基于灰色理論的雷達目標與IFF點跡關(guān)聯(lián)方法*

閆善勇

?指揮控制與通信?

基于灰色理論的雷達目標與IFF點跡關(guān)聯(lián)方法*

閆善勇

（中國西南電子技術(shù)研究所，四川 成都 610036）

為提升復(fù)雜環(huán)境下雷達目標與IFF點跡的關(guān)聯(lián)正確率，提出了一種基于灰色理論的關(guān)聯(lián)方法。在不同場景下，通過計算灰關(guān)聯(lián)度判斷多個雷達目標與IFF點跡關(guān)聯(lián)時是否存在競爭，若存在則利用雷達目標與IFF關(guān)聯(lián)的歷史信息對灰關(guān)聯(lián)度進行修正，最后基于最大關(guān)聯(lián)度識別原則完成關(guān)聯(lián)判決，形成對目標的敵我屬性判定及識別置信度估計。典型場景下的仿真結(jié)果表明，通過對目標的多次詢問及與雷達目標的關(guān)聯(lián)，可提升不同環(huán)境下的關(guān)聯(lián)正確率，提升合作目標屬性判定的置信度。

雷達目標；敵我識別；灰色理論；復(fù)雜場景；關(guān)聯(lián)方法

0　引言

目標敵我屬性識別是現(xiàn)代軍隊不可或缺的一種能力。協(xié)同式敵我識別器為軍隊提供了一種簡單、實時性強、準確性高的敵我識別（identification friend or foe， IFF）方法，是完成敵我識別任務(wù)的首要裝備。協(xié)同式敵我識別器在工作的過程中根據(jù)交聯(lián)雷達的指令進行特定方位的詢問信號發(fā)射和應(yīng)答信號接收，完成合作目標的敵我屬性識別和測距測向。在詢問波束內(nèi)目標數(shù)量多、目標構(gòu)成復(fù)雜的環(huán)境下，需要通過與雷達之間的數(shù)據(jù)融合完成雷達指定目標的敵我屬性判定［1］。文獻［2］介紹了概率統(tǒng)計類、不確定信息類、數(shù)學(xué)模型類等10類航跡關(guān)聯(lián)算法，并對各類算法的實現(xiàn)原理、算法優(yōu)劣和發(fā)展趨勢進行了分析和總結(jié)。文獻［3］按照熵權(quán)法分析并確定量測指標權(quán)值用于優(yōu)化最近鄰域算法的統(tǒng)計距離關(guān)聯(lián)準則，相比于傳統(tǒng)最近鄰域算法獲得了更高的數(shù)據(jù)關(guān)聯(lián)正確率、更小的跟蹤誤差和更快的收斂效果。文獻［4］在聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法中引入隨機集的概念，通過隨機集內(nèi)目標的有序轉(zhuǎn)換，實現(xiàn)運動目標的良好跟蹤，解決了多目標航跡分叉條件下的關(guān)聯(lián)問題。文獻［5］采用基于聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的雷達與IFF關(guān)聯(lián)算法，在目標密集的條件下取得了優(yōu)于最鄰近相關(guān)方法的結(jié)果，且該方法對目標交匯情況不敏感。文獻［6-8］在航跡灰色區(qū)間關(guān)聯(lián)算法的基礎(chǔ)上不斷演進，在航跡異步、傳感器采樣率不同的條件下均能得到較高正確率，并可有效針對航跡交叉等問題。文獻［9］完成了基于區(qū)間數(shù)及DS（Dempster-Shafer）證據(jù)理論的多傳感器航跡關(guān)聯(lián)，且獲得了較好的正確關(guān)聯(lián)概率。文獻［10］采用OSPA（optimal sub-pattern assignment）航跡關(guān)聯(lián)方法，通過自適應(yīng)航跡關(guān)聯(lián)矩陣給出歷史航跡對當前航跡的作用影響，有效準確地判斷多目標航跡的合并和分叉情況，實現(xiàn)良好的航跡關(guān)聯(lián)。

本文針對目標數(shù)量多，目標構(gòu)成復(fù)雜環(huán)境下的雷達目標與IFF點跡關(guān)聯(lián)不準確，無法或錯誤判斷雷達目標敵我屬性的問題，提出一種基于灰色理論的航跡關(guān)聯(lián)方法［11-12］，該方法根據(jù)灰關(guān)聯(lián)度矩陣判斷雷達航跡之間的競爭關(guān)系，并適時利用雷達目標與IFF點跡關(guān)聯(lián)的歷史信息對當前關(guān)聯(lián)進行修正，完成較高正確率的關(guān)聯(lián)。

