一种机载平台多传感器资源预处理方法与流程

本发明涉及机载多传感器管理技术，具体涉及一种多传感器管理预处理方法。

背景技术：

信息化战争中，争夺战场信息主动权是赢得战争胜利的重要保证，同时，战场环境日趋复杂，投入战争武器种类繁多，单平台上搭载传感器日趋复杂化，多样化，多功能化，单传感器也趋于智能化，多功能化，导致各传感器各平台产生量测信息的互补和冗余。如何有效利用传感器协同方式，获得系统的最大性能，如何对多传感器进行资源分配，提高系统获取战场态势的能力减少传感器之间的信息冗余，是信息化条件下提高高精尖武器战场生存能力及赢得战争胜利的重要前提。

现有技术状况的局限性在于：在机载多传感器管理技术领域的研究当中，大多集中于理论研究，理论与实际相差一定距离，未转化到实际装备上；同时，传感器管理技术多集中于单个传感器的管理，对多传感器系统中传感器之间相互牵制与支撑的关系考虑较少。因此，需要一种能够易于工程实现，综合考虑传感器之间的相互关系的多传感器资源分配方法来克服上述缺点。

技术实现要素：

本发明的发明目的在于提供一种机载平台多传感器资源预处理方法，使得机载平台在实际多传感器管理系统中可以快速选择传感器资源分配方式获得最优系统性能。该方法从多传感器管理目的出发，提炼传感器管理的基本原则，构建传感器协同资源分配数据库；其次，依据传感器之间的相互制约和扶持关系，建立传感器资源分配模型，选择在特定场景下可使系统获得最优性能的传感器资源配置方式。

本发明的发明目的通过以下技术方案实现：

一种机载平台多传感器资源预处理方法，包含以下步骤：

(a)确定各传感器的资源种类及特性；

(b)根据各传感器的资源种类及特性对各传感器之间的协同模式进行筛选；

(c)对筛选后的各传感器之间的协同模式的属性进行描述，产生传感器协同模式数据库；

(d)根据传感器协同模式数据库建立传感器资源分配模型；

(e)对传感器资源分配模型求解选取最优的传感器资源分配方案。

优选地，所述步骤(b)中对各传感器之间的协同模式进行筛选的原则是：一、有利于综合探测；二、有利于综合识别；三、有利于形成单一态势图。

优选地，所述步骤(c)通过以下方法对各传感器之间的协同模式的各属性进行描述：

1)多传感器综合探测概率P_t：

其中为传感器i引导传感器j的概率，P_dit为传感器i对目标t的探测概率，为传感器i的牵引下传感器j对目标t的探测概率，x_it为二值函数，当传感器i对目标t进行探测时取值为1，否则为0，x_jt同为二值函数，当传感器j对目标t进行探测时取值为1，否则为0。

2)多传感器综合识别率P_I：

假设当前由传感器i首先探测到了目标t，传感器i引导传感器j的概率为则在传感器i的牵引下传感器j对目标t的识别概率记为综合识别概率表示为：

其中，为传感器i的牵引下传感器j对目标t的识别概率，P_Iit为传感器i对目标t的识别概率，x_it为二值函数，当传感器i对目标t进行探测时取值为1，否则为0，x_jt同为二值函数，当传感器j对目标t进行探测时取值为1，否则为0。

3)传感器协同代价C_t：

其中α表示时间代价的权重，β(β＝1-α)表示传感器资源代价的权重，为传感器协同模式Φ_t内传感器i对传感器j的指示交接时间代价，为传感器j探测目标t的资源代价，x_ij为二值函数，当传感器i对传感器j进行指示交接时取值为1，否则为0，x_jt同为二值函数，当传感器j对目标t进行探测时取值为1，否则为0。

