多傳感器交叉提示技術(shù)及其在目標(biāo)跟蹤中的應(yīng)用

龐 策，黃樹彩，劉錦昌，趙 煒

(空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安710051)

多傳感器交叉提示技術(shù)及其在目標(biāo)跟蹤中的應(yīng)用

龐 策，黃樹彩，劉錦昌，趙 煒

(空軍工程大學(xué)防空反導(dǎo)學(xué)院，西安710051)

針對(duì)傳感器交叉提示在目標(biāo)跟蹤中的應(yīng)用問題，圍繞如何通過傳感器交叉提示技術(shù)實(shí)現(xiàn)“傳感器資源管理”、“提高目標(biāo)跟蹤精度”和“實(shí)現(xiàn)目標(biāo)交接”展開研究，提出傳感器網(wǎng)絡(luò)效能評(píng)價(jià)函數(shù)，分析不同類型的交叉提示發(fā)生的時(shí)機(jī)與條件，設(shè)計(jì)基于博弈論的多傳感器交叉提示算法，并提出基于假設(shè)檢驗(yàn)理論的傳感器博弈策略調(diào)整方法。仿真結(jié)果表明，本文提出的多傳感器交叉提示模型符合實(shí)際作戰(zhàn)場(chǎng)景，能夠順利實(shí)現(xiàn)傳感器管理、提高目標(biāo)跟蹤精度和進(jìn)行目標(biāo)交接，與粒子群算法、合同網(wǎng)算法和拍賣算法相比，博弈論算法具有較好的求解質(zhì)量，收斂速度明顯提高。

多傳感器交叉提示；博弈論；那什均衡；假設(shè)檢驗(yàn)

0 引 言

多傳感器交叉提示[1-2]屬于多傳感器協(xié)同任務(wù)規(guī)劃[3]的重要內(nèi)容，在導(dǎo)彈預(yù)警探測(cè)系統(tǒng)中，將每個(gè)傳感器看作具有自主行為的智能體[4]，傳感器對(duì)目標(biāo)信息相互提示，對(duì)目標(biāo)協(xié)同探測(cè)，以此實(shí)現(xiàn)傳感器-目標(biāo)分配、目標(biāo)跟蹤精度提高和目標(biāo)交接。

多傳感器交叉提示技術(shù)研究的重要內(nèi)容為“提示誰”的問題，即由哪些傳感器針對(duì)目標(biāo)組建探測(cè)聯(lián)盟[5]，這就是多傳感器交叉提示算法。針對(duì)此問題，文獻(xiàn)[2]提出改進(jìn)粒子群算法、文獻(xiàn)[6]采用匈牙利算法、文獻(xiàn)[7]提出粒子群拍賣混合算法，此類方法為集中式算法。另一類為分布式算法，主要有文獻(xiàn)[9]提出合同網(wǎng)算法、文獻(xiàn)[10]提出的拍賣算法、文獻(xiàn)[11]提出的分布式一致方法、文獻(xiàn)[12]提出的基于談判機(jī)制的任務(wù)分配方法、文獻(xiàn)[13]提出的擴(kuò)展合同網(wǎng)算法、以及文獻(xiàn)[14]提出的改進(jìn)拍賣算法。與集中式算法相比，分布式算法具有求解速度快、通信代價(jià)小、容錯(cuò)能力強(qiáng)等優(yōu)點(diǎn)，更適應(yīng)瞬息萬變的戰(zhàn)場(chǎng)環(huán)境，但其求解質(zhì)量欠佳[8]，如何在保證分布式算法求解速度的條件下同時(shí)提高求解質(zhì)量，成為近幾年研究的熱點(diǎn)與難點(diǎn)。。

本文圍繞多傳感器交叉提示技術(shù)及其在目標(biāo)跟蹤中的應(yīng)用展開研究，重點(diǎn)討論如何通過多傳感器交叉提示，開展傳感器管理、提高目標(biāo)跟蹤精度、進(jìn)行目標(biāo)交接等問題，研究傳感器聯(lián)盟的動(dòng)態(tài)變化過程，提出基于博弈論和假設(shè)檢驗(yàn)理論的多傳感器交叉提示算法，將提出的算法與已有文獻(xiàn)中的粒子群算法、合同網(wǎng)算法和拍賣算法進(jìn)行了比較。