1　基本理論

圖1 　雷達與IFF量測示意圖

Fig. 1 　Illustration of radar and IFF measurement

式中：

2　方法改進

采用基于灰色理論的雷達目標與IFF點跡關(guān)聯(lián)方法的其他優(yōu)點包括：①基于灰色理論的方法可以一定程度上降低系統(tǒng)誤差的影響；②基于灰色理論的方法無需進行精確的時間對準，一定程度上降低時間對準導(dǎo)致的誤差影響；③本方法確定的灰關(guān)聯(lián)度可以作為識別器對指定合作目標的識別置信度。雷達目標與IFF點跡之間的關(guān)聯(lián)主要考慮目標密集情況，但本文方法也適用于目標較為分散的情況。

3　仿真分析

假設(shè)平臺上配置了一部雷達和IFF詢問機。雷達目標周期更新8 s，距離偏差最大值100 m，方位偏差最大值0.25°；IFF詢問機距離偏差最大值150 m，方位偏差最大值0.8°。為簡化仿真，假設(shè)雷達和IFF的檢測概率均為1。

仿真考慮了2種典型場景，以點（0°，0 km）為參考原點建立直角坐標系，正東方向為0°，逆時針方向為正向。

場景1為目標數(shù)量多、目標構(gòu)成復(fù)雜（協(xié)作、非協(xié)作目標混合）場景，場景2在場景1的基礎(chǔ)上，使目標航跡之間存在交叉，測試本文方法對上述場景的適應(yīng)能力。本文分別采用修正前后的關(guān)聯(lián)方法對相同場景的關(guān)聯(lián)任務(wù)進行了處理，每種場景進行了1 000次仿真，對我方合作目標統(tǒng)計正確關(guān)聯(lián)概率、錯誤關(guān)聯(lián)概率和漏關(guān)聯(lián)概率。

圖2展示了場景1描述的目標運動情況。圖3展示了修正前關(guān)聯(lián)方法的運行情況。圖3a）為雷達航跡關(guān)聯(lián)情況，在多數(shù)情況下，航跡2、航跡3均被正確關(guān)聯(lián)，航跡1與航跡4未關(guān)聯(lián)。圖3b），c）為1#，2#IFF與雷達航跡歸一化灰關(guān)聯(lián)度，可見雷達航跡之間的競爭時有發(fā)生。

圖2 　場景1雷達航跡及IFF點跡

圖3 　修正前方法運行情況

圖4為采用修正方法前，執(zhí)行1 000次循環(huán)統(tǒng)計的關(guān)聯(lián)概率，正確關(guān)聯(lián)概率為87.8%，錯誤關(guān)聯(lián)概率為12.2%，漏關(guān)聯(lián)概率0。圖5為采用修正后方法，執(zhí)行1 000次循環(huán)后統(tǒng)計的關(guān)聯(lián)概率，正確關(guān)聯(lián)率為97.8%，錯誤關(guān)聯(lián)概率為2.2%，漏關(guān)聯(lián)概率為0。由于第1～3次詢問時缺少足夠的歷史量測，導(dǎo)致關(guān)聯(lián)概率較低，但在之后的詢問中關(guān)聯(lián)概率都得到了提升。

圖4 　修正前關(guān)聯(lián)概率

圖5 　修正后關(guān)聯(lián)概率

圖6展示了場景2描述的目標運動情況。圖7展示了修正前關(guān)聯(lián)方法的運行情況。圖7a）為雷達航跡關(guān)聯(lián)情況，在多數(shù)情況下，航跡2、航跡3均被正確關(guān)聯(lián)，航跡1、航跡4未關(guān)聯(lián)。圖7b），7c）為1#，2#IFF與雷達航跡歸一化灰關(guān)聯(lián)度，可見雷達航跡之間的競爭時有發(fā)生；同時由于1#航跡先與2#IFF點跡相遇并分離，再與1#IFF點跡相遇，可以看到c）中1#航跡的關(guān)聯(lián)概率先升高后降低，b）中1#航跡的關(guān)聯(lián)概率逐漸提升。

