CN103294895A - 基于证据推理的航迹航路分类方法 - Google Patents

Abstract

本发明涉及一种基于证据推理的航迹航路相关算法，首先给出了基于概率分布函数的距离、航向基本值置信指派以及基于线性函数的弦长基本置信指派的构造方法。考虑到低信噪比下所构造的证据存在高冲突，不确定，采用基于证据距离和矛盾因子证据组合法进行多证据组合，从而达到了对航迹进行分类判决的目的。本发明方案可以进行低信噪比跟踪系统下的航迹航路相关，从而实现航迹分类，对于低信噪比跟踪系统下态势评估具有非常重要的意义。

Description

基于证据推理的航迹航路分类方法

技术领域

航迹分类的主要任务是将航迹分为航路目标航迹与非航路目标航迹，是对跟踪器输出的航迹进行后处理的过程。航迹分类可以为显控台操作员提供目标威胁度的判断依据，减轻其工作负担，并辅助态势评估，增强对态势的把握。

背景技术

有关目标检测、目标跟踪问题已有大量的研究，但是针对航迹航路分类问题的研究并不多见。程铭（飞行计划和雷达航迹关联目标识别算法[J].四川兵工学报,2010,31(5):107-109.）通过提取偏航、时差，高度等相关因子计算航迹与飞行计划的相关度，提出了飞行计划和航迹相关算法，但针对的是精度较高的常规雷达。对于低信噪比的雷达系统，M.Oxenham（Automatic Air Target to Airline Association[C].The3thInternational Conference on Information Fusion,2000.）将位置作为统计量，提出了基于假设检验的航迹-航路相关方法，但仅限于单航迹-单航路情形，且并未给出算法验证结果。上述的这些航迹航路相关算法，都是在概率框架下基于贝叶斯理论的。而复杂环境下的目标跟踪面临的低信噪比等问题是造成数据不一致，冲突的来源，使用概率框架下的航迹航路分类只能将航迹分为航路目标和飞航路目标，存在分类风险。本发明是在证据推理框架下建立航迹航路相关模型，首先给出了基于概率分布函数的距离、航向基本值置信指派以及基于线性函数的弦长基本置信指派的构造方法。考虑到低信噪比下所构造的证据存在高冲突，不确定，采用基于证据距离和矛盾因子证据组合法进行多证据组合，进而进行分类判决。

发明目的

本发明的目的是解决概率框架下的航迹航路相关不能有效处理低信噪比跟踪系统中存在的高冲突以及不确定性的问题，采用在证据推理框架下建立航迹航路相关模型的方法，给出了基于概率分布函数的距离、航向基本值置信指派以及基于线性函数的弦长基本置信指派的构造方法，并采用基于证据距离和矛盾因子证据组合法在各个时刻对这三个证据进行融合。从而实现低信噪比跟踪系统下的航迹航路的分类，为航迹航路相关研究提供参考价值。

发明内容

为了实现上述发明目的，本发明以低信噪比跟踪系统下航迹航路相关为应用背景，提出了基于证据推理的航迹航路相关方案。本发明方案的优点是在低信噪比跟踪系统下，提高了相关正确率，并提出了不可分的概念，并给出了不可分率的度量，对于低信噪比跟踪系统下态势评估具有非常重要的意义。

一种基于证据推理的航迹航路分类方法，包括以下步骤：

第一步，建立航迹航路相关模型；

所述的建立航迹航路相关模型包括以下步骤：

A1、首先在雷达地理坐标系中建立航路的平面模型；

B1、假设目标在航路上，那么目标状态在位置和航向上严格受航路约束，由此得到航迹点满足的方程及其统计特性；

C1、假设目标沿着航路飞行，得到航迹点满足的方程及其统计特性；

第二步，多特征指派；

所述的多特征指派包括以下步骤：

A2、通过概率函数的方法，得到航迹点在距离因子上属于航路的置信度，归一化后，得到航迹点在距离因子上的基本置信指派；

B2、通过计算航迹点处的椭圆波门，利用线性函数的方法构造在弦长因子上的基本置信指派；

C2、通过概率函数的方法，得到航迹点在航向因子上属于航路的置信度，归一化后，得到航迹点在航向因子上的基本置信指派；

第三步，融合分类；

所述的多特征指派包括以下步骤：

A3、采用基于证据距离和矛盾因子的证据组合法，对三个因子的基本置信指派进行融合，得到最终航迹属于航路的置信值；

B3、根据制定的三个准则：目标类别应具有最大的决策函数值，目标类别的决策函数值与其它类别的决策函数值的差值大于某一阈值，不确定性决策函数值必须小于某一阈值，来最终决策航迹是否属于航路目标。并规定，如果不符合上述三个准则的决策，那么此次风险较大，即此航迹是不可分的；

