加自适应出生分布，其幅值为设定值，分布由融合目标状态决定；

7、步骤五、雷达视域变化检测及处理，当雷达的回波幅度、信噪比、杂波率等特征信息发生显著变化时，重新依据雷达工作状态计算视域指示函数，并认为此时发生了视域切换事件；记录当前时间帧为kc，并为雷达视域切换事件添加一段保护时间kp，并立即进行“步骤六”；

8、步骤六、视域切换雷达参数修正，操作结束后，返回“步骤二”进行节点雷达目标跟踪。

9、进一步的，所述步骤一中，节点雷达视域划分初始化方法为：在主被动分布式雷达跟踪场景中，将主动雷达视域表示为被动雷达视域表示为分布式雷达观测空间为所有雷达视域均属于该观测空间，即雷达工作状态定义为将雷达工作状态基于回波幅度、信噪比、杂波率等特征信息划分为正常和不正常即：

10、

11、

12、其中，表示空集；

13、雷达视域指示函数fi(x)如下所示：

14、

15、其中，为的指示函数，其定义见上式，γ(·)为目标状态空间到观测空间的映射，满足

16、进一步的，所述步骤一中，将雷达工作状态划分为正常工作与非正常工作两种状态，并据此调整雷达视域，计算视域指示函数，为各节点雷达的融合权重赋值。

17、进一步的，所述步骤二中，对现有目标状态依据目标运动模型进行一步预测的方法为：

18、rk|k-1＝pb(1-rk-1|k-1)+psrk-1|k-1

19、

20、其中，rk|k-1表示k时刻预测目标存在的概率，pk|k-1(x)表示k时刻预测目标空间状态分布，rk-1|k-1和pk-1|k-1(x)分别表示k-1时刻目标后验存在概率和目标后验空间分布，公式中，pb是目标出生概率，bk|k-1(x)是目标出生分布，ps是目标存活概率，πk|k-1(x|x′)表示目标状态转移概率密度函数。

21、进一步的，所述步骤二中，当本地量测到来时，对目标状态进行更新方法为：

22、

23、

24、其中，z是雷达接收量测，zk是雷达接收量测集合，pd(x)表示雷达目标检测概率，gk(z|x)为目标量测似然函数，λ为杂波率，c(z)表示该量测为杂波的概率分布，此处为均匀分布，

25、进一步的，所述步骤三中，设置节点向融合中心通信的分布幅值门限ta，筛选待融合的伯努利分布中的高斯项后，将目标状态分布传输至融合中心进行目标状态融合；设待融合的雷达序号集合为，伯努利算数平均融合可表示如下：

26、

27、

28、其中，rf和pf(x)分别表示伯努利算数平均融合后的目标存在概率和目标空间状态分布；ωi由受视域指示函数fi(x)影响：

29、

30、其中，表示雷达i的原始融合权重，满足即融合权重取决于雷达视域指示函数，当雷达视域指示函数为0时，融合权重为0。

31、所进一步的，述步骤四中，经过“步骤三”中的目标状态融合后，若融合中心存在目标，将融合中心目标数目与各节点目标数目做比对，依次进行如下的两步条件判断：

32、判断条件一，雷达本地的目标数目估计应与融合中心一致，在伯努利滤波中可表示为ri＞td，其中td为伯努利估计器的判决门限，通常设置为0.5；

33、判断条件二，雷达本地的目标状态估计应与融合中心一致，在伯努利滤波中可表示为：

34、

35、其中，表示自由度为目标状态维度n，显著性水平为α的卡方分布临界值，和分别为雷达本地和融合中心的目标空间状态估计的高斯近似，近似结果为高斯混合分布的一二阶矩。

36、进一步的，所述步骤四中，若比对中任意一步不满足条件，则为没有滤波出目标的节点添加自适应出生分布；其目标出生概率pb为设定值目标空间状态分布b(x)由融合中心目标状态p(x′)依据目标运动模型的一步预测得到：

37、b(x)＝∫π(x|x′)p(x′)dx′

38、其中，π(x|x′)为目标状态转移密度；若每一步均满足条件，则该节点不添加自适应出生分布。

39、进一步的，所述步骤六中，当前时间帧k处于视域切换保护时间内，即k＜kc+kp时，进行如下操作：

40、第一步，感知能力受限的雷达，即雷达工作状态的雷达，其伯努利滤波器中的目标存活概率逐渐衰减，防止目标状态错误估计：

41、ps＝max(εps,pd)

42、其中，ε是目标存活概率衰减系数，ps为目标存活概率，pd为目标检测概率；

43、第二步，修改“步骤四”中自适应出生分布的目标出生概率pb，增加目标出生概率相当于对先验信息的确认，会让航迹更快起始，且在伯努利滤波中，无需考虑因过多伯努利分布导致的目标数目过估计，则：

44、

45、其中，为最大目标出生概率；

46、第三步，感知能力受限雷达，即雷达工作状态的雷达，维持其视域指示函数值为1，此时实现了稳健的融合，即保留刚刚感知能力受限雷达的目标信息参与融合。

47、综上所述，“步骤一”为初始化操作，初始雷达视域信息；“步骤五”和“步骤六”为特殊事件触发后操作，可以有效应对有源干扰；正常处理流程为：首先进行“步骤一”初始化操作，随后对“步骤二”、“步骤三”和“步骤四”进行循环操作，实现常规的目标融合跟踪，每次循环均检测是否需要进行“步骤五”和“步骤六”操作。

48、本发明提出的一种基于自适应出生模型和动态视域划分的分布式雷达融合跟踪方法有如下有益效果：

49、1.各雷达节点选择性根据融合中心反馈的目标状态设置自适应出生分布，当出现有源干扰时，修改出生分布参数和存活概率参数，充分利用了主被动分布式雷达探测的全局信息，实现了有源干扰场景下主被动分布式雷达的目标航迹的快速起始和终结。

50、2.融合中心基于动态雷达视域实时修改融合权重，充分利用视域信息有效防止目标状态、数目的错误估计，实现了有源干扰场景下主被动分布式雷达目标稳定融合跟踪，提高了目标的航迹完整度。