4)传感器数目R_t

优选地，所述步骤(d)中传感器资源分配模型如下：

其中w_t表示目标t的优先级；MaxP_d表示探测概率最优，P_t为多传感器综合探测概率，MaxP_I表示识别概率最优，P_I为多传感器综合识别率，MinC表示传感器协同代价最小，C_t为传感器协同代价，MinR表示传感器资源消耗最低；

约束条件：

其中，M_t为目标覆盖要求。

优选地，所述步骤(e)采用粒子群算法对传感器资源分配模型求解。

优选地，在采用粒子群算法时，在粒子位置更新过程中增加一个限制条件：

g∈D_R

其中，g为位置，D_R为传感器协同模式数据库中的粒子全集。

本发明有效利用传感器协同方式，获得系统的最大性能，对多传感器进行资源分配，提高系统获取战场态势的能力，也减少了传感器之间的信息冗余。

附图说明

附图说明

图1示出粒子群算法流程图；

图2示出算法收敛情况；

图3示出粒子丰富度统计；

图4示出本发明的流程示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。

如图4所示，本发明一种机载平台多传感器资源预处理方法，包含以下步骤：

步骤(a)确定各传感器的资源种类及特性。

假设飞机上存在4个传感器，分别为：敌我识别器(IFF)、红外跟踪与探测系统(IRST)、电子侦察设备(ESM)、雷达(RADAR)。这四类传感器各具有不同特性，一般说来，RADAR可以提供目标运动特征，IFF可以提供高置信度的身份属性信息，ESM探测距离较远，同时也可提供目标属性信息，IRST作用距离较近，但能提供较高精度的目标状态信息。

步骤(b)根据各传感器的资源种类及特性对各传感器之间的协同模式进行筛选。

现代飞机作为一种复杂多传感器系统平台，其任务需求的复杂性，决定了传感器管理调度方法的复杂性和多样性。多传感器协同工作模式管理完成的主要功能是依据一定的作战场景，把可能的作战进程转换成传感器协同工作模式序列。

传感器系统处于不同的协同工作模式下，相应的管理方法不同。在典型的协同工作模式下，针对关键问题和难点问题，应当采用适当的传感器管理方法才能达到多传感器协调配合，提高综合探测能力的目的。

b.1、理论基础

数理统计是伴随着概率论的发展而发展起来的一个数学分支，研究如何有效的收集、整理和分析受随机因素影响的数据，并对所考虑的问题做出推断或预测，为采取某种决策和行动提供依据或建议。

两个基本原理：

(1)加法原理：做一件事，完成它可以有n类办法，在第一类办法中有m1中不同的方法，在n类办法中有mn中不同的方法，那么完成这件事共有N＝m1+m2+……+mn中不同方法。

(2)乘法原理：做一件事，完成它需要分成n个步骤，做第一步有m1种不同的方法，做第二步有m2中不同的方法，……，做第n步有mn中不同的方法，那么完成这件事共有N＝m1*m2*m3*……*mn中不同的方法。

排列：从n个不同元素中，任取m(m<＝n)个元素，按照一定的顺序排成一列，叫做从n个不同元素中取出m个元素的一个排列。从排列的意义可知，如果两个排列相同，不仅这两个排列的元素必须完全相同，而且排列的顺序必须完全相同，这就告诉了我们如何判断两个排列是否相同的方法。

排列数组公式：从n个不同元素中取出m个元素的所有排列当m＝n时，为全排列：

b.2、各传感器之间协同模式的分配方案

牵引与被牵引的传感器顺序不一样，一般会产生不一样的效果，因此，牵引传感器模式可以认为是一个排列模型。同时，牵引传感器的数量可以为2～4个。根据加法原理和乘法原理，可以得到传感器协同分配方案种类总共具有种模式。

