多静态无源雷达系统中考虑漏检的多机动目标跟踪自适应信道分配方法

《IEEE Internet of Things Journal》：Adaptive Channel Allocation in Multi-Static Passive Radar System for Multiple Maneuvering Targets Tracking with Missed Detection

本文针对多静态无源雷达(MPR)系统中存在漏检情况下的多机动目标跟踪信道分配问题，提出了一种自适应信道分配方法(ACAMD)。研究人员推导了考虑漏检的预测条件克拉美-罗下界(PC-CRLB)闭式表达式，建立了优化问题模型，并引入惩罚函数和线性化交替方向乘子法(L-ADMM)进行求解。仿真结果表明，该方法能有效提高跟踪精度，满足系统要求，为MPR系统资源管理提供了新思路。

　　

在现代雷达监测领域，多静态无源雷达(MPR)系统因其独特的优势正受到越来越多的关注。与传统有源雷达不同，MPR系统利用环境中已有的外部辐射源(如广播、电视信号)作为照射源，通过多个接收站接收目标反射信号，具有成本低、隐蔽性好等优点。然而，在实际应用中，MPR系统面临着诸多挑战：多个机动目标的跟踪需求、有限的信道资源分配、以及不可避免的漏检现象，这些都严重影响着系统的跟踪性能。

当多个目标在监测区域内进行机动运动时，如何合理分配有限的双基信道资源成为关键问题。每个接收站能够产生的波束数量有限，而每个目标能够同时被监测的信道数量也受到系统数据处理能力的限制。更复杂的是，在实际作战环境中，由于通信干扰、电磁衰减等因素，雷达信道无法保证百分之百地成功检测所有被照射目标，这就产生了漏检问题，导致目标跟踪性能下降。

针对这一难题，电子科技大学的研究团队在《IEEE Internet of Things Journal》上发表了一项创新性研究。他们深入探讨了存在漏检情况下的MPR系统多机动目标跟踪问题，提出了一种全新的自适应信道分配方法。这项研究的意义在于，它首次系统性地将漏检因素纳入MPR系统的资源优化框架中，为复杂环境下的雷达监测提供了新的解决方案。

在研究过程中，团队采用了几个关键的技术方法：首先建立了考虑漏检的MPR系统多目标跟踪模型，包括目标运动模型、测量方程和检测概率模型；然后推导了预测条件克拉美-罗下界(PC-CRLB)的理论表达式，将其作为跟踪性能的评估指标；接着构建了信道分配的优化问题模型，并采用线性化交替方向乘子法(L-ADMM)结合惩罚函数的方法进行求解；最后通过蒙特卡洛仿真验证了算法的有效性。

系统模型与问题表述方面，研究考虑了一个包含M个照射源和N个接收站的MPR系统，监测Q个机动目标。目标运动采用交互多模型(IMM)方法描述，包括近匀速(NCV)和近协调转弯(NCT)两种模型。每个双基信道(m,n)对目标q的检测概率Pd_m,n,k^q与信噪比(SNR)相关，而SNR又受到双基距离等因素的影响。

在跟踪性能度量方面，研究团队推导出了考虑漏检的预测条件费舍尔信息矩阵(PC-FIM)的新形式。与传统方法需要枚举所有可能的检测情况不同，新方法通过数学证明发现，加权总和等于各个信道的加权贡献值，大大简化了计算复杂度。这一创新使得性能评估更加准确实用。

针对信道分配优化问题，研究建立了一个包含三类约束的优化模型：接收站波束数约束、单目标最大信道数约束和二进制变量约束。这是一个混合整数规划问题，具有非凸非线性特点，求解难度较大。

提出的ACAMD算法核心是将原问题分解为三个子问题交替求解：U_k子问题通过内点法求解，s_k子问题采用投影法，v_k子问题使用欧几里得投影法。算法还包含了自适应惩罚参数更新机制和双变量更新步骤，确保解的可行性和收敛性。

仿真实验结果充分验证了所提方法的优越性。在包含4个照射源、3个接收站和3个目标的场景下，新方法相比固定信道分配和随机分配方法，显著提高了跟踪精度。与穷举法相比，新方法在保持相近性能的同时，将计算时间从10.14秒减少到0.86秒，体现了良好的实时性。

特别值得关注的是，研究发现在考虑漏检的情况下，预测跟踪精度与实际跟踪精度之间的差异明显减小。例如，目标1的平均绝对差异从35.2米降至16.1米，这表明新方法能更准确地反映实际跟踪性能。此外，研究还验证了算法在Swerling-III起伏模型下的鲁棒性，显示其能够适应不同的目标雷达截面积(RCS)起伏特性。

在算法复杂度方面，线性化ADMM(L-ADMM)相比传统ADMM具有明显优势。传统ADMM需要求解复杂的非线性规划子问题，计算成本高昂，而L-ADMM通过一阶泰勒展开简化了目标函数，转化为更容易求解的二次规划问题，大大提高了计算效率。

这项研究的创新点主要体现在三个方面：一是提出了考虑漏检的PC-CRLB新形式，为性能评估提供了更准确的理论工具；二是建立了MPR系统资源优化的完整框架，全面考虑了多目标对接收波束数的影响；三是开发了基于惩罚函数和L-ADMM的高效求解算法，解决了混合整数规划问题的求解难题。

研究结论表明，ACAMD方法能够有效提高多机动目标跟踪精度，同时满足MPR系统的资源约束。相比现有方法，新方法不仅考虑了更符合实际的漏检情况，而且具有更好的实时性能和适应性。这项工作为MPR系统在复杂环境下的应用提供了重要的理论支持和技术途径，对推动无源雷达技术的发展具有重要意义。

未来研究方向包括进一步考虑虚警、量测起源不确定性等非理想因素，以及扩展更复杂的场景和应用环境。随着物联网技术的快速发展，MPR系统在智能交通、边境监控、城市安防等领域的应用前景广阔，这项研究为其实际部署奠定了坚实基础。