高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于服务质量的相控阵雷达网目标分配方法

杨善超 田康生 吴长飞

杨善超, 田康生, 吴长飞. 基于服务质量的相控阵雷达网目标分配方法[J]. 电子与信息学报, 2019, 41(12): 2844-2851. doi: 10.11999/JEIT181133
引用本文: 杨善超, 田康生, 吴长飞. 基于服务质量的相控阵雷达网目标分配方法[J]. 电子与信息学报, 2019, 41(12): 2844-2851. doi: 10.11999/JEIT181133
Shanchao YANG, Kangsheng TIAN, Changfei WU. Target Assignment Method for Phased Array Radar Network Based on Quality of Service[J]. Journal of Electronics & Information Technology, 2019, 41(12): 2844-2851. doi: 10.11999/JEIT181133
Citation: Shanchao YANG, Kangsheng TIAN, Changfei WU. Target Assignment Method for Phased Array Radar Network Based on Quality of Service[J]. Journal of Electronics & Information Technology, 2019, 41(12): 2844-2851. doi: 10.11999/JEIT181133

基于服务质量的相控阵雷达网目标分配方法

doi: 10.11999/JEIT181133
基金项目: 国家自然科学基金(61601510)
详细信息
    作者简介:

    杨善超:男,1992年生,博士生,研究方向为相控阵雷达资源管理、预警情报组网

    田康生:男,1963年生,教授,博士生导师,研究方向为相控阵雷达资源管理、预警情报组网

    吴长飞:男,1981年生,讲师,硕士,研究方向为预警情报处理、预警情报信息系统

    通讯作者:

    杨善超 y_qinglinshuo@163.com

  • 中图分类号: TN953

Target Assignment Method for Phased Array Radar Network Based on Quality of Service

Funds: The National Natural Science Foundation of China (61601510)
  • 摘要: 针对目前相控阵雷达网目标分配模型中约束条件构建不合理以及求解算法性能不高的问题,该文构建了基于服务质量(QoS)的雷达网目标分配模型,并提出基于强凹曲线逼近的模型求解算法。通过QoS模型中资源空间、环境空间的建立准确描述雷达的资源限制以及雷达与目标的可见性约束;通过库恩-塔克(KKT)条件推导出QoS模型最优解存在的充分条件,利用2维快速遍历方法逼近得到强凹函数曲线,最后对每个目标强凹曲线中的操作设定点进行逐步迭代得出优化分配方案。仿真结果表明:模型能够有效完成雷达网任务分配,且所提模型求解算法相比典型的智能搜索算法有更好的性能。
  • 图  1  雷达驻留模型

    图  2  强凹函数曲线

    图  3  TDFT方法流程图

    图  4  仿真背景

    图  5  目标跟踪位置误差

    图  6  雷达网目标分配情况

    图  7  算法运行时间对比

    图  8  系统平均效用值对比

    表  1  各对象坐标设置

    对象坐标
    导弹M1(33.720, 131.528)
    M2(31.864, 131.156)
    M3(28.932, 130.508)
    M4(27.630, 130.175)
    战略目标O(30.546, 114.241)
    雷达R1(32.933, 118.119)
    R1(30.646, 118.176)
    R1(28.657, 118.467)
    下载: 导出CSV

    表  2  模型相关参数设置

    空间相关参数取值
    资源维最大时间资源占用率70%
    信号重复周期20 ms
    脉宽500 μs
    雷达最大平均功率60 kW
    雷达峰值功率250 kW
    最大能量资源占用率70%
    波束驻留次数3
    环境维目标类型导弹、$\beta {\rm{}} = 300$
    目标速度7~12 Ma
    目标加速度0.4~3.5 g
    目标射程2000 km
    雷达与目标可见性全程可见
    下载: 导出CSV

