CN105548983B - 一种雷达组网目标识别方法 - Google Patents

Abstract

本发明公开了一种雷达组网目标识别方法，属于雷达数据处理技术领域，该方法由s个雷达分别对探测目标的n个属性进行测量，形成s组雷达测量数据，并将探测目标归于m种可能目标中的一种，其中每种可能目标的每一个属性均具有特定的取值范围。本方法提高了识别系统的抗干扰能力，识别难度小，识别准确度高，识别分类过程自上而下进行，其相对于现有技术中的识别方法具有识别过程更加简单可靠的特点，具有良好的推广应用前景。

Description

一种雷达组网目标识别方法

技术领域

本发明涉及目标识别技术领域，尤其涉及一种雷达组网目标识别方法。

背景技术

现代战场环境日益复杂，在各种干扰存在的情况下，雷达回波得到的目标量测信息不确定性大，很难满足作战系统目标识别的需求。为此，现有技术中出现了基于雷达组网的目标融合识别方法。这种方法使用多个雷达同时对一个目标进行探测，并将探测结果进行融合，从而得出精确度优于单个雷达的测量结果。这种雷达组网有助于增强系统的抗干扰能力和环境适应能力，提高了目标识别的可信度及准确性，为作战指挥辅助决策提供了重要依据。

雷达组网探测目标方法的核心技术在于目标融合识别，即指利用多个传感器得到关于目标属性的数据并将这些数据进行融合，从而进行目标身份属性判别的过程。根据信息的抽象层次，目标融合识别可分为数据层融合、特征层融合和决策层融合。数据层融合直接融合来自多个传感器的原始观测信息，在融合的数据中进行特征提取并进行分类，从而得到目标的类别，具有较高的信息利用率。但数据层融合处理的信息量大，抗干扰能力差，且其仅对产生同类观测的传感器是适用的。决策层融合是较高层次的融合，因高层次融合的信息量小，且实现难度相对较小，所以目前目标识别大都采用此方法。但决策层融合损失了大量的特征信息，在量测数据受到干扰时，识别可信度降低。特征层融合属于中间层次，既保留了足够数量的重要信息，又实现了客观的信息压缩。

目前，在现有技术中，利用特征层融合进行目标识别的有关技术还处于空白状态。

发明内容

本发明要解决的技术问题是：针对上述现有技术的不足，提供一种雷达组网目标识别方法，该方法将特征层融合技术应用于雷达组网的目标识别过程中，提高了识别系统的抗干扰能力，识别难度小，识别准确度高，识别分类过程自上而下进行，识别过程简单可靠。

为解决上述技术问题，本发明所采取的技术方案是：

一种雷达组网目标识别方法，该方法使用s个雷达分别对探测目标的n个属性进行测量，形成s组雷达测量数据，并将探测目标归于m种可能目标中的一种，其中每种可能目标的每一个属性均具有特定的取值范围；具体步骤包括：

(a)获得测量数据；

(b)根据测量数据计算每一个属性的信息增益；

(c)将具有最大信息增益的属性作为分类属性，并根据分类属性计算每组雷达测量数据对每个可能目标的隶属度，进而根据隶属度判定探测目标的所属类别；

(d)忽略已选取的分类属性，对剩余属性重复步骤(b)到步骤(c)的操作，直至将探测目标归结为唯一可能，该唯一可能即为对探测目标的识别结果。

具体地，信息增益按照式(1)计算：

Gain(c_k)＝I-E(c_k) (1)

其中，Gain(c_k)表示第k个属性的信息增益，I为对探测目标进行识别的信息熵，E(c_k)为利用c_k划分当前数据集合所需要的信息熵；

式(1)中的I按照式(2)计算：

式(1)中的E(c_k)按照式(3)计算：

其中，

具体地，隶属度按照式(6)计算：

其中，

|A_j|＝b_jk-a_jk＝4×δ_jk,j＝1,2,…,m (9)。

进一步地，根据隶属度判定探测目标的所属类别的依据为：

当K(i,j)≥0时，判定探测目标为类别A_j；当K(i,j)<0时，判定探测目标不是类别A_j，而是其它类别。

本方法的原理可以简述如下：

一组雷达的量测数据可以表示为一个多维数组X＝{x₁,x₂,…,x_n}，其中每个数据x_i(i＝1,2,…,n)都是某个属性变量下的相应取值，那么数组的维数由属性变量的个数决定。对同一目标观测，设雷达组网由s部雷达构成，要求每部雷达产生的量测数据维数相同，都为n维量测数据。表示成矩阵形式，可以得到s组n维量测数据X_s×n。

