基于灰色理论的雷达目标与IFF点迹关联方法

doi:10.3969/j.issn.1009-086x.2023.04.006

摘要/Abstract

摘要：

为提升复杂环境下雷达目标与IFF点迹的关联正确率，提出了一种基于灰色理论的关联方法。在不同场景下，通过计算灰关联度判断多个雷达目标与IFF点迹关联时是否存在竞争，若存在则利用雷达目标与IFF关联的历史信息对灰关联度进行修正，最后基于最大关联度识别原则完成关联判决，形成对目标的敌我属性判定及识别置信度估计。典型场景下的仿真结果表明，通过对目标的多次询问及与雷达目标的关联，可提升不同环境下的关联正确率，提升合作目标属性判定的置信度。

关键词: 雷达目标, 敌我识别, 灰色理论, 复杂场景, 关联方法

Abstract:

In order to improve the association accuracy between radar target and IFF plot in complex environment， a method based on gray theory is proposed. In different scenarios， it can be judge whether there is competition among multiple radar targets when it is associated with IFF plot by calculating the gray correlation degree. If there is， the historical information of association between radar target and IFF is used to modify the gray correlation degree. Finally， the associated decision is completed based on the recognition of maximum gray correlation degree to form the identification of the target’s friend and foe attributes and the identification confidence estimation. Simulation results in typical scenarios show that， through multiple interrogations and association with the target， it can improve the association accuracy in different environment and the confidence degree of cooperative target attribute determination.

Key words: radar target, identification of friend or foe, gray theory, complex scene, association method

中图分类号:

TN959.1

闫善勇. 基于灰色理论的雷达目标与IFF点迹关联方法[J]. 现代防御技术, 2023, 51(4): 46-52.

Shanyong YAN. Radar Target and IFF Plot Association Method Based on Gray Theory[J]. Modern Defense Technology, 2023, 51(4): 46-52.

图/表 10

图1 雷达与IFF量测示意图

Fig. 1 Illustration of radar and IFF measurement

图2 场景1雷达航迹及IFF点迹

Fig. 2 Radar track and IFF plot of scene 1

图3 修正前方法运行情况

Fig. 3 Method operation before correction

图4 修正前关联概率

Fig. 4 Association accuracy before correction

图5 修正后关联概率

Fig. 5 Association accuracy after correction

图6 场景2雷达航迹及IFF点迹

Fig. 6 Radar track and IFF plot of scene 2

图7 修正前方法运行情况

Fig. 7 Method operation before correction

图8 修正前关联概率

Fig. 8 Association accuracy before correction

图9 修正后关联概率

Fig. 9 Association accuracy after correction

表1 正确关联概率对比

Table 1 Comparison of association accuracy

相邻航迹方位间距/（°）	正确关联概率
相邻航迹方位间距/（°）	NN方法	本文方法
1.5	0.641 7	0.859 0
2	0.770 3	0.943 5
3	0.928 9	0.983 6
4	0.985 1	0.992 5

