CN104008403A - 一种svm（矢量机）模式的多目标识别判定方法 - Google Patents

Abstract

本发明属于对空射击管理中的信息处理技术领域，特别涉及一种对空射击管理中的一种多目标识别判定算法。一种对空射击管理中的多目标识别判定算法，应用了分类算法、基于SVM纠错解码、空中目标分类原则、基于SVM的空中目标分类和纠错码矩阵。本发明的有益效果：运用目标特性基类分析与最优选择算法，设计了不同空中目标的目标高度、飞行速度、航线特征、最大航程、最大作战半径等目标参数基类模型，在重点区域对计划任务活动规律进行最优选择，解决了合作目标精确识别的难题。

Description

一种SVM(矢量机)模式的多目标识别判定方法

技术领域

本发明属于对空射击管理中的信息处理技术领域，特别涉及一种对空射击管理中的一种多目标识别判定算法。 

背景技术

随着低空空域管理改革的深入，中国通用航空进入快速成长期，通用航空器的日益增加使低空空域飞行活动变的愈来愈错综复杂，从而为低空探测与安全监视带来了新的挑战。 

雷达以其固有的特点，是低空空管的必要设备。由于雷达电波的直线传播以及地形遮挡物的影响，在对飞行目标监视时存在大量的雷达盲区，限制了跟踪精度的提高和短期冲突检测告警的能力。低空图像辅助监视可以跟踪低空目标，覆盖性好，但受气候影响较大，图像辅助监视配合雷达跟踪系统可实现对空中目标的协同监视，通过数据融合技术得到目标的精确位置，进而跟踪低空目标，提高监视系统的可靠性。 

对目标跟踪精度以及系统可靠性要求的提高，使得单一测量已经无法满足，利用多传感器的多源信息对目标进行融合定位已成为目前研究的热点。多传感器的联合概率数据关联法以及基于交互多模型的多假设跟踪法是常用的目标跟踪定位方法，文献“《基于红外和雷达数据融合的机动目标跟踪方法》，朱志宇，激光与红外，2007年2月，第37卷，第2期，170-174”利用并行多传感器联合概率数据关联法，通过对红外和雷达数据的融合实现对目标的跟踪定位。但是这些 融合定位方法主要基于多传感器的测量误差为独立高斯白噪声的假设，条件过于理想。实际中，雷达与图像监视设备常常放在一个平台上，平台方位角和高低角的误差导致了图像和雷达测量噪声具有相关性，而且，噪声统计特性不可能为人们熟知，存在着各种不确定因素；如果地面布有多个监视系统，融合估计时需要等效到同一坐标系，当监视点距离较大时这种等效也会带来关联性误差和不确定误差。实践表明，这些关联性误差和不确定性常常是影响融合估计精度的主要因素。而目前所给的融合定位方法无法考虑实际系统中的不确定因素，不能更贴切的描述实际系统。 

发明内容

本发明的目的在于针对现有技术的不足，提供一种多源监视信息多目标的判定方法。 

对于K类分类问题，基于SVM的“一对多”方法需要训练K个两类分类器，故其所得到的分类函数的个数较少，分类速度相对较快，但其缺点是每个分类器的训练都是将特征向量输入全部的训练样本参加计算，这样需要求解K个有1个变量的二次规划问题，因此不适用于大规模训练；而纠错码SVM虽然目标识别率较高，但是当目标种类较多时，需要构造多个两类分类器，由于二进制码字符串的长度太长，效率低下。鉴于以上缺点，本发明将基于SVM的“一对多”方法与纠错码设计结合起来，先利用“一对多”方法对待识别目标进行粗分类，然后采用纠错码SVM进行精分类，最终确定待识别目标所属具体类别或型号。这样，不仅避免了“一对多”方法耗时长的缺点，还 提高了目标识别率。 

所述的多源监视信息目标判定算法，应用了分类算法、基于SVM纠错解码、空中目标分类原则、基于SVM的空中目标分类和纠错码矩阵； 

进一步地，所述基于SVM纠错解码采用具有纠错能力的编码对类别进行编码，并将SVM作为码位分类器； 

进一步地，所述基于SVM的对空中目标分类，包括粗分类步骤和精分类步骤，具体包括以下步骤： 

粗分类步骤(包括步骤1-步骤3)： 

步骤1给出空中目标的粗分类原则,并提取空中目标对于各个原则的特征，比如民用飞机、直升机等粗分类类别所对应的飞行高度、飞行速度等，粗分类是将空中目标分为五类：(1)民用飞机(2)军用飞机(3)直升机(4)来袭导弹(5)鸟群、空飘物、虚假目标、遥控飞行器； 