假设有m种可能的目标类别{A₁,A₂,…,A_m}，对于量测数据集合X_s×n，完全未知其类别，因此认为其属于任何一类的可能性均等，则对数据集合分类所需的信息熵为

依据目标数据库中已积累的数据，给出各类目标关于不同属性变量的量值及波动范围。设一个属性变量为c_k，目标类别A_j关于属性c_k的标准值和标准偏差分别为θ_jk和δ_jk，其中，k＝1,2,…,n，j＝1,2,…,m，取a_jk＝θ_jk-2δ_jk，b_jk＝θ_jk+2δ_jk。则目标A_j关于属性c_k的取值范围是(a_jk,b_jk)，其中j＝1,2,…,m。

假设A表示全体目标类别，这里取k＝1,2,…,n。则全体目标A关于属性c_k的取值范围是(a_k,b_k)。

若属性变量c_k被选为分类属性，其中，k＝1,2,…,n，那么利用c_k划分当前数据集合所需要的信息熵为

式中，是在分类特征c_k下，对第i组量测数据与目标类别A_j之间距离的描述。

越小，表示第i组量测数据属于目标类别A_j的可能性越大；越大，表示第i组量测数据属于目标类别A_j的可能性越小。每组量测数据以不同的可能性属于不同的类别。

若属性变量c_k为分类属性，此时状态的混乱程度用信息熵来度量。对归一化后，计算其熵值，即为利用c_k划分第i组量测数据的信息熵，该熵值表示分类后第i组量测数据的不确定性。对s组量测数据的信息熵求和，得到利用c_k划分当前量测数据集合的信息熵E(c_k)。若分类后，E(c_k)数值较小，则表示利用c_k划分当前量测数据集合后，该状态下的混乱程度较小，量测数据相对确定的属于某个类别。这正是分类识别要达到的目的。

利用属性变量c_k作为分类属性，对当前分支节点数据集合进行分类，所得的信息增益为Gain(c_k)＝I-E(c_k)，Gain(c_k)即为分类后信息熵的减少量。通过计算每一个属性变量的信息增益，将具有最大信息增益的属性作为分类属性，对当前节点数据集合进行分类。

若属性变量c_k为分类属性，则第i组量测数据对目标类别A_j的隶属度为

其中，k＝1,2,…,n，i＝1,2,…,s，j＝1,2,…,m，ρ(X(i,k),A_j)为第i组量测数据与目标类别A_j的关联系数，ρ(X(i,k),A)为第i组量测数据与全体目标类别的关联系数，|A_j|为目标类别A_j的宽度。

K(i,j)表示了在当前分类属性下，第i组量测数据所观测目标属于目标类别A_j的程度。当K(i,j)≥0时，判定所观测目标为目标类别A_j；当K(i,j)<0时，判定所观测目标不是目标类别A_j，而是其它类别。

令w_i为第i组量测数据的权重，它表示对第i组量测数据的信任程度。则判定第i组量测数据是目标类别A_j的可信度就可以定义为

对量测数据集合X_s×n进行分类识别，判定识别结果为A_j的可信度为这样，正确识别结果的可信度越高，就表示准确性越高。若无事先说明，可以认为各雷达的量测数据权重相同，即取w_i＝1/s。

