王樹(shù)亮，畢大平,2，阮懷林

(1. 國(guó)防科技大學(xué)電子對(duì)抗學(xué)院，合肥 230037；2. 安徽省電子制約技術(shù)重點(diǎn)實(shí)驗(yàn)室，合肥 230037)

認(rèn)知雷達(dá)波形自適應(yīng)數(shù)據(jù)關(guān)聯(lián)跟蹤算法

王樹(shù)亮1，畢大平1,2，阮懷林1

(1. 國(guó)防科技大學(xué)電子對(duì)抗學(xué)院，合肥 230037；2. 安徽省電子制約技術(shù)重點(diǎn)實(shí)驗(yàn)室，合肥 230037)

針對(duì)雜波背景下多交叉機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題，提出一種認(rèn)知雷達(dá)波形自適應(yīng)數(shù)據(jù)關(guān)聯(lián)跟蹤算法，該算法選取目標(biāo)距離-速度-方位作為觀測(cè)量，并通過(guò)調(diào)整波形參數(shù)來(lái)動(dòng)態(tài)改變量測(cè)誤差協(xié)方差。首先，基于信息融合思想提出一種優(yōu)化的概率數(shù)據(jù)關(guān)聯(lián)(OPDA)算法，算法充分融合目標(biāo)位置特征和運(yùn)動(dòng)特征對(duì)多目標(biāo)交叉區(qū)域公共量測(cè)進(jìn)行分類(lèi)，使多交叉機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題轉(zhuǎn)化為多個(gè)單機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題。然后，對(duì)實(shí)時(shí)更新的目標(biāo)航跡，采用修正的Riccati方程估計(jì)下一時(shí)刻濾波協(xié)方差，并根據(jù)波形選擇準(zhǔn)則函數(shù)自適應(yīng)選擇下一時(shí)刻波形以提高系統(tǒng)跟蹤性能。仿真結(jié)果表明，該算法增強(qiáng)了概率數(shù)據(jù)關(guān)聯(lián)(PDA)算法的環(huán)境適應(yīng)性，而且相比未采用波形自適應(yīng)的數(shù)據(jù)關(guān)聯(lián)算法有明顯的優(yōu)勢(shì)。

認(rèn)知雷達(dá)；優(yōu)化概率數(shù)據(jù)關(guān)聯(lián)(OPDA)；機(jī)動(dòng)目標(biāo)跟蹤；波形自適應(yīng)

0 引 言

雜波環(huán)境下的數(shù)據(jù)關(guān)聯(lián)問(wèn)題一直是多目標(biāo)跟蹤領(lǐng)域的難點(diǎn)問(wèn)題，目前主要有兩種解決途徑[1]，一類(lèi)是基于隨機(jī)有限集的方法[2-3]，避免了目標(biāo)與量測(cè)之間的數(shù)據(jù)關(guān)聯(lián)計(jì)算，但過(guò)程中涉及到復(fù)雜的集合積分運(yùn)算，在實(shí)際中難以求解，在降低計(jì)算量的同時(shí)保證目標(biāo)跟蹤精度還需不斷深入研究完善。另一類(lèi)方法是先關(guān)聯(lián)后跟蹤[4]，最常見(jiàn)的是最近鄰數(shù)據(jù)關(guān)聯(lián)算法和全鄰數(shù)據(jù)關(guān)聯(lián)算法，最近鄰算法結(jié)構(gòu)簡(jiǎn)單，但僅能跟蹤稀疏雜波背景中的單個(gè)目標(biāo)；概率數(shù)據(jù)關(guān)聯(lián)(PDA)和聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)算法是典型的全鄰數(shù)據(jù)關(guān)聯(lián)算法，PDA算法容易實(shí)現(xiàn)，但局限于目標(biāo)的關(guān)聯(lián)門(mén)不相交或沒(méi)有回波處于相交區(qū)域的環(huán)境；JPDA算法是目前公認(rèn)的在密集雜波多目標(biāo)環(huán)境下，跟蹤效果最理想的數(shù)據(jù)關(guān)聯(lián)算法之一，但當(dāng)目標(biāo)數(shù)目和有效量測(cè)數(shù)增大時(shí)，可行性聯(lián)合事件數(shù)目呈指數(shù)增長(zhǎng)，導(dǎo)致算法的計(jì)算量也呈指數(shù)增長(zhǎng)甚至出現(xiàn)組合爆炸現(xiàn)象，工程上不易實(shí)現(xiàn)。

