本發(fā)明屬于雷達系統(tǒng)資源管理與優(yōu)化的
技術(shù)領(lǐng)域：
，具體指代一種基于模糊機會約束規(guī)劃的機會陣雷達天線孔徑資源管理方法。
背景技術(shù)：
：機會數(shù)字陣列雷達(opportunisticdigitalarrayradar,ODAR)是國外學(xué)者近年來針對新一代海軍隱身驅(qū)逐艦DD(X)提出的一種新概念雷達。該雷達以平臺隱身性為設(shè)計核心，以數(shù)字陣列雷達為基礎(chǔ)，單元與數(shù)字收發(fā)組件(DTR)可被布置于載體平臺開放空間的任意位置。機會數(shù)字陣列雷達通過實時感知戰(zhàn)場環(huán)境變化可以“機會性”地選擇工作單元、工作方式及戰(zhàn)術(shù)功能等。理論上，為了使ODAR獲得更好的探測性能，雷達的每個發(fā)射波束都應(yīng)當(dāng)最大化自身所占用的雷達系統(tǒng)資源。但是對于一些多任務(wù)、多功能的應(yīng)用場合，在系統(tǒng)資源有限的情況下，需要合理的分配雷達系統(tǒng)資源，以達到ODAR資源受限條件下最優(yōu)的跟蹤精度。在有限的功率、孔徑和時間資源條件下，將雷達系統(tǒng)的資源優(yōu)化分配以達到最優(yōu)的跟蹤精度，既有助于節(jié)省系統(tǒng)資源，也有助于延長雷達部件的使用壽命。天線孔徑資源管理就是雷達系統(tǒng)資源管理的重要部分，天線孔徑資源管理主要體現(xiàn)在天線陣元的分布與數(shù)量的管理。由于天線陣元三維隨機布局，使得從中選出部分陣元用于工作，以達到較優(yōu)的跟蹤精度成為可能，從而節(jié)省大量陣元或同時完成更多的任務(wù)。傳統(tǒng)的資源分配模型一般是確定性模型，但是由于雷達系統(tǒng)和目標環(huán)境的不確定性，目標的RCS、信號傳輸?shù)乃p因子α，系統(tǒng)噪聲w等都是不確定的。在不確定條件下，將資源分配模型構(gòu)建為確定性模型(代價函數(shù)和約束函數(shù)都是確定的)，既不能保證算法的穩(wěn)健性，建立的模型又不符合實際。因此我們采用機會約束規(guī)劃模型，采用機會約束規(guī)劃模型，既可以保證算法的穩(wěn)健性，又可以較好的處理目標測量信息的不確定性，使得目標模型更加貼近實際。該模型考慮了所做的決策在某些極端情況下可能會不滿足約束條件，模型采取的原則是：允許所做的規(guī)劃方案不用完全滿足約束條件，但是該約束條件成立的概率又不小于某一給定的置信水平。通過設(shè)置置信水平有效調(diào)控系統(tǒng)違約的風(fēng)險度，同時還會因為舍棄了在很小的置信水平下滿足約束條件的極端情況，大大節(jié)省資源。有的學(xué)者將目標RCS的不確定性用作隨機數(shù)處理，但隨機分布規(guī)律是建立在大量的統(tǒng)計數(shù)據(jù)之上的，歷史數(shù)據(jù)很可能由于數(shù)據(jù)量不足而產(chǎn)生偏差，從而導(dǎo)致結(jié)果不準確。而結(jié)合歷史數(shù)據(jù)和相關(guān)專家經(jīng)驗，我們往往較容易確定其最可能的取值以及可能分布的范圍。因此，我們采用模糊變量來表示這種不確定情況。