速度拖引干擾和雜波背景下脈沖多普勒雷達目標跟蹤算法

2015-07-12 13:58:38李迎春王國宏關成斌孫殿星

電子與信息學報 2015年4期

關鍵詞：模型

李迎春王國宏關成斌孫殿星

(海軍航空工程學院信息融合研究所煙臺 264001)

速度拖引干擾和雜波背景下脈沖多普勒雷達目標跟蹤算法

李迎春*王國宏關成斌孫殿星

(海軍航空工程學院信息融合研究所煙臺 264001)

針對在速度拖引干擾和雜波背景下脈沖多普勒(PD)雷達無法精確跟蹤目標的問題，該文提出基于雙模型(DM)和幅度信息(AI)的目標跟蹤算法。分別建立基于位置、幅度量測的跟蹤模型和基于位置、速度、幅度量測的跟蹤模型。兩個模型均使用基于幅度信息的概率數據互聯(AI-PDA)盡可能地降低雜波的影響，然后使用常規方法進行濾波估計。若沒有速度拖引干擾，則兩個模型估計具有位置和速度上的相關性；若存在干擾，由于速度量測是虛假的，則兩個模型估計不具有相關性。據此，進行卡方檢驗(chi-square test)，分析影響檢驗結果的因素，進而確定最終的估計結果。仿真驗證了該算法的有效性。

雷達；目標跟蹤；速度拖引干擾；雙模型；幅度信息；卡方檢驗

1 引言

具備測速功能的脈沖多普勒(Pulse Doppler, PD)雷達因具有較強的雜波抑制能力和較高的跟蹤精度而廣泛應用于目標探測與跟蹤[1]。為了削弱PD雷達的優勢，目標往往實施速度欺騙干擾，通過發射速度欺騙信號，使PD雷達無法獲得目標的真實速度量測[2]。速度拖引干擾是速度欺騙干擾的一種樣式，其干擾信號的多普勒頻移相對于真實目標的多普勒頻移逐漸減小或增大，而功率卻大于真實目標的回波信號功率，使雷達頻率跟蹤環路自動跟蹤虛假的多普勒頻率[3]。由于雷達載體具有運動速度，具有擴展多普勒頻率譜的雜波會進入數據處理單元，且欺騙干擾常常伴隨著噪聲干擾或箔條干擾等，雷達無法有效抑制大量雜波。有規律變化的虛假速度量測和較多雜波造成雷達無法精確跟蹤目標，跟蹤航跡逐漸偏離目標航跡，最終目標跟蹤丟失。

針對速度拖引干擾采取的有效反電子對抗措施(Electronic Counter-CounterMeasures, ECCM)主要基于雷達信號處理技術和雷達數據處理技術。基于雷達信號處理技術的ECCM主要有脈沖分集[4,5]、干擾信號相位量化差異[6,7]、自適應線性預測濾波[8]、干擾信號諧波分量調頻率匹配檢測[9]和多域聯合處理[10]等。然而，高速發展的數字射頻存儲(DigitalRadio Frequency Memory, DRFM)等技術使虛假信號與雷達發射信號相干，使兩種信號在波形、頻率和相位調制方式、電磁散射特性等方面相差無幾[11?13]，先進信號處理技術不可能完全剔除逼真度很高的虛假信息，虛假信息不可避免地進入雷達數據處理單元。基于雷達數據處理技術的ECCM主要是基于虛假速度量測信息與跟蹤航跡的估計速度不匹配的原則，通過比較兩個速度值的不同而鑒別出干擾[14,15]，即速度比較法。對于無雜波和目標勻速運動的情況，這種ECCM是有效的。然而，為了擺脫雷達跟蹤，目標會做不同程度的機動，其速度是不斷變化的，并且速度拖引干擾下的虛假速度量測進行有規律地遞增或遞減，造成跟蹤航跡的估計速度隨虛假速度量測發生變化。因此，用速度比較方法對抗目標機動和雜波條件下的速度拖引干擾的效果并不是很明顯。

