[发明专利]基于深度聚类的极坐标动态规划无源协同定位方法

说明书

本发明提出一种基于深度聚类的极坐标动态规划无源协同定位方法。该方法首先提出了环境变量学习过程，用以确定空间转移伸缩量，并结合误差传递理论求出非线性测量空间内有效转移范围。第二，首次在极值理论确定的回溯阈值内加入抗干扰因子，最终确定基于深度聚类的动态规划算法的回溯阈值。第三，提出一种基于深度聚类的动态规划算法，在测量空间进行目标检测与跟踪。最后，对目标状态进行扩维，从而包括辐射源状态，并提出一种基于关联预测协方差的扩展卡尔曼滤波算法，对扩维后的状态进行联合估计。

技术领域

本发明属于目标检测跟踪领域，涉及一种基于深度聚类的极坐标动态规划无源协同定位算法(Deep Clustering-Dynamic Programming-State Augmentation，DC-DP-PCL)。

背景技术

无源协同定位(Passive Coherent Location,PCL)技术是指雷达做为接收源不发射大功率电磁波，通过第三方非合作的外辐射源(空中预警机等)发射的电磁波信号来进行目标检测与跟踪。相比于传统的有源雷达，PCL系统成本低，反隐身特性强，自身静默且有较强的生存能力。同时PCL系统可以解决传统无源定位在目标静默时无法定位的问题，受到了国内外学者的广泛持续关注。

传统的无源协同定位算法通常假设辐射源状态已知，然而在实际应用场景中外辐射源通常为第三方非合作预警机或者商用电台，无源雷达无法获取辐射源精确状态。如何在外辐射源位置不确定条件下通过无源协同定位技术成为目前亟待解决的问题。扩展状态空间法将辐射源状态并入目标状态中，从而产生更高准确度的估计结果，但该方法的计算复杂度随着目标个数的上升快速增加。修改协方差矩阵方法通过泰勒级数校正观测协方差矩阵，从而将辐射源位置不确定所带来的误差统一纳入观测误差范围，再通过后续PCL定位技术提取目标航迹(如粒子滤波，极大似然概率数据关联等算法)。

上述文献所提算法耗时长，算法复杂度高。为解决该难点，本发明提出用基于深度聚类动态规划的状态扩维(Deep Clustering-Dynamic Programming-StateAugmentation,DC-DP-SA)算法在测量空间内进行目标检测跟踪。首先，该算法通过环境变量学习确定空间转移伸缩量，并求出非线性测量空间内有效转移范围。其次，确定基于深度聚类的动态规划算法的回溯阈值，有效降低探测区域内无目标时目标的虚假航迹检测率。最后，对目标状态进行扩维，从而包括辐射源状态，并通过一种基于关联预测协方差的扩展卡尔曼滤波算法，对扩维后的状态进行联合估计。

发明内容

本发明的目的是针对现有技术的不足，提供一种在极坐标测量空间下的动态规划无源协同定位，包括以下步骤：

步骤(1)、通过环境变量学习确定空间转移伸缩量，并求出非线性测量空间内有效转移范围。

步骤(2)、通过基于深度聚类的动态规划算法进行评测函数更新。

步骤(3)、确定基于深度聚类的动态规划算法的回溯阈值。

步骤(4)、对所有候选状态进行航迹回溯，得到非线性测量空间的估计航迹。

步骤(5)、对目标进行状态扩维，从而将辐射源状态和目标状态统一滤波估计。

步骤(1)具体是通过环境变量学习确定空间转移伸缩量，并求出非线性测量空间内有效转移范围：

Ψ(z_k(i))＝[Δγ_k Δθ_k] (1)

其中Δγ_k表示距离差有效转移范围，Δθ_k为方位角有效转移范围；

1.1首先确定空间转移伸缩量，公式如下：