一種基于決策加權融合的雷達炮彈目標識別方法
【專利摘要】本發(fā)明屬于雷達目標識別方法，涉及常規(guī)低分辨雷達對炮彈類目標的識別方法，尤其涉及炮彈類目標的多特征融合識別方法。本發(fā)明用炮彈類目標具有確定飛行軌跡的特點，首先使用常規(guī)雷達探測目標的位置信息，并以此計算目標的飛行高度、飛行速度、軌跡曲率、垂直方向加速度等軌跡特征，利用這些軌跡特征采用決策樹算法進行分類識別；再使用雷達獲取的目標飛行過程中的RCS值，提取RCS序列均值、方差、最大值等特征，利用這些RCS特征采用支持向量機算法進行分類識別；最后將兩種識別結果進行加權決策融合，得到最終的識別結果。本發(fā)明提高了單一特征單一分類器的分類正確率；并以此實現(xiàn)了在常規(guī)低分辨雷達下對炮彈類目標的有效識別。
【專利說明】一種基于決策加權融合的雷達炮彈目標識別方法

【技術領域】
[0001] 本發(fā)明屬于雷達目標識別方法，涉及常規(guī)低分辨雷達對炮彈類目標的識別方法， 尤其涉及炮彈類目標的多特征融合識別方法。

【背景技術】
[0002] 現(xiàn)代戰(zhàn)場中，火箭炮、火炮和迫擊炮是目前使用最為頻繁的攻擊性武器。在戰(zhàn)爭 中，若能及時探測并識別出這類炮彈目標，就有可能在炮彈引爆前對其實施有效攔截，提高 防空作戰(zhàn)能力，減少損失，掌握戰(zhàn)場主動權。而利用雷達技術來對敵方目標進行探測識別是 當前最為有效地技術手段之一。
[0003] 目前，雷達目標識別方法的研究熱點主要集中在高分辨雷達識別方面。高分辨雷 達的目標回波可以反映目標的形狀、大小和結構等細節(jié)信息。這些信息可作為目標識別的 有效特征。而現(xiàn)役雷達多為常規(guī)低分辨雷達，不能獲得目標的結構特征，基于高分辨雷達的 目標識別方法對低分辨雷達并不適用。因此，從實際應用出發(fā)，根據(jù)要識別的目標的不同， 針對常規(guī)低分辨雷達研究專門的目標識別技術具有重要意義。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于基于現(xiàn)役常規(guī)低分辨雷達，提供一種基于決策加權融合的雷達 炮彈目標識別方法。
[0005] 本發(fā)明根據(jù)炮彈類目標具有確定飛行軌跡的特點，首先使用常規(guī)雷達探測目標的 位置信息，并以此計算目標的飛行高度、飛行速度、軌跡曲率、垂直方向加速度等軌跡特征， 利用這些軌跡特征采用決策樹算法進行分類識別。再使用雷達獲取的目標飛行過程中的雷 達散射截面（Radar Cross-Section, RCS)值，提取RCS序列的均值、方差、最大值等特征，利 用這些RCS特征采用支持向量機算法進行分類識別。最后將兩種識別結果進行加權決策融 合，得到最終的識別結果。
[0006] -種基于決策加權融合的雷達炮彈目標識別方法，具體如下：
[0007] S1、由雷達探測獲得各目標在飛行過程中的RCS序列和位置序列構成軌跡序列， 將所述軌跡序列隨機分為訓練數(shù)據(jù)集、測試數(shù)據(jù)集和待識別目標數(shù)據(jù)集，其中，一個RCS序 列由連續(xù)的η個采樣時刻的RCS值構成，所述位置序列由連續(xù)的η個采樣時刻的距離R，方 位角Α和俯仰角Ε構成，1彡η彡Ν，Ν為測試樣本總數(shù)，10 < Ν彡20 ;
[0008] S2、根據(jù)S1所述位置序列提取采樣時刻i的目標j的運動特征，所述運動特征包 括目標j飛行速度\，目標j飛行高度Zi，目標j垂直方向加速度a卜目標j水平方向加速 度和目標j軌跡曲率Θ i，將所述運動特征構成五維的目標j運動特征矢量集X，其中，j =1，2,…，M，i = 1，2,…，N，Μ為目標類別數(shù)；
[0009] S3、統(tǒng)計出S1所述一個RCS序列的均值冊，方差RD和最大值Rmax構 成三維的RCS特征矢量集Y = {yj(i_n)|j = 1，2,…，M;i = 1，2,…，N}，其中，

