基于熵权灰色关联法的雷达认知成像目标优先级评价方法

谢 涛, 邓洪高, 廖可非

(1.中国电子科技集团公司第五十四研究所, 河北 石家庄 050081)(2.桂林电子科技大学 信息与通信学院, 广西 桂林 541004)

相控阵雷达用途广泛,功能强大,在军用和民用领域得到广泛的应用。相控阵雷达的阵列天线拥有灵活的波束变化能力和出色的波束自适应能力[1],可以对多个潜在目标进行持续的交替观测,而如何在有限的时间内快速而准确地识别目标的更多信息,是评判雷达性能指标的重要标准[2]。随着近年来战场情况瞬息万变并逐渐复杂化,增加了相控阵雷达所要执行的任务的负担,因而相控阵雷达如何在规定的时间内有效地完成不同的任务变为一个急需解决的问题[3]。

为了提高雷达对时间资源的利用率,目前产生了2种主流雷达资源调度方法,分别是模板法和自适应调度方法[4],其中自适应调度法有效性最好。如今学术界已经对雷达资源调度算法的研究有了很大的进展,例如文献[5]对于多个任务的分配是基于最小的时间窗调度间隔执行的,即在时间和孔径这2个维度优化分配时间以及对不同等级的任务进行调度,提高雷达系统的资源利用率;文献[6]提出了一种高任务模式优先(high task mode priority first,简称HPF)算法,通过提前对不同种类的任务划分等级,确保把资源调度给优先目标。文献[7]利用ISAR成像算法中距离向和方位向存在的稀疏性,在对多个目标交替观察保证雷达对时间资源的有效分配的基础上,再结合压缩感知理论重新构建原始信号,达到对目标进行成像的目的,在保证成像质量的同时增强雷达系统的探测性能。文献[8]通过利用ISAR 成像的稀疏性,减少了雷达连续观测目标的时间,并进一步在资源调度算法中融入认知雷达成像技术,不但增强雷达跟踪和搜索的性能,还提高了雷达工作效率。文献[9]在文献[8]认知ISAR成像的基础上改变以往发射脉冲的方式,将脉冲交错引入到相控阵雷达资源调度算法中,改进为数字阵列雷达(DAR)任务优化调度算法。总的来说,以上算法都有不同程度的改进,例如稀疏孔径ISAR成像提高了雷达资源利用率[10],认知ISAR能更好地实现雷达跟踪的能力。但也存在一些缺陷。首先,在判定目标的威胁程度上受主观因素的影响很大,因为影响因子是人为赋予的。其次,在对任务优先级划分时,并未考虑任务的内部关系[11],导致雷达系统中某些任务请求在期限内未得到有效的回馈,而已经处理完成的任务未得到及时清除,雷达资源始终处于被占用的状态,最终造成信息丢失、系统资源负载增大以及成像模糊等问题[12]。

为了解决上述问题,引入了熵权灰色关联法。熵权灰色关联法是求解在客观的状态下,不同对象之间发展趋势关联程度的关系[13]。将其和稀疏认知ISAR成像技术结合,促使雷达资源得到合理的调度,并实现了权值与优先级的在线求解[14],能够真实、客观地反映动态变化的雷达工作情景。

1 基于熵权的灰色关联的优先级建模

1.1 影响威胁度因素的确立

考虑以下几个对雷达威胁程度较高的因素:目标和雷达之间的距离、目标的速度、目标方位航向和目标所在高度[15]。雷达先通过发送少量的脉冲信号,再根据处理后的回波信号识别目标的这4个重要特征。假设雷达需要对J个目标成像,根据这4个因素,J个目标的矩阵形式为式中:j=1,2,…,J,J为目标个数;a ij表示第j个目标的第i个因素的数值大小,i=1,2,…,4是4个不同的影响因子,分别对应目标和雷达之间的距离、目标的速度、目标方位航向和目标所在高度。

1.2 根据熵权法确立影响因素权重

由于这4种因素对目标威胁度贡献率不一样,需要对每个因素加上一定的权值。以下给出由熵权法确立各影响因素权值的步骤。

1)数据标准化处理。所有目标第i个因素的数值集合可写为a i.={a i1,a i2,…,a iJ},a iJ表示最后一个目标第i个因素的数值大小,则第j个目标的第i因素标准化处理后的结果Y ij为

2)求各因素的信息熵。熵在信息论中表示的是测量系统中无序程度的度量[16]。将信息论中熵的理论运用到对权重的客观赋值上,各因素的熵为

1.3 目标威胁度模型

在所有目标中第i种影响威胁度因素的最大值l i为

c ij为第j个目标的第i个因素的威胁度的归一化值。由此得到归一化矩阵C,将权值系数βi,引入矩阵C中,有

1.4 最优参考数列的确立与模型的计算

本研究所提的灰色关联分析法是衡量各待评估影响因素与最优参考数据发展关联程度的方法,适合做目标的动态分析,并具有样本数据少和弱化分布概率影响的特点,可以为多动态目标观测和分析提供相关的参考价值和理论基础[17]。从获得的众多目标参数中构建出一个威胁度最大的目标作为最优参考数列。在实际状况中,筛选的4个重要因素对雷达威胁的程度如下:

1)雷达距离观测目标的距离越小,威胁度大;

2)目标速度快的,威胁度大;

3)目标航向角为θ,指在飞行时,时速向量的水平投影与雷达连线的夹角[18]。定义sin(θ)大,威胁度大。上述a3j=sinθj,这里θj表示第j个目标的时速向量的水平投影与雷达连线夹角。