技術(shù)實現(xiàn)要素：針對于上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于模糊機會約束規(guī)劃的天線孔徑資源管理方法，以解決現(xiàn)有技術(shù)中將傳統(tǒng)的資源分配模型構(gòu)建為確定性模型，既不能保證算法的穩(wěn)健性，建立的模型又不符合實際等問題。為達到上述目的，本發(fā)明的一種基于模糊機會約束規(guī)劃的天線孔徑資源管理方法，包括步驟如下：1)確定表示目標RCS的模糊變量；2)初始化各波束目標參數(shù)和可以使用的陣元數(shù)目；3)建立基于模糊機會約束規(guī)劃的機會陣雷達天線孔徑資源管理數(shù)學(xué)模型；4)采用模糊模擬和遺傳算法相結(jié)合的混合智能優(yōu)化算法求解孔徑資源的最優(yōu)分配情況。優(yōu)選地，所述的步驟1)中表示目標RCS的模糊變量，以梯形模糊變量來表示涉及到的目標RCS的模值|hkq|=(r1,kq,r2,kq,r3,kq,r4,kq)---(1)]]>其中是k時刻第q個目標的RCS的模值，是由決定的梯形模糊變量，q＝1,2,…,Q。優(yōu)選地，所述的步驟2)中初始化各波束目標參數(shù)和可以使用的陣元數(shù)目包括：每個波束的零功率點主瓣寬度的約束值Bq，峰值副瓣電平約束值Φq，以及所能使用的陣元總數(shù)的約束值N。優(yōu)選地，所述的步驟3)中建立數(shù)學(xué)模型具體包括：根據(jù)k時刻實際情況，建立基于模糊機會約束規(guī)劃的機會陣雷達天線孔徑資源管理的數(shù)學(xué)模型：minΣq=1Qηq---(2)]]>Σq=1Qnkq≤N---(3)]]>B(Xkq,hkq)-Bq≤0---(4)]]>Φ(Xkq,hkq)-Φq≤0---(5)]]>Cr{f(Xkq,hkq)≤ηq}≥α---(6)]]>其中，式(3)是可工作的陣元數(shù)量的約束條件，是在k時刻第q個目標占用的陣元數(shù)量，N表示可以使用的陣元數(shù)量的最大門限值；式(4)是陣列綜合出的方向圖的零功率點主瓣寬度的約束條件，表示處于工作狀態(tài)的陣元綜合出的方向圖的零功率點主瓣寬度，是波束對應(yīng)的線陣的每個陣元工作狀態(tài)，xi＝1表示第i個陣元處于打開狀態(tài)，xi＝0表示第i個陣元處于關(guān)閉狀態(tài)，i＝1,2,…,Mq，Bq是主瓣寬度約束的門限值；式(5)是所綜合出方向圖的峰值副瓣電平的約束條件，是綜合出的方向圖的峰值副瓣電平，Φq是峰值副瓣電平的門限值；式(6)是目標跟蹤精度的約束條件，是目標位置跟蹤精度的可信性測度的表示形式，α是預(yù)先設(shè)定的置信水平，ηq是目標位置跟蹤誤差門限值，是計算所得到的k時刻第q個目標的跟蹤誤差，其表達式為：f(Xkq,hkq)=trace(CBCRLB(Xkq,hkq))---(7)]]>其中，表示為k時刻第q個目標跟蹤誤差的貝葉斯克拉美羅界，其為貝葉斯信息矩陣的逆矩陣，即可以表示為：J(Xkq,hkq)=JP(Xkq,hkq)+JD(Xkq,hkq)---(8)]]>其中，為先驗信息矩陣，為數(shù)據(jù)信息矩陣。優(yōu)選地，所述的步驟4)中優(yōu)化算法，在目標跟蹤情況中，求解步驟為：41)在k＝1時刻，初始化目標的狀態(tài)矢量協(xié)方差矩陣隨機產(chǎn)生陣元序列作為k時刻的最優(yōu)解，其中是初始貝葉斯信息矩陣，其中q＝1,2,…,Q；42)根據(jù)利用方向圖綜合得出主瓣寬度和峰值副瓣電平43)然后根據(jù)產(chǎn)生的Q個波束，得到觀測值其中為觀測得到k時刻第q個跟蹤目標的照射角度，和分別為觀測得到的目標的RCS的實部和虛部；44)采用無跡卡爾曼濾波算法對目標進行跟蹤，從而得出目標狀態(tài)的估計值45)根據(jù)步驟44)計算得出的結(jié)果利用預(yù)測k+1時刻的狀態(tài)矢量46)根據(jù)步驟45)計算結(jié)果，預(yù)測k+1時刻各目標對應(yīng)波束的陣元分布情況47)將返回值指導(dǎo)下一時刻的陣元分配情況；48)k＝k+1，轉(zhuǎn)步驟42)。