基于模糊逻辑的多输入多输出雷达目标定位方法

1.本发明涉及电子对抗领域，尤其涉及到一种基于模糊逻辑的多输入多输出雷达的目标定位方法。


背景技术：

2.模糊逻辑是一种在定义的两个指令之间有选择的执行其中的某一指令的技术，因此又叫模糊控制技术。处理器可以根据模糊逻辑执行的特性令其控制方式与人的思维更接近，对人类的思维方式进行了模拟，突出体现在观察、思维、理解和决策中。
3.模糊逻辑解决事物的模糊性并不把一个命题直接分为真与假，在模糊逻辑中一个命题可称为“部分的真”。对于真与假的程度可以用隶属度来进行表示，隶属度的取值设置在0和 1之间，模糊逻辑能够使用隶属度来代替布尔真值的逻辑。在经典的集合理论中，假设存在集合和元素，则元素只能是属于集合和不属于集合两种情况之一。但模糊集合的定义是把研究的对象及反映它的模糊概念作为模糊集合，建立合适的隶属函数，基于模糊数学的相关方法计算模糊集合，从而研究有关非确定的对象。
4.在复杂的回波环境下，漏失检测、轨迹交叉和多目标等因素极易导致目标出现回波和目标定位的不确定性问题。针对上述的问题，众多科研人员从概率理论的角度提出了解决思路。
5.在mimo(多输入多输出，multiple input multiple output)雷达中，假设用m个发射天线和n个接收天线对目标进行定位。m个发射天线发射信号，经过目标反射，被n个接收天线接收，则共有m
×
n条路径，用回波对目标进行定位会得到m
×
n个位置参数估计结果。
6.对于存在多回波的情况，在对目标进行定位时不但有随机性还有模糊性。即在目标定位时测量到的信息并不能准确的判断出属于哪一个目标，对于这些信息的模糊性，利用模糊逻辑的思想对其进行研究可以解决目标定位的模糊性问题。


