CN104931934A - 一种基于pam聚类分析的雷达点迹凝聚方法 - Google Patents

Abstract

本发明涉及一种基于PAM聚类分析的雷达点迹凝聚方法。本发明主要适用于杂波较多、群目标航迹交叉等复杂环境下的雷达点迹提取处理。本发明的处理流程是：首先按方位划分扇区，对每个扇区内的点迹按特征相似度采用PAM聚类算法进行分类，每个划分聚类簇内的点迹认为是同一目标的分裂点迹，然后采用特征贴近度加权计算方法进行目标点迹凝聚处理，并对每个聚类结果建立时间序列模型，进行目标延续判决，判决结果和软件杂波图、跟踪波门、录取波门等信息作为下一扫描周期聚类个数计算的主要依据，迭代执行以上步骤。本发明利用了雷达探测回波的统计特性进行聚类和点迹凝聚处理，有效的提高了雷达点迹提取的准确度和可靠性。

Description

一种基于PAM聚类分析的雷达点迹凝聚方法

技术领域

本发明属于雷达数据处理领域，是一种采用PAM(Partitioning Around Medoid，围绕中心点的划分)聚类分析算法的雷达目标点迹凝聚方法。

背景技术

在雷达探测目标的过程中，受到噪声干扰、目标自身的电磁散射效应等因素导致回波存在一定程度的起伏，一个目标可能在不同位置产生多个点迹，即出现目标分裂现象；同时在复杂杂波环境下，包括常见的气候杂波(云、雨、海浪等)以及干扰虚假杂波与真实目标的量测信息揉合在一起。为完成雷达的数据处理首先要找到同一目标分裂的各个可能点迹并将其凝聚起来。

传统的点迹凝聚方法首先寻找某一区域内幅度最大值点作为中心，然后将凝聚波门内的所有点迹通过质心法或比幅法进行凝聚处理，在背景比较干净的条件下效果尚可，但在杂波较多、航迹交叉或小范围内存在多批目标等复杂环境时凝聚得到的点迹可能存在较大偏差，从而导致后续的目标跟偏、跟丢等跟踪不稳定现象。

因此需要设计一种适用于复杂环境下的雷达点迹凝聚方法，以最大限度地减少点迹凝聚结果的可能偏差，进而提高雷达数据处理系统的跟踪精度和航迹稳定度。

孟凡等提出的“一种基于线性回归和聚类分析理论的高速机动目标跟踪方法及其实现”(申请号201210437109.2)专利申请中，对航迹相关时的分裂航迹使用聚类分析进行聚类，从而对高速机动目标进行跟踪，而本发明在点迹相关层面进行聚类处理，从而得到较高置信度的点迹数据。目前雷达数据处理领域已有的参考文献中：通常采用基于均值聚类分析技术(K-均值等)，其对雷达噪声和异常点迹过于敏感，本发明采用较为健壮的围绕中心点划分方法；区域内可能存在的目标个数的设定对最终的聚类划分有很大影响，一般采用模糊化处理，在实际工程实现中有较大偏差，本发明提出基于时间序列判决的多参数综合方法进行目标个数估计。

发明内容

本发明的目的在于提供一种利用基于PAM聚类和时间序列预测的点迹凝聚方法用于复杂环境下雷达目标点迹的提取处理。实现本发明目的的技术解决方案为：对雷达天线扫描周期内的点迹按方位划分扇区存储，对每个扇区内的点迹采用改进的PAM聚类算法进行聚类处理，PAM聚类算法中聚类个数初始值由当前扇区录取波门数和软件杂波图发现的运动目标数确定，通过PAM聚类后使得划分的每个簇中的点都具有较高的贴近度，作为一个可能目标的分裂点集合进行点迹凝聚处理，并对每个簇的聚点建立时间序列预测模型，后续PAM聚类算法的聚类个数由上一天线扫描周期每个簇聚点的时间序列预测结果、软件杂波图、跟踪波门、录取波门等参数综合判决得到。

