[发明专利]一种低轨卫星无源定位系统到达时差参数分选方法

说明书

本发明涉及一种低轨卫星无源定位系统到达时差参数分选方法，属于卫星定位及数据挖掘领域。该方法包括：根据多目标到达时差数据，进行参数建模，充分提取目标数据集的特征；对观测数据进行网格划分；基于分层次聚类基本原理，对单位时间上的网格单元，根据密度特性，进行数据簇分选；对不同单位时间的簇，利用位置相连原则，进行簇间连接；根据数据簇中的密度阈值及拟合参数，选取满足要求的簇作为聚类结果。本发明构建了分层、网格及密度聚类融合的多目标到达时差参数聚类分选模型，针对性解决低轨卫星无源定位场景下的目标数据具有多复杂特征的情形，通过该分选模型，可以有效分选各目标的到达时差参数。

技术领域

本发明属于卫星定位及数据挖掘领域，涉及一种低轨卫星无源定位系统到达时差参数分选方法。

背景技术

低轨道卫星系统一般是指多个卫星构成的可以进行实时信息处理的大型的卫星系统。低轨道卫星主要用于军事目标探测，利用低轨道卫星容易获得目标达到时差参数以确定目标位置。卫星定位中，主要以观测站自身是否向外辐射信号为判断依据，将其分为无源定位和有源定位两种形式。但有源定位其设备本身需向外辐射电磁波且其频段较为固定，因此很容易被敌方侦察或跟踪，进而遭受敌方针对性的电子干扰或精确制导武器的打击，这不仅极大影响了对目标准确定位的精度，还会很大程度上危及定位系统的安全。因此，鉴于有源定位的不足，无源定位技术是当前应用较为广泛的卫星定位方式。其中，低轨卫星具备运行速度较快，路径衰耗小，传输时延短等优点，因此可以在较短时间内获取辐射源向外辐射的大量信号，通过对信号的进一步处理，可以获取辐射源的径向速度、方位等信息。

但是，在电子对抗的侦察过程中，信号的分选始终是接收技术中的一大难题。随着信号处理技术的发展，虽然对多信号分选的能力似乎在提高，但是，由于雷达信号本身的复杂性和信号环境的密度提高得更快，使得信号分选的实际效果变得越来越差。信号的分选在一定程度上依赖于信号的某种不变性，在信号越来越复杂的条件下，几乎信号的所有参数都是可变化的，甚至是捷变和伪随机变化的，使我们几乎失去了分选信号的依据。幸运的是，目标的位置是稳定的，它不能发生突跳性的变化，即使对于以2倍声速运动的目标，在10ms量级的时间内，这个变化也仅仅只有7m，也就是说，可以认为目标在较短的时间内，位置依然是固定的。这样，目标的坐标实际上将成为分选信号最可靠的依据。定位系统连续的观测会得到关于定位目标的大量观测参数，而通过观测站对辐射源的连续跟踪处理得到目标定位参数，能显著提升定位准确度。但当多个目标同时存在时，首先需要对观测数据进行分选，才能分别获取各个目标的准确定位。在目标数未知，时频混叠的情况下，同时观测多个目标的定位参数，会导致不同目标辐射源之间相互干扰，使得目标参数分选问题具有很大的挑战性，如数据配对存在难题，不准确分选容易出现模糊定位或虚假定位点、目标定位跟踪存在难题，不准确分选难以实现长时间积累或航迹拟合。从以上的简单陈述可以看出，如何有效的对目标定位参数进行聚类分选，是准确获取目标定位信息的关键所在。

近年来，数据挖掘广泛应用于各种领域，其中不乏存在数据集具有多种特征的复杂情景，如本发明中所针对的，目标数据曲线近似线性、多目标数量且各目标数据存在密度及精度差异等情况。传统聚类算法局限性明显、优缺点并存，仅能针对性的解决某一特征的聚类问题。目前主要的聚类分析算法大致可以分为五类：基于划分的方法、基于层次的方法、基于密度的方法、基于网格的方法以及基于模型的方法等。

其中基于划分是较为常用的方法，它最典型的代表算法为基于K平均值聚类算法,由于该方法需提前设定K值，且对最先的K个点选取很敏感，无法有效解决目标数未知的情况。基于层次的经典聚类算法，如AGNES算法将每个数据点作为初始簇，自底向上进行聚类，计算和时间复杂度都很大，且一般需要人为指定聚类终止条件。同时，由于目标数据集中密度的差异性，基于密度的DBSCAN聚类算法也无法得到理想结果，相同的判定标准可能会破坏聚类的自然结构，即较稀的曲线可能会被划分为多条曲线，而密度较大且离得较近的曲线会被合并成一条曲线。基于网格的聚类方法对参数敏感，无法处理有时存在的不规则分布数据；另外，这种算法的聚类结果的精确性不好保证，太大的网格粒度容易把不同类的数据包含在同一单元，网格粒度太小容易把较为稀疏的同一类数据内部分裂。