優(yōu)選地，上述步驟46)進一步包括：a.輸入遺傳算法中要求的種群大小、迭代步數(shù)、以及交叉和變異的概率；b.采用隨機方法產(chǎn)生一組初始的陣元分布方案，作為遺傳算法的初始種群；c.約束條件檢驗染色體的可行性：將各染色體進行方向圖綜合，并用約束條件驗證處于工作狀態(tài)的總的陣元數(shù)量、綜合出的主瓣寬度和峰值副瓣電平；d.通過交叉和變異操作更新染色體，并用步驟c中的約束條件檢驗染色體的可行性；e.計算目標函數(shù)：由于目標的RCS具有模糊性，采用模糊模擬算法，結(jié)合預(yù)測方程和k時刻的貝葉斯克拉美羅界，從而計算出k+1時刻染色體對應(yīng)的目標函數(shù)；f.然后使用基于序的評價函數(shù)，作為各染色體的適應(yīng)度函數(shù)；g.通過輪盤賭選擇染色體；h.重復(fù)步驟c到步驟g，直至循環(huán)結(jié)束；i.返回k+1時刻的最優(yōu)陣元分布情況及其對應(yīng)的最小的值ηk+1,opt。本發(fā)明的有益效果：本發(fā)明的孔徑資源優(yōu)化分配會大大提高目標的跟蹤精度；同時考慮目標RCS的模糊性，并以模糊機會約束規(guī)劃模型的孔徑資源分配算法來處理問題，更符合實際情況；可以控制風(fēng)險和置信水平之間的關(guān)系，會得到更加穩(wěn)健的功率分配方案，不同置信水平下的規(guī)劃方案以及計算得到的跟蹤精度，也為我們做出資源分配決策提供可靠的依據(jù)。附圖說明圖1為本發(fā)明資源管理方法的流程圖；圖2為ODAR和目標之間的位置關(guān)系示意圖；圖3a為天線孔徑均勻分配且所有的陣元都處于工作狀態(tài)時孔徑從-34.5λ～-11.5λ的陣元分布示意圖；圖3b為天線孔徑均勻分配且所有的陣元都處于工作狀態(tài)時孔徑從-11.5λ～11.5λ的陣元分布示意圖；圖3c為天線孔徑均勻分配且所有的陣元都處于工作狀態(tài)時孔徑從11.5λ～34.5λ的陣元分布示意圖；圖4為天線孔徑均勻分配且所有的陣元都處于工作狀態(tài)時各目標的跟蹤精度示意圖；圖5為目標跟蹤各個時刻各目標占據(jù)的天線孔徑的長度比例示意圖；圖6為天線孔徑優(yōu)化分配后處于工作狀態(tài)的總的陣元數(shù)目所占的比例示意圖；圖7a為天線孔徑優(yōu)化分配后處于工作狀態(tài)孔徑從-34.5λ--11.5λ的陣元的分布圖；圖7b為天線孔徑優(yōu)化分配后處于工作狀態(tài)孔徑從-11.5λ-11.5λ的陣元的分布圖；圖7c為天線孔徑優(yōu)化分配后處于工作狀態(tài)孔徑從11.5λ-34.5λ的陣元的分布圖；圖8為天線孔徑優(yōu)化分配后處于各個目標工作狀態(tài)的陣元數(shù)目所占的比例示意圖；圖9為天線孔徑優(yōu)化分配后各目標的跟蹤精度示意圖。具體實施方式為了便于本領(lǐng)域技術(shù)人員的理解，下面結(jié)合實施例與附圖對本發(fā)明作進一步的說明，實施方式提及的內(nèi)容并非對本發(fā)明的限定。