参考文献 12

1	修小林，时宏伟，王越. 对雷达敌我识别系统中若干问题的研究［J］. 电讯技术， 2002， 42（2）： 1-7.
	XIU Xiaolin， SHI Hongwei， WANG Yue. Study on Problems in Radar IFF System［J］. Telecommunication Engineering， 2002， 42（2）： 1-7.
2	李寅龙，张天舒. 多传感器航迹关联算法综述［J］. 舰船电子工程， 2021， 41（8）： 44-50.
	LI Yinlong， ZHANG Tianshu. Summary of Multi-sensor Track Association Algorithms［J］. Ship Electronic Engineering， 2021， 41（8）： 44-50.
3	李恒璐，陈伯孝，丁一，等. 基于信息熵的最近邻数据关联算法［J］. 系统工程与电子技术， 2020， 42（4）： 806-812.
	LI Henglu， CHEN Boxiao， DING Yi， et al. Nearest Neighboor Data Association Algorithm Based on Information Entropy Weight［J］. Systems Engineering and Electronics， 2020， 42（4）： 806-812.
4	张成宝. 密集目标环境下的数据关联算法研究［D］. 北京：中国舰船研究院， 2013.
	ZHANG Chengbao. Data Association Algorithm in Dense Target Environment［D］. Beijing： China Ship Research and Development Academy， 2013.
5	董杰．一种目标密集环境下的雷达目标与IFF点迹相关算法［J］．电讯技术， 2019， 59（9）： 1054-1061.
	DONG Jie. A Radar Target-IFF Plot Correlation Algorithm in Target Dense Environment［J］. Telecommunication Engineering， 2019， 59（9）： 1054-1061.
6	衣晓，杜金鹏. 基于分段序列离散度的异步航迹关联算法［J］. 航空学报， 2020， 41（7）： 323694.
	YI Xiao， DU Jinpeng. Asynchronous Track-to-Track Association Algorithm Based on Discrete Degree of Segmented Sequence［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（7）： 323694.
7	周威，衣晓，杨卫国. 基于区间相离度的异步航迹抗差关联算法［J］. 指挥与控制仿真， 2019， 41（6）： 52-58.
	ZHOU Wei， YI Xiao， YANG Weiguo. Track-Track Association Algorithm for Asynchronous and Resisting Systematic Errors Based on Intervals Distance［J］. Command Control & Simulation， 2019， 41（6）： 52-58.
8	衣晓，张怀巍. 极坐标系下的航迹灰色区间关联算法［J］. 舰船电子工程， 2012， 32（8）： 45-47.
	YI Xiao， ZHANG Huaiwei. Gray Track Correlation Algorithm Based on the Polar Coordinate Intercal Numbers［J］. Ship Electronic Engineering， 2012， 32（8）： 45-47.
9	杨军佳，时银水，王学青. 基于区间数及DS证据理论的多传感器航迹关联方法［J］. 电光与控制， 2019， 26（5）： 64-67.
	YANG Junjia， SHI Yinshui， WANG Xueqing. A Multi-sensor Track Association Method Based on Interval Number and DS Evidence Theory［J］. Electronics Optics & Control， 2019， 26（5）： 64-67.
10	李洋，张靖. 基于自适应滑动窗均值OSPA航迹关联算法［J］. 电子学报， 2016， 44（2）： 353-357.
	LI Yang， ZHANG Jing. Track Fusion Based on the Mean OSPA Distance with an Adaptive Sliding Window［J］. Acta Electronics Sinica， 2016， 44（2）： 353-357.
11	罗俊海，王章静. 多源数据融合和传感器管理［M］. 北京：清华大学出版社， 2015.
	LUO Junhai， WANG Zhangjing. Multi-source Data Fusion and Sensor Management［M］. Beijing： Tsinghua University Press， 2015.
12	韩崇昭，朱洪艳，段战胜，等．多源信息融合［M］. 北京：清华大学出版社， 2010.
	HAN Chongzhao， ZHU Hongyan， DUAN Zhansheng， et al. Multi-source Information Fusion［M］. Beijing： Tsinghua University Press， 2010.

[1]	肖志河, 任红梅, 董纯柱, 赵涛, 陈轩. 空天目标电磁散射特性建模与特征认知研究[J]. 现代防御技术, 2023, 51(3): 83-90.
[2]	王志虎, 沈小青, 桂伟龙. 光学成像小目标检测技术综述[J]. 现代防御技术, 2020, 48(5): 67-73.
[3]	陈睿容, 孙武, 贾学振, 徐秋锋. 基于二阶Keystone的空间目标检测方法[J]. 现代防御技术, 2020, 48(4): 93-101.
[4]	罗木生, 侯学隆, 王宗杰, 王培源. 反舰导弹对岛礁区目标的搜捕概率研究[J]. 现代防御技术, 2018, 46(6): 30-35.
[5]	林菡, 李昌玺, 陈丽娟. MIMO-FNN模型的弹道导弹目标识别方法[J]. 现代防御技术, 2018, 46(6): 36-43.
[6]	杨军佳, 叶晨亮, 刘志青, 廉博. SPA和DS证据理论的多传感器航迹关联方法[J]. 现代防御技术, 2018, 46(6): 75-79.
[7]	董爱, 夏芒, 李陟. 基于距离分辨的多目标同一性识别方法[J]. 现代防御技术, 2018, 46(3): 98-104.
[8]	王万田, 袁俊泉, 王力宝, 陈阿磊. 基于MDCFT的天空双基地雷达机动目标检测方法[J]. 现代防御技术, 2018, 46(3): 191-198.
[9]	姚毅, 李增辉, 李建勋, 贺平. 预警雷达反干扰闭环仿真模型设计[J]. 现代防御技术, 2018, 46(1): 195-201.