1.基于深度学习的分布式雷达资源分配方法,其特征在于,针对中心控制器、以及由多个雷达构成的分布式雷达网络,执行如下步骤S1-步骤S5,完成各雷达在多目标跟踪任务中的资源分配及被跟踪目标的轨迹预测:步骤S1:分别针对各雷达,针对雷达视野中的被跟踪目标,建立一个独立的IMM滤波器,IMM滤波器通过并行运行针对不同运动模型的各个卡尔曼滤波器,对雷达的本地观测进行初步处理,生成被跟踪目标的局部轨迹;
步骤S1的具体步骤如下:
步骤S1.1:假设被跟踪目标可能从任何一种旧运动模型切换到当前的新运动模型,对所有旧运动模型的状态进行加权融合,表示为下式:;
式中,为混合概率,代表在已知被跟踪目标于k时刻将处于第j个运动模型的条件下,推断其在上一时刻k-1曾处于第i个运动模型的概率;为k-1时刻第i个运动模型的后验概率,代表在上一轮更新后,被跟踪目标处于第i个运动模型的可信度;为运动模型转移概率矩阵Π中的元素,代表被跟踪目标从第i个运动模型转移到第j个运动模型的先验概率;为归一化常数;
采用所有可能转移到第j个运动模型的路径的概率总和作为归一化常数,其计算如下式:;
式中,N为IMM滤波器中运动模型的总数;
步骤S1.2:计算各卡尔曼滤波器的混合初始状态,包括加权平均后的滤波器状态和混合协方差,作为每个卡尔曼滤波器进行预测的输入,具体如下式:;
;
式中,表示加权平均后的滤波器状态,表示混合协方差,表示k-1时刻针对第i个运动模型的后验状态估计,表示k-1时刻针对第i个运动模型的后验协方差;
步骤S1.3:基于本地观测值,构建似然函数如下式:;
表示第j个运动模型的似然值;表示高斯概率密度函数;表示k时刻的实际雷达观测值;表示第j个运动模型对k时刻观测值的预测;表示第j个运动模型的协方差;
对运动模型的后验概率进行更新:
;
式中,表示k时刻第j个运动模型的后验概率;c表示用于概率求和归一化的常数;
步骤S1.4:将所有并行卡尔曼滤波器的结果进行加权融合,输出雷达在k时刻对被跟踪目标的局部轨迹估计,具体如下式:;
;
式中,表示最终的状态估计;表示k时刻第j个运动模型更新后的状态估计;表示最终的协方差;表示k时刻第j个运动模型更新后的协方差;
步骤S2:由中心控制器接收各雷达发送的被跟踪目标的局部轨迹,针对被跟踪目标的各条局部轨迹进行融合,获得被跟踪目标的全局融合轨迹;
步骤S2的具体方法如下:
在中心控制器,对于第i个被跟踪目标,在k时刻,采用CI算法融合来自M部雷达的局部轨迹(,),其中j=1,2,…M,得到全局融合轨迹(,);
步骤S3:基于被跟踪目标的全局融合轨迹,以及对当前时刻的轨迹预测,分别计算被跟踪目标的各个核心评估指标,包括不确定性分数、威胁分数、距离;
步骤S3中,中心控制器基于步骤S2获得的全局融合轨迹 (,),为每个被跟踪目标计算三个核心评估指标,具体步骤如下:步骤S3.1:计算不确定性分数如下式:
;
式中,为融合后验协方差矩阵中位置分量的迹;表示融合后第i个被跟踪目标在X轴方向上的位置方差;代表融合后第i个被跟踪目标在Y轴方向上的位置方差;
步骤S3.2:基于步骤S5在k-1时刻所生成对应k时刻的预测位置,以及基于步骤S2在k-1时刻获得的全局融合状态,计算预测的瞬时速度和瞬时加速度如下式:;
;
式中,、分别表示被跟踪目标在k-1时刻的位置、瞬时速度,表示时间差;
计算威胁分数如下式:
;
式中,表示第i个被跟踪目标的威胁分数,和分别代表被跟踪目标当前时刻的速度和加速度向量的模;和表示预设的速度和加速度权重系数;
步骤S3.3:基于步骤S5在k-1时刻生成的对k时刻的预测位置,计算距离分数如下式:;
式中,为第i个被跟踪目标的距离分数;为第i个被跟踪目标在k时刻的预测位置;为分布式雷达网络中第j部雷达的位置,M为雷达数量;为单个雷达与第i个被跟踪目标之间的距离;
步骤S4:采用解耦式决策逻辑,将被跟踪目标的各个核心评估指标转化为针对各雷达的资源分配指令;
步骤S5:以步骤S2所获得的被跟踪目标的全局融合轨迹为输入,以被跟踪目标对应下一时刻的轨迹预测为输出,构建并训练被跟踪目标的轨迹预测模型,获得训练好的轨迹预测模型,应用训练好的轨迹预测模型,为下一时刻的步骤S3和步骤S4提供前瞻性决策,完成被跟踪目标的轨迹预测。
2.根据权利要求1所述的基于深度学习的分布式雷达资源分配方法,其特征在于,步骤S1中的IMM滤波器通过并行运行3个针对不同运动模型的卡尔曼滤波器。
3.根据权利要求1所述的基于深度学习的分布式雷达资源分配方法,其特征在于,步骤S4的具体步骤如下:步骤S4.1:计算被跟踪目标的功率分配优先级分数如下式:;
式中,表示第i个被跟踪目标的功率分配优先级分数;表示归一化后的距离分数;表示归一化后的不确定性分数;、分别表示距离和不确定性的相应权重;
步骤S4.2:计算被跟踪目标的时间分配优先级分数如下式:;
式中,表示第i个被跟踪目标的时间分配优先级分数;表示归一化后的威胁分数;表示归一化后的不确定性分数;、分别表示威胁分数和不确定性分数的相应权重;
步骤S4.3:计算带最小保障的比例分配参数如下式:;
;
式中,表示第i个被跟踪目标最终获得的资源比例;为每个被跟踪目标设定的最小保障资源比例;为场景中的被跟踪目标总数;为除去最小保障资源比例后,剩余的可动态分配的资源比例;为第i个被跟踪目标的总优先级分数;
步骤S4.4:针对各雷达的资源分配进行两阶段更新:第一阶段:为所有个被跟踪目标中的每一个都分配一个固定的最小保障资源比例;
第二阶段:将剩余的可动态分配的资源比例,按照各个被跟踪目标的总优先级分数在总分中所占的比例,进行动态比例分配。
4.根据权利要求1所述的基于深度学习的分布式雷达资源分配方法,其特征在于,步骤S5的具体步骤如下:步骤S5.1:步骤S2所获得的被跟踪目标的全局融合轨迹为历史位置序列,形式为包含位置、速度、加速度的6维特征向量,如下式:;
式中,表示k时刻6维特征向量;表示k时刻的位置;表示k时刻的速度;表示k时刻的加速度;
将6维特征向量缩放到统一的数值区间中;
步骤S5.2:基于带有注意力机制的双向长短期记忆网络,构建被跟踪目标的轨迹预测模型,以步骤S5.1所获得的k时刻6维特征向量为输入,以k+1时刻被跟踪目标的位置为输出,对被跟踪目标的轨迹预测模型进行训练。