根據以上分析，針對速度拖引干擾和雜波背景下PD雷達目標跟蹤問題，本文提出了基于雙模型(Double Models, DM)和幅度信息(Amplitude Information, AI)的目標跟蹤算法。算法建立了基于不同量測集的跟蹤模型，兩個模型均使用基于AI的概率數據互聯(Probabilistic Data Association, PDA)進行數據關聯，降低雜波的影響，然后利用勻加速(Constant Acceleration, CA)目標動態模型和基于量測轉換的卡爾曼濾波(Converted Measurement Kalman Filtering, CMKF)算法進行濾波估計，分別得到不同的目標狀態估計，對兩個估計結果進行卡方檢驗和模型濾波發散程度比較，選擇最終的目標狀態估計。經仿真驗證，在速度拖引干擾和雜波背景下該算法能穩定跟蹤目標，航跡丟失率較低。

2 基于DM-AI的目標跟蹤算法

2.1 雙模型的建立

對于普通雷達，用于目標跟蹤的量測數據主要是空間位置量測，而對于PD雷達，可用的量測數據不僅有目標空間位置量測，還有目標徑向速度量測。若沒有速度拖引干擾，雷達可以單純利用空間位置量測進行目標跟蹤，也可以利用空間位置加徑向速度量測實現精度更高的目標跟蹤；若存在速度拖引干擾，在有雜波和目標機動的情況下，雷達無法及時識別出干擾，仍會將虛假的徑向速度量測用于目標跟蹤，徑向速度量測使跟蹤濾波結果偏離目標真實狀態。但是，速度拖引干擾只是產生了虛假的速度信息，雷達獲得的目標空間位置量測仍是真實的，雷達利用空間位置量測仍能跟蹤目標。

為此，依據不同的量測集合分別建立兩個跟蹤模型：基于空間位置、幅度量測的跟蹤模型M1和基于空間位置、幅度、徑向速度量測的跟蹤模型M2。雙模型結構如圖1所示。

圖1 雙模型結構圖

2.2 數據關聯和濾波估計

PD雷達具有抑制固定雜波的能力，然而在復雜環境下，源于自然環境的運動雜波會不可避免地進入雷達數據處理單元，而且干擾方在實施欺騙干擾的同時往往進行噪聲干擾或箔條干擾，雷達載機和干擾機、箔條具有相對運動，導致干擾產生的雜波多普勒頻率擴展，從而造成大量雜波進入雷達數據處理單元。為了降低雜波對模型估計的影響，需要對量測進行正確的數據關聯，典型的關聯方法是PDA。

傳統PDA中互聯概率的計算只是利用了雜波和目標量測在位置信息上的不同。雜波和目標量測的另一不同之處是從統計意義上目標回波的幅度均值高于雜波的幅度均值。據此，文獻[16]提出了AI-PDA，本文將其應用于速度拖引干擾和雜波背景下的數據關聯，以降低雜波對目標跟蹤的不良影響。下面只給出雙模型結構中模型M1基于AI-PDA的數據關聯和濾波估計結果，模型M2的數據關聯和濾波估計結果可同理得到，具體步驟見文獻[16]。

k時刻落入相關波門內所有量測中第i個量測的互聯概率為

其中，β0(k)表示沒有量測源于目標的概率，b=λ |2πSi(k)|1/2(1?PDPG)/PD,ei=exp[?0.5(k)S(k ) vi(k)],PD為目標檢測概率，PG為門概率，vi(k)和Si(k)分別為第i個量測對應的新息和新息協方差，λ為雜波的空間密度，κi為幅度似然比，可由幅度條件概率密度的比值得到[16]

