本發明涉及機載多傳感器管理技術，具體涉及一種多傳感器管理預處理方法。

背景技術：

信息化戰爭中，爭奪戰場信息主動權是贏得戰爭勝利的重要保證，同時，戰場環境日趨復雜，投入戰爭武器種類繁多，單平臺上搭載傳感器日趨復雜化，多樣化，多功能化，單傳感器也趨于智能化，多功能化，導致各傳感器各平臺產生量測信息的互補和冗余。如何有效利用傳感器協同方式，獲得系統的最大性能，如何對多傳感器進行資源分配，提高系統獲取戰場態勢的能力減少傳感器之間的信息冗余，是信息化條件下提高高精尖武器戰場生存能力及贏得戰爭勝利的重要前提。

現有技術狀況的局限性在于：在機載多傳感器管理技術領域的研究當中，大多集中于理論研究，理論與實際相差一定距離，未轉化到實際裝備上；同時，傳感器管理技術多集中于單個傳感器的管理，對多傳感器系統中傳感器之間相互牽制與支撐的關系考慮較少。因此，需要一種能夠易于工程實現，綜合考慮傳感器之間的相互關系的多傳感器資源分配方法來克服上述缺點。

技術實現要素：

本發明的發明目的在于提供一種機載平臺多傳感器資源預處理方法，使得機載平臺在實際多傳感器管理系統中可以快速選擇傳感器資源分配方式獲得最優系統性能。該方法從多傳感器管理目的出發，提煉傳感器管理的基本原則，構建傳感器協同資源分配數據庫；其次，依據傳感器之間的相互制約和扶持關系，建立傳感器資源分配模型，選擇在特定場景下可使系統獲得最優性能的傳感器資源配置方式。

本發明的發明目的通過以下技術方案實現：

一種機載平臺多傳感器資源預處理方法，包含以下步驟：

(a)確定各傳感器的資源種類及特性；

(b)根據各傳感器的資源種類及特性對各傳感器之間的協同模式進行篩選；

(c)對篩選后的各傳感器之間的協同模式的屬性進行描述，產生傳感器協同模式數據庫；

(d)根據傳感器協同模式數據庫建立傳感器資源分配模型；

(e)對傳感器資源分配模型求解選取最優的傳感器資源分配方案。

優選地，所述步驟(b)中對各傳感器之間的協同模式進行篩選的原則是：一、有利于綜合探測；二、有利于綜合識別；三、有利于形成單一態勢圖。

優選地，所述步驟(c)通過以下方法對各傳感器之間的協同模式的各屬性進行描述：

1)多傳感器綜合探測概率P_t：

其中為傳感器i引導傳感器j的概率，P_dit為傳感器i對目標t的探測概率，為傳感器i的牽引下傳感器j對目標t的探測概率，x_it為二值函數，當傳感器i對目標t進行探測時取值為1，否則為0，x_jt同為二值函數，當傳感器j對目標t進行探測時取值為1，否則為0。

2)多傳感器綜合識別率P_I：

假設當前由傳感器i首先探測到了目標t，傳感器i引導傳感器j的概率為則在傳感器i的牽引下傳感器j對目標t的識別概率記為綜合識別概率表示為：

其中，為傳感器i的牽引下傳感器j對目標t的識別概率，P_Iit為傳感器i對目標t的識別概率，x_it為二值函數，當傳感器i對目標t進行探測時取值為1，否則為0，x_jt同為二值函數，當傳感器j對目標t進行探測時取值為1，否則為0。

3)傳感器協同代價C_t：

其中α表示時間代價的權重，β(β＝1-α)表示傳感器資源代價的權重，為傳感器協同模式Φ_t內傳感器i對傳感器j的指示交接時間代價，為傳感器j探測目標t的資源代價，x_ij為二值函數，當傳感器i對傳感器j進行指示交接時取值為1，否則為0，x_jt同為二值函數，當傳感器j對目標t進行探測時取值為1，否則為0。

