CN107132515A - 一种基于多维信息约束的点迹筛选方法 - Google Patents
一种基于多维信息约束的点迹筛选方法 Download PDFInfo
- Publication number
- CN107132515A CN107132515A CN201710322173.9A CN201710322173A CN107132515A CN 107132515 A CN107132515 A CN 107132515A CN 201710322173 A CN201710322173 A CN 201710322173A CN 107132515 A CN107132515 A CN 107132515A
- Authority
- CN
- China
- Prior art keywords
- mrow
- point mark
- msub
- mark
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/414—Discriminating targets with respect to background clutter
Abstract
一种基于多维信息约束的点迹筛选方法,本发明涉及基于多维信息约束的点迹筛选方法。本发明为了解决杂波环境下目标跟踪器输入点迹中虚假点迹占比过高的问题。本发明通过对典型运动目标进行建模分析,提出一种综合利用点迹运动信息、信噪比信息对所有点迹进行多维约束筛选的方法。本发明方法可给出点迹类型评定,剔除被判别为杂波与干扰的点迹,输出被判别为疑似目标或确认目标的点迹。从源头上改善目标跟踪处理器的输入数据质量,提升目标跟踪准确性和可信度。本发明主要包括:一、点迹单元格划分;二、搜索后续帧候选点迹;三、计算点迹离散度与归一化信噪比;四、对点迹进行质量判定并筛选。本发明用于雷达目标跟踪领域。
Description
技术领域
本发明涉及领域为雷达目标跟踪领域中的数据预处理问题,特别是杂波环境下的雷达目标点迹筛选问题。
背景技术
数据预处理是雷达目标跟踪处理的基础过程,主要作用是改善目标跟踪处理器的输入信息质量,剔除明显不符合系统允许边界的野值数据,为后续处理奠定较好的数据输入基础。雷达数据预处理的质量直接影响目标跟踪系统的整体性能与输出质量。
受监视区域范围较大、回波背景复杂多变、传感器分辨率与精度较低、人为持续干扰等因素影响,当前各种体制的雷达在实际探测过程中均面临着虚警、杂波干扰。这类并非来自真实目标回波的点迹数据在雷达数据处理中一般统称为“虚假点迹”,与来自真实目标回波的“目标点迹”相区分。在某些体制的雷达运用实践中,虚假点迹占比过高导致了一系列问题,如虚假航迹起始率过高,目标航迹与虚假点迹关联,目标航迹过早终结等。特别是当回波区域杂波密度较高时,目标跟踪系统输出结果可信度大幅下降。因此,虚假点迹已经严重影响了目标跟踪系统的输出质量与整体性能。
目前数据预处理领域的技术研究主要集中在点迹凝聚、野值剔除等领域,而对降低回波中虚假点迹占比尚未有较多研究和方案提出。因此经过传统数据预处理后的点迹中虚假点迹占比仍维持在较高水平,对后续处理过程持续产生消极影响。
发明内容
本发明的目的是为了解决杂波环境下目标跟踪器输入点迹中虚假点迹占比过高的问题,而提出一种基于多维信息约束的点迹筛选方法。
一种基于多维信息约束的点迹筛选方法包括以下步骤:
步骤一:对雷达监测区域进行单元格离散化,得到候选点迹的搜索范围;
步骤二:取第k帧点迹中第j个点迹pk,j所在单元格的编号Dm,n;
步骤三:按照候选点迹的搜索范围在第k+1帧中选出候选点迹集合{pk+1,i},i为候选点迹的点迹号;
步骤四:分别计算点迹pk,j与第k+1帧候选点迹集合{pk+1,i}中每个点迹的统计距离d(pk,j,pk+1,i),得到统计距离集合{d(pk,j,pk+1,i)};