技术实现要素：

7.本发明的目的是当目标有多个位置参数估计结果的情况下，利用模糊逻辑对目标位置参数估计结果进行处理，从而获得目标的准确定位，利用模糊逻辑的属性来描述并解决目标定位模糊性问题。
8.与现有技术相比，本发明具有以下有益的技术效果：
9.模糊逻辑和mimo雷达目标定位有机的结合起来，充分运用语言信息，引入学习机制，发挥模糊逻辑能容忍不可靠和不精确的参数估计结果的优势，从而有效减少噪声对目标定位的影响。
10.为了解决上述技术问题，本发明所采用的技术方案是：一种基于模糊逻辑mimo雷达目标定位方法。包括以下步骤：
11.(1)对雷达回波信号进行匹配滤波联合处理；
12.(2)建立模糊集合，选择隶属函数，确定目标方位的隶属度；
13.(3)根据输入与输出的关系，选择模糊规则，表示出模糊推理系统；
14.(4)利用sugeno模糊系统对数据训练；
15.(5)将训练结果进行最小二乘法估计，完成目标定位。
附图说明
16.图1为本发明的模糊逻辑控制器。
17.图2为本发明的模糊逻辑系统控制流程图。
18.图3基于模糊逻辑的mimo雷达目标定位方法的流程图。
具体实施方式
19.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
20.如图1至图3所示，应用模糊逻辑来进行目标定位时，模糊逻辑控制器的设计是关键。模糊逻辑控制器的设计分四个基本步骤组成：利用隶属度函数对输入实现模糊化过程；模糊规则库以及数据库组成的知识库；根据相关规则实现模糊推理；将模糊变为确定的去模糊化过程。模糊逻辑的控制流程图如图1所示。
21.(1)模糊化：对输入进行模糊化。对输入量进行分析从而将输入量进行转换；接着通过尺度变换将它们变换到所属的论域，并对其实现模糊化处理；将所有输入量利用模糊集合表示出来。
22.(2)知识库：知识库由模糊规则库和数据库组成，包含了应用领域的知识以及很多专家的经验和理论知识。
23.(3)模糊推理：模糊推理是通过分析模糊逻辑的关系并处理，结合推理规则来对其进行模糊推理。
24.(4)清晰化：也称作去模糊化，即模糊量具体化。首先利用去模糊化把模糊变量转变成能够在论域范围内表示的清晰量，接着利用尺度转换将其变换成实际控制量。
25.把研究的对象称为模糊对象，模糊对象及其模糊概念作为模糊集合，建立合适的隶属函数，利用模糊集合基于模糊数学的相关方法来研究模糊对象。
26.首先建立模糊集合。设定一个论域u，从u到单位区间[0，1]的一个映射称为u上的一个模糊集合，模糊集合记为a，映射或者函数μa(
·
)叫做模糊集a的隶属函数。对于每个元素a∈u，μa(a)叫做元素a对模糊集a的隶属度。
[0027]
隶属度表示在这个论域中某个元素属于a集合的程度，集合完全由隶属函数来描述。根据mimo雷达目标参数估计结果的分布情况，本专利选择效果良好的gaussian函数作为的隶属函数。
[0028][0029]
其中，x表示输入数据，δ为隶属函数的中心，σ决定函数曲线宽度。
[0030]
确定隶属函数后，将目标参数的估计结果作为输入值放入到模糊系统并进行训练。本发明选用sugeno型模糊推理系统。多输入单输出的模糊系统，可以设定有n个输入变
量 x1，x2，...xn，且输出变量为y。sugeno模糊系统可利用自适应模糊推理系统来进行训练， matlab界面中app-搜索fuzzy-打开neuro-fuzzy designer。
[0031]
通常情况下对于多输入多输出系统我们可利用多个多输入单输出的系统来对其进行表示，并且数据信息模糊逻辑系统可对其综合分析并通过模糊推理机、模糊产生器以及模糊消除器进行处理。利用一系列模糊“if
‑‑
then”规则来构建规则库，其规则代表着映射关系。
[0032]
假设输入元素的数量共有k个(i＝0，1，
…
k)，若xi表示集合中的元素，其中l＝1，2，...，1，则y表示模糊逻辑系统的输出变量，且y为g
l
集合中的元素。式中集合属于论域ui，集合 g
l
属于论域vi，ui和vi都在实数集r中，且x＝(x1，x2，...，xn)
t
∈u1×
u2×
...
×
ui和y∈v都是语言变量。
[0033]
在mimo雷达系统中，有多个目标参数估计值，结合模糊逻辑设计一个多输入单输出系统的sugeno模糊系统的模型，得到目标的定位估计值。在这个模型中，有p条模糊规则，有k个输入变量x1，x2，...，xk，在p条规则中，第i条规则ri为：
[0034]
if x1is a1and x2is a2，...，x
i is a
i then
[0035]ri
＝f(xi)＝α0+α1x1+x＝x1，x2，...，xi+αixi(i＝1，2，...，k)#(1)
[0036]
其中，αi表示加权系数。将sugeno模糊系统的模糊推理使用加权平均法，ri表示第i条规则输出的结果，利用wi表示它的权重，则总输出为：
[0037][0038]
模糊逻辑系统的训练流程图如图2所示。
[0039]
mimo雷达的目标位置可根据m个不同发射天线到n个接收天线的到达时间和路径确定。若(xm，ym，zm)表示发射天线的坐标，(xn，yn，zn)表示接收天线的目标(xm，ym，zm)经过目标到达接收天线(xn，yn，zn)间有m