1 傳感器網(wǎng)絡(luò)性能指標(biāo)

1.1 傳感器網(wǎng)絡(luò)效能模型

設(shè)傳感器網(wǎng)絡(luò)中共有m個(gè)傳感器，需要同時(shí)對(duì)n個(gè)目標(biāo)進(jìn)行跟蹤，傳感器—目標(biāo)配對(duì)矩陣為X，其元素為xij，當(dāng)傳感器si對(duì)目標(biāo)tj進(jìn)行跟蹤時(shí)，xij=1,否則，xij=0。

若xij=1，則傳感器si取得的效能為：

qij=αpij+βcij

(1)

式中：α>0、β>0為加權(quán)系數(shù)，且α+β=1；qij為si跟蹤tj時(shí)的效能，pij為si對(duì)tj的跟蹤精度，稱為收益；cij為si對(duì)tj傳感器資源消耗，稱為能耗。

目標(biāo)函數(shù)為傳感器網(wǎng)絡(luò)整體效能最大，即：

(2)

約束條件為每個(gè)傳感器實(shí)際跟蹤目標(biāo)個(gè)數(shù)小于能夠同時(shí)跟蹤目標(biāo)的最大個(gè)數(shù)。

1.2 目標(biāo)實(shí)際跟蹤精度計(jì)算模型

本文將跟蹤精度定義為幾何精度衰減因子[14]的負(fù)數(shù)，其計(jì)算式為：

(3)

式中：P(k|k)為k時(shí)刻誤差協(xié)方差矩陣。

對(duì)目標(biāo)t進(jìn)行跟蹤，其跟蹤精度計(jì)算模型分兩種情況進(jìn)行討論：

1)僅有1個(gè)傳感器跟蹤tj的情況

設(shè)目標(biāo)的離散狀態(tài)方程為：

Xk+1=ΦXk+ΓWk

(4)

傳感器量測(cè)方程為：

Zk=HXk+Vk

(5)

式中:Xk為k時(shí)刻的狀態(tài)向量，Xk+1為k+1時(shí)刻的狀態(tài)向量，Φ為狀態(tài)轉(zhuǎn)移矩陣，Γ為過程噪聲分布矩陣，Wk為系統(tǒng)噪聲，Zk為k時(shí)刻的量測(cè)向量，H為量測(cè)矩陣，Vk為量測(cè)噪聲。

在目標(biāo)跟蹤中，采用擴(kuò)展卡爾曼濾波對(duì)目標(biāo)狀態(tài)進(jìn)行估計(jì)，卡爾曼濾波迭代計(jì)算式為[15]：

(6)

2)有M個(gè)傳感器同時(shí)跟蹤t的情況

這種情況為多傳感器信息融合問題。當(dāng)有M個(gè)傳感器同時(shí)對(duì)t進(jìn)行跟蹤時(shí)，各傳感器對(duì)該目標(biāo)的量測(cè)方程為[16]：

(7)

令

(8)

此時(shí)，有Zk=HXk+Vk，此后的濾波形式與式(6)相同。

1.3 傳感器網(wǎng)絡(luò)能耗計(jì)算模型

當(dāng)使用傳感器si對(duì)目標(biāo)進(jìn)行探測(cè)時(shí)，能耗為：

(9)

式中：α1和β1為常數(shù)，取α1=0.01、β1=0.1，l(si)為傳感可同時(shí)跟蹤的目標(biāo)個(gè)數(shù)，r(si)為傳感器最大探測(cè)距離。

1.4 目標(biāo)跟蹤精度需求

目標(biāo)跟蹤精度需求p*為作戰(zhàn)指揮控制中心所期望的對(duì)目標(biāo)跟蹤精度應(yīng)達(dá)到的值。需要考慮提高傳感器跟蹤精度的情況有：