C3、在一次航迹航路相关过程中，通过统计各个时刻的判决结果，可以得到各个判决结果出现的比例。其中，我们定义不可分决策结果的出现比例为不可分率，其代表的决策的风险程度，如果其值大于0.5，则需要人工干预；决策结果错误的比例为误分率。

本发明的基于证据推理的航迹航路相关算法，首先给出了基于概率分布函数的距离、航向基本值置信指派以及基于线性函数的弦长基本置信指派的构造方法。考虑到低信噪比下所构造的证据存在高冲突，不确定，采用基于证据距离和矛盾因子证据组合法进行多证据组合，从而达到了对航迹进行分类判决的目的。本发明方案可以进行低信噪比跟踪系统下的航迹航路相关，从而实现航迹分类，对于低信噪比跟踪系统下态势评估具有非常重要的意义。

本发明的有益效果是：在低信噪比跟踪系统下对航迹进行有效分类，并且给出了航迹不可分的度量，为态势评估提供了理论参考。

附图说明

图1弦长因子示意图

图2交叉航路场景图

图3基于假设检验的航迹航路相关过程-交叉航路

图4证据推理框架下相关结果-交叉航路

图5证据推理框架下的分类结果-交叉航路

图6平行航路跟踪结果

图7基于假设检验的相关过程-平行航路

图8证据推理下相关过程-平行航路

图9证据推理下的分类结果-平行航路

图10平行航路间距-概率分布

具体实施实例

本发明中采用的是雷达地理直角坐标系，我们考虑的是平面模型，忽略地球曲率，航路看做地球水平面上一条线段，设航路端点的坐标分别为W₁(x₁,y₁,z₁)，W₂(x₂,y₂,z₂)，如果目标严格在航路上飞行，那么目标状态

在位置和航向上严格受航路约束，即满足方程(1),(2)，如下面所述：

$-(y_2-y_1)(\stackrel{\‾}{x}-x_1)+(x_2-x_1)(\stackrel{\‾}{y}-y_1)=0---\left(1\right)$

即

其中，A₁＝[-(y₂-y₁)(x₂-x₁)0 0 0 0]，b₁＝[-(y₂-y₁)x₁+(x₂-x₁)y₁]。

$-(y_2-y_1)\stackrel{\stackrel{\‾}{\·}}{x}+(x_2-x_1)\stackrel{\stackrel{\‾}{\·}}{y}---\left(2\right)$

即满足

其中，A₂＝[0 0 0-(_y2-y₁)(x₂-x₁)0]，b₂＝0。

正常情况下，航路目标沿着航路飞行，考虑到飞机的偏航误差，因此假设目标的真实状态

与严格航路目标状态

的偏差服从正态分布，由此，可以得到下式：

$\begin{array}{cc}{A}_i{x}_k=b_i+A_i(x_k-\stackrel{\‾}{X})& x_k-\stackrel{\‾}{X}-~N(0,R_i),i=,\mathrm{1,2}---\left(3\right)\end{array}$

k时刻的空中目标的状态估计包括X-Y-Z直角坐标系的位置及其速度估计：

${\hat{x}}_{k|K}=\mathrm{col}\{\hat{x},\hat{y},\hat{z},\stackrel{\widehat{\·}}{x},\stackrel{\widehat{\·}}{y},\stackrel{\widehat{\·}}{z}\}---\left(4\right)$

其相应的协方差矩阵为Σ_k|k。考虑到

代入式(3)中，我们得到：

$\begin{array}{cc}{A}_i{\hat{x}}_{k|k}=b_i+A_i(x_k-\stackrel{\‾}{X}-{\tilde{x}}_{k|k})& x_k-\stackrel{\‾}{X}-{\tilde{x}}_{k|k}~N(0,R_i+{\mathrm{\Σ}}_{k|k}),i=\mathrm{1,2}---\left(5\right)\end{array}$

因为由传感器估计的偏差远大于偏航误差，本文认为R_i≈0,i＝1,2。所以，有公式(5)可知， $A_i{\hat{x}}_{k|k}~N(b_i,{\mathrm{\Σ}}_{k|k}),i=\mathrm{1,2}.$

