[发明专利]一种SVM（矢量机）模式的多目标识别判定方法

说明书

技术领域

本发明属于对空射击管理中的信息处理技术领域，特别涉及一种对空射击管理中的一种多目标识别判定算法。

背景技术

随着低空空域管理改革的深入，中国通用航空进入快速成长期，通用航空器的日益增加使低空空域飞行活动变的愈来愈错综复杂，从而为低空探测与安全监视带来了新的挑战。

雷达以其固有的特点，是低空空管的必要设备。由于雷达电波的直线传播以及地形遮挡物的影响，在对飞行目标监视时存在大量的雷达盲区，限制了跟踪精度的提高和短期冲突检测告警的能力。低空图像辅助监视可以跟踪低空目标，覆盖性好，但受气候影响较大，图像辅助监视配合雷达跟踪系统可实现对空中目标的协同监视，通过数据融合技术得到目标的精确位置，进而跟踪低空目标，提高监视系统的可靠性。

对目标跟踪精度以及系统可靠性要求的提高，使得单一测量已经无法满足，利用多传感器的多源信息对目标进行融合定位已成为目前研究的热点。多传感器的联合概率数据关联法以及基于交互多模型的多假设跟踪法是常用的目标跟踪定位方法，文献“《基于红外和雷达数据融合的机动目标跟踪方法》，朱志宇，激光与红外，2007年2月，第37卷，第2期，170-174”利用并行多传感器联合概率数据关联法，通过对红外和雷达数据的融合实现对目标的跟踪定位。但是这些 融合定位方法主要基于多传感器的测量误差为独立高斯白噪声的假设，条件过于理想。实际中，雷达与图像监视设备常常放在一个平台上，平台方位角和高低角的误差导致了图像和雷达测量噪声具有相关性，而且，噪声统计特性不可能为人们熟知，存在着各种不确定因素；如果地面布有多个监视系统，融合估计时需要等效到同一坐标系，当监视点距离较大时这种等效也会带来关联性误差和不确定误差。实践表明，这些关联性误差和不确定性常常是影响融合估计精度的主要因素。而目前所给的融合定位方法无法考虑实际系统中的不确定因素，不能更贴切的描述实际系统。

发明内容

本发明的目的在于针对现有技术的不足，提供一种多源监视信息多目标的判定方法。

对于K类分类问题，基于SVM的“一对多”方法需要训练K个两类分类器，故其所得到的分类函数的个数较少，分类速度相对较快，但其缺点是每个分类器的训练都是将特征向量输入全部的训练样本参加计算，这样需要求解K个有1个变量的二次规划问题，因此不适用于大规模训练；而纠错码SVM虽然目标识别率较高，但是当目标种类较多时，需要构造多个两类分类器，由于二进制码字符串的长度太长，效率低下。鉴于以上缺点，本发明将基于SVM的“一对多”方法与纠错码设计结合起来，先利用“一对多”方法对待识别目标进行粗分类，然后采用纠错码SVM进行精分类，最终确定待识别目标所属具体类别或型号。这样，不仅避免了“一对多”方法耗时长的缺点，还 提高了目标识别率。

所述的多源监视信息目标判定算法，应用了分类算法、基于SVM纠错解码、空中目标分类原则、基于SVM的空中目标分类和纠错码矩阵；

进一步地，所述基于SVM纠错解码采用具有纠错能力的编码对类别进行编码，并将SVM作为码位分类器；

进一步地，所述基于SVM的对空中目标分类，包括粗分类步骤和精分类步骤，具体包括以下步骤：

粗分类步骤(包括步骤1-步骤3)：

步骤1给出空中目标的粗分类原则,并提取空中目标对于各个原则的特征，比如民用飞机、直升机等粗分类类别所对应的飞行高度、飞行速度等，粗分类是将空中目标分为五类：(1)民用飞机(2)军用飞机(3)直升机(4)来袭导弹(5)鸟群、空飘物、虚假目标、遥控飞行器；

步骤2基于SVM“一对多”多分类法，根据粗分类的类别数N，构造N个两类分类器，比如有5个粗分类类别，就构造5个两类分类器。具体说明参见说明书附图1；

步骤3将提取的特征分别代入N个两类分类器，得到输出向量，确定待识别目标所属粗分类的类别；

精分类步骤(步骤4-步骤8)：

步骤4给出空中目标的精分类原则，比如按照作战半径分类，并提取空中目标的特征，比如提取军用飞机中无人机、截击机、歼击 机等所有种类所对应的作战半径；

步骤5根据各个粗分类的类别所包含的具体类别数目K，给出合适的纠错码矩阵Q_K×S；其中K为行数，即类别数，S为列数，即二进制码字符串的bit数(也即SVM分类器的个数)，S需满足条件：

步骤6利用SVM对给定的样本进行训练，确定超平面、罚函数等各种参数，得到S个码位分类器，获得支持向量机模型；

a、储存步骤4中提取的特征；

b、将提取的特征归一化；