步骤五:搜索统计距离集合{d(pk,j,pk+1,i)}中的最小值dk,k+1,并记录与dk,k+1对应的点迹pk+1,m,其中m为第k+1帧点迹序号;
dk,k+1=min[d(pk,j,pk+1,m)]
步骤六:用pk+1,m替代pk,j后,执行步骤二至步骤五,得到dk+1,k+2和pk+2,m;
用pk+2,m替代pk+1,m后,执行步骤二至步骤五,得到dk+2,k+3和pk+3,m;
用pk+3,m替代pk+2,m后,执行步骤二至步骤五,得到dk+3,k+4和pk+4,m;
步骤七:计算数组{dmin}=[dk,k+1,dk+1,k+2,dk+2,k+3,dk+3,k+4]的标准差std[{dmin}],记为帧间距离散度;
步骤八:计算点迹pk,j在第k帧所有点迹集合{Pk}中的归一化信噪比SNRnorm(pk,j);
步骤九:采用帧间距离散度和点迹归一化信噪比为约束条件对点迹pk,j进行质量判断;
步骤十:用j+1替代j,直至完成第k帧所有点迹的质量判断;
步骤十一:用k+1替代k,直至完成所有帧的质量判断。
本发明的有益效果为:
本发明基于点迹的多维信息对雷达回波点迹进行质量分级,依据该质量对点迹进行筛选,保留高质量点迹供后续处理模块使用,剔除低质量点迹。从而提高目标跟踪系统输入信息可信度,改善了最终目标跟踪输出结果。
根据运动信息与信噪比信息对目标跟踪处理器的输入点迹进行了类型判定,筛除了其中对后续处理产生消极影响的无规律虚假点迹,较大幅度地降低了虚假点迹占比,从而改善了后续处理模块的输入数据质量。仿真与实测数据结果均证实了上述效果。在回波环境较为复杂的雷达探测中具有较强的实际应用价值。
根据仿真结果统计:本发明所述的点迹筛选法可将95%的真实目标点迹正确筛选出来,同时会将12%的虚假点迹识别为目标点迹,使虚警程度降低。
附图说明
图1为本发明实施方案框图;
图2为多帧点迹搜索示例图;
图3为点迹筛选后各等级点迹占比示意图;
图4为点迹分布整体示意图;
图5为目标1局部示意图;
图6为目标2局部示意图;
图7为目标3局部示意图。
具体实施方式
具体实施方式一:如图1所示,一种基于多维信息约束的点迹筛选方法包括以下步骤:
根据对典型的匀速运动目标进行建模仿真,结合实际探测数据中的虚假点迹散布规律进行对比,本发明认为源自运动目标的目标点迹的位置或速度信息依探测时间顺序通常会呈现某种规律性的变化,而虚假点迹则没有随时间变化的可统计归纳的运动规律;同时在较短时间内,源自同一目标的点迹信噪比通常会保持稳定。本发明即是利用目标点迹在相邻几帧探测中的平稳变化性质,对相邻几帧探测数据进行点迹运动离散度分析,同时结合点迹归一化信噪比信息,对每一帧回波中所有点迹进行类型判定,即:目标、疑似目标、强杂波、一般杂波与干扰共五种类型判定。其中,点迹的距离、速度、方位角、信噪比信息即为本方法所述的“多维信息”。本发明方法最终将筛选出的判定为目标和疑似目标点迹输出给航迹起始和点航关联等模块进行后续处理,而杂波与干扰点迹通常做丢弃处理。从而达到了对输入点迹进行筛选,进而提升目标跟踪处理器输入数据质量的目的。
步骤一:对雷达监测区域进行单元格离散化,得到每个点迹所在单元格号与候选点迹的搜索范围;单元格的主要作用是为了确定后续搜索相关点迹的搜索区域大小,减小计算量。
步骤二:取第k帧点迹中第j个点迹pk,j所在单元格的编号Dm,n;
步骤三:按照候选点迹的搜索范围在第k+1帧中选出候选点迹集合{pk+1,i},i为候选点迹的点迹号。
步骤四:分别计算点迹pk,j与第k+1帧候选点迹集合{pk+1,i}中每个点迹的统计距离d(pk,j,pk+1,i),得到统计距离集合{d(pk,j,pk+1,i)};
步骤五:搜索统计距离集合{d(pk,j,pk+1,i)}中的最小值dk,k+1,并记录与dk,k+1对应的点迹pk+1,m,其中m为第k+1帧点迹序号;
dk,k+1=min[d(pk,j,pk+1,m)]
步骤六:用pk+1,m替代pk,j后,执行步骤二至步骤五,得到dk+1,k+2和pk+2,m;
