[發(fā)明專利]一種適用于RSN在目標(biāo)跟蹤任務(wù)中的波形優(yōu)化方法

有效

• 申請?zhí)枺?/td>: 202110543132.9
• 申請日: 2021-05-18
• 公開（公告）號: CN113238219B
• 公開（公告）日: 2023-05-09
• 發(fā)明（設(shè)計）人: 梁菁;羅子涵;沈曉峰;徐澤楷;黃霞飛;敬芳菲
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G01S13/66
• 分類號: G01S13/66;G06F17/11;G06F17/16
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 陳仕超

本發(fā)明涉及波形優(yōu)化技術(shù)領(lǐng)域，具體是一種適用于RSN在目標(biāo)跟蹤任務(wù)中的波形優(yōu)化方法，用于解決現(xiàn)有技術(shù)中RSN中雷達(dá)進(jìn)行獨立優(yōu)化導(dǎo)致的跟蹤性能不佳，以及RSN硬件計算負(fù)荷較大，不利于系統(tǒng)長期運行的問題。本發(fā)明的波形優(yōu)化方案用融合取代擴維，當(dāng)RSN中的各個雷達(dá)完成了對目標(biāo)狀態(tài)的估計之后，將估計信息送往融合中心，融合中心將所有的目標(biāo)狀態(tài)估計誤差協(xié)方差矩陣進(jìn)行融合，得到維度不變的全局目標(biāo)狀態(tài)估計誤差協(xié)方差矩陣，結(jié)合前后兩個時刻RSN波形產(chǎn)生的熵態(tài)，最后對狀態(tài)價值函數(shù)進(jìn)行更新，產(chǎn)生相應(yīng)的波形選擇策略，指導(dǎo)雷達(dá)發(fā)射機發(fā)射下一輪的波形參數(shù)，從而提高了RSN中雷達(dá)的跟蹤性能和降低了RSN硬件的計算負(fù)荷，更有利于系統(tǒng)的長期運行。

技術(shù)領(lǐng)域

本發(fā)明涉及波形優(yōu)化技術(shù)領(lǐng)域，更具體的是涉及一種適用于RSN在目標(biāo)跟蹤任務(wù)中的波形優(yōu)化方法。

背景技術(shù)

雷達(dá)傳感器網(wǎng)絡(luò)(radar?sensor?network,RSN)是由多個可通過無線信道進(jìn)行通信的雷達(dá)傳感器節(jié)點組成的無線傳感網(wǎng)絡(luò)，主要應(yīng)用于目標(biāo)探測和目標(biāo)跟蹤，RSN通過發(fā)射不同類型的電磁波，利用信號處理技術(shù)分析目標(biāo)回波以獲取目標(biāo)相關(guān)的信息，RSN具有靈活度高、覆蓋面積廣、系統(tǒng)容錯性強的特點，被廣泛應(yīng)用于軍事領(lǐng)域和民用領(lǐng)域，也是當(dāng)前國內(nèi)外科研機構(gòu)的研究熱點。

目標(biāo)跟蹤是指RSN對來自目標(biāo)的回波信息進(jìn)行處理，保持對機動目標(biāo)當(dāng)前時刻運動狀態(tài)參數(shù)的估計，濾波算法是目標(biāo)跟蹤的核心技術(shù)手段，常見的濾波算法大多是基于貝葉斯框架的卡爾曼濾波器及其改進(jìn)算法，可以概括為以下兩個步驟：先根據(jù)現(xiàn)有狀態(tài)和經(jīng)驗?zāi)Ｐ皖A(yù)測目標(biāo)下一步的狀態(tài)，然后利用RSN的實際量測值進(jìn)行校正，得到目標(biāo)狀態(tài)參數(shù)的最優(yōu)。