为了论述方便及便于理解，假设传感器协同模式中，最多只有2种传感器参与协同。由此可得传感器协同模式的分配方案具有种工作模式，具体传感器协同模式如表1所示：

表1

基于各传感器的量测特点，表一中所列各传感器之间的协同模式，其中存在某些协同模式不符合实际情况或者其中某些协同模式没有使用价值，因此需要对这些传感器的协同模式进行筛选。

b.3、各传感器之间的协同模式筛选原则

根据第b.2节的论述，各传感器之间的协同模式数量众多，然而并不是所有协同模式都具有应用意义，若将其全部归入传感器协同模式数据库，必然使传感器管理算法的计算量及运算时间都将付出巨大的代价，而筛选传感器协同模式将有效解决这些不利因素。筛选优化原则如下：

原则1：有利于综合探测。假设能够表征目标运动特征空间为P＝{v₁,v₂,......,v_n}。传感器类型不同，对目标的探测能力不同，即传感器探测目标运动特征的元素不一样，以及探测目标运动特征的精度不一样。基于综合探测目的的传感器协同就是通过传感器之间的互补性增加探测目标的运动特征元素感知或提高探测目标的运动特征精度使其优于其中任何传感器单独量测目标的结果，同时控制传感器的冗余不显著增加。例如：假设雷达、IRST、ESM、IFF对目标的量测向量分别为z_r＝{ρ,α,θ}^T，z_ir＝{α,θ}^T，z_e＝{α,θ}^T，z_iff＝Φ，精度分别为σ_r＝{σ_ρ,σ_α,σ_θ}^T，σ_ir＝{σ_α,σ_θ}^T，σ_e＝{σ_α,σ_θ}^T，σ_r＝Φ，其中Φ为空集，σ_αe＜σ_αr＜σ_αir,σ_θe＜σ_θr＜σ_θir。根据原则1可得，雷达牵引IRST模式可以提高目标的探测精度；雷达牵引ESM模式无法提高目标精度及增加探测目标的运动特征元素，即说明雷达牵引ESM模式不是一种优化模式，同理，雷达牵引IFF也不是一种有利于综合探测的优化模式；红外牵引雷达及ESM牵引雷达可以增加探测目标的运动特征元素，是一种有利于综合探测的优化模式；ESM牵引IRST虽可以提高目标的探测精度，但是传感器的冗余显著增加。

原则2：有利于综合识别。综合识别系统中，所需目标特征属性与所采用识别方法息息相关，不能脱离识别方法而建立目标特征属性空间，因此本文采用基于属性测度的目标综合识别模型，建立目标特征空间。假设目标特征空间I＝{I₁,I₂,......,I_m}，基于有利于综合识别的传感器协同目的在于提高识别置信度及增加目标属性识别参数。根据原则2，可以筛选出有利于综合识别的多传感器协同工作模式。

原则3：有利于形成单一态势图。产生单一态势图是我方指挥中心掌握战场形势的重要依据，其有利于我方武器、人员等资源的科学配置，是决定战争胜负的重要因素。

步骤(c)对筛选后的各传感器之间的协同模式的属性进行描述，产生传感器协同模式数据库。

多传感器协同模式数据库的应用前提是具有对每一种多传感器协同模式的详细描述，即每一种多传感器协同模式都具备其相应的属性参数。表征多传感器协同模式属性参数需要全面考虑组成多传感器协同的传感器特点及传感器之间的相互关系。

c.1基于动态联盟的通用传感器协同分析

联盟是指在同时存在争夺与联合的情况下，相互独立的单元为达到同一个目标，通过一定的互相联系机制临时组建一个超越空间约束，摆脱相互竞争且统一指挥的利益共同体，每一个单元在不同的方面为联盟贡献自己的作用，由此达到优势互补、利益共享、风险共享的利益共同体。同时，不同的联盟根据组成盟员的特长，达到的效果各异，因此对联盟的合理使用是发挥联盟的关键。

多传感器协同模式采用相互独立的智能传感器组建为多传感器共同体，为实现某种特定目标而建立，且多传感器协同模式中的每一个传感器在不同方面发挥自己的优势，达到利益共享，从而达到资源的互补，提高系统的整体性能发挥。因此，多传感器协同模式可与传感器联盟等效，通过对传感器联盟的表征及考虑多传感器协同的基本原则，可以获得表征多传感器协同模式的数字特征。