4)傳感器數目R_t

優選地，所述步驟(d)中傳感器資源分配模型如下：

其中w_t表示目標t的優先級；MaxP_d表示探測概率最優，P_t為多傳感器綜合探測概率，MaxP_I表示識別概率最優，P_I為多傳感器綜合識別率，MinC表示傳感器協同代價最小，C_t為傳感器協同代價，MinR表示傳感器資源消耗最低；

約束條件：

其中，M_t為目標覆蓋要求。

優選地，所述步驟(e)采用粒子群算法對傳感器資源分配模型求解。

優選地，在采用粒子群算法時，在粒子位置更新過程中增加一個限制條件：

g∈D_R

其中，g為位置，D_R為傳感器協同模式數據庫中的粒子全集。

本發明有效利用傳感器協同方式，獲得系統的最大性能，對多傳感器進行資源分配，提高系統獲取戰場態勢的能力，也減少了傳感器之間的信息冗余。

附圖說明

附圖說明

圖1示出粒子群算法流程圖；

圖2示出算法收斂情況；

圖3示出粒子豐富度統計；

圖4示出本發明的流程示意圖。

具體實施方式

下面結合附圖和實施例對本發明作進一步的詳細說明。

如圖4所示，本發明一種機載平臺多傳感器資源預處理方法，包含以下步驟：

步驟(a)確定各傳感器的資源種類及特性。

假設飛機上存在4個傳感器，分別為：敵我識別器(IFF)、紅外跟蹤與探測系統(IRST)、電子偵察設備(ESM)、雷達(RADAR)。這四類傳感器各具有不同特性，一般說來，RADAR可以提供目標運動特征，IFF可以提供高置信度的身份屬性信息，ESM探測距離較遠，同時也可提供目標屬性信息，IRST作用距離較近，但能提供較高精度的目標狀態信息。

步驟(b)根據各傳感器的資源種類及特性對各傳感器之間的協同模式進行篩選。

現代飛機作為一種復雜多傳感器系統平臺，其任務需求的復雜性，決定了傳感器管理調度方法的復雜性和多樣性。多傳感器協同工作模式管理完成的主要功能是依據一定的作戰場景，把可能的作戰進程轉換成傳感器協同工作模式序列。

傳感器系統處于不同的協同工作模式下，相應的管理方法不同。在典型的協同工作模式下，針對關鍵問題和難點問題，應當采用適當的傳感器管理方法才能達到多傳感器協調配合，提高綜合探測能力的目的。

b.1、理論基礎

數理統計是伴隨著概率論的發展而發展起來的一個數學分支，研究如何有效的收集、整理和分析受隨機因素影響的數據，并對所考慮的問題做出推斷或預測，為采取某種決策和行動提供依據或建議。

兩個基本原理：

(1)加法原理：做一件事，完成它可以有n類辦法，在第一類辦法中有m1中不同的方法，在n類辦法中有mn中不同的方法，那么完成這件事共有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個步驟，做第一步有m1種不同的方法，做第二步有m2中不同的方法，……，做第n步有mn中不同的方法，那么完成這件事共有N＝m1*m2*m3*……*mn中不同的方法。

排列：從n個不同元素中，任取m(m<＝n)個元素，按照一定的順序排成一列，叫做從n個不同元素中取出m個元素的一個排列。從排列的意義可知，如果兩個排列相同，不僅這兩個排列的元素必須完全相同，而且排列的順序必須完全相同，這就告訴了我們如何判斷兩個排列是否相同的方法。

排列數組公式：從n個不同元素中取出m個元素的所有排列當m＝n時，為全排列：

b.2、各傳感器之間協同模式的分配方案

牽引與被牽引的傳感器順序不一樣，一般會產生不一樣的效果，因此，牽引傳感器模式可以認為是一個排列模型。同時，牽引傳感器的數量可以為2～4個。根據加法原理和乘法原理，可以得到傳感器協同分配方案種類總共具有種模式。

