一种基于贝叶斯推断的雷达参数融合方法与流程

本发明涉及数据融合，具体而言，涉及一种基于贝叶斯推断的雷达参数融合方法。

背景技术：

1、雷达信号参数融合时存在的困难：

2、一是信号分选是基于当前截获的脉冲进行的实时分析，脉冲质量差时分选结果不够稳定，容易出现同一个信号分选出多种参数类型和特征值；

3、二是雷达信号样式本身的变化。数据处理软件对分选信号进行参数类型更新处理，对参数特征值进行统计处理时，易出现信号类型与参数不一致的明显错误。

4、综上，在雷达信号参数测量过程中，由于传输多径、脉冲分裂、算法边界等多种客观原因的存在，单拍分选结果中不可避免地存在雷达参数类型出错、特征值缺漏、偶尔的野值等问题。当前分选结果的融合算法，通常采用单一模型的参数融合，易出现参数类型频繁跳变、甚至类型与参数特征值描述不匹配等问题，大大降低融合结果的可信度。

技术实现思路

1、本发明旨在提供一种基于贝叶斯推断的雷达参数融合方法，以得到更为准确、稳定的融合结果，同时又能适应信号样式本身的变化。

2、本发明提供的一种基于贝叶斯推断的雷达参数融合方法，包括如下步骤：

3、步骤1：动态更新模型集：

4、(1)新来分选数据与已有模型集各模型进行匹配，匹配不成功则新建模型并将新建模型加入到模型集；

5、(2)对模型集中的过期模型进行删除；

6、步骤2：选择模型集中与新来分选数据的参数类型适配的模型，对新来分选数据进行融合；

7、步骤3：基于各模型的融合结果计算贝叶斯概率和累积贝叶斯概率；

8、步骤4：利用累积贝叶斯概率进行决策，选择一个模型的融合结果作为最终的融合结果。

9、进一步的，所述对模型集中的过期模型进行删除是指：

10、模型最后一次更新时间与当前时间的时间差超过时间门限，则该模型为过期模型，对过期模型进行删除。

11、进一步的，步骤2中，选择模型集中与新来分选数据的参数类型适配的模型包括：

12、若新来分选数据的参数类型为固定或组变，则适配的模型通过特征值统计进行融合；

13、若新来分选数据的参数类型为抖动，则适配的模型通过参数范围统计进行融合；

14、若新来分选数据的参数类型为参差，则适配的模型通过基于骨架周期的参差统计进行融合。

15、进一步的，所述通过特征值统计进行融合包括：

16、对当前新来分选数据的相关历史分选数据中出现过的所有特征值进行统计；并对每个特征值进行消失处理；

17、所述消失处理是指：最后一次截获时间与当前时间的时间差超过有效时间门限的特征值，从统计结果中剔除。

18、进一步的，所述通过参数范围统计进行融合包括：

19、采用滑窗累积的方式，对一定时间窗内的新来分选数据的抖动范围进行合并。

20、进一步的，所述通过基于骨架周期的参差统计进行融合包括：

21、首先对新来分选数据中的参差数进行统计，得到最高频次的参差数n；然后取特征值统计结果中n个频次最高的特征值作为融合结果。

22、进一步的，步骤3中，计算贝叶斯概率包括：

23、

24、其中，观测数据x是随机变量；l(θ|x)是在状态估计θ下观测量为x的似然函数，π(θ|x)是状态估计θ的后验分布概率密度函数；

25、表示对后验分布的正则化，所以有π(θ|x)∝l(θ|x)π(θ)；其中，状态估计θ是待估计量，即雷达信号样式参数；π(θ)是状态估计θ先验分布的概率密度函数，对于第i个样式，其先验分布的概率密度函数π(θi)的近似为：

26、

27、其中，n(θi)表示特征值θi的出现频次，π(θi)即近似为出现的频次占比例；

28、

29、似然函数l(θ|x)表示新来分选数据与当前模型中的融合结果的相似程度，若θ和x样式不相容直接置为0。

30、进一步的，对于已经的识别信号，根据信号样式的先验知识直接得到π(θ)；对于未知信号，基于多次的实际测量通过统计的方法得到π(θ)。

31、进一步的，步骤3中计算累积贝叶斯概率包括：

32、

33、其中，r表示历史有效时间窗口长度k内的累积贝叶斯概率；

34、rn(θ|x)＝l(θ|x)π(θ)，表示第n个节点上的指标量；

35、γ为衰减因子。

36、进一步的，步骤4中，选择使累积贝叶斯概率r最大的模型的融合结果作为最终的融合结果。

37、综上所述，由于采用了上述技术方案，本发明的有益效果是：

38、本发明提供的基于贝叶斯推断的雷达参数融合方法，既能提高参数融合的准确性、完整性、稳定性，同时又能适应信号样式本身的变化。

技术特征：

1.一种基于贝叶斯推断的雷达参数融合方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，所述对模型集中的过期模型进行删除是指：

3.根据权利要求1所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，步骤2中，选择模型集中与新来分选数据的参数类型适配的模型包括：

4.根据权利要求3所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，所述通过特征值统计进行融合包括：

5.根据权利要求3所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，所述通过参数范围统计进行融合包括：

6.根据权利要求3所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，所述通过基于骨架周期的参差统计进行融合包括：

7.根据权利要求1所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，步骤3中，计算贝叶斯概率包括：

8.根据权利要求7所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，对于已经的识别信号，根据信号样式的先验知识直接得到π(θ)；对于未知信号，基于多次的实际测量通过统计的方法得到π(θ)。

9.根据权利要求7所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，步骤3中计算累积贝叶斯概率包括：

10.根据权利要求8所述的基于贝叶斯推断的雷达参数融合方法，其特征在于，步骤4中，选择使累积贝叶斯概率r最大的模型的融合结果作为最终的融合结果。

技术总结
本发明涉及数据融合技术领域，提供了一种基于贝叶斯推断的雷达参数融合方法，包括如下步骤：步骤1：动态更新模型集：(1)新来分选数据与已有模型集各模型进行匹配，匹配不成功则新建模型并将新建模型加入到模型集；(2)对模型集中的过期模型进行删除；步骤2：选择模型集中与新来分选数据的参数类型适配的模型，对新来分选数据进行融合；步骤3：基于各模型的融合结果计算贝叶斯概率和累积贝叶斯概率；步骤4：利用累积贝叶斯概率进行决策，选择一个模型的融合结果作为最终的融合结果。本发明提供的基于贝叶斯推断的雷达参数融合方法，既能提高参数融合的准确性、完整性、稳定性，同时又能适应信号样式本身的变化。

技术研发人员：陈惠娟,张现波,邓忆秋,许波,谢春胜,柳良艳,卿浩博
受保护的技术使用者：中国电子科技集团公司第二十九研究所
技术研发日：
技术公布日：2024/2/29