[发明专利]一种基于决策加权融合的雷达炮弹目标识别方法

权利要求书

1.一种基于决策加权融合的雷达炮弹目标识别方法，其特征在于，包括如下步骤:

S1、由雷达探测获得各目标在飞行过程中的RCS序列和位置序列构成轨迹序列，将所述轨迹序列随机分为训练数据集、测试数据集和待识别目标数据集，其中，一个RCS序列由连续的n个采样时刻的RCS值构成，所述位置序列由连续的n个采样时刻的距离R，方位角A和俯仰角E构成，1≤n≤N，N为测试样本总数，10＜N≤20；

S2、根据S1所述位置序列提取采样时刻i的目标j的运动特征，所述运动特征包括目标j飞行速度V_i，目标j飞行高度Z_i，目标j垂直方向加速度，目标j水平方向加速度和目标j轨迹曲率θ_i，将所述运动特征构成五维的目标j运动特征矢量集X，其中，j＝1,2,…,M，i＝1,2,…,N，M为目标类别数；

S3、统计出S1所述一个RCS序列的均值RM，方差RD和最大值R_max构成三维的RCS特征矢量集Y＝{y_j(i-n)|j＝1,2,…,M；i＝1,2,…,N}，其中，yj(i-n)=[yj(i-n)1,yj(i-n)2,yj(i-n)3]T,]]>特征分别对应目标j在第(i-n)个采样窗中的RCS均值RM_(i-n)、方差RD_(i-n)、最大值Rmax_(i-n)，所述第(i-n)个采样窗为连续n个采样时刻构成，所述所述RD(i-n)=Σk=0k=n-1(Rcs(i-n)+k-RM(i-n))2n,]]>所述Rmax(i-n)=maxk=0n-1(Rcs(i-n)+k),]]>k为第(i-n)个采样窗中的第k个采样数据；

S4、对S2所述目标j运动特征矢量集X中的训练数据采用经典决策树算法(Classification And Regression Tree，CART)进行分类训练，生成分类决策树(Decision Tree，DT)；

S5、利用S4所述决策树DT对S1所述测试数据集中的各目标的各运动特征矢量样本x_i进行分类识别，输出识别结果为一个五维矢量所述x_i为第i个采样时刻的各目标的运动特征矢量，所述中有且仅有一个非零元素，所述非零元素编号即对应为识别出的目标类别号，所述非零元素等于1；

S6、利用S4所得分类决策树对S1所述测试数据集进行目标分类，统计所述分类决策树分类器的分类结果置信度其中，表示分类决策树分类器给出识别结果为目标j时的分类置信度，[*]^T表示转置；

S7、用S3所述RCS特征矢量集Y构成支持向量机的训练样本集(y_i,z_i)，对所述训练样本集(y_i,z_i)中的训练数据采用一对一非线性支持向量机进行分类训练，得到最优分类器函数g(y)=sgn{(ω*y)+b*}=sgn{Σj=1laj*zjK(yj,y)+b*},]]>其中，所述向量机选用的核函数为z_i为样本矢量集y_i的目标编号，b^*为偏置向量，δ为核函数参数，a拉格朗日乘子，sgn(*)是符号函数；

S8、利用S7所述最优分类器函数g(y)对测试数据集中各目标的各RCS特征矢量样本Y进行分类识别，输出判别结果为

S9、根据S6所述C^tree和S8所述统计出基于RCS特征的支持向量机分类器的分类结果置信度Csvm=[c1svm,c2svm,c3svm,...,cjsvm,...,cMsvm]T,]]>其中，代表支持向量机分类器给出识别结果为目标j时的分类置信度；

S10、对S8所述的和S9所述的C^svm进行加权融合，得到某个样本的类别加权分Fi=Fi1Fi2Fi3...Fij...FiM=Ctree·fitree+Csvm·fisvm=c1tree·fi1tree+c1svm·fi1svmc2tree·fi2tree+c2svm·fi2svmc3tree·fi3tree+c3svm·fi3svm...cjtree·fijtree+cjsvm·fijsvm...cMtree·fiMtree+cMsvm·fiMsvm,]]>最后确定待识别样本的类别号为即M个加权分中分值最大的那个类别。