為了論述方便及便于理解，假設傳感器協同模式中，最多只有2種傳感器參與協同。由此可得傳感器協同模式的分配方案具有種工作模式，具體傳感器協同模式如表1所示：

表1

基于各傳感器的量測特點，表一中所列各傳感器之間的協同模式，其中存在某些協同模式不符合實際情況或者其中某些協同模式沒有使用價值，因此需要對這些傳感器的協同模式進行篩選。

b.3、各傳感器之間的協同模式篩選原則

根據第b.2節的論述，各傳感器之間的協同模式數量眾多，然而并不是所有協同模式都具有應用意義，若將其全部歸入傳感器協同模式數據庫，必然使傳感器管理算法的計算量及運算時間都將付出巨大的代價，而篩選傳感器協同模式將有效解決這些不利因素。篩選優化原則如下：

原則1：有利于綜合探測。假設能夠表征目標運動特征空間為P＝{v₁,v₂,......,v_n}。傳感器類型不同，對目標的探測能力不同，即傳感器探測目標運動特征的元素不一樣，以及探測目標運動特征的精度不一樣。基于綜合探測目的的傳感器協同就是通過傳感器之間的互補性增加探測目標的運動特征元素感知或提高探測目標的運動特征精度使其優于其中任何傳感器單獨量測目標的結果，同時控制傳感器的冗余不顯著增加。例如：假設雷達、IRST、ESM、IFF對目標的量測向量分別為z_r＝{ρ,α,θ}^T，z_ir＝{α,θ}^T，z_e＝{α,θ}^T，z_iff＝Φ，精度分別為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為空集，σ_αe＜σ_αr＜σ_αir,σ_θe＜σ_θr＜σ_θir。根據原則1可得，雷達牽引IRST模式可以提高目標的探測精度；雷達牽引ESM模式無法提高目標精度及增加探測目標的運動特征元素，即說明雷達牽引ESM模式不是一種優化模式，同理，雷達牽引IFF也不是一種有利于綜合探測的優化模式；紅外牽引雷達及ESM牽引雷達可以增加探測目標的運動特征元素，是一種有利于綜合探測的優化模式；ESM牽引IRST雖可以提高目標的探測精度，但是傳感器的冗余顯著增加。

原則2：有利于綜合識別。綜合識別系統中，所需目標特征屬性與所采用識別方法息息相關，不能脫離識別方法而建立目標特征屬性空間，因此本文采用基于屬性測度的目標綜合識別模型，建立目標特征空間。假設目標特征空間I＝{I₁,I₂,......,I_m}，基于有利于綜合識別的傳感器協同目的在于提高識別置信度及增加目標屬性識別參數。根據原則2，可以篩選出有利于綜合識別的多傳感器協同工作模式。

原則3：有利于形成單一態勢圖。產生單一態勢圖是我方指揮中心掌握戰場形勢的重要依據，其有利于我方武器、人員等資源的科學配置，是決定戰爭勝負的重要因素。

步驟(c)對篩選后的各傳感器之間的協同模式的屬性進行描述，產生傳感器協同模式數據庫。

多傳感器協同模式數據庫的應用前提是具有對每一種多傳感器協同模式的詳細描述，即每一種多傳感器協同模式都具備其相應的屬性參數。表征多傳感器協同模式屬性參數需要全面考慮組成多傳感器協同的傳感器特點及傳感器之間的相互關系。

c.1基于動態聯盟的通用傳感器協同分析

聯盟是指在同時存在爭奪與聯合的情況下，相互獨立的單元為達到同一個目標，通過一定的互相聯系機制臨時組建一個超越空間約束，擺脫相互競爭且統一指揮的利益共同體，每一個單元在不同的方面為聯盟貢獻自己的作用，由此達到優勢互補、利益共享、風險共享的利益共同體。同時，不同的聯盟根據組成盟員的特長，達到的效果各異，因此對聯盟的合理使用是發揮聯盟的關鍵。

多傳感器協同模式采用相互獨立的智能傳感器組建為多傳感器共同體，為實現某種特定目標而建立，且多傳感器協同模式中的每一個傳感器在不同方面發揮自己的優勢，達到利益共享，從而達到資源的互補，提高系統的整體性能發揮。因此，多傳感器協同模式可與傳感器聯盟等效，通過對傳感器聯盟的表征及考慮多傳感器協同的基本原則，可以獲得表征多傳感器協同模式的數字特征。