基于以上原理，本方法的分类规则可以描述如下：

(1)由目标数据库给出各类别目标关于不同属性的量值及波动范围，各类别直接构成类决策树的叶节点；

(2)以全体量测数据集合创建第一个节点，即根节点；

(3)选取具有最大信息增益的属性作为分类属性，一旦一个属性变量在某节点处被选为分类属性，在该节点的任何后代上，选择分类属性时就不考虑该属性变量；

(4)根据K(i,j)对当前分支节点数据集合进行分类，产生类决策树的分支；

(5)当不同类别目标在同一属性变量上特性相近时，可能产生一组数据同时属于多类别目标的情况；由于雷达量测数据存在干扰，可能产生一组数据不属于任何类别的情况；以上情况可归纳为分类结果没有唯一确定；也就是说，经过一级分类不能得到识别结果；此时，将分类结果不唯一的量测数据组再次进行下一级分类，重复(3)、(4)过程，直到满足停止分类的条件；

(6)若某组量测数据中某个属性对应的值空缺，在选择分类属性时，只计算非空属性值分类所需的信息熵，忽略空缺值对分类属性的熵值的影响；对含有空缺值的数据进行分类时，若该分类属性下，量测数据空缺，则该组数据跳过本级分类，进入下一级分类，直到满足停止分类的条件；

(7)由于雷达量测数据不确定性大，会形成异类分支；该算法采用边构造边剪枝的方式，即当前节点产生相应的分支，暂时保留每个分支，进行下一级分类，若连续两次某分支相对其余分支为异类分支，则该分支视为无效，其他分支继续进行分类，直到确定所有量测数据类别；

(8)当且仅当以下条件之一成立时，递归步骤停止：

①所有有效的量测数据产生唯一、相同的分类结果，即到达类决策树的某叶节点；

②没有剩余属性变量可以用来对数据进行分类。

对于①，将分类结果判定为目标类别。对于②不能再进行分类时，选取最后一级分类产生的关联函数值中的最大值，将其相对应的类别判定为该级的分类结果。使用多数表决，将数据中绝大部分所属的类判定为目标类别。在分类完成后，计算Bi和B值即可得到识别结果的可信度，从而对识别的准确性进行评估。

采用上述技术方案所产生的有益效果在于：本发明方法将特征层融合技术应用于雷达组网的目标识别过程中，提高了识别系统的抗干扰能力，识别难度小，识别准确度高，识别分类过程自上而下进行，其相对于现有技术中的识别方法识别过程更加简单可靠，具有极强的推广应价值。

附图说明

图1是本发明实施例的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一：

假设现有雷达组网中三部雷达对一空中目标进行探测识别。已知三种目标类别A₁、A₂、A₃。选取四项用于识别的属性变量c₁、c₂、c₃和c₄，标准值分别为θ₁、θ₂、θ₃和θ₄，标准偏差分别为δ₁、δ₂、δ₃和δ₄，由先验知识给出三种目标类别的参数模板，如表1所示。

表1目标类别的标准值及标准偏差

每部雷达经时空配准和关联处理后的量测数据记录如表2所示。试确定该空中目标的类别。

表2雷达量测数据

首先，由表1先验信息，构成类决策树的叶节点。

其次，创建第一个节点。由式(2)得到，对量测数据集合分类所需的信息熵为I＝4.7549。依据式(1)计算每一个属性变量的信息增益。将具有最大信息增益Gain(c₂)＝3.0497的属性c₂作为分类属性，对当前节点数据集合依据式(6)分类。得到隶属度

由隶属度可以看出，第一组和第二组数据得到唯一的分类结果，即第一类目标。而第三组数据通过第一级分类未能做出有效识别。

再次，对第三组数据进行下一级分类，重复上述过程。计算除c₂外每一个属性变量的信息增益，将具有最大信息增益的属性c₃作为分类属性，对当前节点数据集合分类。得到隶属度

K₂＝[0.0652 -0.6592 -0.4201]，

由隶属度可以看出，第三组数据得到唯一的分类结果，即第一类目标。至此，所有的量测数据产生唯一、相同的分类结果，即到达类决策树的叶节点，停止分类。识别结果为第一类目标。整个识别流程如图1所示。