1)目標(biāo)交接過程中，應(yīng)滿足接管目標(biāo)傳感器捕獲目標(biāo)時(shí)對(duì)目標(biāo)的跟蹤精度要求。

2)攔截彈發(fā)射時(shí)，應(yīng)滿足武器系統(tǒng)對(duì)目標(biāo)的跟蹤精度需求。

3)目標(biāo)進(jìn)入我方安全警戒區(qū)域，由遠(yuǎn)及近向我方飛行時(shí)，對(duì)我方威脅不斷增大。

2 傳感器交叉提示類型

傳感器提示分為“信息提示”和“任務(wù)提示”，“信息提示”即信息共享，指一個(gè)傳感器將關(guān)于目標(biāo)的速度等信息傳遞給其它傳感器；“任務(wù)提示”指當(dāng)一個(gè)傳感器對(duì)目標(biāo)的量測(cè)結(jié)果達(dá)不到作戰(zhàn)要求時(shí)，提示其它傳感器對(duì)目標(biāo)進(jìn)行探測(cè)。本文主要研究對(duì)象為“任務(wù)提示”，根據(jù)提示目的不同，將“任務(wù)提示”分為以下三種：

類型一：開展傳感器資源管理

當(dāng)多個(gè)目標(biāo)同時(shí)來襲時(shí)，假定在時(shí)間片段內(nèi)，目標(biāo)靜止不動(dòng)，傳感器網(wǎng)絡(luò)應(yīng)制定最優(yōu)的多目標(biāo)—多傳感器分配方案，使傳感器網(wǎng)絡(luò)效能較高，此種情況下，傳感器交叉提示算法可以看作是一種分布式多目標(biāo)—多傳感器分配算法。針對(duì)目標(biāo)t組建傳感器聯(lián)盟，發(fā)生交叉提示的傳感器為能夠同時(shí)探測(cè)到t的傳感器集合。

類型二：提高目標(biāo)跟蹤精度

傳感器對(duì)目標(biāo)進(jìn)行跟蹤時(shí)，若不考慮目標(biāo)跟蹤精度需求而一味提高傳感器網(wǎng)絡(luò)效能，可能出現(xiàn)傳感器網(wǎng)絡(luò)雖然效能很大，但單目標(biāo)跟蹤精度卻很低的情況，達(dá)不到作戰(zhàn)指揮控制中心對(duì)單目標(biāo)的跟蹤精度需求，這在實(shí)戰(zhàn)中沒有意義。本文中，設(shè)若對(duì)目標(biāo)的實(shí)際跟蹤精度p小于跟蹤精度需求p*，則令p=0，傳感器對(duì)目標(biāo)的探測(cè)不產(chǎn)生收益，僅造成能耗。對(duì)于目標(biāo)t來說，發(fā)起提示的傳感器為針對(duì)目標(biāo)t進(jìn)行跟蹤的傳感器聯(lián)盟中的傳感器，被提示傳感器為傳感器聯(lián)盟外能夠探測(cè)到目標(biāo)t的傳感器。

類型三：實(shí)現(xiàn)目標(biāo)交接

當(dāng)目標(biāo)在運(yùn)動(dòng)過程中將要“逃離”傳感器的探測(cè)區(qū)域時(shí)，傳感器將會(huì)產(chǎn)生“任務(wù)提示”需求，提示其它傳感器對(duì)目標(biāo)進(jìn)行跟蹤，從而實(shí)現(xiàn)對(duì)目標(biāo)跟蹤任務(wù)的交接。

設(shè)在k時(shí)刻，目標(biāo)t和sa的距離為da(k)，目標(biāo)t和sb的距離為db(k)，在k+1時(shí)刻，目標(biāo)t和sa的距離為da(k+1)，目標(biāo)t和sb的距離為db(k+1)。sa在對(duì)目標(biāo)進(jìn)行探測(cè)過程中，當(dāng)da(k+1)>da(k)且da(k)>0.7ra時(shí)，sa將會(huì)產(chǎn)生提示需求，將會(huì)提示其它傳感器接管對(duì)目標(biāo)的探測(cè)任務(wù)；當(dāng)db(k+1)