现假设传感器联盟模型矩阵如式(1)：

其中，T、N分别表示多传感器协同种类及传感器数。x_it是二值函数，如式(2)：

矩阵R中第t列非零元素的集合为传感器联盟Φ_t，联盟的描述可用综合探测概率、综合识别率及传感器资源限制表述。

1)多传感器综合探测概率

假设传感器i对目标t的探测概率表示为P_dit(0＜P_dit≤1)，传感器联盟Φ_t对目标t的综合探测概率为：

2)多传感器综合识别率

假设传感器i对目标t的识别概率表示为P_Iit(0＜P_Iit＜1)，传感器联盟Φ_t对目标t的综合识别率为：

3)传感器资源限制

假设传感器i能同时处理Q_i个任务，则在某一时刻需满足如下不等式：

按照木桶效应，多传感器协同模式t能够同时处理任务的数目为其包含最小处理任务能力的盟员i的参数值。

c.2机载平台多传感器协同模式分析

c.2.1机载平台多传感器协同的特点

机载平台作为一个综合的多传感器平台，相对于分布式传感器网络中的多传感器联盟问题，其特点主要在于：

1)传感器分布集中。配置在同一平台，传感器间的相对位置可以忽略，单个传感器的探测范围能覆盖所有的传感器节点。

2)传感器数量相对不足，不利于引入休眠盟员或不工作盟员，必然导致联盟之间存在相互重叠现象。

3)单个传感器的智能化程度高。每个传感器包含多种工作模式，可同时处理多个目标，并且都能以不同方式实现对目标的测向或定位。

4)传感器间差异较大。其中AESA、IFF属于有源传感器，ESM、CSM与IRST属于无源传感器，他们在工作原理、量测维度、量测精度、数据率、抗干扰能力、适用场景等方面都存在很大差别。

5)载机平台速度不高、机动性不强。传感器的运动可以认为是匀速运动，其横滚角小，传感器对目标的方位、俯仰角短时内不会发生大的变化，目标探测可认为是等探测概率事件。

上述差异决定了分布式无线传感器网络中的动态联盟模型无法正确表征机载平台多传感器协同模式。

利用这种差异性，可从以下几个方面优化传感器联盟的属性值。

1)传感器间的引导概率

引导概率用于量化传感器间对目标的指示交接能力。引导概率与目标指示传感器的状态估计精度、被引导传感器的视域、搜索能力以及指示交接过程中由于目标相对运动产生的方位角偏差等因素有关。此外对于不同的传感器组合，其引导概率的影响因素也存在差异。

根据指示信息精度与被引导传感器的探测能力，将传感器间的引导概率划分为“高”、“较高”、“中”、“较低”、“低”五个层次，并规定不能发生指示交接的传感器间的引导概率为0，传感器对自身的引导概率为1(对时间代价和传感器探测概率及识别概率同样处理)，五种传感器间的引导概率如表2。

表2

2)指示交接过程的时间代价

指示交接过程的时间代价取决于指示信息精度及被引导传感器的探测能力，包括被引导传感器从收到目标指示信息到确认截获目标所用的时间、传感器与融合中心信息交换的时延两部分。

五种传感器间的目标指示交接的归一化时间代价C^time如表3。

表3

3)指示交接过程的传感器资源代价

传感器资源代价用于量化被引导传感器在执行任务中对自身模式、功率、孔径等资源的消耗。传感器的资源代价通常与探测目标的类型有关，被引导传感器的探测能力决定其搜索截获目标时的资源消耗。

c.3机载多传感器协同模式分析

假定只考虑常规飞机、隐身飞机、电子战飞机、巡航导弹这四类典型目标，同时，在场景中可以通过先验知识与数据库的对比获得目标型号，并规定雷达对电子战飞机的归一化资源消耗为1，各传感器探测六种典型目标时的归一化资源代价C^resourse如表4所示。