最后，取w_i＝1/3,i＝1,2,3，计算得到识别结果的可信度B＝0.6645。

实施例二：

三种目标类别的先验知识如表1所示。假设雷达组网的量测数据存在部分空缺值，将原量测数据任意设置空缺值得到表3。试确定该空中目标的类别。

表3雷达量测数据(含空缺值)

识别方法与实施例一略同，相同部分不再赘述。在第一个节点处，计算每一个属性变量的信息增益。由于存在空缺值，只计算非空属性值分类所需的信息熵。将具有最大信息增益属性c₃作为分类属性，对当前节点数据集合分类。得到隶属度

由隶属度可以看出，第二组与第三组数据得到唯一的分类结果，即第一类目标。而第一组数据含有属性c₃下的空缺值，则不参与本级分类，进行下一级分类，重复上述过程。计算除c₃外每一个属性变量的信息增益，将具有最大信息增益的属性c₂作为分类属性，对当前节点数据集合分类。得到隶属度

K₂＝[0.1538 -0.6704 -0.8402]。

可以看出，第一组数据得到唯一的分类结果，即第一类目标。至此，所有的量测数据产生唯一、相同的分类结果，停止分类。识别结果为第一类目标，可信度为0.6506。

需要指出的是，以上具体实施方式只是本专利实现方案的具体个例，没有也不可能覆盖本专利的所有实现方式，因此不能视作对本专利保护范围的限定；凡是与以上案例属于相同构思的实现方案，均在本专利的保护范围之内。

通过以上实施例可见，本发明方法在特征层进行融合识别，相比决策层融合提高了信息利用率，能够对含有空缺值的量测数据进行正确分类，提高了目标识别结果的可信度。相比数据层融合，克服了数据量过大、抗干扰能力差的不足。并且，采用信息增益最大的属性作为分类属性进行分类，使得根节点到达叶节点的路径较短，提高了分类速度。

总之，类决策树分类算法无需训练样本，是一种简单有效的特征层融合识别算法，普遍适用于战时雷达组网目标融合识别，特别是针对量测数据不准确、不完备的情况，能够对其进行合理的分类识别。此外，该方法不仅适用于雷达组网的目标识别，也可推广到其他多传感器的决策问题。

Claims (3)

1.一种雷达组网目标识别方法，其特征在于：由s个雷达分别对探测目标的n个属性进行测量，形成s组雷达测量数据，并将探测目标归于m种可能目标中的一种，其中每种可能目标的每一个属性均具有特定的取值范围；具体步骤包括：

(a)获得测量数据；

(b)根据测量数据计算每一个属性的信息增益；

(c)将具有最大信息增益的属性作为分类属性，并根据分类属性计算每组雷达测量数据对每个可能目标的隶属度，进而根据隶属度判定探测目标的所属类别；

(d)忽略已选取的分类属性，对剩余属性重复步骤(b)到步骤(c)的操作，直至将探测目标归结为唯一可能，该唯一可能即为对探测目标的识别结果；

目标识别所述信息增益按照式(1)计算：

Gain(c_k)＝I-E(c_k) (1)，

其中，Gain(c_k)表示第k个属性的信息增益，I为对探测目标进行识别的信息熵，E(c_k)为利用c_k划分当前数据集合所需要的信息熵；

式(1)中的I按照式(2)计算：

式(1)中的E(c_k)按照式(3)计算：

其中，

X(i，k)为第i组第k维量测数据目标类别，目标类别A_j关于属性c_k的标准值为θ_jk，目标类别A_j关于属性c_k的标准偏差为δ_jk，其中，j＝1,2,…,m，

2.根据权利要求1所述的雷达组网目标识别方法，其特征在于：所述隶属度按照式(6)计算：

其中，

|A_j|＝b_jk-a_jk＝4×δ_jk,j＝1,2,…,m (9)；

A_j表示目标类别，a_jk＝θ_jk-2δ_jk，b_jk＝θ_jk+2δ_jk。

3.根据权利要求2所述的雷达组网目标识别方法，其特征在于：所述根据隶属度判定探测目标的所属类别的依据为：

当K(i,j)≥0时，判定探测目标为类别A_j；

当K(i,j)<0时，判定探测目标不是类别A_j，而是其它类别。