0.1多特征指派

现在主要有三种基本置信指派的构造方法：通过一种线性或非线性的函数将信息源映射到[0,1]空间，虽然速度很快，但是由于多利用非线性函数，因此可能丢失一些原始数据中的有用信息；通过神经网络的的方法映射，但是其训练过程较慢；通过概率函数的方法，其对先验信息要求较高。本文考虑采用的是概率分布函数以及线性函数的方法。

(1)距离因子

航迹点与某航段的距离，可反映该航迹点处于该航段的可能性大小，由此根据位置信息，构造航迹点偏离航路距离的统计量，作为航迹点与航路的一致性的度量，并称之为距离因子。

如果航迹点属于航路L_j，则其估计值满足

由此，我们定义距离因子如下：

$d_{\mathrm{ij}}^k=A_j^p{\hat{x}}_{k|k}-b_j^p---\left(6\right)$

其表示航迹i在k时刻的估计值x_k|k与航路L_j之间的距离，距离越大，表明该航迹点属于该航路的可能性越小；距离越小，属于该航路的可能性越大。

如果在k时刻，航迹i与航路L_j的距离为

那么我们可以构造函数如下：

$\left\{\begin{array}{c}{s}_k^p\left(L_j\right)=2\×[1-\mathrm{\Φ}\left(\frac{\left|d_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^p}\right)]\\ s_k^p\left(\mathrm{\Θ}\right)=\underset{j=1}{\overset{N}{\mathrm{\Π}}}(1-s_k^p\left(L_j\right))\end{array}\right.;---\left(7\right)$

其中， ${\mathrm{\σ}}_j^p=\sqrt{A_j^p{\mathrm{\Σ}}_{k|k}{\left(A_j^p\right)}^T},$ $\mathrm{\Φ}\left(\frac{\left|d_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^p}\right)={\∫}_{-\∞}^{\frac{\left|d_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^p}}N(x;\mathrm{0,1})\mathrm{dx},$

为目标在区间与

上的概率和。

的大小为图中阴影面积总和，当航迹点与航路的距离为0时，为1，表示此时航迹与航路的关联度最大，该航迹完全属于航路；当航迹点与航路的距离趋近于无穷大时，趋近于0，表示此时航迹与航路的关联度最小，该航迹完全不属于航路。考虑到航迹点属于各个航路是相互独立的，所以采用连乘的形式构造为了满足mass函数的定义，要对式(7)中的函数归一化处理，这时即可构造基本置信指派：

$\left\{\begin{array}{c}{m}_k^p\left(L_j\right)=s_k^p\left(L_j\right)/(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{s}_k^p\left(L_j\right)+s_k^p\left(\mathrm{\Θ}\right))\\ m_k^p\left(\mathrm{\Θ}\right)=s_k^p\left(\mathrm{\Θ}\right)/(\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{s}_k^p\left(L_j\right)+s_k^p\left(\mathrm{\Θ}\right))\end{array}\right.---\left(8\right)$

(2)弦长因子

以预测量测值为中心形成的波门反映了目标可能的观测区域。该区域与航路产生的弦长在一定程度上反映了航路目标存在的可能性。即弦长越长则该航路目标落入波门的可能性越大，即对目标属于该航路的支持越高，如图1所示，虽然航迹点与航路1和航路2的距离相同，即d₁＝d₂，但是这不能说明航迹点与两条航路的关联程度相同，即仅仅根据距离因子不能充分地表达航迹点属于航路的可能性。

由此，我们提出了弦长因子，也即航路截取相关波门弦长的大小，作为距离上的补充，来度量航迹点与航路的一致性。如图1所示，图中航路1在当前航迹点的相关波门内的弦长为l₁，航路2在当前航迹点的相关波门内的弦长为l₂。由此，我们可以构造函数如下：

$\left\{\begin{array}{c}{s}_k^c\left(L_j\right)=\frac{l_{\mathrm{ij}}^k}{l_i^k\max }\\ s_k^c\left(\mathrm{\Θ}\right)=\underset{j=1}{\overset{N}{\mathrm{\Π}}}(1-s_k^c\left(L_j\right))\end{array}\right.;---\left(9\right)$

其中，

是航迹i在k时刻的估计值x_k|k的相关波门截取航路j的弦长，

max是k时刻的估计值x_k|k的相关波门（椭圆波门）的最大弦长，也即椭圆的二倍长轴。为了满足mass函数的定义，要对式(9)中的函数进行归一化处理，这时即可构造基本置信指派，如公式(8)所示。