其中，iΛ為第i個量測對應的信號幅度，Λ0為信號檢測器門限，T1表示該量測是目標量測，T0表示該量測是雜波，D為目標信號功率的均值，可使用α估計器進行估計。

k時刻模型M1的目標狀態估計為

如果相關波門內沒有量測，即事件θ0(k)成立，則用預測值替代估計值，即

與估計值相對應的估計誤差協方差為

其中，P1i(k|k)為模型M1中第i個量測對應的估計誤差協方差。

同理，可得模型M2的目標狀態估計?2(k|k) X和對應的估計誤差協方差P2(k|k)。

2.3 模型選擇

設k時刻目標的狀態為X(k)，根據上一節可得到模型M1估計出的目標狀態為1(k|k)，其對應的估計誤差協方差為P1(k|k)，模型M2估計出的目標狀態為2(k|k)，其對應的估計誤差協方差為P2(k|k)。

如果雷達沒有受到速度拖引干擾，則空間位置量測和徑向速度量測都是真實的，可近似認為

其中，0表示零向量，N[A,B]表示以A為均值，以B為協方差的多元正態分布。

如果雷達受到速度拖引干擾，則徑向速度量測是虛假的，而空間位置量測是真實的，可近似認為

其中，X?(k)是不等于X(k)的不確定向量。進而可得

根據以上分析，建立的假設為

構造的檢驗統計量為

利用T12對式(12)中的假設進行檢驗，其單側拒絕域為

在k時刻，對模型M1和模型M2的估計結果進行上述檢驗。

若T12＜(n)，接受假設H0，則認為兩個模型估計結果差異較小，此時沒有速度拖引干擾，兩個模型均能對目標狀態進行正確估計，而模型M2的估計精度更高，最終的目標狀態估計值取模型M2的結果，即

若T12＞(n)，接受假設H1，則認為兩個模型估計的結果差異較大，而造成這種差異的原因主要有

(1)速度拖引干擾使模型M2濾波發散或估計誤差增大；

(2)目標機動使兩個模型濾波出現不同程度的發散或其中某個模型的估計誤差增大。

在實際應用中，模型的估計誤差是無法確定的，只能通過判斷模型的發散程度來確定選取哪一個模型的估計結果。假設目標狀態估計誤差協方差陣的第(1,1), (3,3), (5,5)個元素分別是目標x軸，y軸，z軸位置估計誤差的方差，則構建的控制量為

若T12＞(n)且P1＞P2，則認為模型M1發散程度高，最終的目標狀態估計取模型M2的結果，即式(15)。

若T12＞(n)且P1＜P2，則認為模型M2的發散程度高，最終的目標狀態估計值取模型M1的結果，即

模型選擇規則的框圖如圖2所示。

3 仿真與分析

3.1 仿真背景

以一部機載PD雷達和一架攜帶自衛式欺騙干擾機的飛行目標為仿真背景，建立統一的直角坐標系。雷達載機勻速直線運動，初始位置為(0 km, 0 km, 6 km)，速度為(150 m/s, 0 m/s, 0 m/s)，雷達掃描周期為0.1 s，測距誤差為100 m，測方位角誤差和測俯仰角誤差均為0.1°，測速誤差為5 m/s，恒虛警率為Pfa=0.001。目標初始位置為(60 km, 50 km, 3 km)，初始速度為(-200 m/s, 100 m/s, 0 m/s)，目標勻速飛行10 s后做轉彎機動，加速度為(20 m/s2, 20 m/s2, 0 m/s2)，機動持續10 s，然后改勻速飛行10 s，再做加速度為(-20 m/s2, -20 m/s2, 0 m/s2)的轉彎機動，機動持續10 s，最后保持勻速飛行，整個飛行過程持續60 s，過程噪聲的方差為100。

圖2 模型選擇規則框圖

3.2 仿真實驗1

本實驗的目的是驗證在沒有速度拖引干擾的雜波環境下，基于DM-AI的目標跟蹤算法能穩定跟蹤目標，幅度信息能有效克服雜波的影響，提高目標跟蹤精度。設雜波密度λ=2×10?5個/m3，加入雜波的方法見文獻[18]，目標信噪比均值為10 dB。蒙特卡洛仿真次數為100次，分別得到本文算法和基于空間位置加徑向速度量測而不帶幅度信息的PDACA-CMKF的目標位置均方根誤差，如圖3所示。

