基于灰色理论的雷达目标与IFF点迹关联方法*

闫善勇

☞指挥控制与通信☜

基于灰色理论的雷达目标与IFF点迹关联方法*

闫善勇

（中国西南电子技术研究所，四川 成都 610036）

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。

雷达目标；敌我识别；灰色理论；复杂场景；关联方法

0　引言

目标敌我属性识别是现代军队不可或缺的一种能力。协同式敌我识别器为军队提供了一种简单、实时性强、准确性高的敌我识别（identification friend or foe， IFF）方法，是完成敌我识别任务的首要装备。协同式敌我识别器在工作的过程中根据交联雷达的指令进行特定方位的询问信号发射和应答信号接收，完成合作目标的敌我属性识别和测距测向。在询问波束内目标数量多、目标构成复杂的环境下，需要通过与雷达之间的数据融合完成雷达指定目标的敌我属性判定［1］。文献［2］介绍了概率统计类、不确定信息类、数学模型类等10类航迹关联算法，并对各类算法的实现原理、算法优劣和发展趋势进行了分析和总结。文献［3］按照熵权法分析并确定量测指标权值用于优化最近邻域算法的统计距离关联准则，相比于传统最近邻域算法获得了更高的数据关联正确率、更小的跟踪误差和更快的收敛效果。文献［4］在联合概率数据关联算法中引入随机集的概念，通过随机集内目标的有序转换，实现运动目标的良好跟踪，解决了多目标航迹分叉条件下的关联问题。文献［5］采用基于联合概率数据关联的雷达与IFF关联算法，在目标密集的条件下取得了优于最邻近相关方法的结果，且该方法对目标交汇情况不敏感。文献［6-8］在航迹灰色区间关联算法的基础上不断演进，在航迹异步、传感器采样率不同的条件下均能得到较高正确率，并可有效针对航迹交叉等问题。文献［9］完成了基于区间数及DS（Dempster-Shafer）证据理论的多传感器航迹关联，且获得了较好的正确关联概率。文献［10］采用OSPA（optimal sub-pattern assignment）航迹关联方法，通过自适应航迹关联矩阵给出历史航迹对当前航迹的作用影响，有效准确地判断多目标航迹的合并和分叉情况，实现良好的航迹关联。

本文针对目标数量多，目标构成复杂环境下的雷达目标与IFF点迹关联不准确，无法或错误判断雷达目标敌我属性的问题，提出一种基于灰色理论的航迹关联方法［11-12］，该方法根据灰关联度矩阵判断雷达航迹之间的竞争关系，并适时利用雷达目标与IFF点迹关联的历史信息对当前关联进行修正，完成较高正确率的关联。

1　基本理论

图1 　雷达与IFF量测示意图

Fig. 1 　Illustration of radar and IFF measurement

式中：

2　方法改进

采用基于灰色理论的雷达目标与IFF点迹关联方法的其他优点包括：①基于灰色理论的方法可以一定程度上降低系统误差的影响；②基于灰色理论的方法无需进行精确的时间对准，一定程度上降低时间对准导致的误差影响；③本方法确定的灰关联度可以作为识别器对指定合作目标的识别置信度。雷达目标与IFF点迹之间的关联主要考虑目标密集情况，但本文方法也适用于目标较为分散的情况。

3　仿真分析

假设平台上配置了一部雷达和IFF询问机。雷达目标周期更新8 s，距离偏差最大值100 m，方位偏差最大值0.25°；IFF询问机距离偏差最大值150 m，方位偏差最大值0.8°。为简化仿真，假设雷达和IFF的检测概率均为1。

仿真考虑了2种典型场景，以点（0°，0 km）为参考原点建立直角坐标系，正东方向为0°，逆时针方向为正向。

场景1为目标数量多、目标构成复杂（协作、非协作目标混合）场景，场景2在场景1的基础上，使目标航迹之间存在交叉，测试本文方法对上述场景的适应能力。本文分别采用修正前后的关联方法对相同场景的关联任务进行了处理，每种场景进行了1 000次仿真，对我方合作目标统计正确关联概率、错误关联概率和漏关联概率。