(3)航向因子

航向因子，指的是利用速度信息，构造与航迹点偏离航路方向等价的统计量，作为航迹点与航路在航向上一致程度的度量。

如果目标沿着航路L_j飞行，则其估计值满足由此，我们定义航向因子如下：

${\mathrm{\θ}}_{\mathrm{ij}}^k=A_j^d{\hat{x}}_{k|k}---\left(10\right)$

其表示航迹i在k时刻的估计值x_k|k与航路L_j航向的偏离程度，

越大，表明该航迹点属于该航路的可能性越小；

越小，属于该航路的可能性越大。特别的，当

趋于无穷大的时候，相关程度为0；当的时候，相关度为1。由此，我们参考距离因子mass函数的构造方法，构造函数如下：

$\left\{\begin{array}{c}{s}_k^d\left(L_j\right)=2\×[1-\mathrm{\Φ}\left(\frac{\left|{\mathrm{\θ}}_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^d}\right)]\\ s_k^d\left(\mathrm{\Θ}\right)=\underset{j=1}{\overset{N}{\mathrm{\Π}}}(1-s_k^d\left(L_j\right))\end{array}\right.;---\left(11\right)$

其中， ${\mathrm{\σ}}_j^d=\sqrt{A_j^d{\mathrm{\Σ}}_{k|k}{\left(A_j^d\right)}^T},$ $\mathrm{\Φ}\left(\frac{\left|{\mathrm{\θ}}_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^d}\right)={\∫}_{-\∞}^{\frac{\left|{\mathrm{\θ}}_{\mathrm{ij}}^k\right|}{{\mathrm{\σ}}_j^d}}N(x;\mathrm{0,1})\mathrm{dx},$

为目标在区间与

上的概率和。这样，当目标运动方向与航路方向保持一致时，

为1，随着方向偏离程度的增大，

的值逐渐减小，直至为0。为了满足mass函数的定义，要对信度分配归一化处理，这时即可构造基本置信指派，如公式(8)所示。

0.2融合分类

(1)证据融合

考虑到航迹航路分类中高冲突和不确定的现象，而一般的DS规则对高冲突证据组合时，很可能得到违背常理的结论，因此我们采用更适合于处理高冲突证据的基于证据距离和矛盾因子的证据组合法，其对高冲突信息的融合具有有效性和收敛性。具体步骤如下：

假定辨识框架下Θ上独立的两个证据，其焦元分别为B_i和C_j（i＝1,2,...,n;j＝1,2,...m）m,n分别比别表示这两个证据焦元的个数，其基本置信指派函数为m₁和m₂，由此得到矛盾因子：

矛盾因子表示了证据合成时不相容焦元（交集为空集）结合产生的矛盾信息大小。例如位置因子和航向因子分别得到航迹点属于航路的指派为1，属于非航路的指派为1，此时矛盾因子即为1。

两个证据的基本置信指派函数m₁和m₂的距离为：

$d(m_1,m_2)=\sqrt{\frac{1}{2}{(\stackrel{\→}{m_1}-\stackrel{\→}{m_2})}^{T}D(\stackrel{\→}{m_1}-\stackrel{\→}{m_2})}$

$D[i,j]=|B_i\∩C_j|/|B_i\∪C_j|---\left(13\right)$

证据距离反映了证据间相容焦元基本置信值分配的差异，其与矛盾因子具有一定的互补性。由此，得到冲突大小为

$\mathrm{conf}(i,j)=\frac{d_{\mathrm{ij}}+k_{\mathrm{ij}}}{1+d_{\mathrm{ij}}\·k_{\mathrm{ij}}}\left(14\right)$

冲突大小与证据距离和矛盾因子都是正相关的，当d_ij＝k_ij＝0时，冲突为0；当d_ij＝k_ij＝1时，冲突为1。第i个证据与其他证据的冲突程度为：

$\mathrm{con}{f}_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{conf}(i,j)---\left(15\right)$

那么第i个证据获得其他n-1个证据的总支持度，也可称为第i个证据的众信度为：

tru_i＝(n-1)-conf_i         (16)

然后，可以得到n个证据的众信度向量：

TRU=[tru₁...tru_i...tru_n]            (17)

将众信度向量归一化后可得各证据的权重系数：

$w_i={\mathrm{tru}}_i/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{tru}}_{j---\left(18\right)}$

故得到证据的权重系数向量为：

W＝[w₁...W_i...W_n]           (19)

根据权重系数向量式可以求的期望证据：

$M=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{\stackrel{\→}{m}}_i---\left(20\right)$