從圖3可以看出，由于目標機動和雜波的影響，PDA-CA-CMKF的跟蹤精度出現了較大波動，而本文算法的跟蹤性能較為穩定，跟蹤精度高于PDACA-CMKF，也即證明了幅度信息能顯著提高雜波環境下目標跟蹤性能。在雙模型結構中，模型M1運用的算法是基于空間位置量測的AI-PDA-CACMKF，模型M2運用的算法是基于空間位置和速度量測的AI-PDA-CA-CMKF。

進行單次仿真，分別得到雙模型結構中模型M1和模型M2及雙模型結構(即本文所提的基于DM-AI的跟蹤模型)濾波的位置均方根誤差，如圖4所示。

圖4表明，模型M2的濾波誤差要小于模型M1，雙模型結構的濾波誤差與模型M2幾乎相同，從而證明了在無速度拖引干擾的情況下，本文所提的基于DM-AI的跟蹤算法能自動選擇精度更高的模型M2進行濾波。

3.3 仿真實驗2

本實驗的目的是驗證在速度拖引干擾和雜波背景下，本文算法能有效地抑制虛假速度量測對目標跟蹤的不良影響，防止濾波發散，能穩定跟蹤目標。以指向雷達的方向為正，設目標在第10 s開始施放20 m/s2的徑向速度拖引干擾，持續10 s，在第30 s開始施放-20 m/s2的徑向速度拖引干擾，同樣持續10 s。顯著性水平取a=0.005，其它條件與實驗1相同。通過仿真，分別得到本文算法、基于空間位置和速度量測且帶幅度信息的AI-PDA-CA-CMKF的位置均方根誤差，如圖5所示。

圖5表明，在無速度拖引干擾時，本文算法的跟蹤誤差與帶幅度信息和速度量測的AI-PDA-CACMKF相當，而出現速度拖引干擾后，本文算法的跟蹤誤差明顯小于帶幅度信息和速度量測的AIPDA-CA-CMKF。

圖3 兩種算法的目標位置均方根誤差比較

圖4 模型M1，模型M2和雙模型結構的目標位置均方根誤差比較

圖5 兩種算法的目標位置均方根誤差比較

進行單次仿真，分別得到雙模型結構中模型M1和模型M2及雙模型結構濾波的位置均方根誤差，如圖6所示。

圖6 模型M1，模型M2和雙模型結構的目標位置均方根誤差比較

圖6表明，在速度拖引干擾的情況下，模型M2的濾波誤差明顯大于模型M1，雙模型結構自動選擇誤差較小的模型M1進行濾波，而當速度拖引干擾結束后，模型M2的濾波誤差逐漸減小至模型M1的濾波誤差以下，雙模型結構自動選擇誤差較小的模型M2進行濾波，從而證明了雙模型結構具有較強的自適應性。

3.4 仿真實驗3

為了進一步分析本文算法的性能，對不同雜波密度的情況進行了仿真，在航跡丟失率和時效方面與經典的速度比較法進行對比。在目標跟蹤過程中，以相關波門內沒有目標量測或沒有量測源于目標的互聯概率β0≥0.9連續超過3次作為航跡丟失的標志。設置雜波密度分別為λ=1×10?6個/m3和1×10?5個/m3，目標信噪比的均值為10 dB。速度比較法先利用基于空間位置和速度量測的CA-EKF進行跟蹤，估計出航跡速度，然后進行航跡估計速度和量測速度的檢驗比較，顯著性水平取a=0.005，當檢驗結果為不存在速度拖引干擾時進行下一時刻濾波更新，而檢驗結果為存在速度拖引干擾時采用空間位置量測進行二次濾波。其它仿真條件同仿真實驗1和實驗2。仿真使用的計算機為：Intel Dual-Core E6500 2.93 GHz CPU和2GB RAM。仿真結果如表1所示。