表4

通过上述分析，计算多传感器协同特征参数时，需要考虑传感器之间的相互影响，即多传感器协同之间的引导概率及协同代价，优化后的多传感器协同模式的特征属性参数量化如下。

1)多传感器协同中的多传感器综合探测概率

假设当前由传感器i首先探测到了目标t，传感器i引导传感器j的概率为则在传感器i的牵引下传感器j对目标t的探测概率记为因此由式(3)可得Φ_t的综合探测概率P_t表示为：

对上式等号两边取对数得：

2)多传感器协同中的多传感器综合识别率

假设当前由传感器i首先探测到了目标t，传感器i引导传感器j的概率为则在传感器i的牵引下传感器j对目标t的识别概率记为因此由式(4)可得Φ_t的综合识别概率P_I表示为：

对上式两边取对数，可得：

3)传感器协同代价

Φ_t内传感器i对传感器j的指示交接时间代价记为传感器j的资源代价记为Φ_t的指示交接代价为：

其中α和β(β＝1-α)分别表示时间代价和传感器资源代价的权重，考虑到指示交接过程的时间紧迫性，规定α＞β。

4)传感器数目

Φ_t中所包含传感器的总个数R_t表示为：

步骤(d)根据传感器协同模式数据库建立传感器资源分配模型。

在未来信息化战争中，环境复杂，武器多样，武器平台上的传感器种类越来越多，使平台系统趋于复杂化和多样化。传感器本身亦趋于智能化及多功能化，对传感器系统而言会产生信息的互补及冗余。显然，为发挥传感器系统的最优性能，仅依靠飞行员或操作员是无法达到目的，因此自动的多传感器目标分配算法是使传感器系统超水平发挥的关键。

由前文分析，可得多传感器协同模式的属性参数包括综合探测概率、综合识别率、传感器数目及传感器协同代价。

在实际运用中，多传感器协同模式的选择需要进一步考虑探测概率达到最优，识别概率达到最优，传感器协同代价最小，传感器资源消耗的最低，目标的全覆盖等因素。

其中，目标覆盖定义为：假设传感器联盟Φ_t中的传感器个数M_t，目标覆盖要求M_t需满足：

根据上述分析，机载多传感器协同-目标分配模型如下：

目标函数：

其中w_t表示目标t的优先级。

约束条件：

步骤(e)对传感器资源分配模型求解选取最优的传感器资源分配方案。

本发明中，采用PSO算法(粒子群算法)对传感器资源分配模型求解。PSO算法在迭代后期容易陷入局部最优而导致算法搜索效率大幅下降。

本部分所述的情况不需要粒子在全部粒子中进行筛选最优值，只需在数据库中包含的粒子中进行逐一选优，因此本章对其进行优化，在粒子位置更新过程中增加一个限制条件。假设数据库中的粒子全集为D_R，则粒子g位置更新满足如下条件：

g∈D_R (15)

同时，在运用粒子算法求解时，可以得出最佳盟员组合，而传感器协同模式属于一种排列方式，导致PSO算法求解答案得不到唯一传感器协同模式。本文为解决该问题，根据传感器协同三原则，定义一个筛选准则如下：

若P_d＜P_I则选择偏向于综合识别的多传感器协同模式；若P_d＞P_I则选择偏向于综合探测的多传感器协同模式。

PSO算法流程如附图1所示。

下面通过一组实验数据对本发明的性能进行说明。

机载平台传感器对不同目标的探测能力存在较大差异，例如AESA对非隐身目标的发现距离远大于对隐身目标、巡航导弹发现距离；ESM和CSM只能在目标辐射源开机的情况下进行侧向与定位；IRST的探测能力会受目标的飞行速度、姿态、航向、高度等因素影响，因此需要通过定义探测概率量化各传感器对目标的探测能力。