參照圖1-圖9所示，本發(fā)明的一種基于模糊機會約束規(guī)劃的天線孔徑資源管理方法，于具體實施例中，包括如下：以梯形模糊變量表示目標RCS的大小，其隸屬度函數(shù)表示如公式(1)所示，即模值為k時刻第q個目標的RCS模值是一個梯形模糊變量；1、建立如下的基于模糊機會約束規(guī)劃的機會陣雷達天線孔徑資源管理模型：minΣq=1Qηq---(2)]]>Σq=1Qnkq≤N---(3)]]>B(Xkq,hkq)-Bq≤0---(4)]]>Φ(Xkq,hkq)-Φq≤0---(5)]]>Cr{f(Xkq,hkq)≤ηq}≥α---(6)]]>其中，式(3)是可工作的陣元數(shù)量的約束條件，是在k時刻第q個目標占用的陣元數(shù)量，N表示可以使用的陣元數(shù)量的最大門限值；式(4)是陣列綜合出的方向圖的零功率點主瓣寬度的約束條件，表示處于工作狀態(tài)的陣元綜合出的方向圖的零功率點主瓣寬度，是波束對應(yīng)的線陣的每個陣元工作狀態(tài)，xi＝1表示第i個陣元處于打開狀態(tài)，xi＝0表示第i個陣元處于關(guān)閉狀態(tài)，i＝1,2,…,Mq，Bq是主瓣寬度約束的門限值；式(5)是所綜合出方向圖的峰值副瓣電平的約束條件，是綜合出的方向圖的峰值副瓣電平，Φq是峰值副瓣電平的門限值；式(6)是目標跟蹤精度的約束條件，是目標位置跟蹤精度的可信性測度的表示形式，α是預(yù)先設(shè)定的置信水平，ηq是目標位置跟蹤誤差門限值，是計算所得到的k時刻第q個目標的跟蹤誤差，其表達式為：f(Xkq,hkq)=trace(CBCRLB(Xkq,hkq))---(7)]]>其中，表示為k時刻第q個目標跟蹤誤差的貝葉斯克拉美羅界(BayesianCramerRaoLowerBound，BCRLB)，其為貝葉斯信息矩陣(Bayesianinformationmatrix,BIM)的逆矩陣，即可以表示為：J(Xkq,hkq)=JP(Xkq,hkq)+JD(Xkq,hkq)---(8)]]>其中，為先驗信息矩陣，為數(shù)據(jù)信息矩陣，以下將對BCRLB做詳細介紹。2、離散非線性濾波器的BCRLBBayesian估計問題當(dāng)中，在估計狀態(tài)矢量時，BCRLB給離散非線性濾波無偏估計的均方誤差(MeanSquareError，MSE)提供了一個下界：E((ζ^kq-ζkq)(ζ^kq-ζkq)T)≥CBCRLB(ζkq)=J-1(ζkq)---(9)]]>其中表示期望，表示目標狀態(tài)矢量的BCRLB矩陣，它是目標狀態(tài)矢量的的逆矩陣。在k時刻，目標狀態(tài)矢量的可以表示為：J(ξkq)=Ezkq,ξkq((∂lnp(zkq,ξkq)∂ξkq)(∂lnp(zkq,ξkq)∂ξkq)T)---(10)]]>表示量測矢量和狀態(tài)矢量的聯(lián)合概率密度函數(shù)(jointprobabilitydensityfunction,JPDF)，因為可以表示為：p(zkq,ζkq)=p(ζkq)p(zkq|ζkq)---(11)]]>是目標狀態(tài)矢量的PDF，是量測矢量關(guān)于目標狀態(tài)矢量的條件PDF。