DS规则对M迭代组合n-1次后的结果即这n个证据的合成结果。

(2)分类决策

本发明中，考虑到航迹航路分类是针对单假设命题的决策，而对于单假设命题在DS框架下它们的mass函数值与置信函数Bel(.)的值是相同的，而且Pignistic赌博概率也是根据mass函数计算得到的，因此在本文中，考虑采用基于mass函数的决策方法。设辨识框架为Θ＝{A₁，...，A_n}，则具体决策准则如下：

准则1：目标类别应具有最大的决策函数值，即

$A^{*}=\arg \underset{A_i}{\max }m\left(A_i\right),i=1,...,n---\left(21\right)$

准则2：目标类别的决策函数值与其它类别的决策函数值的差值大于某一阈值T1，即

|m(A^*)-m(A_i)|≥T₁,i＝1,...，n            (22)

准则3：不确定性决策函数值必须小于某一阈值T2，即

|m(Θ)-m(A_i)|≤T₂,i＝1,...，n         (23)

准则4：如果找不到符合上述三个准则的决策，那么规定此次风险较大，是不可分的。

在一次航迹航路相关过程中，通过统计各个时刻的判决结果，可以得到各个判决结果出现的比例。其中，我们定义不可分决策结果的出现比例为不可分率，其代表的决策的风险程度，如果其值大于0.5，则需要人工干预；决策结果错误的比例为误分率。

为了验证本发明方案，下面给出基于证据推理的航迹航路相关仿真结果。

本仿真测试分为两部分，第一部分：交叉航路。首先在低信噪比机载雷达系统下，分别采用基于假设检验和基于证据推理的航迹航路相关算法，比较各自的特点。第二部分：平行航路。首先在给定平行航路间距下采用两种框架下的算法，观察各自特点，然后统计不同航路间距下概率框架下算法的正确识别概率，证据推理框架下的误分率及不可分率。

跟踪系统参数

设机载雷达的监视区域为在二维平面坐标系下，雷达探测范围[0，100000m]～[0，100000m]，雷达坐标系下，雷达的采样时间间隔为1s，量测噪声协方差阵为

测距误差σ_ρ＝55.6m，测角误差σ_θ＝0.4°，检测概率P_d＝0.8，虚警概率P_f＝10^-6。雷达检测到目标后，将量测数据传输给跟踪系统，跟踪系统过程噪声协方差为Q＝diag([0.05m/s²0.05m/s²])，跟踪系统采用EKF滤波算法，3/4逻辑航迹起始算法，目标最大速度为±700m/s，关联算法为PDA，波门大小为50，航迹终结算法为3/7逻辑。

下面分别在交叉航路和平行航路中进行仿真实验。

1.交叉航路

假设空中有两条交叉航路，航路1和航路2，有一空中目标沿着航路1做匀速直线飞行，驶向飞机场，也即图3-6中点Airport，速度为200m/s，雷达检测到目标后，将数据传输给跟踪系统，得到航路航迹。

如图2所示，两条直线分别表示航路1和航路2，点“*”代表量测，点迹“o”代表滤波后的航迹。通过观察发现，航迹开始由于不稳定，偏向于航路2，随后偏向航路1，随着航路2与航路1的贴近，航迹又贴近于了航路2。

下面，首先采用基于假设检验的航迹航路相关算法对航迹进行分类，其中参数设定为：a=b=1/2，求的各个时刻航迹属于各个航路的概率，并对其进行归一化，概率值大于0.5的航路即为所属航路。经过仿真，得到各个时刻航迹属于航路1和航路2的概率值，如图3所示，横坐标代表时间帧数，纵坐标代表航迹属于航路的概率，其中曲线p(1)是航迹在各个时刻属于航路1的概率，曲线p(2)是航迹在各个时刻属于航路2的概率。判决域值为0.5，如图中直线所示，通过统计各个时刻的分类结果，可以得到该算法的误分率，也即分类错误的次数所占总分类次数的比例。如上图，经统计，该算法的分类误分率为0.64，也就是说分类过程中，有大于一半的分类结果是错误的，由此，认为在这种情况下，该算法出现误判，已经失效了。

下面，采用基于证据距离和矛盾因子的加权证据组合法对上述证据进行融合，其中参数T1=0.1，T2=0.5，结果如图4所示，横坐标代表的是通过统计各个时刻的融合结果，纵坐标代表mass值，曲线m(1)为各个时刻航迹属于航路1的mass值，曲线m(2)代表各个时刻航迹属于航路2的mass值，曲线m(3)代表各个时刻航迹属于辨识框架的mass值。由此，我们得到决策结果如图5所示。