步骤2基于SVM“一对多”多分类法，根据粗分类的类别数N，构造N个两类分类器，比如有5个粗分类类别，就构造5个两类分类器。具体说明参见说明书附图1； 

步骤3将提取的特征分别代入N个两类分类器，得到输出向量，确定待识别目标所属粗分类的类别； 

精分类步骤(步骤4-步骤8)： 

步骤4给出空中目标的精分类原则，比如按照作战半径分类，并提取空中目标的特征，比如提取军用飞机中无人机、截击机、歼击 机等所有种类所对应的作战半径； 

步骤5根据各个粗分类的类别所包含的具体类别数目K，给出合适的纠错码矩阵Q_K×S；其中K为行数，即类别数，S为列数，即二进制码字符串的bit数(也即SVM分类器的个数)，S需满足条件：  ${\log }_2^K<S<2^{K-1}-1;$

步骤6利用SVM对给定的样本进行训练，确定超平面、罚函数等各种参数，得到S个码位分类器，获得支持向量机模型； 

a、储存步骤4中提取的特征； 

b、将提取的特征归一化； 

c、设定SVM的训练参数，如设置核函数中的惩罚系数、操作参数、可容忍偏差等； 

d、调用适当的核函数进行训练。 

步骤7输入待识别目标特征，得到S个码位分类器的输出向量f(X)； 

步骤8用训练好的模型进行预测； 

a、装载模型，计算f(X)和各类别码的汉明距d； 

b、进行预测，依据距离最小原则确定待识别目标的所属精分类的具体类别。 

进一步地，所述训练好的模型指训练完毕后获得的SVM分类器。训练完成后即获得了超平面，对于新的待识别目标，将提取出来的特征向量代入超平面就可以获得分类结果。 

进一步地，多源监视信息目标融合算法采用的是雷达信息融合， 采用基于最小平方估计准则的ADS与雷达信息系统误差配准算法。 

本发明的有益效果：运用目标特性基类分析与最优选择算法，设计了不同空中目标的目标高度、飞行速度、航线特征、最大航程、最大作战半径等目标参数基类模型，在重点区域对计划任务活动规律进行最优选择，解决了合作目标精确识别的难题。 

附图说明

图1为“一对多”分类器的示意图； 

图2为本发明中基于SVM的对空中目标分类的步骤示意图； 

图3为本发明业务功能模块示意图。 

具体实施方式

以下将通过具体实施例对本发明做进一步解释。 

本部分的发明内容主要包括对空射击手持终端中的一种目标判别算法。在对空射击管理系统中需要实时掌握炮射作业周边的空情态势，所以需要有大量的航管雷达信息接入并参与处理，其中包括：军航及民航的空管一、二次雷达信息、ADS等多种信息源。系统需对接入的多路监视信息分别进行分析并采用适当的融合算法实现监视数据的综合处理，但这些工作都基于对空中目标的准确判定。 

接收到监视信息后，首先需将监视数据的格式转换一致，再解码为本地信息，即将监视信息的信息源坐标转换为本地坐标，将不同监视信息源探测到的同一个目标的信息进行融合处理，再进行显示，在 监视信息的融合过程中，包含了两个关键步骤：一是要区分不同目标，二是要把同一个目标的不同信息进行融合，经过融合处理后，准确输出。 