那么(10)就可以寫成：J(ξkq)=Eξkq((∂lnp(ξkq)∂ξkq)(∂lnp(ξkq)∂ξkq)T)+Ezkq,ξkq((∂lnp(zkq|ξkq)∂ξkq)(∂lnp(zkq|ξkq)∂ξkq)T)=JP(ξkq)+JD(ξkq)---(12)]]>和分別表示目標的先驗信息矩陣和數(shù)據(jù)信息矩陣，目標的先驗信息矩陣可以表示為：JP(ξkq)=Dk-122-Dk-121(J(ξkq)+Dk-111)-1Dk-112---(13)]]>其中Dk-111=E{-Δξk-1qξk-1qlnp(ξkq|ξk-1q)}Dk-112=(Dk-121)T=E{-Δξk-1qξkqlnp(ξkq|ξk-1q)}Dk-122=E{-Δξkqξkqlnp(ξkq|ξk-1q)}---(14)]]>數(shù)據(jù)信息矩陣可以表示為JD(ξkq)=E{-Δξkqξkqlnp(zkq|ξkq)}---(15)]]>其中表示關(guān)于的二階偏導(dǎo)數(shù)。根據(jù)目標線性運動方程和非線性量測方程，可以得出：J(ξkq)=JP(ξkq)+JD(ξkq)=(Qk-1q+FqJ-1(ξk-1q)FqT)-1+E{GξkqTΣξkq-1Gξkq}---(16)]]>其中為目標運動方程過程噪聲的協(xié)方差矩陣，F(xiàn)q是目標的轉(zhuǎn)移矩陣，是目標的Jacobi矩陣，是測量誤差的方差矩陣，其表達式為：其中是目標方位的MSE的BCRLB，和分別是目標RCS的實部和虛部對應(yīng)的MSE的BCRLB?？梢钥闯觯仁?15)右邊的第1項為先驗信息矩陣僅與目標的運動方程有關(guān)，而與雷達的陣元分配無關(guān)；第2項為數(shù)據(jù)信息矩陣波束越寬，則越小。式(16)中的第2項需要用蒙特卡洛方法來求解期望值，為了提高運算的速度，在過程噪聲比較小時，式(16)可以近似表示為J(ξkq)=JP(ξkq)+JD(ξkq)=(Qk-1q+FqJ-1(ξk-1q)FqT)-1+GξkqTΣξkq-1Gξkq|ξ^k|k-1q---(18)]]>表示零過程噪聲的預(yù)測值。根據(jù)式(18)，就可以求解出目標狀態(tài)矢量的BCRLB矩陣CBCRLB(ξkq)=J-1(ξkq)---(19)]]>那么的對角元素就是目標狀態(tài)矢量各個分量的下界，這就在陣元分配時，給目標的跟蹤精度提供了一個下界。3、基于模糊機會約束規(guī)劃的機會陣雷達天線孔徑資源管理模型的求解算法：3.1模糊模擬算法設(shè)目標的RCS模值是可信性空間上的梯形模糊變量，隸屬度函數(shù)為在給定置信水平為α的前提下，則需要采用模糊模擬方法求解下式：Cr{f(Xkq,hkq)≤ηq}≥α---(20)]]>ηq為其悲觀值，即求解使得式(20)成立的目標跟蹤誤差的最小值。模糊模擬流程如下：(1)分別從Θ中均勻產(chǎn)生θj，使得Pos{θj}≥ε(j＝1,2,…,J)，并記υj＝Pos{θj}，其中ε是充分小的正數(shù)。(2)對任意的r，有：L(r)=(max1≤j≤J{υj|f(Xkq,θkj)≤r}+min1≤j≤J{1-υj|f(Xkq,θkj)>r})/2≥α---(21)]]>L(r)是關(guān)于r的單值函數(shù)，對任意數(shù)r，可以通過二分法找出L(r)≥α的最小值r，這個最小值就是ηq的估值。3.2混合智能優(yōu)化算法在時刻k，可將模糊模擬嵌入到遺傳算法當(dāng)中，構(gòu)成混合智能優(yōu)化算法，從而可以預(yù)測出下一時刻的各波束最優(yōu)陣列分布情況q＝1,2,…,Q。把目標跟蹤時，所有波束對應(yīng)分配的陣列的陣元打開和關(guān)閉情況作為被優(yōu)化的量。混合智能優(yōu)化算法流程如下：a.