現假設傳感器聯盟模型矩陣如式(1)：

其中，T、N分別表示多傳感器協同種類及傳感器數。x_it是二值函數，如式(2)：

矩陣R中第t列非零元素的集合為傳感器聯盟Φ_t，聯盟的描述可用綜合探測概率、綜合識別率及傳感器資源限制表述。

1)多傳感器綜合探測概率

假設傳感器i對目標t的探測概率表示為P_dit(0＜P_dit≤1)，傳感器聯盟Φ_t對目標t的綜合探測概率為：

2)多傳感器綜合識別率

假設傳感器i對目標t的識別概率表示為P_Iit(0＜P_Iit＜1)，傳感器聯盟Φ_t對目標t的綜合識別率為：

3)傳感器資源限制

假設傳感器i能同時處理Q_i個任務，則在某一時刻需滿足如下不等式：

按照木桶效應，多傳感器協同模式t能夠同時處理任務的數目為其包含最小處理任務能力的盟員i的參數值。

c.2機載平臺多傳感器協同模式分析

c.2.1機載平臺多傳感器協同的特點

機載平臺作為一個綜合的多傳感器平臺，相對于分布式傳感器網絡中的多傳感器聯盟問題，其特點主要在于：

1)傳感器分布集中。配置在同一平臺，傳感器間的相對位置可以忽略，單個傳感器的探測范圍能覆蓋所有的傳感器節點。

2)傳感器數量相對不足，不利于引入休眠盟員或不工作盟員，必然導致聯盟之間存在相互重疊現象。

3)單個傳感器的智能化程度高。每個傳感器包含多種工作模式，可同時處理多個目標，并且都能以不同方式實現對目標的測向或定位。

4)傳感器間差異較大。其中AESA、IFF屬于有源傳感器，ESM、CSM與IRST屬于無源傳感器，他們在工作原理、量測維度、量測精度、數據率、抗干擾能力、適用場景等方面都存在很大差別。

5)載機平臺速度不高、機動性不強。傳感器的運動可以認為是勻速運動，其橫滾角小，傳感器對目標的方位、俯仰角短時內不會發生大的變化，目標探測可認為是等探測概率事件。

上述差異決定了分布式無線傳感器網絡中的動態聯盟模型無法正確表征機載平臺多傳感器協同模式。

利用這種差異性，可從以下幾個方面優化傳感器聯盟的屬性值。

1)傳感器間的引導概率

引導概率用于量化傳感器間對目標的指示交接能力。引導概率與目標指示傳感器的狀態估計精度、被引導傳感器的視域、搜索能力以及指示交接過程中由于目標相對運動產生的方位角偏差等因素有關。此外對于不同的傳感器組合，其引導概率的影響因素也存在差異。

根據指示信息精度與被引導傳感器的探測能力，將傳感器間的引導概率劃分為“高”、“較高”、“中”、“較低”、“低”五個層次，并規定不能發生指示交接的傳感器間的引導概率為0，傳感器對自身的引導概率為1(對時間代價和傳感器探測概率及識別概率同樣處理)，五種傳感器間的引導概率如表2。

表2

2)指示交接過程的時間代價

指示交接過程的時間代價取決于指示信息精度及被引導傳感器的探測能力，包括被引導傳感器從收到目標指示信息到確認截獲目標所用的時間、傳感器與融合中心信息交換的時延兩部分。

五種傳感器間的目標指示交接的歸一化時間代價C^time如表3。

表3

3)指示交接過程的傳感器資源代價

傳感器資源代價用于量化被引導傳感器在執行任務中對自身模式、功率、孔徑等資源的消耗。傳感器的資源代價通常與探測目標的類型有關，被引導傳感器的探測能力決定其搜索截獲目標時的資源消耗。

c.3機載多傳感器協同模式分析

假定只考慮常規飛機、隱身飛機、電子戰飛機、巡航導彈這四類典型目標，同時，在場景中可以通過先驗知識與數據庫的對比獲得目標型號，并規定雷達對電子戰飛機的歸一化資源消耗為1，各傳感器探測六種典型目標時的歸一化資源代價C^resourse如表4所示。

