[发明专利]一种无源多站多目标测向交叉定位与虚假点去除方法

权利要求书

1.一种无源多站多目标测向交叉定位与虚假点去除方法，其特征是，包括如下步骤：

步骤一：得出两两站点的双站交叉定位结果，给出交叉定位点集合；

步骤二：根据真实目标附近交叉定位点密度明显高于虚假点这一特性，利用马氏距离定义椭圆邻域，提取高密度交叉定位点；

步骤三：对高密度点集合X进行DBSCAN聚类处理，取高密度点数最多的前NS个聚类作为真实目标所在的簇，每一簇的聚类中心即为真实目标位置；即每一聚类中高密度点坐标的平均值即为估计出的真实目标位置；

所述步骤一具体为：

已知共有NS个观测站，它们坐标分别为：S₁(x₁,y₁)、S₂(x₂,y₂)、…、S_NS(x_NS,y_NS)，假设有NT个辐射源，而辐射源的坐标位置是进行估计定位的，从NS个站点中任取两个不同站点的视线矢量进行双站交叉定位，经过多次测量得到所有聚类样本点，以测量站点S_i(x_i,y_i)与站点S_j(x_j,y_j)对第n个辐射源进行交叉定位，

假设两个观测站对第n个目标的方位角分别为θ_in、θ_jn，则根据第n个目标与两个站点的几何关系，可以估计出目标坐标：

得到第n个辐射源估计坐标

这是两个测量站对一个目标进行交叉定位的情况，多站多辐射源目标情况下，就会产生大量的虚假目标点，对于NS个观测站，NT个辐射源，使用双站交叉定位方法进行目标点估计，每次测量会生成个交叉目标，进行TNum次测量，会产生个交叉点，其中有个点为真实目标的估计点；

如果定位出的交叉点坐标超出探测范围(例如，设站点呈线性排列，以站点连线中心为原点的300km*300km范围)，将该交叉点作为虚假目标点删除，得到预处理后的交叉定位点集合；所述步骤二具体为：

将邻域范围内点数大于一定阈值N_th的交叉定位点作为高密度点，其余作为虚假目标点删除，之后通过对高密度点的聚类处理，得出最终的虚假点去除与交叉定位结果；

A、定义每个交叉定位点的邻域范围：

计算每个交叉定位点的定位误差协方差矩阵，以观测站点S_i(x_i,y_i)与站点S_j(x_j,y_j)对第n个目标进行交叉定位精度分析，θ_in、θ_jn分别为两个观测站对第n个目标的方位角，得到定位误差方程：

其中dθ_in，dθ_jn分别表示观测站S_i和S_j方位角测量误差；x，y表示目标的坐标矢量；

其中分别表示观测站S_i和S_j的站点误差；

定位误差方程进一步表示成dV＝CdX+dX_s的形式，其中：dV＝[dθ_in,dθ_jn]^T，dX＝[dx,dy]^T，

目标位置误差矢量为：

定位误差协方差矩阵为：

Σ＝E[dXdX^T]＝C^-1{E[dVdV^T]+E[dX_sdX_s^T]}C^-T

其中：

其中e_s分别表示观测站S_i和S_j方位角测量以及站点误差的标准差；

得到定位误差协方差矩阵：

B、根据定位误差协方差矩阵定义该交叉定位点的邻域范围；

假定某一交叉点P为真实目标点，以该点为中心，可以根据某次测量估计对应的交叉点落在邻域范围内的概率和马氏距离判据，定义一个椭圆区域为交叉定位点的邻域范围；

设单次测量的交叉定位点落在假定真实点为中心的椭圆区域内的概率为(1-beta)，可以计算出该椭圆区域对应的马氏距离r₀；

交叉定位点的空间概率密度分布函数：

其中x为目标位置向量的随机变量，Σ为定位误差协方差矩阵，Σ^-1是Σ的逆，均值向量μ为假定真实点的向量位置，D为高斯分布维数，二维矢量D＝2；

某个交叉定位点与假定真实点的马氏距离为：

r＝[x-μ]^TΣ^-1[x-μ]

通过空间概率分布可以计算得出，若交叉定位点落在邻域范围的概率为(1-beta)，需要其马氏距离满足：[x-μ]^TΣ^-1[x-μ]≤r₀，r₀＝-2*log(beta)；概率参数beta的设置可以依据目标的空间分布稀疏程度进行经验设定，一般设置为0.05左右；

C.统计计算落在某点P邻域范围内的交叉定位点数M，确定高密度点；

若点数超过阈值N_th，即M≥N_th，则认为P为高密度点，予以保留；否则P点作为错误配对的虚假点，舍弃；根据经验，点数阈值N_th设定范围：

得到的高密度点集合X。

2.根据权利要求1所述的无源多站多目标测向交叉定位与虚假点去除方法，其特征是，所述步骤三具体为：

DBSCAN聚类的具体步骤如下：

A.寻找核心对象：

将数据集X的x坐标与y坐标当作算法输入集合，对于数据集X中的样本点X_j，和它的距离在r₀之内的属于样本集X中的点的集合，即s_ii表示高密度点集合X中的元素，Mdist(X_i,X_j)表示点X_i与点X_j之间的马氏距离；若X_j的r₀-邻域至少包含Min个样本，即那么X_j是一个核心对象；点数阈值Min，根据经验，一般设置为：

其中，NS表示观测站个数，TNum表示观测站的测量次数，马氏距离矩阵Mdist(X_i,X_j)的计算方法：

选择X中一点X_j，j＝1,2...n；

判断X_i，i＝1,2...n由哪两个站点确定，找出对应的协方差矩阵Σ；根据马氏距离定义r＝[x-μ]^TΣ^-1[x-μ]，计算出X中所有的点相对于点X_i的马氏距离；遍历X中所有点，得到n*n维的马氏距离矩阵D；

B.确定聚类数目以及得出聚类结果：

如果点X_j位于点X_i的r₀-邻域中，称为密度直达；如果存在这么一个样本序列p₁,p₂,···,p_n，X_j到p₁是直达的，p₁到p₂是直达的，…，p_n-1到p_n，p_n到X_i是直达的，X_j可以间接与X_i构建一种联系，称为密度可达；

假设X_j是核心对象；若X_i与X_j存在密度直达与密度可达关系，它们聚成一类；如果X_i与X_j不存在密度直达与密度可达关系，但是X_i是核心对象，则生成一个新聚类；若X_i与X_j不存在密度直达与密度可达关系，且X_i不是核心对象，X_i划分为噪声点，即虚假点；

除去噪声点，该方法得到的聚类数结果中，将每一个聚类的高密度点数进行排序，取高密度点数前NS个聚类作为真实目标所在的簇，每一簇的聚类中心即为真实目标位置，即每一聚类中高密度点坐标的平均值即为估计出的真实目标位置。