3 傳感器交叉提示算法

3.1 兩個(gè)傳感器博弈模型

當(dāng)目標(biāo)t同時(shí)位于兩個(gè)傳感器sa和sb的探測(cè)范圍內(nèi)時(shí)，由最早探測(cè)到目標(biāo)t的傳感器sa產(chǎn)生“任務(wù)提示”需求。對(duì)于sb來講，若其不對(duì)t進(jìn)行探測(cè)，仍可通過sa的“信息提示”獲得由sa探測(cè)到的關(guān)于目標(biāo)的信息，此時(shí)sb的效能為qb=αpa；若sa和sb同時(shí)對(duì)t進(jìn)行探測(cè)，則sb的效能為qb=αpab+βcb；當(dāng)僅由sb對(duì)t進(jìn)行探測(cè)，則sb的效能為qb=αpb+βcb；當(dāng)sa和sb均不對(duì)t進(jìn)行探測(cè)時(shí)，sb的效能qb=γ，γ為常數(shù)，遠(yuǎn)遠(yuǎn)小于其它三個(gè)值，以確保每個(gè)目標(biāo)都有傳感器對(duì)其進(jìn)行跟蹤。sb的博弈矩陣如下所示[17-18]：

(10)

式中：C表示“合作策略”，D表示“背叛策略”。

1)當(dāng)傳感器交叉提示的目的是開展傳感器資源管理時(shí)，應(yīng)有：

(1)αpab+βcb>γ，即博弈個(gè)體傾向于共同合作(C,C)，而非共同背叛(D,D)；

(2)αpab+βcb>αpb+βcb，即傳感器傾向于共同合作(C,C)，而非單方面合作(D,C)；

(3)αpa>γ且αpb+βcb>γ，即兩個(gè)傳感器至少有一個(gè)采取合作的策略(D,C)或(C,D)，保證目標(biāo)能夠被至少一個(gè)傳感器探測(cè)。

此種情況下那什均衡狀態(tài)不能由分析得到。

2)當(dāng)傳感器交叉提示的目的是提高目標(biāo)跟蹤精度時(shí)，除滿足以上三個(gè)((1)、(2)、(3))條件外，接受提示的傳感器sb應(yīng)滿足αpab+βcb>αpa，即那什均衡狀態(tài)為(C,C)，此時(shí)傳感器傾向于共同合作(C,C)，為使傳感器傾向于合作，以此提高目標(biāo)跟蹤精度，在計(jì)算過程中，應(yīng)增大α的值，減小β的值。

3)當(dāng)傳感器交叉提示的目的是進(jìn)行目標(biāo)交接時(shí)，sa選擇D策略，此時(shí)，sb選擇C策略。

3.2 多個(gè)傳感器博弈模型

當(dāng)目標(biāo)t位于M個(gè)傳感器的探測(cè)范圍內(nèi)時(shí)，傳感器集合為{s1,s2,…,sM}，此種情況下，當(dāng)sa進(jìn)行博弈時(shí)，博弈sb可以看作為{s1,s2,…,sM}-sa組合而成的“虛擬傳感器”，其中任意一個(gè)傳感器選擇C策略，則該“虛擬傳感器”為C策略。

3.3 傳感器博弈策略更新規(guī)則

初始化各個(gè)傳感器初始狀態(tài)，設(shè)H(T)=1，表示傳感器sb在第T次迭代時(shí)采取C策略，該傳感器效能增大；H(T)=0，表示傳感器sb在第T次迭代時(shí)采取D策略，該傳感器效能增大。設(shè)在第T次迭代時(shí)采取C策略的概率為Q(T)，傳感器博弈過程中，傾向于合作，采取C策略效能增加的概率為O(T)(0.5

1)當(dāng)qb(T)≥qb(T-1)時(shí)，則按下式更新：

第T次迭代后sb策略更新后收益增加的概率為：

U(T)=Q(T)×O(T)+

(1-Q(T))×(1-O(T))

(11)

第T+1次迭代時(shí)，

(12)

當(dāng)0.5

2)當(dāng)qb(T)

第T次迭代后sb策略更新后收益減小的概率為：

U-(T)= (1-Q(T))×O(T)+

Q(T)×(1-O(T))

(13)

第T+1次迭代時(shí)，

(14)

當(dāng)0.5≤O(T)≤1時(shí)，有O

3.4 算法步驟

確定博弈傳感器集合{s1,s2,…,sM}后，基于博弈論和假設(shè)檢驗(yàn)理論的算法流程圖如圖1所示。

4 仿真校驗(yàn)