表4

通過上述分析，計算多傳感器協同特征參數時，需要考慮傳感器之間的相互影響，即多傳感器協同之間的引導概率及協同代價，優化后的多傳感器協同模式的特征屬性參數量化如下。

1)多傳感器協同中的多傳感器綜合探測概率

假設當前由傳感器i首先探測到了目標t，傳感器i引導傳感器j的概率為則在傳感器i的牽引下傳感器j對目標t的探測概率記為因此由式(3)可得Φ_t的綜合探測概率P_t表示為：

對上式等號兩邊取對數得：

2)多傳感器協同中的多傳感器綜合識別率

假設當前由傳感器i首先探測到了目標t，傳感器i引導傳感器j的概率為則在傳感器i的牽引下傳感器j對目標t的識別概率記為因此由式(4)可得Φ_t的綜合識別概率P_I表示為：

對上式兩邊取對數，可得：

3)傳感器協同代價

Φ_t內傳感器i對傳感器j的指示交接時間代價記為傳感器j的資源代價記為Φ_t的指示交接代價為：

其中α和β(β＝1-α)分別表示時間代價和傳感器資源代價的權重，考慮到指示交接過程的時間緊迫性，規定α＞β。

4)傳感器數目

Φ_t中所包含傳感器的總個數R_t表示為：

步驟(d)根據傳感器協同模式數據庫建立傳感器資源分配模型。

在未來信息化戰爭中，環境復雜，武器多樣，武器平臺上的傳感器種類越來越多，使平臺系統趨于復雜化和多樣化。傳感器本身亦趨于智能化及多功能化，對傳感器系統而言會產生信息的互補及冗余。顯然，為發揮傳感器系統的最優性能，僅依靠飛行員或操作員是無法達到目的，因此自動的多傳感器目標分配算法是使傳感器系統超水平發揮的關鍵。

由前文分析，可得多傳感器協同模式的屬性參數包括綜合探測概率、綜合識別率、傳感器數目及傳感器協同代價。

在實際運用中，多傳感器協同模式的選擇需要進一步考慮探測概率達到最優，識別概率達到最優，傳感器協同代價最小，傳感器資源消耗的最低，目標的全覆蓋等因素。

其中，目標覆蓋定義為：假設傳感器聯盟Φ_t中的傳感器個數M_t，目標覆蓋要求M_t需滿足：

根據上述分析，機載多傳感器協同-目標分配模型如下：

目標函數：

其中w_t表示目標t的優先級。

約束條件：

步驟(e)對傳感器資源分配模型求解選取最優的傳感器資源分配方案。

本發明中，采用PSO算法(粒子群算法)對傳感器資源分配模型求解。PSO算法在迭代后期容易陷入局部最優而導致算法搜索效率大幅下降。

本部分所述的情況不需要粒子在全部粒子中進行篩選最優值，只需在數據庫中包含的粒子中進行逐一選優，因此本章對其進行優化，在粒子位置更新過程中增加一個限制條件。假設數據庫中的粒子全集為D_R，則粒子g位置更新滿足如下條件：

g∈D_R (15)

同時，在運用粒子算法求解時，可以得出最佳盟員組合，而傳感器協同模式屬于一種排列方式，導致PSO算法求解答案得不到唯一傳感器協同模式。本文為解決該問題，根據傳感器協同三原則，定義一個篩選準則如下：

若P_d＜P_I則選擇偏向于綜合識別的多傳感器協同模式；若P_d＞P_I則選擇偏向于綜合探測的多傳感器協同模式。

PSO算法流程如附圖1所示。

下面通過一組實驗數據對本發明的性能進行說明。

機載平臺傳感器對不同目標的探測能力存在較大差異，例如AESA對非隱身目標的發現距離遠大于對隱身目標、巡航導彈發現距離；ESM和CSM只能在目標輻射源開機的情況下進行側向與定位；IRST的探測能力會受目標的飛行速度、姿態、航向、高度等因素影響，因此需要通過定義探測概率量化各傳感器對目標的探測能力。

