一种基于随机仿真优化的距离门拖引干扰方法

1.一种基于随机仿真优化的距离门拖引干扰方法，包括如下步骤：步骤一：RGPO干扰场景建模，设 表示第 个干扰阶段的受控延迟的增量，K表示干扰阶段的总数，在第k个干扰阶段的干扰机信号受控延迟τ k 表示为：在第k个干扰阶段，真实目标与假目标之间的距离d k 表示为：其中，c代表光速；设真实目标的状态方程为：X(k)＝f[k,X(k-1)]+ψ[k,X(k-1),v[X(k-1)]] (3)其中，X(k)代表第k个干扰阶段真实目标的状态向量；X(k-1)代表第k-1个干扰阶段真实目标的状态向量；f[·]代表当前阶段状态与未来阶段状态之间的状态转换函数；v[·]代表过程噪声序列；ψ[·]代表过程噪声的分布函数；因此，在第k个干扰阶段假目标的状态 表示为：其中，θ[·]表示将d k 投影到状态空间中的投影函数。此时，雷达跟踪系统对真实目标和假目标的状态矢量的量测值分别表示为式(5)和式(6)：Z(k)＝h(k,X(k))+ω[k,X(k)] (5)其中，h[·]为测量函数；ω[·]表示测量噪声序列；雷达跟踪系统的数据过程如下：其中， 表示对第k个干扰阶段状态的一步预测， 表示雷达跟踪系统在第k-1个干扰阶段的状态估计， 表示雷达跟踪系统的一步预测函数；雷达在第k个干扰阶段所接收到的数据包括真实的目标测量Z(k)、干扰测量 和杂波 所有这些测量值都作为输入数据被输入到雷达跟踪系统中：其中，φ[·]表示关联函数，该函数首先基于 建立一个跟踪门，并选择跟踪门内的测量值作为 表示被怀疑来自被跟踪目标的测量集，由此得出雷达跟踪系统在第k个干扰阶段的状态估计：其中，g[·]表示增益函数；步骤二：建立RGPO干扰策略的优化模型定义ξ(k)表示真实目标在第k个干扰阶段是否摆脱跟踪波门：其中，ξ(k)＝1表示真实目标已经摆脱跟踪波门，ξ(k)＝0表示真实目标还没有摆脱跟踪波门；设(x(k),y(k))和 分别代表真实目标在第k个干扰阶段的位置的笛卡尔坐标和速度， 和 分别表示在第k个干扰阶段对真实目标的位置笛卡尔坐标和速度的估计，假设真实目标在第k个干扰阶段X(k)的状态向量和在第k个干扰阶段雷达跟踪系统对目标的状态估计 分别为：定义第k个干扰阶段的拉离距离POD(k)为：为了评价在最后的干扰阶段对于特定RGPO干扰的干扰效果，干扰效果的评分表示为以ξ(k)和POD(k)为自变量的函数：其中，r代表RGPO干扰策略的评分，v[·]代表评价函数， 代表干扰机受控延迟的增量序列，χ＝[X 1 ,X 2 ,...,X K ]代表具有过程噪声的真实目标状态序列，W＝[ω 1 ,ω 2 ,...,ω K ]代表量测噪声序列， 表示杂波序列；选择干扰策略性能的期望值E[·]作为优化目标，定义为：其中，Ω代表决策空间。对公式(14)进行简化成为：其中，d limit 表示是为防止少数异常干扰结果对干扰策略平均性能的负面影响而设置的参数；步骤三：RGPO干扰策略的优化首先利用LHS采样方法得到初始化的N个粒子，并将初始化粒子中的受控延迟原始数据代入到基于CA的模型管理中的集成代理模型中，该集成代理中一共包含三个部分，分别为多项式回归模型、RBF模型和Kriging模型，三个模型的输出分别记为 因此，集成代理模型的输出是所有包含的三个模型输出的加权和：其中，ω i 表示第i个模型的输出所对应的权重，其定义为：其中，e i 表示第i个模型的均方根误差；集成代理模型的输出将成为内部PSO程序的目标函数之一，用以求出当前数据集下集成代理中的最佳解决方案，记为 具体公式为：其中， 表示第t次迭代时的三个模型输出的加权和；内部PSO的另一个目标函数描述了集成代理中任意两个模型输出之间的最大差异，记为 计算公式为：以 为目标函数，利用内部PSO程序求出当前数据集下集成代理中的最不确定的解，记为： 具体公式为：内部PSO程序所得到的两项输出： 将与初始化数据一起，作为外部PSO程序的输入，所以在外部PSO程序当中，第t次迭代中，每个粒子的位置更新如下：其中， 表示第t次迭代，第n个粒子所对应的RGPO干扰策略， 表示第k个干扰阶段干扰机的受控延迟；设粒子的个体最优为 全局最优为 则外部PSO程序的速度更新公式为：其中， 表示第n个粒子在第t次迭代时的个体最优，α t 速度更新的惯性权值，随迭代次数t线性下降， 和 是两个取值范围为[0,1]的随机数，c 1 表示粒子对自身认知的表示，作为权重系数，可以使粒子追踪其个体最优值；c 2 表示粒子追踪全局最优值的权重系数， 的计算公式如公式(24)所示：其中，权重系数β t 随迭代次数t从β max 到β min 呈线性下降：其中，β max 表示最大惯性权重因子，β min 表示最小惯性权重因子，t max 代表最大迭代次数；外部PSO程序所输出的每一个粒子都将基于OCBA算法竞争剩余的采样预算，并且在后续的每个分配阶段，将根据式(26)和式(27)对计算预算增量进行分配：其中，b表示最优粒子的序号，而n和 则表示除最优粒子外的第n个粒子和第 个粒子； 表示截止到l+1次分配时， 所获得的总分配样本数； 分别代表 的采样方差， 分别代表 的采样方差，计算公式分别为：其中， 分别表示 在第m次重采样时的评价得分，这个分配程序将循环进行，直到总预算M耗尽为止；最终，外部PSO程序循环所得到的全局最优解，即是经过优化的最佳RGPO干扰策略。