設(shè)敵方基地坐標(biāo)(2000,2000)，某一時(shí)刻同時(shí)發(fā)射3枚導(dǎo)彈t1、t2、t3，分別攻擊我方城市A、B、C，其坐標(biāo)分別為(100,800)、(300,300)、(500,100)，論文中坐標(biāo)單位均為km，導(dǎo)彈速度為1800km/h，導(dǎo)彈運(yùn)動(dòng)軌跡、防護(hù)城市及傳感器位置分布如圖2所示。

論文中，傳感器性能如表1所示，傳感器網(wǎng)絡(luò)中各傳感器類型如表2所示。

4.1 單目標(biāo)情形仿真

1)開展傳感器資源管理

當(dāng)k=0.2h時(shí)，t1位置為(1692,1807)，此時(shí)能夠探測(cè)到t1的傳感器集合為{s1,s2,s3,s4,s5}，傳感器網(wǎng)絡(luò)初次分配傳感器對(duì)該目標(biāo)進(jìn)行跟蹤。采用本文算法計(jì)算分配方案，計(jì)算傳感器網(wǎng)絡(luò)效能時(shí)，取α=0.1，β=0.9，博弈過程中，取γ=-20。傳感器博弈過程如圖3所示。

以T=1和T=2時(shí)說明傳感器博弈過程。

T=1時(shí)，(1)隨機(jī)確定傳感器博弈策略，有：G(T=1)={D,D,C,D,D}。

(2)經(jīng)計(jì)算，各傳感器效能有：q(T=1)={-0.34,-0.69,-0.50,-0.39,-0.72}，博弈矩陣為：

(3)給定T=2時(shí)的傳感器策略更新規(guī)則，有：

Q={0.50,0.50,0.50,0.50,0.50}、O={0.2,0.8,0.2,0.8,0.8}。

T=2時(shí)，(1)按照策略更新規(guī)則更新傳感器博弈策略，有：G(T=2)={C,D,D,C,D}。

(2)經(jīng)計(jì)算，各傳感器效能有：q(T=2)={-0.38,-0.64,-0.48,-0.33,-0.69}，博弈矩陣為：

(3)更新T=3時(shí)的傳感器策略更新規(guī)則，有：Q={0.52,0.47,0.47,0.59,0.34}、O={0.8,0.2,0.2,0.8,0.2}。

經(jīng)過15次博弈計(jì)算后，最終采取C策略的傳感器為s1、s2、s5，采取D策略的傳感器為s3、s4。

進(jìn)行100次蒙特卡洛試驗(yàn)，5個(gè)傳感器在博弈過程中，博弈策略變化曲線如圖4 (a)所示，其中，縱坐標(biāo)“0”表示D策略，“1”表示C策略，傳感器效能變化曲線如圖4(b)所示，傳感器網(wǎng)絡(luò)效能變化曲線如圖4 (c)所示，對(duì)目標(biāo)跟蹤的傳感器變化如圖4(d)所示。

表1 傳感器特性Table 1 The ability of sensors

表2 傳感器部署類型及其位置Table 2 Types of sensors and their positions

2)提高目標(biāo)跟蹤精度

當(dāng)k=0.4h時(shí)，t1位置為(1386,1615)，可探測(cè)t1的傳感器集合為{s1,s2,s3,s4,s5}，跟蹤該目標(biāo)的傳感器為s2，跟蹤精度為-2.1972，傳感器網(wǎng)絡(luò)效能為-1.2228，此時(shí)，作戰(zhàn)指揮控制中心對(duì)t1提出跟蹤精度需求為-1.5，s2產(chǎn)生提示需求，被提示傳感器為{s1,s3,s4,s5}。令α=0.5，β=0.5，采用本文算法進(jìn)行仿真，對(duì)t1的跟蹤精度變化曲線和傳感器網(wǎng)絡(luò)能耗變化曲線見圖5。