信息融合是指集成來自多個不同傳感器的感知信息，從而產(chǎn)生更全面、更精確、更可靠的目標(biāo)狀態(tài)信息，信息融合的常用方法基本上可以概括為隨機和人工智能兩大類，隨機類算法有卡爾曼濾波法、多貝葉斯估計法、證據(jù)推理等；人工智能類算法有模糊邏輯理論、神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等，信息融合主要應(yīng)用于包括軍事目標(biāo)的檢測、定位、跟蹤和識別，在民事應(yīng)用領(lǐng)域也取得了較快的發(fā)展，主要應(yīng)用領(lǐng)域包括圖像融合、遙感和工業(yè)智能機器人等。

波形優(yōu)化算法是指雷達(dá)根據(jù)環(huán)境的變化自適應(yīng)地優(yōu)化發(fā)射波形參數(shù)，從而達(dá)到與環(huán)境的最佳匹配，實現(xiàn)最大化目標(biāo)信息獲取，波形優(yōu)化算法的關(guān)鍵是設(shè)計合理的準(zhǔn)則函數(shù)及其相應(yīng)的求解方案，波形優(yōu)化算法主要應(yīng)用于面向目標(biāo)檢測和目標(biāo)跟蹤的雷達(dá)系統(tǒng)，基于最大互信息熵準(zhǔn)則或最小化均方誤差準(zhǔn)則，根據(jù)環(huán)境變化有針對性地對發(fā)射波形參數(shù)的優(yōu)化。

強化學(xué)習(xí)是機器學(xué)習(xí)的一個重要分支，用于描述和解決智能體在與環(huán)境交互過程中通過學(xué)習(xí)策略以達(dá)成長期回報最大化或?qū)崿F(xiàn)特定目標(biāo)的問題，強化學(xué)習(xí)的關(guān)鍵要素為：策略、獎勵、值函數(shù)和環(huán)境模型，強化學(xué)習(xí)能夠針對具體問題得到一個最優(yōu)的策略，使得按照該策略選擇的行為序列能夠獲得最大的獎勵，強化學(xué)習(xí)主要應(yīng)用于通信系統(tǒng)、機器人、智能交通、自動駕駛、游戲和工業(yè)等領(lǐng)域。

傳統(tǒng)雷達(dá)的工作模式是通過發(fā)射一種或者某幾種固定的波形來照射目標(biāo)，然后通過雷達(dá)接受機的自適應(yīng)信號處理技術(shù)來最大化目標(biāo)信息，隨著目標(biāo)機動性的不斷提高，傳統(tǒng)的雷達(dá)工作模式已經(jīng)很難在復(fù)雜多變的戰(zhàn)場環(huán)境下完成目標(biāo)探測、跟蹤等任務(wù)，得益于數(shù)字任意信號發(fā)射器的發(fā)展，實時發(fā)射波形優(yōu)化設(shè)計得以實現(xiàn)，如何利用雷達(dá)接收機獲取到的目標(biāo)信息按照特定的準(zhǔn)則指導(dǎo)雷達(dá)發(fā)射機波形的發(fā)射，形成雷達(dá)與環(huán)境(目標(biāo))的閉環(huán)智能交互結(jié)構(gòu)是下一代智能化雷達(dá)的研究重點。

在目標(biāo)跟蹤任務(wù)中，現(xiàn)有的波形優(yōu)化技術(shù)方法大多是針對單雷達(dá)系統(tǒng)，即雷達(dá)接收機中的貝葉斯濾波器根據(jù)獲取到的目標(biāo)量測信息完成目標(biāo)狀態(tài)估計更新之后，基于最大互信息熵準(zhǔn)則或者最小化均方誤差準(zhǔn)則，設(shè)計關(guān)于當(dāng)前時刻發(fā)射波形參數(shù)的獎勵函數(shù)以評估其對目標(biāo)跟蹤的性能，最后利用動態(tài)規(guī)劃方法，在與目標(biāo)的交互過程中不斷優(yōu)化波形參數(shù)的選擇策略以適應(yīng)當(dāng)前的機動目標(biāo)，提高系統(tǒng)的跟蹤性能。