由表1可知，當雜波密度一定，無速度拖引干擾時，本文算法和速度比較法的航跡丟失率相當，在時耗上本文算法高于速度比較法約50%；存在速度拖引干擾時，本文算法的航跡丟失率明顯低于速度比較法，而在時耗上本文算法也低于速度比較法約20%。這是因為，在無速度拖引干擾時，本文算法是用雙模型進行濾波的，而速度比較法用的是單模型，存在速度拖引干擾時，速度比較法也需要進行二次濾波。隨著雜波密度的增大，兩種算法的航跡丟失率和時耗均有增加，而速度比較法的時耗增加幅度更大，這是因為速度比較法不僅在濾波時受雜波影響，而且在進行速度檢驗比較時所有雜波也要參與運算，而本文算法只在濾波時受雜波影響，進行模型選擇時只有兩個模型的濾波結果參與運算。

表1 本文算法和速度比較法分別在航跡丟失率和平均時耗方面的對比

4 結束語

本文針對速度拖引干擾和雜波背景下PD雷達無法穩定跟蹤目標的問題，提出了基于DM-AI的目標跟蹤算法。該算法運用基于幅度信息的PDA，克服了大量雜波對目標跟蹤的不良影響。算法建立了基于不同量測集合的雙模型，構建了用于選擇模型輸出的檢驗統計量，通過卡方檢驗靈活控制選擇最終的目標狀態估計，實現了在無速度拖引干擾時其跟蹤精度與帶速度量測的目標跟蹤算法的跟蹤精度相當，在速度拖引干擾和雜波背景下能對目標穩定跟蹤，算法具有較強的自適應能力。仿真結果驗證了該算法的有效性。

[1] 王小謨, 張光義. 雷達與探測[M]. 第2版, 北京: 國防工業出版社, 2008: 114-120.

Wang Xiao-mo and Zhang Guang-yi. Radar and Detection [M]. Second Edtion, Beijing: National Defence Industry Press, 2008: 114-120.

[2] Butt F A and Jalil M. An overview of electronic warfare in radar systems[C]. Proceedings of the IEEE International Conference on Technological Advances in Electrical, Electronics and Computer Engineering, Konya, Turkey, 2013: 213-217.

[3] Bar-Shalom Y and Blair W D. Multitarget-Multisensor Tracking Applications and Advances .Volume Ⅲ[M].Boston, London: Artech House, 2000: 395-458.

[4] Akhtar J. Orthogonal block coded ECCM schemes against repeat radar jammers[J]. IEEE Transactions on Aerospace and Electronic Systems, 2009, 45(3): 1218-1226.

[5] Zhang Jing-dong, Zhu Dai-yin, and Gong Zhang. New antivelocity deception jamming technique using pulses with adaptive initial phases[J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(2): 1290-1300.

[6] Greco M, Gini F, and Farina A. Radar detection and classification of jamming signals belong to a cone class[J]. IEEE Transactions on Signal Processing, 2008, 56(5): 1984-1993.

[7] Bandiera F, Farina A, Orlando D, et al.. Detection algorithms to discriminate between radar targets and ECM signals[J]. IEEE Transactions on Signal Processing, 2010, 58(12): 5984-5993.

[8] 陳建春, 耿富錄. 基于線性預測濾波的抗速度欺騙干擾技術[J]. 系統工程與電子技術, 2002, 24(2): 22-24.

Chen Jian-chun and Geng Fu-lu. Anti-velocity deception jamming technique based on linear prediction error filtering[J]. Systems Engineering and Electronics, 2002, 24(2): 22-24.

[9] 盧云龍, 李明, 閆琰. 一種利用調頻率匹配的DRFM欺騙干擾檢測方法[J]. 西安電子科技大學學報, 2014, 41(5): 77-84.

Lu Yun-long, Li Ming, and Yan Yan. Method for detecting DRFM deception jamming based on LFM rate matching[J]. Journal of XiDian University, 2014, 41(5): 77-84.

[10] Tian Xiao and Tang Bin. Spectrum texture features based radar deception jamming recognition using joint frequency-slow time processing[J]. Journal of Information & Computational Science, 2013, 9(13): 5181-5188.