在对空射击管理系统中，多目标源的监视信息融合按照传感器系统的信息流形式和综合处理层次分类，数据融合系统结构模型主要有四种，即集中式、分布式、混合式和多级式。其中分布式结构在军事信息系统中得到广泛应用。在分布式多雷达跟踪系统中，各雷达都有自己的信息处理系统。这些雷达信息处理系统将产生的目标航迹信息，按实际的情报报知关系，上报给预定的融合处理中心。对于雷达数据融合处理中心来说，一个重要的问题是如何判断来自于不同雷达系统的两组航迹数据是否代表同一个目标，这就是来自不同雷达的航迹与航迹的同一性判定问题，称为航迹相关。航迹相关是多雷达数据融合的一个关键问题，也是实现多雷达航迹数据合成的前提，相关判定结果将直接影响到整个融合系统的性能。由于雷达测量误差、目标分布情况、目标运动规律及数据处理方法等因素的影响，要判断来自两个局部节点的航迹是否对应于同一个目标，有时候是很困难的，特别是在密集目标环境下和/或交叉、分岔及机动航迹较多的场合。对于运动平台上的雷达还存在着导航、雷达校准及转换和延迟误差等，这些误差又进一步增加了航迹相关处理的复杂性。 

现有航迹相关的算法可以分为两大类：一类是基于统计理论的方法，另一类是基于非统计理论的方法。基于统计理论的方法在不能较为准确地知道雷达跟踪目标所获得的航迹的精度、系统包含有较大的 导航误差、雷达校准等误差时，其相关判定性能受到较大影响；而基于非统计理论的方法，如基于模糊理论的方法，可以有效地处理相关判定过程中各种因素的模糊性，是一类具有良好应用前景的航迹相关算法。如果将分布式雷达跟踪系统中所有雷达对目标进行跟踪获得的航迹构成航迹集合，而将不同雷达对同一目标跟踪所获得的航迹划归为同一类航迹，则多雷达航迹相关判定问题等价于对航迹集合进行分类的问题。 

多源监视信息目标判定算法主要是建立在支持矢量机的基础上，采用目标特性基类分析与最优选择算法来完成不同目标的区分。支持矢量机(SupportVectorMachine，简称SVM)是近年来在统计学理论的基础上发展起来的一种新的模式识别方法，主要解决的是两类目标分类的问题。多类目标分类一般是分解为多个两类目标分类。SVM是一种两类分类器，但实际需要解决的一般是多类目标分类的问题。多类支持矢量机求解分类问题也已经有了广泛的研究，目前比较简单的方法是构造多个两类分类器并组合起来完成多类目标分类，该方法分成“one-against-one”和“one-against-all”两种类型。 

在对空射击管理系统中，采用基于SVM的多类空中目标分类，运用目标特性基类分析与最优选择算法，设计不同空中目标的目标高度、飞行速度、航线特征等目标参数基类模型，在重点区域对计划任务活动规律进行最优选择，以解决合作目标精确识别的难题。 

空中目标的分类原则是进行分类的基础，而空中目标的重要特征可为设计纠错码矩阵提供参考。 

首先，介绍本发明所述空中目标的分类原则： 

根据现有技术，空中目标指出现在空中的目标，如飞机、伞兵、气球和飞行物等。对空中目标射击指对飞机、直升机、伞兵和其他飞行器所进行的射击。不同种类的空中目标具有不同的特性，与之对应的射击方式与弹药也不尽相同，因此对空中目标进行准确识别和合理分类在防控作战及对空管理方面具有重要的指导意义。 

目前，对空中目标的识别可以分为两个层次：一是飞机、直升机、导弹等大类别目标识别(空中目标类型/种类)，称为粗分类；二是目标具体型号识别，称为精分类。而对空中目标类型的划分是对空中目标进行识别的基础。综合考虑编队信息处理能力和放空作战两个方面的要求，分类的原则包括以下五个原则： 