4)考虑到目标有低空贴近海面袭击的可能性,故设置的目标高度越低的,威胁程度越大。

由此构造出威胁度最大的目标因素集合,作为最优参考数列B=[b1,b2,b3,b4],其中:

由此灰色关联度为

从式(12)中可发现,相关系数值与威胁程正相关,这意味着相关系数值越大,优先级越高。

2 雷达成像资源自适应调度算法

由于ISAR 图像具有稀疏特性[19],这一性质使我们更加方便掌握和运用ISAR 成像技术。在雷达发射线性调频信号的情况下,稀疏成像算法指出,可从全孔径发射的N个脉冲中,随机挑选M个脉冲发射,通过压缩感知理论,在满足M≥c K^lnN的条件下,高概率地重构出全孔径的回波信号,从而获得目标二维像,其中K^为稀疏度,c为常数。

相控阵雷达的时间资源是有限的,当连续对多个目标进行成像时,往往超出雷达本身的极限性能,造成成像质量下降或探测性能下降。鉴于此,可先通过发射少量脉冲信号认知多个目标的特征状况,初步得出目标的大概特征,利用成像的稀疏性,并在规定的调度时间内将任务的优先级进行排列,最后得出一种结合稀疏孔径认知ISAR成像技术和雷达资源自适应调度技术的算法[20-21],其数学表达模型如下:

其中:t j为第j个目标的观测起始时间;T c,j为第j个目标成像进行所有相干累加的时间;t s为某调度起始时间;T为调度间隔;J为调度时间段内已经完成成像任务的目标数;FPR是脉冲重复频率。

3 仿真实验与分析

假设雷达对观测的几个目标发射线性调频信号,其中载频fc=10 GHz,脉宽Tp=1μs,信号带宽B=300 MHz,脉冲重复频率FPR=1 000 Hz。在2种场景下对所提方法的有效性进行了验证,初始时刻2种场景中各目标参数如表1所示。

对各观测目标发射80个脉冲信号,缺失数据的地方通过补零处理,重新构建观测次数为1 000(即观测的时间为Tc=1 s)的目标粗分辨ISAR像。按照文献[7]所述,得到各目标的粗分辨ISAR 图像后再进行处理,得到资源自适应调度算法所需要的雷达成像特征参数,结果如表2所示。

将表1中这2种场景下的各目标的参数代入式(2),根据式(3)、(4)求出各影响因子的加权值,如图1所示。从图1可看出,现有方法(文献[7]所提及的方法)在2种场景下都是设定的固定权值,而本方法则是依据每种场景下各因素数据的离散程度设置动态权值,这样相比更加客观。从实际情况来看,在场景2中各目标在距离、航向和高度的值都比较接近的情况下,速度应该作为判定该目标威胁度的重要指标,因此应该被赋予较高的权重,现有方法在场景2中设定的固定权值,相比本方法就显得过于主观。

图1 各因素权值

表1 各目标参数表

图2与图3分别是在场景1和场景2中本方法和现有方法对优先级评定的结果。如图2所示,目标3在场景1中,不论是本方法还是现有方法都将其设为最低的优先级。由上述可知,在各目标其它因素相近的情况下,速度较高的威胁度较高,因而应该有较高的优先级。图3反映的是场景2的评判结果,拥有较高速度的目标1现有方法将其设成优先级别最低,本方法将速度最低的目标4设为优先级最低的目标,相比现有方法更加客观。

图2 场景1下优先级评价结果

图3 场景2下优先级评价结果

图4 两种场景下时间资料利用效率对比

设雷达调度间隔T=1 s,由表2可得到6个目标观测维度总和为1 017,大于1 000,已经超过了一个资源调度间隔,因此未对最小优先级别目标观测成像。在这种情况下2种场景中,本方法与现有方法时间资源利用率对比如图3。在场景1中2种方法时间利用率相同,在场景2中本方法时间资源利用率高于现有方法。

图5 场景1成像效果对比

表2 目标特征认知结果

分别在2个不同的实验场景中采用基于稀疏孔径的成像资源调度算法,并得出目标的二维ISAR图像,可看出基于熵权的灰色关联法应用于稀疏孔径的成像资源调度算法与现有方法的成像质量无区别,即保证了成像的质量并提高了时间资源利用效率,增强了雷达的总体性能。以下给出在场景1中所提方法与现有资源调度方法的成像结果对比,如5图所示。

为了验证所提方法的有效性和客观性,特别地增加了场景2,现有的资源调度方法将对场景2所设置的目标进行仿真成像,成像的效果将与本方法做对比,对比结果如图6所示。

图6 场景2成像效果对比

4 结束语

介绍了各种因素中对目标威胁度的影响状况,再运用熵权法计算出理论权值,保证每个因素能够分配到合理的权值。然后构造出一个威胁度最大的目标,运用灰色关联法求出各目标与该目标的相关度序列,以此作为优先级排序的依据。认知ISAR 的雷达成像资源自适应调度算法仿真成像结果表明,相对于现有方法,该方法能够提取各任务之间的客观联系,去除优先级评价的主观成分,保证评价结果的客观性,可提高资源调度的效率。但在方法上,其客观联系的提取仍局限在现执行的任务中考虑,其客观性评价基础仍有不足。可考虑对历史性任务数据进行大量训练,采用深度学习的方法对任务的优先级进行更进一步的客观评价。