圖6 　場景2雷達航跡及IFF點跡

圖7 　修正前方法運行情況

圖8為采用修正方法前，執(zhí)行1 000次循環(huán)統(tǒng)計的關(guān)聯(lián)概率，正確關(guān)聯(lián)概率為89.2%，錯誤關(guān)聯(lián)概率為10.8%，漏關(guān)聯(lián)概率0。從圖中可以看出，交叉現(xiàn)象導(dǎo)致在詢問次數(shù)為17時正確關(guān)聯(lián)概率的降低和錯誤關(guān)聯(lián)概率的提升。圖9為采用修正后方法，執(zhí)行1 000次循環(huán)后統(tǒng)計的關(guān)聯(lián)概率，正確關(guān)聯(lián)率為98.3%，錯誤關(guān)聯(lián)概率為1.7%，漏關(guān)聯(lián)概率為0。交叉現(xiàn)象仍導(dǎo)致在詢問次數(shù)為17時正確關(guān)聯(lián)概率的降低和錯誤關(guān)聯(lián)概率的提升，并在后續(xù)數(shù)次關(guān)聯(lián)中展現(xiàn)了它的影響，但整體上關(guān)聯(lián)概率都得到了提升。

圖8 　修正前關(guān)聯(lián)概率

圖9 　修正后關(guān)聯(lián)概率

最近鄰域法（nearest neighbor，NN）是目標航跡關(guān)聯(lián)的基本方法之一。仿真相同場景（3個目標航跡的初始距離100 km，最小方位為39°，運動狀態(tài)同場景1，目標1、目標3為協(xié)作目標，目標2為非協(xié)作目標）下，本文方法與NN方法的正確關(guān)聯(lián)概率，結(jié)果見表1，可見采用本文方法正確關(guān)聯(lián)概率較NN方法有較大優(yōu)勢。

表1 　正確關(guān)聯(lián)概率對比

仿真結(jié)論：

（1）在2種典型場景下，比較密集的多個雷達航跡與IFF點跡關(guān)聯(lián)時，各個航跡之間存在競爭；

（2）在2種典型場景下，經(jīng)本文方法處理后，目標正確關(guān)聯(lián)概率均有顯著提升；

（3）本文方法在目標數(shù)量多、目標構(gòu)成復(fù)雜及目標航跡交叉場景下，有較好的適應(yīng)能力。

4　結(jié)束語

本文針對目標數(shù)量多、目標構(gòu)成復(fù)雜條件下雷達目標與IFF點跡關(guān)聯(lián)問題，提出了一種改進的關(guān)聯(lián)方法。通過對目標的多次詢問和灰關(guān)聯(lián)度矩陣修正，提高目標密集環(huán)境下的雷達目標與IFF點跡的關(guān)聯(lián)正確率。仿真結(jié)果表明，在典型場景下，本文提出的方法能夠有效提升雷達目標與IFF點跡之間的關(guān)聯(lián)正確率，提升合作目標屬性識別置信度。該方法物理含義明確，運算量較小，具備一定的工程實現(xiàn)價值。

［1］ 修小林，時宏偉，王越. 對雷達敵我識別系統(tǒng)中若干問題的研究［J］. 電訊技術(shù)， 2002， 42（2）： 1-7.

XIU Xiaolin， SHI Hongwei， WANG Yue. Study on Problems in Radar IFF System［J］. Telecommunication Engineering， 2002， 42（2）： 1-7.

［2］ 李寅龍，張?zhí)焓? 多傳感器航跡關(guān)聯(lián)算法綜述［J］. 艦船電子工程， 2021， 41（8）： 44-50.

LI Yinlong， ZHANG Tianshu. Summary of Multi-sensor Track Association Algorithms［J］. Ship Electronic Engineering， 2021， 41（8）： 44-50.

［3］ 李恒璐，陳伯孝，丁一，等. 基于信息熵的最近鄰數(shù)據(jù)關(guān)聯(lián)算法［J］. 系統(tǒng)工程與電子技術(shù)， 2020， 42（4）： 806-812.

LI Henglu， CHEN Boxiao， DING Yi， et al. Nearest Neighboor Data Association Algorithm Based on Information Entropy Weight［J］. Systems Engineering and Electronics， 2020， 42（4）： 806-812.

［4］ 張成寶. 密集目標環(huán)境下的數(shù)據(jù)關(guān)聯(lián)算法研究［D］. 北京：中國艦船研究院， 2013.

ZHANG Chengbao. Data Association Algorithm in Dense Target Environment［D］. Beijing： China Ship Research and Development Academy， 2013.

［5］ 董杰．一種目標密集環(huán)境下的雷達目標與IFF點跡相關(guān)算法［J］．電訊技術(shù)， 2019， 59（9）： 1054-1061.