×
n路径，于是选取第m个发射天线作为参考站，同时选取分布式mimo雷达其中的一个接收天线作为坐标系原点，来建立一个三维空间坐标系，大多数雷达系统通过td和fd呈现其可与方位和仰角分辨特性区分开的分辨特性，可通过公式 (3)(4)将目标参数估计出来。
[0040][0041]
其中，s(f-fd)为有多普勒频率的回波信号的频谱；s(t-td)为响应波形；h(f)为接受滤波器的响应；h(t)为其脉冲响应；td为时间延迟；fd为多普勒频率；exp(j2πftd)在频率f上发射的频谱分量的相移。
[0042]
mimo雷达有m
×
n位置参数估计，将这些位置估计参数进行模糊化，首先把这些参数放入一个集合a，将集合a设置在0-1之间，用于表示这个参数估计值隶属于这个集合的程度。
[0043]
选取效果较好的gaussian函数作为隶属函数即：
[0044][0045]
其中，σj为隶属函数的中心，δj决定函数曲线宽度，且函数关于点(σj，0.5)是中心
对称的， xi表示输入数据，i表示输入个数，j表示模糊规则个数，表示不同输入数据和不同模糊规则下的隶属度下标。于是，模糊逻辑系统的表达式为：
[0046][0047]
其中，x＝x1，x2，...，xk，k为输入量的个数，p为模糊规则的个数，不同模糊规则下的输出平均值。
[0048]
令则模糊逻辑系统的表达式可以展开成一个模糊基函数展开式：
[0049][0050]
其中，
[0051][0052]
根据这些输入输出数据产生模糊规则，将所有的输入数据放入到最大隶属度分别对应的区间上。根据产生的模糊规则，规则前件可以利用上述对应变量模糊集合的逻辑来确定，而规则后件利用模糊基函数来确定。
[0053]
由公式(7)可见，在实际情况下模糊基函数的线性组合可以表示模糊逻辑系统，同时根据公式(1)和公式(2)可以对p和qj(x)进行计算，并且求解(x
l
，y
l
)(1＝1，2，...，k)的解函数 c(c1，c2，...，ci)的极小值点就是模糊逻辑系统的最优解，即最优模糊逻辑系统。
[0054][0055]
其中，a1，a2，...，aj∈r。
[0056]
根据多元函数取极值的必要条件偏导数为0，即：
[0057][0058]
其中，cm为解函数c中的一个解，m＝1，2，
…
i，可得：
[0059][0060]
得出方程组：
[0061][0062]
其中
[0063]
因为模糊基都有一个模糊规则与其相对应，可以确保其互异性，则q1，q2，...，qi线性无关，则方程有唯一解：由此可以得到模糊系统的最小二乘解即为目标定位结果：
[0064][0065]
为了提升目标定位性能和目标定位精度，在模糊逻辑的学习算法中，利用多参数调整法对其相关参数进行调整，采用的方法为梯度下降法。这里取所有y中的最大值，且为规则后件所对应的值，于是把模糊系统写成式(14)的形式：
[0066]
y(x)＝a
jt
g(x，δ，σ)#(14)
[0067]
其中，g(x，δ，σ)是模糊基函数，且令
[0068][0069][0070][0071]
其中，η(*)表示梯度下降法，表示所有输出y的平均值，g
′
δ
和g
′
σ
分别表示g关于δ和σ的偏导数，利用公式(15)进行权值调整，且公式(16)通过调整模糊基函数的中心来处理，公式(17) 则是利用幅度调整法来提高目标的定位精度。
[0072]
基于模糊逻辑的mimo雷达目标定位方法步骤：
[0073]
步骤1：通过分布式mimo雷达的接收雷达接收回波信号。
[0074]
步骤2：对每个回波信号进行匹配滤波联合处理，并利用参数估计方法将目标位置的参数估计出来。
[0075]
步骤3：将目标估计值作为模糊逻辑的输入量，确定输入量在模糊集合上的数量和输入量在空间中的分布。
[0076]
步骤4：确定隶属函数的类型和个数，得到隶属度模糊集合。
[0077]
步骤5：将输入值作为模糊系统的输入并进行训练，其中模糊系统选择sugeno型模糊推理系统。
[0078]
步骤6：根据输入输出数据产生模糊规则，针对多个样本数据求出隶属度，确定数据所对应的规则。
[0079]
步骤7：模糊逻辑系统根据选取的隶属函数得到表示为公式(5)。
[0080]
步骤8：训练利用一种混合学习算法来确定sugeno型模糊系统的参数，结合最小二乘法来训练确定模糊系统的参数。
[0081]
步骤9：将模糊逻辑系统看成是一个模糊基函数，并表示成线性集合如公式(7)(8)所示，当模糊规则确定后即确定p的以及qj(x)，可得模糊逻辑系统得到最优解。
[0082]
步骤10：根据公式(9)(10)(11)(12)(13)可得到模糊逻辑系统的最小二乘解，即输出量。
[0083]
步骤11：将步骤10的结果进行多参数调整，根据公式(14)-(17)可以计算出调整的参数，再将返回步骤10，可以进一步提高目标的定位精度。
[0084]
以上给出的实施例是实现本发明较优的例子，本发明不限于上述实施例。本领域的技术人员根据本发明技术方案的技术特征所做出的任何非本质的添加、替换，均属于本发明的保护范围。