(1)分类原则： 

A、系统性原则：将选定的目标信息的属性和特征按照一定顺序排列，予以系统化。 

B、一致性原则：保证分类的一致性，使得某一编目要素在不同目标属性中始终具有唯一代码。 

C、统一性原则：分类应与相关的国家标准、行业标准一致，采用科学合理的分类与名称，尽可能考虑人们的传统习惯。 

D、实用性原则：分类体系应简明扼要，便于记忆，便于推广应用。 

(2)空中目标分类： 

根据上述分类原则，本发明进行粗分和细分，空中目标可以粗分为5个大类别，精分为22个具体类别。 

其中粗分类原则为目标高度(H)、飞行速度(V)、航迹方位角(Y)；精分类原则为最大航程(X)、最大作战半径(R)。 

1类：民用小型飞机、民用中型飞机、民用大型飞机； 

2类：无人机、歼击机、截击机、强击机、轰炸机、侦察机、运输机、教练机、预警机、电子对抗机、反潜机、空中加油机、干扰机； 

3类：直升机； 

4类：来袭导弹； 

5类：鸟群、空飘物、虚假目标、遥控飞行器。 

(3)各类目标的主要特征包括目标高度(H)、飞行速度(V)、航迹方位角(Y)、最大航程(X)、最大作战半径(R)： 

1类：150m<H<27000m； 

小型飞机：X<2400km；Y≤0；V>1440km/h 

中型飞机：2400km<X<4800km 

大型飞机：Y无限制；X>4800km；720km/h<V<1440km/h； 

2类：H>27000m；Y≥850；V≥4320km/h； 

无人机：X<7000km；R<50km； 

歼击机:X<5000km；R<800km； 

轰炸机：R<7400km； 

运输机:X<7500km； 

预警机：R<1000km 

3类：H<5000m；300km/h<V<500km/h；X<1000km；R<700km； 

4类：2m<H<100m；720km/h<V<25200km/h；X<8000km；R<50km； 

5类：H<1000m；V<352km/h. 

本发明先采用“一对多”基本多类分类算法进行粗分类： 

所述“一对多”算法，每次解一个两类分类问题。例如，有三种类别的情况，第一次将类别1的样本作为正样本，剩下的2、3样本作为负样本，从而得到一个两类分类器；第二次将类别2作为正样本，其余的类别1、3作为负样本，得到一个分类器；最后将类别3作为正样本，其余的类别1、2作为负样本。这样我们就得到了3个两类分类器，参见说明书附图1。本发明先利用这种分类法将空中目标分为民用飞机、军用飞机、直升机、来袭导弹、鸟群(或空飘物、虚假目标、遥控飞行器)5个类别，因此构造5个两类分类器，当对未知样本进行分类时，将该未知样本的特征作为每一个分类器的输入，由此可以快速得到该目标的类别。 

本发明采用SVM纠错码对空中目标进行精分类： 

所述SVM纠错码是一种把多类分类问题转化为多个两类分类问题的方法。k类数据分类问题，对每个类进行长度为S的二进制编码，就把k类分类问题转化为S个两类分类问题。由于每个码位上的分类器只需要做两类分类，所以可以采用SVM作为码位分类器。对于一个新样本，S个SVM的分类结果构成一个码子S'，k个编码中与S'汉明距距离最小的码字所代表的的类别就是这个新样本的所属类别。若分类器对于未知样本的输出向量为f(X)，则其汉明距为： 

$d(Q_i,f\left(X\right))=\underset{j=1}{\overset{s}{\mathrm{\&Sigma;}}}\frac{|Q_{\mathrm{ij}}-\mathrm{sgn}\left(f_j\right)|}{2}$

式中：i表示纠错码矩阵的第i行，f_j表示第j个码位分类器的输 出。 

ECC-SVM有一系列优点，如识别率高、分类速度快、推广上界与特征向量空间维数无关等。然而，对于一个k类分类问题，有效的ECC编码必须满足两个条件：(1)编码矩阵的行之间不相关；(2)编码矩阵的列之间不相关且不互补。因此，对于k类分类问题，编码长度S必须满足 ${\log }_2^K<S<2^{K-1}-1.$

结合空中目标类型识别问题本身的特殊性，本系统采用该纠错编码支持向量机对空中目标进行分类。 

进一步地，所述基于SVM的对空中目标分类包括以下步骤： 

粗分类步骤(步骤1-步骤3)； 

步骤1给出空中目标的粗分类原则,并提取空中目标对于各个原则的特征，比如民用飞机、直升机等粗分类类别所对应的飞行高度、飞行速度等，粗分类是将空中目标分为五类：(1)民用飞机(2)军用飞机(3)直升机(4)来袭导弹(5)鸟群、空飘物、虚假目标、遥控飞行器； 

所述步骤1中特征指粗分类的各类别对于粗分类原则的特征，比如此发明中粗分类原则是按照目标高度、飞行速度和航迹方位角，则此处特征指5个大类各自的目标高度、飞行速度和航迹方位角；例如，目标高度H＝2000m，飞行速度V＝1800km/h，航迹方位角Y＝0，则对该目标的识别结果可能是小型飞机。 