我们定义决策结果为辨识框架（也即未知）的比例为不可分率，决策结果错误的比例为误分率，根据上图，显然可以看出在证据推理框架下，航迹得到了很好的分类，经过统计，其中误分率为0.06，而不可分率为0.25。由此，可以看出，在出现高度不确定性的情况下，概率框架下基于假设检验的航迹航路相关算法会出现失效的现象，而在证据推理框架下的航迹航路相关算法大大地降低了误分率，很好的处理了这一问题。

2.平行航路

下面，采用增加平行航路的方法来进一步验证该算法。假设空中有两条平行航路，间距为300米，有一空中目标沿着其中一条航路飞行，从A点飞往B点，速度为200m/s，雷达检测到目标后，将数据传输给跟踪系统，得到航路航迹，如图6所示，两条直线分别表示航路1和航路2，“*”代表航迹点，“o”代表滤波后的航迹点。

首先，我们仍然基于假设检验进行航迹航路关联，关联结果如图7所示，横坐标代表时间帧数，纵坐标代表航迹属于航路的概率，其中曲线p(1)是航迹在各个时刻属于航路1的概率，曲线p(2)是航迹在各个时刻属于航路2的概率。判决域值为0.5，如图中直线所示，经统计，误分率为0.09，分类错误的比率确实不高，得到了较好的分类效果，但是观察发现，航迹属于航路1和航路2的概率十分接近，都接近于0.5，在这种情况下，做出的决策风险是很大的。可是，概率框架只能输出单一的分类结果，不能给出决策风险的一个量化评价。

下面在各个时刻对证据进行融合，结果如图8所示。

取T1=0.1，T2=0.5，可以得到分类结果如图9所示。虽然证据推理框架下的误分率为0.02，同时，给出了不可分率为0.30，不可分率代表的是此航迹不可分类的程度，是对分类结果不确定的度量，可以作为此决策承担风险程度的量化指标。

下面，我们改变平行航路间的距离，得到不同间距下（以20米的间距变化）证据推理框架下航迹航路的相关的不可分率和误分率，以及在概率框架下的误分率，如图10所示。

根据图10，比较证据推理框架下和概率框架下的误分率，可明显看出证据推理框架下的误分率低于概率框架下的，在间距为0的地方，证据推理框架下误分率为0，不可分率为1，这是符合实际的，而在概率框架下，误分率为1，达到最高，也即得到了错误的分类结果，同时不能给出分类结果的量化评价。同时，如果跟踪是无偏的，这里的曲线应该是对称的，这里图中表现中的不对称与跟踪算法有关。

根据结果显示，该算法能够有效处理低信噪比跟踪系统下的航迹航路相关问题。

Claims (1)

1.一种基于证据推理的航迹航路分类方法，其特征在于步骤如下：

步骤1：建立航迹航路相关模型包括以下步骤：

A1、首先在雷达地理坐标系中建立航路的平面模型；

B1、假设目标在航路上，那么目标状态在位置和航向上严格受航路约束，由此得到航迹点满足的方程及其统计特性；

C1、假设目标沿着航路飞行，得到航迹点满足的方程及其统计特性；

步骤2：多特征指派包括以下步骤：

A2、通过概率函数的方法，得到航迹点在距离因子上属于航路的置信度，归一化后，得到航迹点在距离因子上的基本置信指派；

B2、通过计算航迹点处的椭圆波门，利用线性函数的方法构造在弦长因子上的基本置信指派；

C2、通过概率函数的方法，得到航迹点在航向因子上属于航路的置信度，归一化后，得到航迹点在航向因子上的基本置信指派；

步骤3：多特征指派包括以下步骤：

A3、采用基于证据距离和矛盾因子的证据组合法，对三个因子的基本置信指派进行融合，得到最终航迹属于航路的置信值；

B3、根据制定的三个准则：目标类别应具有最大的决策函数值，目标类别的决策函数值与其它类别的决策函数值的差值大于某一阈值，不确定性决策函数值必须小于某一阈值，来最终决策航迹是否属于航路目标。并规定，如果不符合上述三个准则的决策，那么此次风险较大，即此航迹是不可分的；

C3、在一次航迹航路相关过程中，通过统计各个时刻的判决结果，可以得到各个判决结果出现的比例。其中，我们定义不可分决策结果的出现比例为不可分率，其代表的决策的风险程度，如果其值大于0.5，则需要人工干预；决策结果错误的比例为误分率。

Images