認(rèn)知雷達(dá)[5]由于具有良好的環(huán)境認(rèn)知屬性，被認(rèn)為是下一代雷達(dá)的發(fā)展方向。認(rèn)知跟蹤雷達(dá)相比于傳統(tǒng)跟蹤雷達(dá)有下面三個(gè)鮮明的特點(diǎn)[6]：1)接收端，在與環(huán)境交互中，通過(guò)反復(fù)學(xué)習(xí)獲得經(jīng)驗(yàn)；2)發(fā)射端，以一種最優(yōu)化的方式來(lái)自適應(yīng)地發(fā)射與接收端相匹配的信號(hào)；3)反饋，協(xié)調(diào)接收和發(fā)射兩端，使其保持同步調(diào)整。自適應(yīng)波形選擇技術(shù)就是通過(guò)智能地選擇合適的發(fā)射波形使得接收端獲得良好的數(shù)據(jù)以提高系統(tǒng)跟蹤性能。Kershaw和 Evans[7-8]利用在原點(diǎn)處雷達(dá)波形模糊函數(shù)的 Fisher信息矩陣，得到了量測(cè)誤差和波形參數(shù)的關(guān)系，并結(jié)合PDA算法研究了雜波背景下波形脈寬參數(shù)選擇問(wèn)題，使雷達(dá)目標(biāo)跟蹤發(fā)射端信號(hào)和接收端數(shù)據(jù)處理聯(lián)系在了一起。文獻(xiàn)[9,10]研究了雜波背景下多個(gè)目標(biāo)跟蹤問(wèn)題，通過(guò)動(dòng)態(tài)選擇4種調(diào)制波形來(lái)減小量測(cè)誤差協(xié)方差，并采用粒子濾波算法來(lái)處理非線(xiàn)性量測(cè)問(wèn)題。文獻(xiàn)[11]基于修正的PDA算法研究了雜波背景下單個(gè)目標(biāo)波形自適應(yīng)跟蹤問(wèn)題。以上研究雖然取得一定效果，然而都是基于距離-速度作為量測(cè)信息，文獻(xiàn)[12]認(rèn)為目標(biāo)跟蹤的精度與方位的量測(cè)精度有著密切的聯(lián)系，尤其當(dāng)目標(biāo)相對(duì)雷達(dá)較遠(yuǎn)時(shí)，角度誤差對(duì)跟蹤精度影響較大，并針對(duì)二維空間的距離、速度和方位量測(cè)，建立了3個(gè)變量的誤差克拉美羅下限方程，然而文獻(xiàn)并沒(méi)有對(duì)雜波背景下目標(biāo)跟蹤問(wèn)題進(jìn)行深入探討。

在以上文獻(xiàn)研究的基礎(chǔ)上，本文重點(diǎn)就雜波背景下交叉機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題進(jìn)行研究，主要?jiǎng)?chuàng)新點(diǎn)有兩個(gè)方面：1)數(shù)據(jù)關(guān)聯(lián)算法方面，如果被跟蹤的多個(gè)目標(biāo)的相關(guān)波門(mén)不相交，或者沒(méi)有回波落入波門(mén)的相交區(qū)域，此時(shí)多目標(biāo)數(shù)據(jù)關(guān)聯(lián)問(wèn)題可簡(jiǎn)化為多個(gè)單目標(biāo)數(shù)據(jù)關(guān)聯(lián)問(wèn)題，可以利用傳統(tǒng)的PDA算法求解[4]，此外可以利用目標(biāo)更多的屬性特征對(duì)數(shù)據(jù)關(guān)聯(lián)算法進(jìn)行改進(jìn)[13]，基于以上思想，提出一種融合位置特征和目標(biāo)運(yùn)動(dòng)特征的OPDA算法，算法對(duì)關(guān)聯(lián)門(mén)交叉區(qū)域公共量測(cè)進(jìn)行分類(lèi)，使其歸屬于某個(gè)特定的關(guān)聯(lián)門(mén)內(nèi)，從而將多交叉機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題轉(zhuǎn)化為多個(gè)單機(jī)動(dòng)目標(biāo)跟蹤問(wèn)題；2)基于認(rèn)知的思想，將自適應(yīng)波形選擇與數(shù)據(jù)關(guān)聯(lián)算法相結(jié)合，構(gòu)建目標(biāo)距離、速度和方位3個(gè)變量的誤差克拉美羅下限方程，并根據(jù)波形選擇準(zhǔn)則函數(shù)動(dòng)態(tài)調(diào)整波形參數(shù)，使系統(tǒng)總體跟蹤性能得到較大幅度的提高。