    表  3  算法参数设置

    算法参数取值
    粒子群算法种群规模20
    最大循环代数200
    惯性常量0.8
    学习因子C1=C2=2
    遗传算法种群规模20
    交叉概率0.8
    变异概率0.2
    下载: 导出CSV
  • BIL R and HOLPP W. Modern phased array radar systems in Germany[C]. IEEE International Symposium on Phased Array Systems and Technology, Waltham, USA, 2016: 11–17.
    MALLICK M, KRISHNAMURTHY V, and VO B N. Integrated Tracking, Classification, and Sensor Management: Theory and Applications[M]. Hoboken, USA: John Wiley & Sons, Inc., 2014: 447–520.
    MOO P W and DING Zhen. Coordinated radar resource management for networked phased array radars[J]. IET Radar, Sonar & Navigation, 2015, 9(8): 1009–1020. doi: 10.1049/iet-rsn.2013.0368
    KALANDROS M. Covariance control for sensor management in cluttered tracking environments[J]. Journal of Guidance, Control, and Dynamics, 2004, 27(3): 493–496. doi: 10.2514/1.10339
    AUGHENBAUGH J M and LA COUR B R. Metric selection for information theoretic sensor management[C]. The 11th International Conference on Information Fusion, Cologne, Germany, 2008: 1–8.
    周林. 基于信息论的传感器管理算法研究[D]. [硕士论文], 河南大学, 2005: 34–42.

    ZHOU Lin. The algorithm of sensor management based on information theory[D]. [Master dissertation], Henan University, 2005: 34–42.
    WANG Xiaoying, HOSEINNEZHAD R, GOSTAR A K, et al. Multi-sensor control for multi-object bayes filters[J]. Signal Processing, 2018, 142: 260–270. doi: 10.1016/j.sigpro.2017.07.031
    SEOK J, ZHAO Jinxin, SELVAKUMAR J, et al. Radar resource management: Dynamic programming and dynamic finite state machines[C]. 2013 European Control Conference, Zurich, Switzerland, 2013: 4100–4105.
    DELIGIANNIS A and LAMBOTHARAN S. A Bayesian game theoretic framework for resource allocation in multistatic radar networks[C]. 2017 IEEE Radar Conference, Seattle, USA, 2017: 546–551. doi: 10.1109/RADAR.2017.7944263.
    方德亮, 冉晓旻, 李鸥. 一种能量有效的分布式传感器管理算法[J]. 西安电子科技大学学报: 自然科学版, 2017, 44(2): 171–177. doi: 10.3969/j.issn.1001-2400.2017.02.029

    FANG Deliang, RAN Xiaomin, and LI Ou. Energy efficient distributed sensor management algorithm[J]. Journal of Xidian University:, 2017, 44(2): 171–177. doi: 10.3969/j.issn.1001-2400.2017.02.029
    RUSU C, THOMPSON J, and ROBERTSON N M. Sensor scheduling with time, energy, and communication constraints[J]. IEEE Transactions on Signal Processing, 2018, 66(2): 528–539. doi: 10.1109/TSP.2017.2773429
    JAIN N K, NANGIA U, and JAIN J. A Review of particle swarm optimization[J]. Journal of the Institution of Engineers (India) : Series B, 2018, 99(4): 407–411. doi: 10.1007/s40031-018-0323-y
    郭广颂, 文振华, 郝国生. 基于群体决策的多用户协同交互式遗传算法[J]. 电子与信息学报, 2018, 40(9): 2165–2172. doi: 10.11999/JEIT171234

    GUO Guangsong, WEN Zhenhua, and HAO Guosheng. Interactive genetic algorithm based on collective decision making with multi-user collaboration[J]. Journal of Electronics &Information Technology, 2018, 40(9): 2165–2172. doi: 10.11999/JEIT171234
    NADJIASNGAR R and CHARLISH A. A performance model for target tracking with a radar network[C]. Proceedings of IEEE Radar Conference, Johannesburg, South Africa, 2015: 117–123. doi: 10.1109/RadarConf.2015.7411887.
    HANSEN J, RAJKUMAR R, LEHOCZKY J, et al. Resource management for radar tracking[C]. 2006 IEEE Conference on Radar, Verona, USA, 2006: 358–363. doi: 10.1109/RADAR.2006.1631788.
    BOYD S and VANDENBERGHE L. Convex Optimization[M]. London, England: Cambridge University Press, 2004: 99–103.
    FRANCU M, KERMAN R, and SINNAMON G. A new algorithm for approximating the least concave majorant[J]. Czechoslovak Mathematical Journal, 2017, 67(4): 1071–1093. doi: 10.21136/CMJ.2017.0408-16
  • 加载中
图(8) / 表(3)
计量
  • 文章访问数:  2140
  • HTML全文浏览量:  886
  • PDF下载量:  73
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-12-07
  • 修回日期:  2019-06-18
  • 网络出版日期:  2019-07-04
  • 刊出日期:  2019-12-01

目录

    /

    返回文章
    返回