在分層的基礎上并規定雷達對干擾機的探測能力為0，各傳感器對六種典型目標(所帶輻射源都處于工作狀態)的探測概率P_d如表5

表5探測概率(detection probability)

機載傳感器的種類不同對目標的識別概率不同，且同種傳感器對不同目標的識別概率也存在較大差異，例如，AESA、ESM、CSM、IRST作為非協作式傳感器，對目標的識別置信度較差，識別概率較低；IFF作為協作式傳感器，對目標的識別置信度高，識別概率較大，且都受到目標姿態，航向，環境等因素影響。

按照分層的原理，各傳感器對六種典型目標的識別概率P_I如表6所示

表6識別概率(identify probability)

按照步驟(c)的分析建立多傳感器協同模式數據庫，以及每一種協同模式的屬性參數。本文中選用機載平臺上搭載的主要典型傳感器，即1RADAR、2ESM、3CSM、4IRST及5IFF五種傳感器舉例分析，其中，數字1～5代表傳感器編號，為簡單明了的說明本文論述的方法步驟，各傳感器協同模式最多選用三個傳感器作為傳感器協同的盟員，傳感器協同模式數據庫如表7所示：

表7多傳感器協同模式數據庫

根據式(8)～(10)可計算得到屬性值Cⁱ的大小，如：

算法參數設置如下：每個粒子是長5N(N代表目標數)的“0-1”向量，粒子個數為100，算法迭代1000次，粒子的個體豐富度門限為0.3，全局豐富度門限為0.45，時間消耗權重α＝0.8、資源消耗權重β＝0.2。PSO算法的適應度函數為：

對表1至表4中的數值進行量化處理(將[0,1]區間以0.2為間隔劃分成五段，分別對應“低”、“較低”、“中”、“較高”、“高”五個層次)，傳感器引導概率矩陣表示：

歸一化時間代價矩陣C^time表示為：

場景1機載平臺探測8個目標，其中包括B-52、F/A-18以及EA-18G。各傳感器對目標的探測概率矩陣P_d定義為：

傳感器對目標的識別概率P_I定義為：

傳感器探測目標時的歸一化資源代價矩陣C^resourse定義為：

目標優先級權重向量W定義為：

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

場景2機載平臺探測6個目標，其中包括B-2、F-22以及巡航導彈。傳感器對目標的探測概率矩陣定義為：

傳感器探測目標時的歸一化資源代價矩陣C^resourse定義為：

目標優先級權重向量W定義為：

W＝[1/4,1/6,1/9,1/9,1/9,1/4]

每種場景下算法的收斂情況如附圖2所示。可以看出粒子的最佳適應值隨算法的迭代逐漸降低，說明針對離散最優化問題的改進型PSO算法在每種場景下都能取得較好的收斂效果；附圖3是每種仿真場景下對粒子全局豐富度的統計，可以看出變異操作能使粒子豐富度始終維持在較高的水平，從而解決了PSO算法容易陷入早熟的問題。表明改進型PSO算法在各仿真場景下都有較高的搜索效率，能夠有效對模型進行求解。

表8及表9分別是在場景1和場景2下模型輸出每個目標對應的傳感器聯盟組合。從表8可知：對于重點目標B-52的探測由ESM和CSM向雷達進行目標指示；對于電子戰飛機的探測由ESM向IRST進行目標指示；對于高優先級的常規目標由ESM向雷達做出目標指示；對于低優先級的常規目標通常不考慮指示交接需求。

表8目標指示交接動態聯盟(target cueing-handoff dynamic coalition)

從表9可知：對于重點目標B-2由ESM和CSM對雷達做出目標指示；對于巡航導彈由IRST向雷達做出目標指示；對于隱身目標除了利用IRST指示雷達外，當優先級較高時還存CSM指示IRST的情況。

表9目標指示交接動態聯盟(target cueing-handoff dynamic coalition)

可以理解的是，對本領域普通技術人員來說，可以根據本發明的技術方案及其發明構思加以等同替換或改變，而所有這些改變或替換都應屬于本發明所附的權利要求的保護范圍。