一种基于模糊机会约束规划的天线孔径资源管理方法与流程

技术特征：

1.一种基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，包括步骤如下：

1)确定表示目标RCS的模糊变量；

2)初始化各波束目标参数和可以使用的阵元数目；

3)建立基于模糊机会约束规划的机会阵雷达天线孔径资源管理数学模型；

4)采用模糊模拟和遗传算法相结合的混合智能优化算法求解孔径资源的最优分配情况。

2.根据权利要求1所述的基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，所述的步骤1)中表示目标RCS的模糊变量，以梯形模糊变量来表示涉及到的目标RCS的模值

$\left|h_k^q\right|=(r_{1,k}^q,r_{2,k}^q,r_{3,k}^q,r_{4,k}^q)---\left(1\right)$

其中是k时刻第q个目标的RCS的模值，是由决定的梯形模糊变量，q＝1,2,…,Q。

3.根据权利要求1所述的基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，所述的步骤2)中初始化各波束目标参数和可以使用的阵元数目包括：每个波束的零功率点主瓣宽度的约束值B_q，峰值副瓣电平约束值Φ_q，以及所能使用的阵元总数的约束值N。

4.根据权利要求1所述的基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，所述的步骤3)中建立数学模型具体包括：根据k时刻实际情况，建立基于模糊机会约束规划的机会阵雷达天线孔径资源管理的数学模型：

$\begin{array}{cc}min& \underset{q=1}{\overset{Q}{\Σ}}{\mathrm{\η}}_q\end{array}---\left(2\right)$

$\underset{q=1}{\overset{Q}{\Σ}}{n}_k^q\≤N---\left(3\right)$

$B(X_k^q,h_k^q)-B_q\≤0---\left(4\right)$

$\mathrm{\Φ}(X_k^q,h_k^q)-{\mathrm{\Φ}}_q\≤0---\left(5\right)$

$Cr\{f(X_k^q,h_k^q)\≤{\mathrm{\η}}_q\}\≥\mathrm{\α}---\left(6\right)$

其中，式(3)是可工作的阵元数量的约束条件，是在k时刻第q个目标占用的阵元数量，N表示可以使用的阵元数量的最大门限值；式(4)是阵列综合出的方向图的零功率点主瓣宽度的约束条件，表示处于工作状态的阵元综合出的方向图的零功率点主瓣宽度，是波束对应的线阵的每个阵元工作状态，x_i＝1表示第i个阵元处于打开状态，x_i＝0表示第i个阵元处于关闭状态，i＝1,2,…,M_q，B_q是主瓣宽度约束的门限值；式(5)是所综合出方向图的峰值副瓣电平的约束条件，是综合出的方向图的峰值副瓣电平，Φ_q是峰值副瓣电平的门限值；式(6)是目标跟踪精度的约束条件，是目标位置跟踪精度的可信性测度的表示形式，α是预先设定的置信水平，η_q是目标位置跟踪误差门限值，是计算所得到的k时刻第q个目标的跟踪误差，其表达式为：

$f(X_k^q,h_k^q)=\sqrt{trace\left(C_{BCRLB}\right(X_k^q,h_k^q\left)\right)}---\left(7\right)$

其中，表示为k时刻第q个目标跟踪误差的贝叶斯克拉美罗界，其为贝叶斯信息矩阵的逆矩阵，即可以表示为：

$J(X_k^q,h_k^q)=J_P(X_k^q,h_k^q)+J_D(X_k^q,h_k^q)---\left(8\right)$

其中，为先验信息矩阵，为数据信息矩阵。

5.根据权利要求1所述的基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，所述的步骤4)中优化算法，在目标跟踪情况中，求解步骤为：

41)在k＝1时刻，初始化目标的状态矢量协方差矩阵随机产生阵元序列作为k时刻的最优解，其中是初始贝叶斯信息矩阵，其中q＝1,2,…,Q；

42)根据利用方向图综合得出主瓣宽度和峰值副瓣电平

43)然后根据产生的Q个波束，得到观测值

其中为观测得到k时刻第q个跟踪目标的照射角度，和分别为观测得到的目标的RCS的实部和虚部；

44)采用无迹卡尔曼滤波算法对目标进行跟踪，从而得出目标状态的估计值

45)根据步骤44)计算得出的结果利用预测k+1时刻的状态矢量

46)根据步骤45)计算结果，预测k+1时刻各目标对应波束的阵元分布情况

47)将返回值指导下一时刻的阵元分配情况；

48)k＝k+1，转步骤42)。

6.根据权利要求5所述的基于模糊机会约束规划的天线孔径资源管理方法，其特征在于，上述步骤46)进一步包括：

a.输入遗传算法中要求的种群大小、迭代步数、以及交叉和变异的概率；

b.采用随机方法产生一组初始的阵元分布方案，作为遗传算法的初始种群；

c.约束条件检验染色体的可行性：将各染色体进行方向图综合，并用约束条件验证处于工作状态的总的阵元数量、综合出的主瓣宽度和峰值副瓣电平；

d.通过交叉和变异操作更新染色体，并用步骤c中的约束条件检验染色体的可行性；

e.计算目标函数：由于目标的RCS具有模糊性，采用模糊模拟算法，结合预测方程和k时刻的贝叶斯克拉美罗界，从而计算出k+1时刻染色体对应的目标函数；

f.然后使用基于序的评价函数，作为各染色体的适应度函数；

g.通过轮盘赌选择染色体；

h.重复步骤c到步骤g，直至循环结束；

i.返回k+1时刻的最优阵元分布情况及其对应的最小的值η_k+1,opt。