步骤2基于SVM“一对多”多分类法，根据粗分类的类别数N，构造N个两类分类器，比如有5个粗分类类别，就构造5个两类分类 器。具体说明见说明书附图1； 

步骤3将提取的特征分别代入N个两类分类器，得到输出向量，确定待识别目标所属粗分类的类别； 

所述步骤3中“输出向量”指将提取的特征输入分类器后得到的输出值； 

精分类步骤(步骤4-步骤8)： 

步骤4给出空中目标的精分类原则，比如按照作战半径分类，并提取空中目标的特征，比如提取军用飞机中无人机、截击机、歼击机等所有种类所对应的作战半径； 

所述步骤4中精分类是分别对粗分类产生的五个类别进行具体型号的识别。比如对军用飞机一类进行精分类，最终确定待识别目标是属于无人机还是歼击机等其它军用飞机； 

所述步骤4中“特征”的含义同步骤1中“特征”，两者区别仅在于步骤1中“特征”对应于粗分类原则，而步骤4中“特征”对应于精分类原则。 

步骤5根据各个粗分类的类别所包含的具体类别数目K，给出合适的纠错码矩阵Q_K×S；其中K为行数，即类别数，S为列数，即二进制码字符串的bit数(也即SVM分类器的个数)，S需满足条件：  ${\log }_2^K<S<2^{K-1}-1;$

所述步骤5中的纠错码矩阵Q_K×S是按照两个原则写出来的：(1)行之间不相关，(2)列之间不相关且不互补。其bit数需满足条件：  ${\log }_2^K<S<2^{K-1}-1.$

步骤6利用SVM对给定的样本进行训练，确定超平面、罚函数等各种参数，得到S个码位分类器，获得支持向量机模型； 

a、储存步骤4中提取的特征； 

b、将提取的特征归一化； 

c、设定SVM的训练参数，如设置核函数中的惩罚系数、操作参数、可容忍偏差等； 

d、调用适当的核函数进行训练。 

所述步骤6中“进行训练”的目的是为了得到支持向量机模型，即确定超平面、罚函数等各种参数。 

所述步骤6(a)中“特征”指精分类过程中提取的特征。 

所属步骤6(b)中“归一化”指对数据进行适当的缩放，其目的在于(1)避免一些特征值范围过大而另一些特征值范围过小(2)避免在训练时为了计算核函数而计算内积时引起数值计算的困难，通常将数值缩放到[-1,1]或者[0,1]之间。 

所述步骤6(c)中“设定SVM的训练参数”指设置核函数中的参数，如惩罚系数、操作参数、可容忍的偏差等。设置时可以根据SVM的类型和选用的核函数类型进行任意组合，如果设置的参数在函数或者SVM类型中没有，也不会产生影响，程序不会接受该参数，如果应有的参数设置不正确，参数将采用默认值。 

所述步骤6(d)中“核函数”需满足Mercer条件，即具有封闭性、对称性、复合性。核函数有多种类型，如有线性核、多项式核、RBF核等。通常选择核函数的方法有：一是利用专家的先验知识预先 选定核函数；二是采用Cross-Validation方法，即在进行核函数选取时，分别试用不同的核函数，归纳误差最小的核函数就是最好的核函数，同是核函数的参数也用同样的方法进行选定；三是采用Smits等人提出的混合核函数方法，其基本思想是将不同的核函数结合起来以取得更好的特性。选择不同的核函数，对目标的识别率不同，利用软件进行仿真可以确定合适的核函数。 

步骤7输入待识别目标特征，得到S个码位分类器的输出向量f(X)； 

所述步骤7中“待识别目标特征”指目标的最大航程和最大作战半径。 

所述步骤7中“训练好的模型”指获得的超平面，其表达式中参数已经被确定。 

步骤8用训练好的模型进行预测； 

a、装载模型，计算f(X)和各类别码的汉明距d； 

b、进行预测，依据距离最小原则确定待识别目标的所属精分类的具体类别。 

所属步骤8(a)中“装载模型”指训练完成后，得到一系列的最优参数，将每个参数代入模型，获得最终的支持向量机。 

所述步骤8(a)中“汉明距”的含义为：汉明距用来衡量2个二进制码字符串之间的相似程度，比如1011101与1001001之间的汉明距是2。在信息论中，两个等长字符串之间的汉明距是两个字符串对应位置的不同字符的个数。换句话说，它就是将一个字符串变换成 另一个字符串所需要替换的字符个数，例如2143896与2233796之间的汉明距是3；toned与roses之间的汉明距是3。 