經(jīng)過6次迭代計(jì)算，最終采取C策略的傳感器為s1、s3、s4，采取D策略的傳感器為s3、s4，即對(duì)t1進(jìn)行跟蹤的傳感器為s1、s3、s4，跟蹤精度為-1.43，達(dá)到了作戰(zhàn)指揮控制中心提出的跟蹤精度需求。按照α=0.1，β=0.9，該方案中，傳感器網(wǎng)絡(luò)能耗為-3.28，比計(jì)算之前有所下降；按照α=0.5，β=0.5，該方案中，傳感器網(wǎng)絡(luò)能耗為-1.20，比計(jì)算之前有所上升?？芍?，目標(biāo)跟蹤精度的提高，是以犧牲傳感器資源為代價(jià)的。

3)實(shí)現(xiàn)目標(biāo)交接

當(dāng)k=0.75h時(shí)，t1位置為(848,1279)，可探測(cè)該目標(biāo)的傳感器集合為：{s1,s2,s3,s4,s5,s9,s10,s11,s12,s13,s14,s15,s17,s18}，此時(shí)，對(duì)t1跟蹤的傳感器

為s9，目標(biāo)交接過程如下所述：

(1)k=0.75h，s9與t1的距離d1(0.75)=895.6km>0.7r1=700km，此時(shí)s9滿足目標(biāo)交接條件，將提示其它傳感器對(duì)目標(biāo)進(jìn)行交接。

(2)滿足被提示條件的傳感器集合為{s10,s11,s12,s14,s15}。

(3)s9與集合{s10,s11,s12,s14,s15}中的傳感器進(jìn)行博弈，采用本文算法確定接替s9對(duì)目標(biāo)跟蹤的傳感器，在博弈過程中，s9的博弈策略為D策略不變。

取α=0.1，β=0.9。進(jìn)行100次蒙特卡洛試驗(yàn)，6個(gè)傳感器在博弈過程中，博弈策略變化曲線如圖6 (a)所示，其中，縱坐標(biāo)“0”表示D策略，“1”表示C策略，傳感器效能變化曲線如圖6(b)所示，傳感器網(wǎng)絡(luò)效能變化曲線如圖6(c)所示，對(duì)目標(biāo)跟蹤的傳感器變化如圖6(d)所示。

最終采取C策略的傳感器為s11、s14、s15，采取D策略的傳感器為s10、s12，即對(duì)t1跟蹤的傳感器為s11、s14、s15，傳感器網(wǎng)絡(luò)效能為-3.89，最終方案確定后，s9不再對(duì)目標(biāo)跟蹤，完成目標(biāo)交接。

4.2 多目標(biāo)情形仿真

1)傳感器初次分配過程仿真

當(dāng)k=0.2h時(shí)，目標(biāo)坐標(biāo)為t1(1696,1769)、t2(1593,1644)、t3(1456,1371)，能夠探測(cè)到3個(gè)目標(biāo)的傳感器為{s1,s2,s3,s4,s5}。

在計(jì)算傳感器網(wǎng)絡(luò)效能時(shí)，取α=0.5，β=0.5，分別用本文中的博弈論算法、文獻(xiàn)[2]中的粒子群算法、文獻(xiàn)[13]中的合同網(wǎng)算法和文獻(xiàn)[14]中的拍賣算法計(jì)算傳感器聯(lián)盟方案，進(jìn)行100次蒙特卡洛試驗(yàn)，傳感器網(wǎng)絡(luò)效能與迭代次數(shù)的變化關(guān)系如圖7(a)所示，各算法運(yùn)行時(shí)間如圖7(b)所示。

由圖7可知，在博弈論算法、合同網(wǎng)算法和拍賣算法三種分布式算法當(dāng)中，博弈論算法收斂速度最快、求解質(zhì)量最高，與粒子群算法集中式算法相比，其求解質(zhì)量幾乎相同。

2)多目標(biāo)跟蹤過程仿真

目標(biāo)整個(gè)飛行過程中，分別用四種算法計(jì)算網(wǎng)絡(luò)能耗變化曲線如圖8(a)如示,t1跟蹤精度變化曲線如圖8(b)如示,t2跟蹤精度變化曲線如圖8(c)如示t3跟蹤精度變化曲線如圖8(d)如示。