本发明结构简单，逻辑清楚，计算复杂度低，易于工程实现。

本发明与现有技术相比，其显著优点为：该方法提高了复杂环境下雷达点迹凝聚的准确度和点迹提取的智能性。

下面结合附图2和附图3对本发明作进一步详细描述。

附图说明

附图1是本发明的功能实现框图。

附图2是本发明的工作流程图。

附图3是PAM聚类分析算法流程图。

具体实施方式

本发明采用一种基于PAM聚类分析的点迹凝聚方法进行雷达点迹的提取，具体实施步骤为(参见附图2)：

步骤1：将经检测处理后过慢门限的全程全方位点迹按方位扇区存储；

步骤2：提取扇区内疑似目标信息，计算聚类个数，方法如下：

(1)对当前扇区原始点迹建立三维软件杂波图，生成运动点迹；

(2)获取跟踪滤波、雷达综合显示、时间序列预测等软件模块输出的跟踪波门、录取波门、时间序列外推预测结果等中间信息；

(3)对(1)和(2)进行目标冗余归并处理；

步骤3：当前扇区内按照雷达的目标点迹的回波特性(包含点迹的方位、距离、仰角、信噪比、幅度、RCS、多普勒速度等)计算点迹相似度；

步骤4：按照点迹相似度进行PAM聚类处理，方法如下：

(1)选择距离步骤2中确定的K个目标位置相似度最贴近的点迹作为初始的簇中心点；

(2)REPEAT；

(3)将N-K个剩余的点迹指派给和它相似度最近的中心点所代表的簇，并计算每个剩余点迹与其簇中心的相似度；

(4)REPEAT；

(5)选择一个未被选择的中心点Oi，以Oi为中心建立相似度波门；

(6)REPEAT；

(7)选择一个中心点波门内未被选择过的非中心点对象Oh；

(8)计算用Oh代替Oi的总代价并记录在S中；

(9)UNTIL所有的中心点波门内的非中心点都被选择过；

(10)UNTIL所有的中心点都被选择过；

(11)IF在S中的所有非中心点代替所有中心点后的计算出的总代价有小于0的存在，THEN找出S中的用非中心点替代中心点后代价最小的一个，并用该非中心点替代对应的中心点，形成一个新的K个中心点的集合；

(12)UNTIL所有的S都大于0，没有再发生簇的重新分配；

步骤5：每个簇内采用贴近度加权法进行点迹凝聚处理，由n维欧几里德公式计算的贴近度作为点迹凝聚的权值，每点贴近度σ_i计算公式如下：

${\mathrm{\σ}}_i(A_i,O)=1-\frac{1}{n^{\frac{1}{2}}}{\left(\underset{j=1}{\overset{n}{\Σ}}{\[S_{A_i}\left(x_j\right)-S_O\left(x_j\right)\]}^2\right)}^{\frac{1}{2}}$

凝聚处理方法如下：

${\mathrm{\α}}_s=\underset{i=1}{\overset{n}{\Σ}}\frac{n_i}{N}{\mathrm{\α}}_i$

${\mathrm{\β}}_s=\underset{i=1}{\overset{n}{\Σ}}\frac{n_i}{N}{\mathrm{\β}}_i$

${\mathrm{\γ}}_s=\underset{i=1}{\overset{n}{\Σ}}\frac{n_i}{N}{\mathrm{\γ}}_i$

其中n为参与凝聚点数，为所有参与凝聚点的贴近度之和，α_i、β_i和γ_i为各分裂点迹的方位、距离和仰角参数，α_s、β_s和γ_s为凝聚处理后点迹的方位、距离和仰角；

步骤6：对每个簇按聚点的目标统计特性进行时间序列建模，并进行目标延续判决；

步骤7：按划分扇区迭代执行步骤2～步骤6。

Claims (2)

1.一种基于PAM聚类分析的雷达点迹凝聚方法，其特征在于：通过PAM聚类算法对扇区内点迹进行聚类，由当前扇区录取波门数和软件杂波图发现的运动目标数设置PAM聚类算法中聚类个数初始值，PAM聚类后使得划分的每个簇中的点都具有满足期望阈值的贴近度，作为一个可能目标的分裂点集合进行点迹凝聚处理，并对每个簇的聚点建立时间序列预测模型进行目标延续判决，由上一天线扫描周期每个簇聚点的时间序列预测结果、软件杂波图、跟踪波门、录取波门参数，综合计算得到后续PAM聚类算法的聚类个数。

2.根据权利要求1所述的基于PAM聚类分析的雷达点迹凝聚方法，其特征在于所述贴近度加权计算方法：利用目标统计特性的特征贴近度进行加权计算，使用多维欧几里德公式计算的贴近度作为点迹凝聚的权值，加权平均后得到方位、距离、仰角的凝聚结果。