[发明专利]一种基于机器学习的点迹过滤处理方法

说明书

本发明公开一种基于机器学习的点迹过滤处理方法，对实时点迹数据建立非参数模型，计算出与实际点迹数据相匹配的最优点迹过滤参数特征。本发明采用实时点迹大数据对不同区域累计点迹数、点迹幅度建模估计，利用估计值实现点迹过滤，具备精度高、可信度高，无需人工干预，提高了系统的智能化水平。

技术领域

本发明属于数据处理技术领域，具体涉及一种基于机器学习的点迹过滤处理方法。

背景技术

雷达探测信号经信号处理后，仍剩余较多的强杂波回波点迹，增加了目标检测跟踪的难度。在数据处理过程中，需要依据目标回波点迹特征，如回波宽度、距离宽度等传统特征对剩余点迹进行点迹过滤处理，剔除杂波点迹。而目标回波点迹特征受信号检测算法、杂波特征等多种因素影响，其回波点迹统计特性不稳定，鲁棒性较差，需人工干预调优。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于机器学习的点迹过滤处理方法，利用多周期点迹实时计算的点迹幅度均值和方差统计特征，有效地识别出目标点迹和杂波点迹。

技术方案：本发明的一种基于机器学习的点迹过滤处理方法，包括以下步骤：

步骤S1：雷达进行多周期扫描探测，对杂波图建立笛卡尔坐标系，然后设置相应配置参数；

EchoMapCfg.xMin为雷达X方向距离最小值；EchoMapCfg.xMax为雷达X方向距离最大值；EchoMapCfg.yMin为雷达Y方向距离最小值；EchoMapCfg.yMin为雷达Y方向距离最小值；EchoMapCfg.xUnit为雷达X方向距离量化值；EchoMapCfg.yUnit为雷达Y方向距离量化值；EchoMapCfg.DetectPeriod为杂波图更新周期；EchoMapCfg.Enable为杂波图有效标识；

步骤S2：在笛卡尔坐标系中按雷达X方向距离量化值和雷达Y方向距离量化值对雷达探测范围进行网格化处理；

步骤S3：将雷达每个扫描周期依次检测到的点迹映射到相应的杂波图网格内，累计对应杂波图上相同网格内的点迹数，存储点迹幅度；

步骤S4：若杂波图有效，则在强杂波网格区域对点迹进行过滤处理，否则执行步骤S5；

若回波点迹幅度满足下式条件，则该点迹为杂波点迹，过滤该点迹，否则保留该点迹信息。

步骤S5：构建非参数统计模型计算点迹数，若雷达扫描周期计数值满足杂波图更新条件，则更新杂波图区域信息，设置杂波图为有效状态；同时，将杂波图更新周期重置为零；

步骤S6：对于强杂波网格区域，对其网格内的点迹幅度按从小到大排序，建立非参数统计模型，计算点迹幅度的过滤门限值；

步骤S7：重复步骤S3~步骤S6，直至雷达不再运行。即只要雷达在运行，杂波图则实时更新，不断更新识别杂波区域（例如，云雨气象的运动会使杂波区发生变化）。

为确保每个网格大小一致，所述步骤S2中网格化的公式为：

xMaxUnit和yMaxUnit分别是X方向距离和Y方向距离上的最大网格数。

进一步地，所述步骤S3的详细方法为：