由圖8可知，四種算法性能從高到低依次為：博弈論算法、拍賣算法、合同網(wǎng)算法、粒子群算法。

5 結(jié) 論

本文圍繞如何通過傳感器交叉提示技術(shù)實(shí)現(xiàn)“傳感器資源管理”、“目標(biāo)跟蹤精度提高”和“目標(biāo)交接”等目標(biāo)而展開，首先建立了傳感器網(wǎng)絡(luò)效能函數(shù)，其次根據(jù)任務(wù)不同將傳感器交叉提示分類，討論了三種類型的傳感器提示在傳感器聯(lián)盟組建、更正和更新中的作用，設(shè)計(jì)了基于博弈論的多傳感器交叉提示算法，提出基于假設(shè)檢驗(yàn)理論的傳感器博弈策略更新方法，最后進(jìn)行了仿真校驗(yàn)。仿真結(jié)果表明，本文提出的多傳感器交叉提示模型符合實(shí)際作戰(zhàn)場(chǎng)景，能夠順利實(shí)現(xiàn)傳感器管理、提高目標(biāo)跟蹤精度和進(jìn)行目標(biāo)交接，與代表集中式算法的粒子群算法和代表分布式算法的合同網(wǎng)算法和拍賣算法相比，博弈論算法收斂速度明顯提高，求解質(zhì)量較高，在作戰(zhàn)態(tài)勢(shì)變化較快的情形下具有明顯優(yōu)勢(shì)。

[1]StrombergD.Asensor-independentsensor-orientedtrackingarchitecture[C]. 1999IEEEInformationDecisionandControlConference,Adelaide,Australia,April13-18, 1999.

[2] 樊浩, 黃樹彩, 高美鳳, 等. 多傳感器交叉提示多目標(biāo)探測(cè)動(dòng)態(tài)聯(lián)盟技術(shù)研究[J]. 宇航學(xué)報(bào), 2011, 32(11): 2381-2386. [FanHao,HuangShu-cai,GaoMei-feng,etal.Researchontechniqueofmulti-targetdetectionusingmulti-sensorcross-cueingbasedondynamiccoalition[J].JournalofAstronautics, 2011, 32 (11): 2381-2386.]

[3] 李志匯, 劉昌云, 倪鵬, 等. 反導(dǎo)多傳感器協(xié)同任務(wù)規(guī)劃綜述[J]. 宇航學(xué)報(bào), 2016, 37(1):29-38. [LiZhi-hui,LiuChang-yun,NiPeng,etal.Reviewonmulti-sensorcooperativemissionplanninginanti-TBMsystem[J].JournalofAstronautics, 2016, 37(1): 29-38.]

[4]MengDY,JiaYM,DuJP,etal.High-precisionformationcontrolofnonlinearmulti-agentsystemswithswitchingtopologies:alearningapproach[J].InternationalJournalofRobustandNonlinearControl, 2015, 25 (13): 1993-2018.

[5] 劉梅, 李海昊, 沈毅. 無線傳感器網(wǎng)絡(luò)空中目標(biāo)跟蹤任務(wù)分配技術(shù)的研究[J]. 宇航學(xué)報(bào), 2007, 28(4):960-965. [LiuMei,LiHai-hao,ShenYi.Studyallocationofairtargettrackingtaskinwirelesssensornetwork[J].JournalofAstronautics, 2007, 28(4): 960-965.]

[6] 童俊, 單甘霖. 基于Cramér-Rao下限的多傳感器跟蹤資源協(xié)同分配[J]. 宇航學(xué)報(bào), 2012, 33(9):1314-1321. [TongJun,ShanGan-lin.Multi-sensortrackingresourcecoordinatedallocationbasedonCramér-Raolowbound[J].JournalofAstronautics, 2012, 33(9): 1314-1321.]

[7] 費(fèi)愛國(guó), 張陸游, 劉剛, 等. 基于粒子群拍賣混合算法的空空導(dǎo)彈制導(dǎo)權(quán)移交技術(shù)[J]. 宇航學(xué)報(bào), 2013, 34(3): 340-346. [FeiAi-guo,ZhangLu-you,LiuGang,etal.Thetechniqueforair-to-airmissileguidancesuperiorityhandoverbasedonparticleswarmauctionhybridalgorithm[J].JournalofAstronautics, 2013, 34 (3): 340-346.]