1 跟蹤模型

1.1 發(fā)射信號(hào)模型

假設(shè)一個(gè)窄帶發(fā)射脈沖信號(hào)[7]

(1)

單個(gè)目標(biāo)的接收信號(hào)可表示為

(2)

1.2 數(shù)據(jù)處理模型

1.2.1線(xiàn)性狀態(tài)模型

目標(biāo)運(yùn)動(dòng)的離散狀態(tài)方程表示為

X(k)=Φ(k|k-1)X(k-1)+

(3)

對(duì)于非合作目標(biāo)，其運(yùn)動(dòng)狀態(tài)往往是未知的，利用“當(dāng)前”統(tǒng)計(jì)模型自適應(yīng)濾波算法[14]，它的基本思想是，若目標(biāo)正以某一加速度機(jī)動(dòng)時(shí)，它在下一瞬時(shí)的加速度取值范圍是有限的，而且只能在“當(dāng)前”加速度鄰域內(nèi)。算法通過(guò)對(duì)動(dòng)態(tài)噪聲方差自適應(yīng)調(diào)整實(shí)現(xiàn)對(duì)機(jī)動(dòng)目標(biāo)的跟蹤，相應(yīng)的參數(shù)設(shè)置參見(jiàn)文獻(xiàn)[14]。

1.2.2非線(xiàn)性量測(cè)模型

目標(biāo)的量測(cè)方程為

Y(k)=h(X(k))+Vφ(k)

(4)

(5)

量測(cè)噪聲Vφ(k)是零均值高斯白噪聲，其協(xié)方差陣為Rθ(k)，波形φ有關(guān)[7]，{θ1,…,θk,…}∈φ為波形參數(shù)的可選集合，θk為k時(shí)刻選擇發(fā)射的波形參數(shù)(如信號(hào)持續(xù)時(shí)間，調(diào)頻率等)。接收機(jī)對(duì)目標(biāo)的時(shí)延、多普勒和方位進(jìn)行估計(jì)，估計(jì)值通過(guò)轉(zhuǎn)換方程轉(zhuǎn)化為目標(biāo)的距離、速度和方位信息，相關(guān)參數(shù)見(jiàn)2.2節(jié)。

圖1給出了基于認(rèn)知雷達(dá)的波形自適應(yīng)目標(biāo)跟蹤框圖，接收機(jī)通過(guò)k-1時(shí)刻波形所產(chǎn)生的量測(cè)誤差協(xié)方差Rθ(k-1)進(jìn)行濾波，按照一定的準(zhǔn)則，在波形庫(kù)中選擇合適的波形φ，用于下一時(shí)刻目標(biāo)跟蹤。

(6)

2 基于OPDA的波形自適應(yīng)跟蹤算法

2.1 OPDA算法

傳統(tǒng)的PDA算法，主要利用了目標(biāo)的位置信息，在處理雜波背景下單個(gè)目標(biāo)跟蹤問(wèn)題時(shí)取得了較好的效果，然而算法不適于對(duì)多個(gè)目標(biāo)特別是如圖2所示在兩個(gè)目標(biāo)關(guān)聯(lián)門(mén)交叉區(qū)域有公共量測(cè)的目標(biāo)跟蹤問(wèn)題。