輸入遺傳算法中要求的種群大小、迭代步數(shù)、以及交叉和變異的概率；b.采用隨機方法產(chǎn)生一組初始的陣元分布方案，作為遺傳算法的初始種群；c.約束條件檢驗染色體的可行性：將各染色體進行方向圖綜合，并用約束條件驗證處于工作狀態(tài)的總的陣元數(shù)量、綜合出的主瓣寬度和峰值副瓣電平；d.通過交叉和變異操作更新染色體，并用步驟c中的約束條件檢驗染色體的可行性；e.計算目標函數(shù)：由于目標的RCS具有模糊性，采用模糊模擬算法，結(jié)合預(yù)測方程和k時刻的BCRLB(貝葉斯克拉美羅界)，從而可以計算出k+1時刻染色體對應(yīng)的目標函數(shù)；f.然后使用基于序的評價函數(shù)，作為各染色體的適應(yīng)度函數(shù)；g.通過輪盤賭選擇染色體；h.重復(fù)步驟c到步驟g，直至循環(huán)結(jié)束；i.返回k+1時刻的最優(yōu)陣元分布情況及其對應(yīng)的最小的值ηk+1,opt。3.3目標狀態(tài)估計算法通過上述3.2中的混合智能優(yōu)化算法，可以預(yù)測下一時刻滿足置信水平的各波束最優(yōu)陣元分配q＝1,2,…,Q。當(dāng)下一時刻來臨時，就可以用最優(yōu)分布線陣綜合出的波束照射各個目標。本實施例采用無跡卡爾曼濾波(unscentedKalmanFilter,UKF)算法來處理非線性濾波問題。假設(shè)在k-1時刻獲取了濾波后的目標狀態(tài)及相應(yīng)的狀態(tài)協(xié)方差矩陣當(dāng)獲得k時刻的觀測值時，目標狀態(tài)估計算法可以描述為：步驟1：當(dāng)k＝1時，初始化協(xié)方差隨機產(chǎn)生最優(yōu)陣元分配步驟2：ODAR將方向圖綜合產(chǎn)生的波束分別照射目標，獲得目標量測值同時求出觀測值方差步驟3：采用對稱采樣法，計算Sigma采樣點和對應(yīng)的加權(quán)因子，所得到的采樣點和加權(quán)因子ωi,k可由以下方程得到：式(22)和(23)中，上標q表示第q個目標，I是狀態(tài)矢量的維數(shù)，是合成比例參數(shù)，用來調(diào)節(jié)采樣點和均值之間的距離，且合成比例參數(shù)中各參數(shù)取值范圍：10-4≤ρ≤1；κ為影響分布的尺度因子，可選為0或3-I；β為描述的先驗分布信息，高斯分布時，β的最優(yōu)值為2。是一階統(tǒng)計特性時的權(quán)重系數(shù)，是二階統(tǒng)計特性時的權(quán)重系數(shù)。在求的平方根時，可采用Cholesky分解計算。步驟4：利用狀態(tài)方程傳遞采樣點χi,k|k-1q=Fq·χi,k-1|k-1q---(24)]]>根據(jù)式(25)，利用預(yù)測采樣點和加權(quán)因子ωi,k求解出預(yù)測均值及其協(xié)方差{ξ^k|k-1q=Σi=02I(ωim·χi,k|k-1q)Pk|k-1qΣi=02Iωic(χi,k|k-1q-ξ^k|k-1q)(χi,k|k-1q-ξ^k|k-1q)T+Qk-1q---(25)]]>步驟5：利用步驟4所得到的預(yù)測采樣點預(yù)測量測值采樣點zi,k|k-1q=g(χi,k|k-1q)---(26)]]>從而得出預(yù)測量測值以及量測向量協(xié)方差矩陣和狀態(tài)向量和量測向量的互協(xié)方差矩陣z^k|k-1q=Σi=02Iωim·zi,k|k-1qPzz,kqΣi=02Iωic·(zi,k|k-1q-z^k|k-1q)(zi,k|k-1q-z^k|k-1q)T+ΣξkqPxz,kq=Σi=02Iωic·(χi,k|k-1q-ξ^k|k-1q)(zi,k|k-1q-z^k|k-1q)T---(27)]]>步驟6：最后計算UKF的增益矩陣并且更新狀態(tài)向量和協(xié)方差矩陣。