[8] 段沛博, 張長(zhǎng)勝, 張斌. 分布式約束優(yōu)化方法研究進(jìn)展[J]. 軟件學(xué)報(bào), 2016, 27(2):264-279. [DuanPei-bo,ZhangChang-sheng,ZhangBin.Researchprogressindistributedconstraintoptimizationmethod[J].JournalofSoftware, 2016, 27(2): 264-279.]

[9]DoruP,CarlosP．Anextendedcontractnetprotocolwithdirectnegotiationofmanagers[M].NewYork:Springer, 2014.

[10]ZhongL,HuangQ,WuF,etal.Trade:Atruthfulonlinecombinatorialauctionforspectrumallocationincognitiveradionetworks[J].WirelessCommunication&MobileComputing, 2015, 15 (9): 1320-1330.

[11]SeversonTA,DerekAP.Distributedmulti-targetsearchandtrackassignmentwithconsensus-basedcoordination[J].IEEESensorsJournal, 2015, 15 (2): 864 -875.

[12]YanK,ZhangMJ,YeDY.Anegotiation-basedmethodfortaskallocationwithtimeconstraintsinopengridenvironment[J].ConcurrencyandComputation:PracticeandExperience, 2015, 27 (3): 735-761.

[13]AmarKG,GuyEG.Equivalenceclassverificationofthecontractnetprotocolextension[J].InternationalJournalonSoftwareToolsforTechnologyTransfer, 2016, 18(6): 685-706.

[14] 方德亮, 冉曉旻, 李鷗. 一種能量有效的分布式傳感器管理算法[J]. 西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2017, 44(2):182-187. [FangDe-liang,RanXiao-min,LiOu.Energyefficientdistributedsensormanagementalgorithm[J].JournalofXidianUniversity, 2017, 44(2): 182-187.]

[15]BasileM,LudovicC.Real-timeupdatingofstructuralmechanicsmodelsusingKalmanfiltering,modifiedconstitutiverelationerror,andpropergeneralizeddecomposition[J].NumericalMethodinEngineering, 2016, 107(9): 786-810.

[16]WhiteK,WilliamsJ,HoffensetzP.Radarsensormanagementfordetectionandtracking[C].Proc.ofIEEEInternationalConferenceonInformationFusion,Nice,France,September22-26, 2008.

[17]VonNeumannJ,MorgensternO.Theoryofgamesandeconomicbehavior(60thAnniversaryCommemorativeEdition)[M].Princeton:Princetonuniversitypress, 2007.

[18]HamedK,NasserY.Gameoftheoryconsumptionbalancinginheterogeneoussensornetworks[J].WirelessCommunicationandMobileComputing, 2016, 16(12): 1457-1477.

通信地址：陜西省西安市長(zhǎng)樂東路甲字一號(hào)學(xué)(710051)

電話：18392447996

E-mail:18392447996@163.com

(編輯：牛苗苗)

Multi-Sensor Cross Cueing Technology and Its Application in Target Tracking

PANG Ce, HUANG Shu-cai, LIU Jin-chang, ZHAO Wei

(Air and Missile Defense College, Air Force Engineering University, Xi’an 710051, China)

For the application of the multi-sensor crossing cueing technology to target tracking, how to manage the sensors, improve the tracking accuracy and transfer the targets by using the multi-sensor crossing cueing technology is taken into consideration. The energy consumption function of the sensors is raised. The time and requirements of different types of the cross cueing are analyzed. The multi-sensor crossing cueing algorithm based on game theory is designed, with the adapting method of gaming strategy based on hypothesis testing being raised. Simulation result indicates that the proposed model conforms to the battles reality, and by the game algorithm, the tasks of managing sensors, improving the tracking accuracy and transferring targets can be completed. In comparison with the particle swarm algorithm, contract net algorithm and auction algorithm, the game algorithm has better result and its convergence rate is improved.

Multi-sensor cross-cueing; Game theory; Nash equilibrium; Hypothesis testing

2016-12-19;

2017-02-09

國(guó)家自然科學(xué)基金(61573374)；青年國(guó)家自然科學(xué)基金(61503408)；航空科學(xué)基金(20150196006)

TN215

A

1000-1328(2017)04-0401-09

10.3873/j.issn.1000-1328.2017.04.010

龐 策(1993-)，男，碩士生，主要從事多傳感器交叉提示技術(shù)研究。