本文提出的OPDA算法的基本思路是基于信息融合的思想綜合考慮目標(biāo)位置特征和運(yùn)動(dòng)特征，計(jì)算交叉區(qū)域公共量測(cè)隸屬于不同目標(biāo)的程度，從而判斷其目標(biāo)歸屬。

(7)

若目標(biāo)在第k時(shí)刻的距離、方位新息方差為S(k)，

此時(shí)第g個(gè)有效回波量測(cè)隸屬于目標(biāo)i的隸屬度為

(8)

b.運(yùn)動(dòng)特征基本思想是目標(biāo)運(yùn)動(dòng)方向在短時(shí)

(9)

回波量測(cè)屬于目標(biāo)i的隸屬度為

(10)

2.2 波形自適應(yīng)概率數(shù)據(jù)關(guān)聯(lián)算法

2.2.1濾波協(xié)方差

濾波協(xié)方差的一般表達(dá)式為[4]

Pkk(θk)=Pkk-1-(1-εk,0)Kk(θk)×

(11)

(12)

(13)

推導(dǎo)出濾波協(xié)方差的簡(jiǎn)化形式

Pkk(θk)?Pkk-1-q2(ρVk(θk),PD)×

(14)

式(12)至(14)中，Yk-1為k-1時(shí)刻以前的量測(cè)集，q1,q2為尺度因子，ρ為雜波密度(每單位體積內(nèi)的虛假量測(cè)數(shù)，本文中單位取每平方千米)，Vk(θk)為跟蹤關(guān)聯(lián)門(mén)體積，PD為檢測(cè)概率，PG為門(mén)概率，當(dāng)量測(cè)維數(shù)為3，關(guān)聯(lián)門(mén)限取4個(gè)sigma點(diǎn)時(shí)，q2(ρVk(θk),PD)的實(shí)驗(yàn)近似表示式為[15-16]

q2(ρVk(θk),Pd)≈

(15)

2.2.2波形結(jié)構(gòu)與量測(cè)誤差協(xié)方差

Rθ(k)與發(fā)射波形參數(shù)有關(guān)，可以采用量測(cè)噪聲協(xié)方差參數(shù)估計(jì)的克拉羅界表示，取發(fā)射信號(hào)為高斯包絡(luò)線(xiàn)性調(diào)頻信號(hào)形式即[7]

(16)

式中，λ為信號(hào)的有效持續(xù)時(shí)間；b為頻率調(diào)制率；文獻(xiàn)[3]指出信號(hào)模糊函數(shù)AF(τ,v)是信號(hào)時(shí)延多普勒頻移(τ,v)的似然估計(jì)，其信息矩陣的逆J-1是參數(shù)估計(jì)精度的克拉美羅下界，其中

(17)

(18)

(19)

進(jìn)一步考慮角度β測(cè)量誤差協(xié)方差，其表達(dá)式為[17]

(20)

其中，β0.5為半功率波束寬度，γ與有效孔徑寬度有關(guān)，是由孔徑照射決定的，不同的照射方式其測(cè)量誤差不同。綜合式(19)、(20)，距離-速度-方位的測(cè)量誤差協(xié)方差為

(21)

從(19)式中容易看出，當(dāng)信號(hào)有效持續(xù)時(shí)間λ減小時(shí)，測(cè)距精度較高，而測(cè)速精度可能會(huì)隨之降低；信號(hào)脈寬Ts=7.4338λ，若雷達(dá)帶寬限定為B，則信號(hào)調(diào)頻率b=B/Ts=B/(7.4338λ)，隨著信號(hào)有效持續(xù)時(shí)間λ反比變化。波形自適應(yīng)選擇就是根據(jù)環(huán)境和目標(biāo)機(jī)動(dòng)情況動(dòng)態(tài)調(diào)整脈沖有效持續(xù)時(shí)間從而使測(cè)距、測(cè)速精度達(dá)到某種平衡，提高系統(tǒng)總體性能。

基于OPDA的波形自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤算法流程框圖如圖5所示，該方法不僅能夠解決機(jī)動(dòng)交叉目標(biāo)的跟蹤問(wèn)題，而且能夠?qū)崟r(shí)調(diào)整發(fā)射波形，從而提高系統(tǒng)總體跟蹤性能。