Kkq=Pxz,kq·(Pzz,kq)-1ξ^k|kq+ξ^k|k-1q+Kkq·(zkq-z^k|k-1q)Pk|kq=Pk|k-1q-Kkq·Pzz,kq·(Kkq)T---(28)]]>步驟7：利用混合智能優(yōu)化算法，預(yù)測出k+1時刻的最優(yōu)陣元分配情況將預(yù)測出的最優(yōu)結(jié)果指導(dǎo)下一時刻的陣元分配。步驟8：令k＝k+1，轉(zhuǎn)步驟2。各參數(shù)配置如下：假設(shè)ODAR位于(0,0)km點，每個時刻ODAR產(chǎn)生3個波束；非均勻線陣的孔徑長度為[-34.5λ,34.5λ]，共有333個天線陣元；載頻是fc＝10GHz，載波波長為0.03m；目標的觀測時間間隔為T0＝3s，相參脈沖個數(shù)為64，本次仿真共用30幀數(shù)據(jù)。設(shè)共有3個目標，每個目標的參數(shù)如表1所示：表1雷達與目標的空間分布示意圖如圖2所示。圖3a-圖3c是優(yōu)化前天線陣元的分布情況，從圖中可以看出，陣元分布很密。圖4中給出了孔徑資源均勻分配情況下，各目標的跟蹤精度。圖中同時給出了目標跟蹤的均方根誤差(rootmeansquareerror，RMSE)和以及對應(yīng)的BCRLB。此時并沒有考慮目標的模糊性，只是認為RMSE是進行M次蒙特卡洛實驗求得的均值，求解方法如下：RMSEk=1MΣj=1M[(xkq-x^kq,j)2+(ykq-y^kq,j)2]---(29)]]>M是蒙特卡洛仿真的次數(shù)，為k時刻第q個目標坐標的真實值，為k時刻第q個目標坐標的第j次蒙特卡洛仿真值。從圖4中可以看出，雷達系統(tǒng)并沒有根據(jù)各目標反射系數(shù)的大小，將孔徑資源合理的分配到各個目標上，所以各個目標的跟蹤精度有很大的差異。由于目標環(huán)境的復(fù)雜多變和目標信息的未知，采用模糊機會約束規(guī)劃模型的天線孔徑資源約束規(guī)劃模型，使得孔徑資源能夠合理的分配到各個目標上。由于目標RCS的模糊性可知，目標RCS模值為梯形模糊變量，表達式為從圖5中可以看出，采用機會約束規(guī)劃天線孔徑的資源管理，系統(tǒng)將天線孔徑長度資源在各個目標之間進行優(yōu)化分配；還可以看出孔徑長度分配比例曲線的斜率是緩慢變化的，這是因為各個目標的距離是變化的。不僅如此，從圖6中還可以看出，處于工作狀態(tài)的陣元的數(shù)目一直維持在比較低的水平，大大節(jié)省了陣元的數(shù)目，將圖7和圖2比較看出，處于工作狀態(tài)下的陣元密度大大降低；從圖8中可以看出，由于各個目標距離ODAR的距離的差距，每個目標占的陣元數(shù)目跟距離的正比關(guān)系沒有每個目標占的孔徑長度和距離的正比關(guān)系那么明顯。將圖8和圖4相比可以看出，孔徑資源優(yōu)化分配之后，目標的跟蹤精度大大提高。本發(fā)明具體應(yīng)用途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進，這些改進也應(yīng)視為本發(fā)明的保護范圍。當(dāng)前第1頁1 2 3