[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

摘要

本发明属于雷达目标识别方法，涉及常规低分辨雷达对炮弹类目标的识别方法，尤其涉及炮弹类目标的多特征融合识别方法。本发明用炮弹类目标具有确定飞行轨迹的特点，首先使用常规雷达探测目标的位置信息，并以此计算目标的飞行高度、飞行速度、轨迹曲率、垂直方向加速度等轨迹特征，利用这些轨迹特征采用决策树算法进行分类识别；再使用雷达获取的目标飞行过程中的RCS值，提取RCS序列均值、方差、最大值等特征，利用这些RCS特征采用支持向量机算法进行分类识别；最后将两种识别结果进行加权决策融合，得到最终的识别结果。本发明提高了单一特征单一分类器的分类正确率；并以此实现了在常规低分辨雷达下对炮弹类目标的有效识别。

主权项

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，$y_{j(i-n)}={[y_{j(i-n)}^1,y_{j(i-n)}^2,y_{j(i-n)}^3]}^T,$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${\mathrm{RD}}_{(i-n)}=\frac{{\mathrm{\Σ}}_{k=0}^{k=n-1}{({\mathrm{Rcs}}_{(i-n)+k}-{\mathrm{RM}}_{(i-n)})}^2}{n},$所述${R\max }_{(i-n)}=\underset{k=0}{\overset{n-1}{\max }}\left({\mathrm{Rcs}}_{(i-n)+k}\right),$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$g\left(y\right)=\mathrm{sgn}\{\left({\mathrm{\ω}}^{*}y\right)+b^{*}\}=\mathrm{sgn}\{\underset{j=1}{\overset{l}{\mathrm{\Σ}}}{a_j}^{*}{z}_{j}K(y_j,y)+b^{*}\},$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$C^{\mathrm{svm}}={[c_1^{\mathrm{svm}},c_2^{\mathrm{svm}},c_3^{\mathrm{svm}},...,c_j^{\mathrm{svm}},...,c_M^{\mathrm{svm}}]}^T,$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$F_i=\left[\begin{array}{c}{F}_i^1\\ F_i^2\\ F_i^3\\ ...\\ F_i^j\\ ...\\ F_i^M\end{array}\right]=C^{\mathrm{tree}}\·f_i^{\mathrm{tree}}+C^{\mathrm{svm}}\·f_i^{\mathrm{svm}}=\left[\begin{array}{c}{c}_1^{\mathrm{tree}}\·f_{i1}^{\mathrm{tree}}+c_1^{\mathrm{svm}}\·f_{i1}^{\mathrm{svm}}\\ c_2^{\mathrm{tree}}\·f_{i2}^{\mathrm{tree}}+c_2^{\mathrm{svm}}\·f_{i2}^{\mathrm{svm}}\\ c_3^{\mathrm{tree}}\·f_{i3}^{\mathrm{tree}}+c_3^{\mathrm{svm}}\·f_{i3}^{\mathrm{svm}}\\ ...\\ c_j^{\mathrm{tree}}\·f_{\mathrm{ij}}^{\mathrm{tree}}+c_j^{\mathrm{svm}}\·f_{\mathrm{ij}}^{\mathrm{svm}}\\ ...\\ c_M^{\mathrm{tree}}\·f_{\mathrm{iM}}^{\mathrm{tree}}+c_M^{\mathrm{svm}}\·f_{\mathrm{iM}}^{\mathrm{svm}}\end{array}\right],$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。