3 仿真校驗(yàn)

假定使用的雷達(dá)能夠測(cè)量目標(biāo)的距離-速度-方位信息。進(jìn)行M次Monte Carlo仿真實(shí)驗(yàn)，算法性能評(píng)價(jià)指標(biāo)選?。篴.距離、速度跟蹤均方根誤差；b.目標(biāo)跟蹤失敗率，若第L(L≤M)次跟蹤時(shí)某采樣時(shí)刻距離估計(jì)偏離真實(shí)位置大于或等于3σr(其中σr是雷達(dá)傳感器的距離測(cè)量誤差標(biāo)準(zhǔn)差),就認(rèn)為第L次跟蹤失敗。

目標(biāo)運(yùn)動(dòng)軌跡

目標(biāo)1初始位置位于(1.25×104,1.5×104) m，初始速度(-100,-50) m/s，目標(biāo)在前17 s做勻速直線(xiàn)運(yùn)動(dòng)，從第18～43 s做角速度ω=4.77°/s的勻角速度左轉(zhuǎn)彎運(yùn)動(dòng)，第44～53 s繼續(xù)做勻速直線(xiàn)運(yùn)動(dòng)，第54～80 s做角速度ω=4.77°/s的勻角速度右轉(zhuǎn)彎運(yùn)動(dòng)，從第81～100 s再做勻速直線(xiàn)運(yùn)動(dòng)。目標(biāo)2初始位置位于(1.0×104,1.5×104) m，初始速度(100,-50) m/s，目標(biāo)在前17 s做勻速直線(xiàn)運(yùn)動(dòng)，從第18～43 s做角速度ω=4.77°/s的勻角速度右轉(zhuǎn)彎運(yùn)動(dòng)，第44～53 s繼續(xù)做勻速直線(xiàn)運(yùn)動(dòng)，第54～80 s做角速度ω=4.77°/s的勻角速度左轉(zhuǎn)彎運(yùn)動(dòng)，從第81～100 s再做勻速直線(xiàn)運(yùn)動(dòng)。圖6為目標(biāo)的運(yùn)動(dòng)軌跡，圖7描述了當(dāng)雜波密度為ρ=0.1時(shí)的目標(biāo)觀測(cè)及雜波分布情況。

假設(shè)雷達(dá)發(fā)射波形為X波段，載頻為10.4 GHz，發(fā)射信號(hào)采用式(16)所描述的波形。雷達(dá)位于直角坐標(biāo)原點(diǎn)，采用自適應(yīng)跟蹤方式，波形庫(kù)內(nèi)脈沖有效持續(xù)時(shí)間λ選擇范圍為[2×10-6,20×10-6]s，間隔為2×10-6s；調(diào)頻斜率b設(shè)為0；天線(xiàn)為矩形孔徑均勻照射，半功率波束寬度設(shè)為β0.5=3°。共有10種可選波形，各波形具有相同的能量，但由于脈寬不同其測(cè)速和測(cè)距精度不同。在距離r處雷達(dá)信噪比設(shè)為η=(r0/r)4,r0假設(shè)為50 km。

3.1 PDA算法、OPDA算法和JPDA算法比較

假定脈沖持續(xù)時(shí)間為λ2=4×10-6s，檢測(cè)概率為1，表1給出了三種算法在不同雜波密度背景下，500次跟蹤中的失敗跟蹤次數(shù)，表2給出了三種算法跟蹤耗時(shí)。

表1 三種算法的目標(biāo)跟蹤失敗次數(shù)Table 1 Number of losing tracking with three algorithms

表2 三種算法的目標(biāo)跟蹤耗時(shí)Table 2 Time consuming of tracking with three algorithms