图2展示了场景1描述的目标运动情况。图3展示了修正前关联方法的运行情况。图3a）为雷达航迹关联情况，在多数情况下，航迹2、航迹3均被正确关联，航迹1与航迹4未关联。图3b），c）为1#，2#IFF与雷达航迹归一化灰关联度，可见雷达航迹之间的竞争时有发生。

图2 　场景1雷达航迹及IFF点迹

图3 　修正前方法运行情况

图4为采用修正方法前，执行1 000次循环统计的关联概率，正确关联概率为87.8%，错误关联概率为12.2%，漏关联概率0。图5为采用修正后方法，执行1 000次循环后统计的关联概率，正确关联率为97.8%，错误关联概率为2.2%，漏关联概率为0。由于第1～3次询问时缺少足够的历史量测，导致关联概率较低，但在之后的询问中关联概率都得到了提升。

图4 　修正前关联概率

图5 　修正后关联概率

图6展示了场景2描述的目标运动情况。图7展示了修正前关联方法的运行情况。图7a）为雷达航迹关联情况，在多数情况下，航迹2、航迹3均被正确关联，航迹1、航迹4未关联。图7b），7c）为1#，2#IFF与雷达航迹归一化灰关联度，可见雷达航迹之间的竞争时有发生；同时由于1#航迹先与2#IFF点迹相遇并分离，再与1#IFF点迹相遇，可以看到c）中1#航迹的关联概率先升高后降低，b）中1#航迹的关联概率逐渐提升。

图6 　场景2雷达航迹及IFF点迹

图7 　修正前方法运行情况

图8为采用修正方法前，执行1 000次循环统计的关联概率，正确关联概率为89.2%，错误关联概率为10.8%，漏关联概率0。从图中可以看出，交叉现象导致在询问次数为17时正确关联概率的降低和错误关联概率的提升。图9为采用修正后方法，执行1 000次循环后统计的关联概率，正确关联率为98.3%，错误关联概率为1.7%，漏关联概率为0。交叉现象仍导致在询问次数为17时正确关联概率的降低和错误关联概率的提升，并在后续数次关联中展现了它的影响，但整体上关联概率都得到了提升。

图8 　修正前关联概率

图9 　修正后关联概率

最近邻域法（nearest neighbor，NN）是目标航迹关联的基本方法之一。仿真相同场景（3个目标航迹的初始距离100 km，最小方位为39°，运动状态同场景1，目标1、目标3为协作目标，目标2为非协作目标）下，本文方法与NN方法的正确关联概率，结果见表1，可见采用本文方法正确关联概率较NN方法有较大优势。

表1 　正确关联概率对比

仿真结论：

（1）在2种典型场景下，比较密集的多个雷达航迹与IFF点迹关联时，各个航迹之间存在竞争；

（2）在2种典型场景下，经本文方法处理后，目标正确关联概率均有显著提升；

（3）本文方法在目标数量多、目标构成复杂及目标航迹交叉场景下，有较好的适应能力。

4　结束语

本文针对目标数量多、目标构成复杂条件下雷达目标与IFF点迹关联问题，提出了一种改进的关联方法。通过对目标的多次询问和灰关联度矩阵修正，提高目标密集环境下的雷达目标与IFF点迹的关联正确率。仿真结果表明，在典型场景下，本文提出的方法能够有效提升雷达目标与IFF点迹之间的关联正确率，提升合作目标属性识别置信度。该方法物理含义明确，运算量较小，具备一定的工程实现价值。

［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.

Radar Target and IFF Plot Association Method Based on Gray Theory

YANShanyong

（Southwest China Institute of Electronic Technology， Chengdu 610036， China）

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.

radar target；identification of friend or foe；gray theory；complex scene；association method

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

TN959.1；N941.5；TJ0

A

1009-086X（2023）-04-0046-07

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.

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

2022 -08 -03 ;

2022 -12 -29

闫善勇(1990-)，男，黑龙江双城人。工程师，博士，研究方向为雷达信号与信息处理。

610036 四川省成都市金牛区营康西路85号 E-mail：yanshanyongyhy@163.com