纠错码矩阵设计如下： 

设计一个有效的ECC需要遵循两个基本原则：(1)行分离，即尽量使每行的汉明距最大，以使ECC有更大的修正能力(2)列分离，保持分类器之间相互独立。基于上述两种原则，类别数必须达到5类，例如对于一个3类分类问题，ECC的列数最多为2³＝8列，而有益于分类的只有3类，即汉明距为2，不具备纠错能力。通常对于k类分类问题，ECC最多的有效位数为2^k-1-1列，对于4类问题，ECC最多为7位，对于5类分类问题最多为16位，以此类推。 

由于空中目标的重要特征和其类别有着一定的联系，系统设计了一系列码长的纠错矩阵(Q_5×15、Q_5×12、Q_5×10、Q_5×9、Q_5×7)。其中，9位纠错码的最小汉明距为4，能够自动修正两位误差。实践证明，该码能够较准确地对空中目标进行识别，并有着较好的纠错性能。 

空中目标识别是典型的多类别分类问题，系统给出了9位类别码的设计，并用支持向量机构造出9个码位分类器。依此给出的分类方法，有效地提高了识别率，且能够满足实时性要求。作为目标识别的智能化手段，该技术应用于本项目中的多源数据融合处理系统。 

Claims (8)

1.一种新的基于SVM模式的多目标识别判定方法，其特征在于：按照空中目标的分类原则，所述空中目标分类原则包含粗分类原则和精分类原则，具体包括以下两个步骤：

(1)利用基于SVM的“一对多”方法对空中目标进行粗分类；

(2)利用基于SVM的纠错码对空中目标进行精分类。

2.根据权利要求1所述的多目标识别判定方法，其特征在于：所述粗分类包含以下步骤：

1.1)给出空中目标的粗分类原则,并提取空中目标对于该原则的特征；

1.2)基于SVM“一对多”多分类法，根据粗分类的类别数N，构造N个两类分类器；

1.3)将提取的特征分别代入N个两类分类器，得到输出向量，确定待识别目标所属粗分类的大类别。

3.根据权利要求1所述的多目标识别判定方法，其特征在于：所述精分类包含以下步骤：

2.1)给出空中目标的精分类原则，并提取空中目标对于该原则的特征；

2.2)根据各个粗分类的类别所包含的具体类别数目K，给出合适的纠错码矩阵Q_K×S，其中K为行数，即类别数，S为列数，即二进制码字符串的bit数，S需满足条件：

2.3)利用SVM对给定的样本进行训练，得到S个码位分类器，获得支持向量机模型；

2.4)输入待识别目标特征，得到S个码位分类器的输出向量f(X)；

2.5)用训练好的模型进行预测，计算f(X)和各类别码的汉明距d，依据最小原则确定待识别目标所属具体类别。

4.根据权利要求2所述的多目标识别判定方法，其特征在于：所述粗分类特征包括空中目标的目标高度、飞行速度、航迹方位角。

5.根据权利要求2所述的多目标识别判定方法，其特征在于：所述精分类按照空中目标的最大航程和最大作战半径。

6.根据权利要求2所述的多目标识别判定方法，其特征在于：所述步骤1.3)中的输出向量指将提取的特征输入分类器后得到的输出值。

7.根据权利要求3所述的多目标识别判定方法，其特征在于：所述步骤2.3)中对样本进行训练包括以下步骤：

a、储存步骤2.1)中提取的特征；

b、将提取的特征归一化；

c、设定SVM的训练参数，包括设置核函数中的惩罚系数、操作参数、可容忍偏差；

d、调用适当的核函数进行训练。

8.根据权利要求3所述的多目标识别判定方法，其特征在于：所述步骤2.5)中若分类器对于未知样本的输出向量为f(X)，则其汉明距d为：

$d(Q_i,f\left(X\right))=\underset{j=1}{\overset{s}{\mathrm{\&Sigma;}}}\frac{|Q_{\mathrm{ij}}-\mathrm{sgn}\left(f_j\right)|}{2}$

式中：i表示纠错码矩阵的第i行，f_j表示第j个码位分类器的输出。