DONG Jie. A Radar Target-IFF Plot Correlation Algorithm in Target Dense Environment［J］. Telecommunication Engineering， 2019， 59（9）： 1054-1061.

［6］ 衣曉，杜金鵬. 基于分段序列離散度的異步航跡關(guān)聯(lián)算法［J］. 航空學(xué)報， 2020， 41（7）： 323694.

YI Xiao， DU Jinpeng. Asynchronous Track-to-Track Association Algorithm Based on Discrete Degree of Segmented Sequence［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（7）： 323694.

［7］ 周威，衣曉，楊衛(wèi)國. 基于區(qū)間相離度的異步航跡抗差關(guān)聯(lián)算法［J］. 指揮與控制仿真， 2019， 41（6）： 52-58.

ZHOU Wei， YI Xiao， YANG Weiguo. Track-Track Association Algorithm for Asynchronous and Resisting Systematic Errors Based on Intervals Distance［J］. Command Control & Simulation， 2019， 41（6）： 52-58.

［8］ 衣曉，張懷巍. 極坐標系下的航跡灰色區(qū)間關(guān)聯(lián)算法［J］. 艦船電子工程， 2012， 32（8）： 45-47.

YI Xiao， ZHANG Huaiwei. Gray Track Correlation Algorithm Based on the Polar Coordinate Intercal Numbers［J］. Ship Electronic Engineering， 2012， 32（8）： 45-47.

［9］ 楊軍佳，時銀水，王學(xué)青. 基于區(qū)間數(shù)及DS證據(jù)理論的多傳感器航跡關(guān)聯(lián)方法［J］. 電光與控制， 2019，26（5）： 64-67.

YANG Junjia， SHI Yinshui， WANG Xueqing. A Multi-sensor Track Association Method Based on Interval Number and DS Evidence Theory［J］. Electronics Optics & Control， 2019， 26（5）： 64-67.

［10］ 李洋，張靖. 基于自適應(yīng)滑動窗均值OSPA航跡關(guān)聯(lián)算法［J］. 電子學(xué)報， 2016， 44（2）：353-357.

LI Yang， ZHANG Jing. Track Fusion Based on the Mean OSPA Distance with an Adaptive Sliding Window［J］. Acta Electronics Sinica， 2016， 44（2）： 353-357.

［11］ 羅俊海，王章靜. 多源數(shù)據(jù)融合和傳感器管理［M］. 北京：清華大學(xué)出版社， 2015.

LUO Junhai， WANG Zhangjing. Multi-source Data Fusion and Sensor Management［M］. Beijing： Tsinghua University Press， 2015.

［12］ 韓崇昭，朱洪艷，段戰(zhàn)勝，等．多源信息融合［M］. 北京：清華大學(xué)出版社， 2010.

HAN Chongzhao， ZHU Hongyan， DUAN Zhansheng， et al. Multi-source Information Fusion［M］. Beijing： Tsinghua University Press， 2010.

Radar Target and IFF Plot Association Method Based on Gray Theory

YANShanyong

（Southwest China Institute of Electronic Technology， Chengdu 610036， China）

In order to improve the association accuracy between radar target and IFF plot in complex environment， a method based on gray theory is proposed. In different scenarios， it can be judge whether there is competition among multiple radar targets when it is associated with IFF plot by calculating the gray correlation degree. If there is， the historical information of association between radar target and IFF is used to modify the gray correlation degree. Finally， the associated decision is completed based on the recognition of maximum gray correlation degree to form the identification of the target’s friend and foe attributes and the identification confidence estimation. Simulation results in typical scenarios show that， through multiple interrogations and association with the target， it can improve the association accuracy in different environment and the confidence degree of cooperative target attribute determination.

radar target；identification of friend or foe；gray theory；complex scene；association method

10.3969/j.issn.1009-086x.2023.04.006

TN959.1；N941.5；TJ0

A

1009-086X（2023）-04-0046-07

閆善勇.基于灰色理論的雷達目標與IFF點跡關(guān)聯(lián)方法[J].現(xiàn)代防御技術(shù),2023,51(4):46-52.

YAN Shanyong.Radar Target and IFF Plot Association Method Based on Gray Theory[J].Modern Defence Technology,2023,51(4):46-52.

2022 -08 -03 ;

2022 -12 -29

閆善勇(1990-)，男，黑龍江雙城人。工程師，博士，研究方向為雷達信號與信息處理。

610036 四川省成都市金牛區(qū)營康西路85號 E-mail：yanshanyongyhy@163.com