基于联合风险评估的多传感器资源分配方法

本发明属于传感器管理，尤其涉及一种基于联合风险评估的多传感器资源分配方法。

背景技术：

1、多传感器管理最早应用于军事机载多传感器的管理控制。作为战场信息获取的主要手段，它对获取态势信息和控制决策至关重要。随着任务需求的多样化，多传感器管理技术已应用在多个领域。

2、利用风险评估对多传感器资源进行管理得到了快速的发展。主动传感器通过辐射电磁波对目标进行探测，从而造成了一定的辐射代价。若不加以控制，传感器将被敌方截获打击。文献《the prediction formula and a risk-based sensor scheduling method intarget detection with guiding information》基于目标检测风险提出了一种多传感器调度方法，该算法利用多传感器检测概率构建多传感器管理模型，以目标检测风险最低准则对多传感器资源进行调度，有效降低了目标检测的不确定性。由于忽略了传感器的辐射风险，该方法在主动传感器系统中不适用。要实现对辐射风险的控制，须对其进行准确的量化。文献《uts-based foresight optimization of sensor scheduling for lowinterception risk tracking》通过计算截获概率以量化传感器的辐射代价，降低了系统的辐射风险。但在实际战场中，计算所用的敌方窗函数信息不易获取。为了解决这个问题，文献《a risk-based sensor management method for target detection in thepresence of suppressive jamming》使用了辐射度影响(eli)量化模型，无需知晓窗函数即可得到辐射风险。通过建立最小化辐射风险与目标检测风险之和的传感器调度模型，实现了传感器管理过程中的风险控制。

3、但上述方法仅考虑传感器方的风险，忽略了目标状态对系统的威胁，对风险的评估不够全面。文献《risk-based non-myopic sensor scheduling in target threatlevel assessment》将目标属性的变化纳入威胁度，通过多传感器量测信息评估了目标方的威胁风险。上述文献通过合理评估单方或多方的风险，实现了对传感器调度过程中了风险控制。但目标数量是固定的，不适用于目标出现新生或死亡的情况。针对探测过程中的目标突然出现和消失，应分别考虑其对应风险。战场目标有不同的类型，常见的有轰炸机、侦察机和各种导弹等，不同的目标类型具有的威胁程度也不同，因此，对于新生目标身份的识别风险也应当纳入态势评估中。文献《threat-based sensor management for targettracking》将新生目标的不确定性纳入考量，使威胁评估更可靠、准确，从而调度传感器以高效执行作战任务。

技术实现思路

1、本发明公开了一种基于联合风险评估的多传感器资源分配方法，通过综合新生目标识别风险和已有目标威胁风险以构建联合风险模型，在约束多传感器辐射风险的基础上，构建了最小化联合风险的多传感器资源分配优化问题，并使用凸优化技术求解，得到了优化的多传感器分配方案，提高了风险评估的真实性，多传感器探测的隐蔽性，减少了目标跟踪误差，降低了联合风险，能更合理地优化多传感器-多目标分配方案。

2、为了实现上述目的，本发明采用以下技术方案：

3、基于联合风险评估的多传感器资源分配方法，包括以下步骤：

4、步骤1：计算新生目标识别风险rk，具体的：

5、计算k时刻目标类型状态为第j类的概率估计从而构建新生目标识别风险rk；

6、步骤2：计算已有目标威胁风险th,k，具体的：

7、计算k时刻目标威胁度状态θ为w的概率估计从而构建已有目标威胁风险th,k；

8、步骤3：计算传感器辐射风险θk，具体的：

9、计算k时刻传感器的辐射度影响(eli)信念状态估计从而得到传感器的辐射风险θk；

10、步骤4：建立多传感器资源分配优化问题，具体的：

11、结合步骤1和步骤2的新生目标识别风险rk和已有目标威胁风险th,k构建目标函数，步骤3构建对应的约束条件，建立多传感器资源分配优化问题pm；

12、步骤5：利用凸优化技术对优化问题pm求解，得到k时刻的多目标-多传感器分配方案ψk；

13、步骤6：根据步骤5的结果调度传感器跟踪目标；

14、步骤1中所述目标类型状态为第j类的概率估计采用如下方法计算：

15、

16、其中，p(oclass,k＝me∣class＝j)代表目标类型状态估计为第j类而量测目标类型为第me类的概率。

17、步骤1中所述新生目标识别风险rk由下式计算：

18、

19、其中，rk(α)代表目标的估计类型为第α类时的目标识别风险；csβα表示当目标真实类型为β而估计类型为α时造成的损失。

20、步骤2中所述目标威胁度状态θ为w的概率估计计算方法为：

21、

22、式中，

23、

24、

25、其中，分别为第1至k时刻的目标速度、距离、攻击性观测值；为上一时刻目标威胁度状态的概率估计；a为目标威胁等级转移矩阵，m为当前时刻的威胁等级；为传感器对于目标速度信息、距离信息以及攻击性信息的观测矩阵，i代表目标速度信息、距离信息以及攻击性信息，l代表观测值。

26、步骤2中所述已有目标威胁风险th,k由下式计算：

27、

28、其中，th,k(g)代表k时刻目标威胁等级为第g类的风险；cmwg表示当威胁等级的真实值为g而估计值为w时造成的损失。

29、步骤3中所述传感器的eli信念状态估计计算方法为：

30、

31、式中，

32、

33、

34、

35、其中，为传感器n的瞬间观测威胁度，是瞬间观测威胁度为时，eli信念状态的概率分布，相对应地，为的概率分布，ms为威胁度极值；表示k-1时刻eli信念状态为η和k时刻eli信念状态为λ时，k时刻观测威胁度为l的条件概率；⊙为hadamard积，为k-1时刻的信念状态，tn为概率转移矩阵。

36、步骤3中所述传感器辐射风险由下式计算：

37、

38、其中，代表第n个传感器的辐射风险；tn为概率转移矩阵，为k-1时刻的信念状态。

39、步骤4中所述建立的多传感器资源分配优化问题pm如下：

40、

41、

42、

43、

44、式中，

45、

46、其中，m为探测区域内传感器的数量，n为目标的数量；为第k时刻传感器i对目标j的跟踪状态；和分别代表第k时刻传感器i对目标j的联合风险、新生目标识别风险和已有目标威胁风险，为第k时刻传感器i自身的辐射风险；αh,k为新生目标识别风险的权值，βh,k为已有目标威胁风险的权值；θt为传感器辐射风险阈值。

47、本发明的有益效果：

48、通过上述技术方案，本发明针对在目标数量多变的攻防体系中跟踪多目标的传感器管理问题，提出了一种基于联合风险评估的多传感器管理方法。

49、首先，通过综合新生目标识别风险和已有目标威胁风险以构建联合风险模型，从而构建目标函数；

50、其次，根据多传感器辐射风险构建约束条件，进而建立了最小化联合风险的多传感器资源分配化问题；

51、最后，通过凸优化技术对优化问题求解，得到了优化的多传感器资源分配方案。

52、本发明综合考虑了多目标跟踪过程中新生目标与已有目标的联合风险，提高了风险评估的真实性，减少了目标跟踪误差，降低了联合风险，能更合理地优化多传感器-多目标分配方案。