[发明专利]雷达点迹凝聚方法、系统及存储介质

权利要求书

1.雷达点迹凝聚方法，其特征在于，所述方法包括：

步骤S10，对原始的点迹数据进行SVD处理；

步骤S20，对步骤S10得到的数据采用DBSCAN算法进行聚类，对所形成的每个类簇内点迹认定为同一目标的分裂点迹；

步骤S30，对步骤S20得到的每个类簇进行统计，以得到每个类簇的距离和方位范围；

步骤S40，对得到的距离和方位范围进行区间划分，统计离散系数获得凝聚区间；

步骤S50，计算凝聚区间的平均距离和方位以完成点迹凝聚。

2.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述对原始的点迹数据进行SVD处理的步骤包括：

步骤S11，输入雷达点迹数据，根据雷达点迹数据构造矩阵；

步骤S12，将根据点迹数据构造的矩阵进行奇异值分解，形成包含重要特征的奇异值分解矩阵。

3.根据权利要求2所述的雷达点迹凝聚方法，其特征在于，所述步骤S11中根据雷达点迹数据构造矩阵中的矩阵为：

其中，m表示存储数据方位数，n表示每个方位上存储的点迹个数，A_(i，j)表示方位为i，距离为j的点迹幅值。

4.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述对步骤S10得到的数据采用DBSCAN算法进行聚类的步骤包括：

步骤S21，设置DBSCAN的参数：包括半径Eps以及最小样本点数MinPts；

步骤S22，检测样本数据中尚未检查过的对象p，如果p未被处理，则检查其邻域，若包含的对象数不小于MinPts，建立新簇，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声；

步骤S23，对候选集N中所有尚未被处理的对象q，检查其邻域，若至少包含MinPts个对象，则将这些对象加入N；

步骤S24，重复步骤S23，继续检查N中未处理的对象，直到当前候选集N为空。

步骤S25，重复步骤S22～24，直到所有对象都归入了某个簇或标记为噪声。

5.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述步骤S40中对得到的距离和方位范围进行区间划分的步骤包括：

步骤S41，对步骤S20中得到的类簇进行距离区间的静态划分：统计每个类簇的最大距离和最小距离，将最大距离与最小距离之间的区间平均划分为三段；

步骤S42，对步骤S20中得到的类簇进行方位区间的动态划分：统计每个类簇的最大方位、最小方位、最大幅值对应方位以及最小幅值对应方位，求解最大幅值与最小幅值对应方位的平均方位，利用此方位将簇的方位区间一分为二。

6.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述步骤S40中统计获得凝聚区间的步骤包括：

步骤S401，统计每个类簇所有划分区间的离散系数；

步骤S402，选择离散系数小的区间作为凝聚区间。

7.根据权利要求6所述的雷达点迹凝聚方法，其特征在于，所述步骤S401中统计根据得到的距离和方位范围进行区间划分的各个区间点迹的离散系数的方法如下：

根据下述公式计算离散系数：

其中，i表示DBSCAN生成的第i个类，N_ik表示第i个类的第k个划分区间内的点迹个数，A_(ik，j)表示第i个类的第k个区间内第j个点迹的幅值，μ_ik表示第i个类的第k个区间的平均值，σ_ik表示第i个类的第k个区间的方差，c_ik表示第i个类的第k个区间的离散系数。