[11] Berger S D. Digital radio frequency memory linear range gate stealer spectrum[J]. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(2): 725-735.

[12] Tian Xiao. Radar deceptive jamming detection based on goodness-of-fit testing[J]. Journal of Information & Computational Science, 2012, 9(13): 3839-3847.

[13] 趙博, 周峰, 保錚. 基于電磁散射模型的ISAR空中目標欺騙干擾方法[J]. 電子與信息學報, 2014, 36(1): 194-201.

Zhao Bo, Zhou Feng, and Bao Zheng. Deception jamming for ISAR aerial target based on electromagnetic scattering model[J]. Journal of Electronics & Information Technology, 2014, 36(1): 194-201.

[14] 賁德. 機載脈沖多普勒(PD)雷達的工作特點及抗干擾措施[J].現代雷達, 2000(4): 1-6.

Ben De. The property of airborne pulsed Doppler radar and the methods of counter countermeasures[J]. Modern Radar, 2000(4): 1-6.

[15] 李淑華, 黃曉剛, 劉平. 復雜電磁環境下雷達抗干擾技術研究[J]. 現代雷達, 2013, 35(4): 1-9.

Li Shu-hua, Huang Xiao-gang, and Liu Ping. A study on radar anti-jamming technology under complex electromagnetic environment[J]. Modern Radar, 2013, 35(4): 1-9.

[16] Lerro D and Bar-Shalom Y. Interacting multiple model tracking with target amplitude feature[J]. IEEE Transactions on Aerospace and Electronic Systems, 1993, 29(2): 494-509.

[17] Bar-Shalom Y and Fortmann T E. Tracking and Data Association[M]. Salt Lake City: Academic Press, 1988: 297-298.

[18] 何友, 修建娟, 關欣, 等. 雷達數據處理及應用[M]. 第3版,北京: 電子工業出版社, 2013: 147-155.

He You, Xiu Jian-juan, Guan Xin, et al.. Radar Data Processing with Applications[M]. Third Edtion, Beijing: Publishing House of Electronics Industry, 2013: 147-155.

李迎春：男，1988年生，博士生，研究方向為雷達抗干擾技術、多傳感器融合技術.

王國宏：男，1963年生，博士生導師，教授，研究方向為多源信息融合、雷達組網、微弱目標跟蹤、系統誤差配準等.

關成斌：男，1979年生，碩士，講師，研究方向為信息融合、目標跟蹤、傳感器管理.

孫殿星：男，1983年生，博士生，研究方向為雷達組網、信息融合技術等.

Algorithm for Target Tracking with Pulse Doppler Radar in the Presence of Velocity Gate Pull off/in Jamming and Clutter Environment

Li Ying-chun Wang Guo-hong Guan Cheng-bin Sun Dian-xing
(Institute of Information Fusion, Naval Aeronautical and Astronautical University, Yantai 264001, China)

Considering the problem that Pulse Doppler (PD) radar is not able to track target precisely in the presence of velocity gate pull-off/in jamming and clutter environment, an algorithm for target tracking is proposed which is based on the Double Models (DM) and the Amplitude Information (AI). The algorithm establishes two tracking models: one model is based on the position and amplitude measurements, the other is based on the position, velocity, and amplitude measurements. The two models both use Probabilistic Data Association based on AI (AI-PDA) to reduce the influence of clutter as much as possible, then carry out filtering and estimating using the conventional method. If there is no velocity gate pull off/in jamming, the estimations of two models are related on position and velocity; if there is jamming, the estimations are not related. Accordingly, the chi-square test is carried out and the final estimation result is determined after analysis. The simulation results prove the effectiveness of the algorithm.

Radar; Target tracking; Velocity gate pull-off/in jamming; Double Models (DM); Amplitude Information (AI); Chi-square test

TN953

： A

：1009-5896(2015)04-0989-06

10.11999/JEIT140856

2014-06-26收到，2014-12-04改回

國家自然科學基金(61179018, 61102165)和“泰山學者”建設工程專項經費資助課題

*通信作者：李迎春 344759609@qq.com