3.2 WSOPDA和OPDA算法比較

對(duì)比本文基于波形選擇的OPDA(WSOPDA)算法和未進(jìn)行波形自適應(yīng)的OPDA算法。對(duì)比算法中OPDA算法的波形持續(xù)時(shí)間分別選取為λ1=2×10-6s、λ2=4×10-6s、λ3=10×10-6s、λ4=16×10-6s和λ5=20×10-6s。

a) 表3給出了在雜波密度為ρ=0.1時(shí)，不同持續(xù)時(shí)間OPDA算法在500次跟蹤中的跟蹤失敗數(shù)，其中WSOPDA算法的跟蹤失敗次數(shù)為7。

表3 不同波形OPDA算法對(duì)目標(biāo)的跟蹤失敗次數(shù)Table 3 Number of losing tracking with different waveform OPDA algorithms

b) 圖8、9給出了WSOPDA算法與λ2=4×10-6s的OPDA算法在跟蹤不丟失情況下的距離、速度跟蹤誤差。圖10給出了兩個(gè)目標(biāo)的實(shí)時(shí)動(dòng)態(tài)波形選擇情況。

仿真分析

①傳統(tǒng)的PDA算法將跟蹤關(guān)聯(lián)門(mén)內(nèi)的所有量測(cè)都認(rèn)為是可能來(lái)自目標(biāo)，根據(jù)全概率公式，通過(guò)計(jì)算各個(gè)點(diǎn)跡權(quán)值來(lái)估計(jì)目標(biāo)的狀態(tài)，對(duì)雜波密度下單個(gè)目標(biāo)跟蹤性能較好，但在多目標(biāo)交叉跟蹤中，全概率公式應(yīng)用的前提難以保證，所以會(huì)出現(xiàn)跟蹤偏離實(shí)際軌跡的現(xiàn)象。表1可知，當(dāng)雜波密度增大為ρ=1時(shí)，其跟蹤失敗率高達(dá)20%以上。JPDA算法引入確認(rèn)矩陣來(lái)表示有效回波和各目標(biāo)關(guān)聯(lián)門(mén)間的關(guān)系，是一種較優(yōu)的算法，但其計(jì)算量較大，如表2所示，當(dāng)雜波密度增大為ρ=1時(shí)，其計(jì)算耗時(shí)分別是PDA算法和OPDA算法的5倍和4倍。本文提出的OPDA算法由于對(duì)交叉門(mén)內(nèi)公共量測(cè)進(jìn)行了分類(lèi)處理，從而將多交叉目標(biāo)跟蹤問(wèn)題轉(zhuǎn)化為多個(gè)單目標(biāo)跟蹤問(wèn)題，其對(duì)雜波環(huán)境的適應(yīng)能力相比PDA算法較為突出，時(shí)間性能上也明顯優(yōu)于JPDA算法，可以認(rèn)為是PDA算法和JPDA算法的折衷選擇。

②認(rèn)知雷達(dá)應(yīng)用于跟蹤的特點(diǎn)就是能夠自適應(yīng)地根據(jù)環(huán)境和目標(biāo)運(yùn)動(dòng)狀態(tài)的改變調(diào)整波形參數(shù)，從表3可以看出，在雜波密度為ρ=1時(shí)，WSOPDA算法的跟蹤失敗率為1.4%，遠(yuǎn)低于采取固定波形的OPDA算法，反映出算法具有較強(qiáng)的環(huán)境適應(yīng)能力和魯棒性。

③由圖8、9可以看出WSOPDA算法的目標(biāo)跟蹤精度要明顯優(yōu)于固定波形OPDA算法，仿真計(jì)算若采取固定波形λ1=4×10-6的OPDA算法，其對(duì)目標(biāo)的距離和速度估計(jì)誤差平均為73.37 m和29.45 m/s；而采用WSOPDA算法其對(duì)目標(biāo)距離和速度的估計(jì)誤差平均為55.49 m和24.11 m/s，估計(jì)精度分別提高24.4%和17.1%。這可以從圖10波形適時(shí)選擇中得到合理的解釋?zhuān)?dāng)目標(biāo)處于轉(zhuǎn)彎?rùn)C(jī)動(dòng)(第18～43 s和54～80 s)時(shí)，其距離變化較為明顯，此時(shí)波形選擇較小脈沖持續(xù)時(shí)間，保持較高的距離跟蹤精度；當(dāng)目標(biāo)處于勻速運(yùn)動(dòng)(第1～17s、44～53 s和81～100 s)時(shí)，脈沖持續(xù)時(shí)間在最小值和最大值之間交替選擇，動(dòng)態(tài)平衡距離和速度誤差，使系統(tǒng)總體跟蹤性能得到持續(xù)穩(wěn)定地改善。