【權利要求】
1. 一種基于決策加權融合的雷達炮彈目標識別方法，其特征在于，包括如下步驟： 51、 由雷達探測獲得各目標在飛行過程中的RCS序列和位置序列構成軌跡序列，將所 述軌跡序列隨機分為訓練數(shù)據(jù)集、測試數(shù)據(jù)集和待識別目標數(shù)據(jù)集，其中，一個RCS序列由 連續(xù)的η個采樣時刻的RCS值構成，所述位置序列由連續(xù)的η個采樣時刻的距離R，方位角 Α和俯仰角Ε構成，1彡η彡Ν，Ν為測試樣本總數(shù)，10 < Ν彡20 ; 52、 根據(jù)S1所述位置序列提取采樣時刻i的目標j的運動特征，所述運動特征包括目 標j飛行速度\，目標j飛行高度21，目標j垂直方向加速度a〖，目標j水平方向加速度af 和目標j軌跡曲率，將所述運動特征構成五維的目標j運動特征矢量集X，其中，j = 1，2,…，M，i = 1，2,…，N，Μ為目標類別數(shù)； 53、 統(tǒng)計出S1所述一個RCS序列的均值RM，方差RD和最大值Rmax構成三維的RCS特 征矢量集 Y = {yj(i_n) I j = 1，2,…，M ;i = 1，2,…，N}，其中，
特征
分別對應目標j在第（i-n)個采樣窗中的RCS均值 RM(i-n)、方差RD(i_n)、最大值Rmax (i_n)，所述第（i-n)個采樣窗為連續(xù)η個采樣時刻構 成，所述
所述
所述
k為第（i-n)個采樣窗中的第k個采樣數(shù)據(jù)； 54、 對S2所述目標j運動特征矢量集X中的訓練數(shù)據(jù)采用經(jīng)典決策樹算法 (Classification And Regression Tree，CART)進行分類訓練，生成分類決策樹（Decision Tree, DT)； 55、 利用S4所述決策樹DT對S1所述測試數(shù)據(jù)集中的各目標的各運動特征矢量樣本Xi 進行分類識別，輸出識別結果為一個五維矢量
所述Xi 為第i個采樣時刻的各目標的運動特征矢量，所述
中有且僅有一個非零元素，所述非零 元素編號即對應為識別出的目標類別號，所述非零元素等于1 ; 56、 利用S4所得分類決策樹對S1所述測試數(shù)據(jù)集進行目標分類，統(tǒng)計所述分類決策樹 分類器的分類結果置信度
其中，
表示分類決策樹 分類器給出識別結果為目標j時的分類置信度，[*]τ表示轉置； 57、 用S3所述RCS特征矢量集Υ構成支持向量機的訓練樣本集（yi，Zi)，對所述訓練樣 本集（ yi，Zi)中的訓練數(shù)據(jù)采用一對一非線性支持向量機進行分類訓練，得到最優(yōu)分類器 函數(shù)
其中，所述向量機選用的核函數(shù)為
Zi為樣本矢量集yi的目標編號，b #為偏置向量，δ為核函數(shù)參 數(shù)，a拉格朗日乘子，sgn(*)是符號函數(shù)； 58、 利用S7所述最優(yōu)分類器函數(shù)g(y)對測試數(shù)據(jù)集中各目標的各RCS特征矢量樣本 Y進行分類識別，輸出判別結果為
S9、根據(jù)S6所述和S8所述
統(tǒng)計出基于RCS特征的支持向量機分類器的分類 結果置信度
其中，
代表支持向量機分類器給出識 別結果為目標j時的分類置信度； S10、對S8所述的
和S9所述的Csvm進行加權融合，得到某個樣本的類別加權分
，最后確定待識別樣本的類別號為
即Μ個加權分中分值最大的那個類別。
2. 根據(jù)權利要求1所述的一種基于決策加權融合的雷達炮彈目標識別方法，其特征在 于：S1所述η = 10。
3. 根據(jù)權利要求1所述的一種基于決策加權融合的雷達炮彈目標識別方法，其特征在 于：S2所述提取各采樣時刻目標j的運動特征，具體方法如下： 521、 根據(jù)S1所述距離R，方位角A和俯仰角建立采樣時刻i的目標直角坐標系，
其中，氏為采樣時刻i的目標距離信息，Ai位采樣時刻i的目標方 位角信息，Ei為米樣時刻i的目標俯仰角信息； 522、 由相鄰兩個時刻的目標j坐標提取運動特征，所述相鄰兩個時刻為采樣時刻i和 采樣時刻i+Ι :
，其中，T為采樣時間間隔，Vi為第 i時刻的目標j的瞬時速度，
為第i時刻目標j的水平速度，
為第i時刻目標j在垂直 方向上的速度，Θ i為第i時刻目標j的彈道斜率，
為第i時刻目標j在垂直方向上的加 速度，
為第i時刻目標j在水平方向上的加速度； S23、取各目標在各時刻的5個運動特征構成五維的目標運動特征矢量集X = {x# I j = 1，2，···，Μ;? = 1，2，"、《，其中，
為第j個目標第i個采樣時刻的 特征矢量，特征
分別對應目標j在第i個采樣時刻的瞬時速度Vi、飛 行高度ζρ垂直方向瞬時加速度
水平方向瞬時加速度
、彈道軌跡曲率9it)
4.根據(jù)權利要求1所述的一種基于決策加權融合的雷達炮彈目標識別方法， 其特征在于：S6所述統(tǒng)計分類決策樹分類器的分類結果置信度計算方法為：
其中，Zi為樣本Xi的目標類別編號，num( ·)表示統(tǒng)計滿足括 號內(nèi)條件表達式的樣本數(shù)量，
為第j類目標樣本被正確分類的次數(shù)，
：為所有測試樣本 被錯誤分類為第j類目標的次數(shù)，％為測試樣本中第j類目標的樣本數(shù)。
【文檔編號】G01S7/02GK104215935SQ201410395000
【公開日】2014年12月17日 申請日期:2014年8月12日 優(yōu)先權日:2014年8月12日
【發(fā)明者】廖闊, 賈繼超, 譚發(fā)曾, 劉萍, 周長喜, 黃健, 余為知, 馮婧 申請人:電子科技大學