基于雷达探测融合的“低慢小”无人机集群威胁评估
Article Sidebar
Main Article Content
摘要
针对“低慢小”无人机集群防御需求，研究了数据融合技术在对集群目标雷达探测与识别中的应用，提出了一种面向区域防控场景的无人机集群航迹融合、集群属性识别以及威胁评估方法。通过异步雷达时空对准、数据关联、航迹融合等手段实现对无人机集群多雷达探测结果的融合。利用基于密度抗干扰聚类算法（DBSCAN）实现集群目标属性辨识。在此基础上，利用层次分析法（AHP）对集群目标威胁程度进行综合评估，为防御战场态势感知及目标处置反制提供决策依据。构建了无人机集群雷达探测防御场景，基于Ku波段和L波段雷达实现了对无人机集群雷达探测数据融合、集群属性辨识、威胁评估以及态势展示。试验证明了方法在“低慢小”无人机集群区域防控应用场景中具有较高的应用价值。
Article Details
本作品采用知识共享署名 4.0 国际许可协议授权。
参考文献
[1]中国民用航空局. 2024年民航行业发展统计公报[EB/OL].https://www.mot.gov.cn/fenxigongbao/hangyegongbao/202505/P020250825409204940412.pdf
[2]郑璐, 彭月平, 周彤彤, 等. “低慢小”飞行目标探测与融合技术综述[J]. 飞航导弹, 2021, 444(12): 93-98.
[3]陈美杉, 胥辉旗, 曹司磊. 要地防御中应对无人集群作战问题研究[J]. 飞航导弹, 2020, 421(1): 71-75.
[4]何兴秀, 崔玉伟, 杨祖强, 等. 无人机蜂群城市防御作战运用模式研究[J]. 航空科学技术, 2025, 36(1): 75-85.
[5]Bonabeau E, Theraulaz G, Dorigo M. Swarm intelligence: From natural to artificial systems[M]. Oxford: Oxford University Press, 1999: 1-23.
[6]贾永楠, 田似营, 李擎. 无人机集群研究进展综述[J].航空学报, 2020, 41(S1): 723-738.
[7]朱付景, 杨勤泗, 朱义勇, 等. 要地防空反无人机指挥控制系统建设需求[J]. 国防科技, 2023, 44(5): 130-135.
[8]李浩, 孙合敏, 李宏权, 等. 无人机集群蜂群作战综述及其预警探测应对策略[J]. 飞航导弹, 2018, 407(11): 46-51.
[9]陈士涛, 李大喜, 孙鹏, 等. 美军智能无人机集群作战样式及影响分析[J]. 中国电子科学研究院学报, 2021, 16(11): 1113-1118.
[10]李坎, 李云鹏, 赵江波. 无人机集群自组织搜索仿真模型设计与实现[J]. 系统仿真学报, 2022, 34(8): 1820-1833.
[11]谢海斌, 闫家鼎, 庄东晔, 等. 无人机集群反制技术剖析[J]. 国防科技, 2021, 4(1): 10-16.
[12]Pieraccini M, Miccinesi L, Rojhani N. RCS Measurements and ISAR Images of Small UAVs[J]. IEEE Aerospace and Electronic Systems Magazine, 2017, 32(9): 28-32.
[13]Shoufan A, Al-Angari H M, Sheikh M F A, et al. Drone Pilot Identification by Classifying Radio-Control Signals[J]. IEEE Transactions on Information Forensics and Security, 2018, 13(10): 2439-2447.
[14]Opromolla R, Fasano G, Accardo D. A Vision-Based Approach to UAV Detection and Tracking in Cooperative Applications[J]. Sensors (Basel), 2018, 18(10): 3391.
[15]Anwar M Z, Kaleem Z, Jamalipour A. Machine Learning Inspired Sound-based Amateur Drone Detection for Public Safety Applications[J]. IEEE Transactions on Vehicular Technology, 2019, 68(3): 2526-2534.
[16]罗俊海, 王芝燕. 无人机探测与对抗技术发展及应用综述[J]. 控制与决策, 2022, 37(3): 530-544.
[17]周豪, 胡国平, 师俊朋. 低空目标探测技术分析与展望[J]. 火力与指挥控制, 2015, 40(11): 5-9.
[18]陆耀宾, 孙伟. 基于MHT的多传感器数据融合算法[J]. 中国电子科学研究院学报, 2008, 3(1): 24-29.
[19]屈旭涛, 庄东晔, 谢海斌. “低慢小”无人机探测方法[J]. 指挥控制与仿真, 2020, 42(2): 128-135.
[20]曾雅俊, 王俊, 魏少明, 等. 分布式多传感器多目标跟踪方法综述[J]. 雷达学报, 2023, 12(1): 197-213.
[21]陈唯实, 黄毅峰, 卢贤锋. 多传感器融合的无人机探测技术应用综述[J]. 现代雷达, 2020, 42(6): 15-29.
[22]韩博文, 姚佩阳, 钟赟, 等. 基于QABC-IFMADM算法的有人/无人机编队作战威胁评估[J]. 电子学报, 2018, 46(7): 1584-1592.
[23]陈侠, 乔艳芝. 基于小波神经网络的无人机目标威胁评估[J]. 火力与指挥控制, 2018, 43(8): 66-69.
[24]Luo R, Huang S, Zhao Y, et al. Threat Assessment Method of Low Altitude Slow Small (LSS) Targets Based on Information Entropy and AHP[J]. Entropy (Basel), 2021, 23(10): 1292.
[25]李明明, 卞伟伟, 甄亚欣. 国外“低慢小”航空器防控装备发展现状分析[J]. 飞航导弹, 2017, 385(1): 62-70.
[26]祁蒙, 王林, 赵柱, 等. 新型“低慢小”目标探测处置系统的体系建设[J]. 激光与红外, 2019, 49(10): 1155-1158.
[27]Han Jiawei, Kamber M. Data Mining: Concepts and Techniques, Second Edition[M]. San Francisco: Morgan Kaufmann, 2015: 418-420.
[28]侯荣涛, 朱斌, 冯民学, 等. 基于DBSCAN聚类算法的闪电临近预报模型[J].计算机应用, 2012, 32(3): 847-851.
[29]于晓野. 基于动态贝叶斯网络的空中目标威胁评估算法研究[D]. 沈阳: 沈阳理工大学自动化与电气工程学院, 2022: 17-29.