4 結(jié) 論

本文提出一種基于認(rèn)知雷達(dá)波形自適應(yīng)的數(shù)據(jù)關(guān)聯(lián)跟蹤算法，主要的創(chuàng)新點(diǎn)有兩個(gè)方面，一是對(duì)傳統(tǒng)PDA算法進(jìn)行了改進(jìn)，得到一種優(yōu)化的概率數(shù)據(jù)關(guān)聯(lián)算法，將多目標(biāo)交叉跟蹤問(wèn)題轉(zhuǎn)化為多個(gè)單目標(biāo)跟蹤問(wèn)題，增強(qiáng)了傳統(tǒng)PDA算法的環(huán)境適應(yīng)性，算法本質(zhì)上是傳統(tǒng)PDA算法和JPDA算法的折衷選擇；二是基于認(rèn)知的思想，把距離-速度-方位三個(gè)量測(cè)綜合考慮，構(gòu)建了信號(hào)端與數(shù)據(jù)處理端的聯(lián)系，通過(guò)在每個(gè)時(shí)刻動(dòng)態(tài)調(diào)整波形參數(shù)提高跟蹤性能。限于篇幅，本文主要研究了單脈沖波形參數(shù)對(duì)跟蹤的影響，接下來(lái)將對(duì)多組合脈沖參數(shù)對(duì)多目標(biāo)跟蹤影響及自適應(yīng)選擇問(wèn)題進(jìn)行深入探討。

[1] 劉俊, 劉瑜, 何友, 等. 雜波環(huán)境下基于全鄰模糊聚類(lèi)的聯(lián)合概率數(shù)據(jù)互聯(lián)算法[J].電子與信息學(xué)報(bào), 2016, 38(6): 1438-1445. [Liu Jun, Liu Yu, He You, et al. Joint probability data association algorithm based on all-neighbor fuzzy clustering in clutter [J]. Journal of Electronic & Information Technology, 2016, 38(6): 1438-1445.]

[2] Mahler R. Multi-target Bayes filtering via first order multi-target moments[J]. IEEE Transactions on Aerospace and Electronic System, 2003,39(4):1152-1178.

[3] 何友, 田淑榮, 孫校書(shū). 一種基于隨機(jī)集的模糊觀測(cè)的多目標(biāo)跟蹤算法[J]. 宇航學(xué)報(bào), 2008, 29(6):2007-2011. [He You, Tian Shu-rong, Sun Xiao-shu. Random sets-based multi-target tracking with ambiguous measurements [J]. Journal of Astronautics, 2008, 29(6):2007-2011.]

[4] 何友, 修建娟, 張晶煒. 雷達(dá)數(shù)據(jù)處理及應(yīng)用(第二版)[M]. 北京：電子工業(yè)出版社, 2009:120-147.

[5] Haykin S. Cognitive radar: a way of the future[J], IEEE Signal Processing Magazine, 2006, 23(1):30-40.

[6] Haykin S, Zia A, Arasaratnam I, et al. Cognitive tracking radar[C]. IEEE Radar Conference, Washington DC, USA, May 10-14, 2010.

[7] Kershaw D J, Evans R J．Optimal waveform selection for tracking systems [J]. IEEE Transactions on Information Theory, 1994, 40(5): 1536-1550.

[8] Kershaw D J, Evans R J．Waveform selective probabilistic data association [J]. IEEE Transactions on Aerospace and Electronic Systems, 1997, 33(4): 1180-1188.

[9] Sira S P, Papandreou S A, Morrell D, et al.Waveform-agile sensing for tracking multiple targets in clutter [C].IEEE Information Sciences and Systems Conference, Princeton, USA, March 22-24, 2006.