技术特征：
1.一种基于模糊逻辑的mimo雷达目标定位方法及实现过程，其特征在于基于模糊逻辑的mimo雷达目标定位步骤及实现过程，内容如下：(1)mimo雷达目标定位实现步骤：对雷达回波信号进行匹配滤波联合处理；建立模糊集合，选择隶属函数，确定目标方位的隶属度；根据输入与输出的关系，选择模糊规则，表示出模糊推理系统；利用sugeno模糊系统对数据训练；将模糊逻辑系统表示出线性集合并求出模糊逻辑系统的最优解。(2)mimo雷达目标定位实施过程1)对雷达回波信号进行匹配滤波联合处理。通过如下公式计算：其中，s(f-f
d
)为有多普勒频率的回波信号的频谱；s(t-t
d
)为响应波形；h(f)为接受滤波器的响应；h(t)为其脉冲响应；t
d
为时间延迟；f
d
为多普勒频率；exp(j2πft
d
)在频率f上发射的频谱分量的相移。2)模糊集建立。模糊集合的输入量为集合a，其中a＝[x1，x2，...x
k
]，μ
a
(
·
)为模糊集合a的隶属函数，对于集合中每个元素x
i
，μ
a
(x)为元素x
i
对模糊集a的隶属度，隶属函数如公式所示：其中，σ
j
为隶属函数的中心，δ
j
决定函数曲线宽度。和决定隶属函数的形状，且函数关于点(σ
j
，0.5)是中心对称的，x
i
表示输入数据，i表示输入个数，j表示模糊规则个数，表示不同输入数据和不同模糊规则下的隶属度下标。3)建立模糊推理系统。所述模糊推理系统为sugeno型模糊推理系统，模糊系统的表达式为：其中，其中x＝x1，x2，...，x
k
，k为输入量的个数，p为模糊规则的个数，不同模糊规则下的输出平均值。设定隶属度权重w
i
并计算总输出：得出p和q
j
(x)。其中，r
i
＝f(x
i
)＝α0+α1x1+x＝x1，x2，...，x
k
+α
k
x
k
(i＝1，2，...，k)，α
i
表示加权系数。4)求解最优值。求解每个模糊逻辑系统表达式的极小值解极小值解为最优模糊逻辑系统；其中，a1，a2，...，a
j
∈r。根据求解c(c1，c2，...，c
i
)的偏导数，且令偏导数为0，可得：
得到方程：其中，则模糊逻辑系统的最小二乘解为目标定位结果：5)目标定位。采用梯度下降法，调整相关参数：令取所有y中的最大值，且为规则后件所对应的值，将模糊系统写成：y(x)＝a
jt
g(x，δ，σ)
ꢀꢀꢀꢀ
(10)其中，g(x，δ，σ)是模糊基函数，且其中，g(x，δ，σ)是模糊基函数，且其中，g(x，δ，σ)是模糊基函数，且其中，g(x，δ，σ)是模糊基函数，且其中，η(*)表示梯度下降法，表示所有输出y的平均值，g
′
δ
和g
′
σ
分别表示g关于δ和σ的偏导数，ω
k+1
表示调整后的权值，δ
k+1
调整后的模糊基函数中心，σ
k+1
表示调整后的基函数曲线宽度，将调整后的参数带入4)中重新定位目标。

技术总结
本申请实施例公开了一种基于模糊逻辑的MIMO雷达目标定位方法。根据MIMO雷达的多个接收天线接收到目标反射的回波信号，经匹配滤波等信号处理后估计出多个目标参数估计结果；建立模糊集合，选取模糊基函数，构建模糊逻辑系统；利用模糊逻辑系统对多个目标参数估计结果进行训练得到模糊系统表达式；将模糊逻辑系统表示出线性集合并求出模糊逻辑系统的最优解，得到目标定位结果。本发明的优点：引入学习机制，利用模糊逻辑提高对目标参数估计结果不可靠和不精确容忍度，有效减少噪声对目标定位的影响，提高目标定位精度。将模糊逻辑系统表示出线性集合并求出模糊逻辑系统的最优解。出线性集合并求出模糊逻辑系统的最优解。出线性集合并求出模糊逻辑系统的最优解。


技术研发人员：胡居荣 曾保 陈磊 孙永若 李旭杰
受保护的技术使用者：河海大学
技术研发日：2022.01.07
技术公布日：2023/7/22