在分层的基础上并规定雷达对干扰机的探测能力为0，各传感器对六种典型目标(所带辐射源都处于工作状态)的探测概率P_d如表5

表5探测概率(detection probability)

机载传感器的种类不同对目标的识别概率不同，且同种传感器对不同目标的识别概率也存在较大差异，例如，AESA、ESM、CSM、IRST作为非协作式传感器，对目标的识别置信度较差，识别概率较低；IFF作为协作式传感器，对目标的识别置信度高，识别概率较大，且都受到目标姿态，航向，环境等因素影响。

按照分层的原理，各传感器对六种典型目标的识别概率P_I如表6所示

表6识别概率(identify probability)

按照步骤(c)的分析建立多传感器协同模式数据库，以及每一种协同模式的属性参数。本文中选用机载平台上搭载的主要典型传感器，即1RADAR、2ESM、3CSM、4IRST及5IFF五种传感器举例分析，其中，数字1～5代表传感器编号，为简单明了的说明本文论述的方法步骤，各传感器协同模式最多选用三个传感器作为传感器协同的盟员，传感器协同模式数据库如表7所示：

表7多传感器协同模式数据库

根据式(8)～(10)可计算得到属性值Cⁱ的大小，如：

算法参数设置如下：每个粒子是长5N(N代表目标数)的“0-1”向量，粒子个数为100，算法迭代1000次，粒子的个体丰富度门限为0.3，全局丰富度门限为0.45，时间消耗权重α＝0.8、资源消耗权重β＝0.2。PSO算法的适应度函数为：

对表1至表4中的数值进行量化处理(将[0,1]区间以0.2为间隔划分成五段，分别对应“低”、“较低”、“中”、“较高”、“高”五个层次)，传感器引导概率矩阵表示：

归一化时间代价矩阵C^time表示为：

场景1机载平台探测8个目标，其中包括B-52、F/A-18以及EA-18G。各传感器对目标的探测概率矩阵P_d定义为：

传感器对目标的识别概率P_I定义为：

传感器探测目标时的归一化资源代价矩阵C^resourse定义为：

目标优先级权重向量W定义为：

W＝[1/4,2/25,2/25,1/10,2/25,2/25,2/25,1/4]

场景2机载平台探测6个目标，其中包括B-2、F-22以及巡航导弹。传感器对目标的探测概率矩阵定义为：

传感器探测目标时的归一化资源代价矩阵C^resourse定义为：

目标优先级权重向量W定义为：

W＝[1/4,1/6,1/9,1/9,1/9,1/4]

每种场景下算法的收敛情况如附图2所示。可以看出粒子的最佳适应值随算法的迭代逐渐降低，说明针对离散最优化问题的改进型PSO算法在每种场景下都能取得较好的收敛效果；附图3是每种仿真场景下对粒子全局丰富度的统计，可以看出变异操作能使粒子丰富度始终维持在较高的水平，从而解决了PSO算法容易陷入早熟的问题。表明改进型PSO算法在各仿真场景下都有较高的搜索效率，能够有效对模型进行求解。

表8及表9分别是在场景1和场景2下模型输出每个目标对应的传感器联盟组合。从表8可知：对于重点目标B-52的探测由ESM和CSM向雷达进行目标指示；对于电子战飞机的探测由ESM向IRST进行目标指示；对于高优先级的常规目标由ESM向雷达做出目标指示；对于低优先级的常规目标通常不考虑指示交接需求。

表8目标指示交接动态联盟(target cueing-handoff dynamic coalition)

从表9可知：对于重点目标B-2由ESM和CSM对雷达做出目标指示；对于巡航导弹由IRST向雷达做出目标指示；对于隐身目标除了利用IRST指示雷达外，当优先级较高时还存CSM指示IRST的情况。

表9目标指示交接动态联盟(target cueing-handoff dynamic coalition)

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。