[10] Sira S P, Papandreou S A, Morrell D．Dynamic configuration of time-varying waveforms for agile sensing and tracking in clutter [J]. IEEE Transactions on Signal Processing, 2007, 55(7): 3207-3217.

[11] 王宏強(qiáng), 夏洪恩, 程永強(qiáng), 等.基于MPDA的波形自適應(yīng)目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù), 2011, 33(11): 2389-2392. [Wang Hong-qiang, Xia Hong-en, Cheng Yong-qiang, et al. Adaptive waveform selection for target tracking based on MPDA[J]. Systems Engineering and Electronics, 2011, 33(11): 2389-2392.]

[12] 盛丹, 王國(guó)宏, 張翔宇. 基于波形捷變的多傳感器機(jī)動(dòng)目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù), 2015, 37(3): 485-491. [Sheng Dan, Wang Guo-hong, Zhang Xiang-yu. Maneuvering target tracking based on waveform agility with multi-sensor [J]. Systems Engineering and Electronics, 2015, 37(3): 485-491.]

[13] 王樹(shù)亮, 阮懷林. 基于模糊信息融合的快速數(shù)據(jù)關(guān)聯(lián)算法[J]. 彈箭與制導(dǎo)學(xué)報(bào), 2011, 31(1):201-203. [Wang Shu-liang, Ruan Huai-lin. Fast algorithm for data association based on fuzzy information fusion [J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2011, 31(1):201-203.]

[14] 周宏仁, 敬忠良, 王培德. 機(jī)動(dòng)目標(biāo)跟蹤[M]. 北京：國(guó)防工業(yè)出版社，1991:134-142.

[15] Kershaw D J.A contribution to performance prediction for probabilistic data association tracking filters [J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(3): 1143-1148.

[16] Wang J T, Qin Y L, Wang H Q. Dynamic waveform selection for maneuvering target tracking in clutter[J]. IET Radar, Sonar & Navigation, 2013, 7(7): 815-825.

[17] 陳伯孝,等. 現(xiàn)代雷達(dá)系統(tǒng)分析與設(shè)計(jì)[M]. 西安：西安電子科技大學(xué)出版社，2012:382-389.

WaveformSelf-AdaptionDataAssociationAlgorithmforCognitiveRadarTracking

WANG Shu-liang1, BI Da-ping1,2, RUAN Huai-lin1

(1. Institute of Electronic Contermeasure, National University of Defence Technology, Hefei 230037, China; 2. Key Laboratory of Electronic Restriction, Hefei 230037, China)

For the multiple cross-maneuvering targets tracking in the background of clutter, a waveform self-Adaption data association algorithm for cognitive radar tracking is proposed. This algorithm chooses the range-velocity-bearing as the measurement, and adjusts the waveform parameters to vary the error covariance of the measurement dynamically. Firstly, an optimization probability data association algorithm (OPDA) is given based on the information fusion theory. This algorithm fuses the target position characteristics and motion characteristics to classify the public measurement in the cross area, and makes the multiple cross-maneuvering targets tracking problem into the multiple single-maneuvering target tracking problem. Secondly, the Riccati equation is used to estimate the filtering covariance for the updated target track, and the next waveform is chosen adaptively to improve the tracking performance according to the criterion function of the waveform selection. Simulation results show that this algorithm enhances the environment adaptability of the PDA algorithm, and has superiority than the algorithm without waveform self-adaption.

Cognitive radar; Optimization probability data association (OPDA); Maneuvering target tracking; Waveform self-adaption

2017- 07- 07;

2017- 10- 09

國(guó)家自然科學(xué)基金(61671453)；安徽省自然科學(xué)基金(1608085MF123)

TN953

A

1000-1328(2017)12- 1331- 08

10.3873/j.issn.1000- 1328.2017.12.010

王樹(shù)亮(1984-)，男，博士研究生，主要研究方向?yàn)檎J(rèn)知雷達(dá)，目標(biāo)跟蹤理論，信號(hào)與信息處理技術(shù)等。

通信地址：安徽省合肥市黃山路460號(hào)博士生隊(duì)

電話(huà)：15156061990

E-mail：wangshuliang211@sina.com