用pk+2,m替代pk+1,m后,执行步骤二至步骤五,得到dk+2,k+3和pk+3,m;
用pk+3,m替代pk+2,m后,执行步骤二至步骤五,得到dk+3,k+4和pk+4,m;
向后搜索四帧的理由:远程警戒雷达的距离分辨率通常较差,目标在短时间内的运动距离较小,即运动趋势不明显,仿真计算和实际探测数据处理结果表明:多数探测情况下,4-5帧采样时间内,目标的运动趋势分析能达到较高可信度,且付出的时间代价较小。故本方法在典型情况下一般选择向后搜索4帧,特殊情况下亦可增加。
步骤七:计算数组{dmin}=[dk,k+1,dk+1,k+2,dk+2,k+3,dk+3,k+4]的标准差std[{dmin}],记为帧间距离散度;对于理想运动目标,其帧间距变化应趋近于零,即其各帧间距dk,k+1,dk+1,k+2,dk+2,k+3,dk+3,k+4的大小应保持稳定,故数组的标准差std[{dmin}]应近似为0。对于实际探测目标,std[{dmin}]则应维持在较小的数值水平上,即应低于某一个先验阈值σ0。
步骤八:计算点迹pk,j在第k帧所有点迹集合{Pk}中的归一化信噪比SNRnorm(pk,j);
由于不同探测时刻回波区域的非平稳变化,同一目标的信噪比值可能会发生变化,因此本发明采用归一化信噪比值来反映点迹在当前探测时刻的能量相对强度。同时归一化运算还可使不同体制的雷达探测得到的信噪比信息均变换为[0,1]范围内,方便统一进行阈值设定。
较高的信噪比通常代表了较强的运动目标或是人为干扰点,否则一般认为是弱目标或者虚假点迹。
步骤九:采用帧间距离散度和点迹归一化信噪比为约束条件对点迹pk,j进行质量判断;
步骤十:用j+1替代j,直至完成第k帧所有点迹的质量判断;
滤除质量等级为3和4的点迹,即筛选丢弃杂波和强干扰点迹,保留目标与疑似目标点迹。
步骤十一:用k+1替代k,直至完成所有帧的质量判断。
本发明通过对典型运动目标进行建模分析,提出一种综合利用点迹运动信息、信噪比信息对所有点迹进行多维约束筛选的方法。本发明方法可给出点迹类型评定,剔除被判别为杂波与干扰的点迹,输出被判别为疑似目标或确认目标的点迹。从而从源头上改善目标跟踪处理器的输入数据质量,提升目标跟踪准确性和可信度。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中对雷达监测区域进行单元格离散化,得到候选点迹的搜索范围的具体过程为:
单元格离散化的过程为:将雷达监测的距离-角度(R-A)平面分割成f个单元格,f为正整数,每个单元格大小为ΔR×ΔA,式中,c为真空中光速,B为雷达发射信号带宽;ΔA可取0.5°或1°。
则雷达监测区域可划分成M×N个单元格,且
式中,Amax和Amin分别表示最大和最小观测方位角,Rmax和Rmin分别表示最大和最小观测距离,ceil[·]表示向上取整函数;
将第k帧第j个点迹pk,j所在单元格表示为Dm,n(m=1,2,...,M;n=1,2,...,N),m和n分别由下式计算:
式中,R(pj,k)和A(pj,k)分别表示点迹pk,j的距离值和方位角值,其余同上。
候选点迹搜索范围计算过程为:得到点迹pk,j所在单元格Dm,n后,按“8邻域”法选取搜索范围,即将Dm,n邻近的8个单元格作为候选点迹搜索范围,即单元格Dm-1,n-1,Dm-1,n,Dm-1,n+1,Dm,n-1,Dm,n+1,Dm+1,n-1,Dm+1,n,Dm+1,n+1。上述8个单元格确定的搜索范围为:
式中,R(pk+1,i)和A(pk+1,i)分别表示第k+1帧第i个点迹pk+1,i的距离值和方位角值。满足上述搜索范围条件的点迹即为候选点迹。
若Dm,n位于探测区域边缘导致邻近单元格不足8个,则缺失的邻近单元格不予考虑。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤四中分别计算点迹pk,j与第k0+1帧候选点迹集合{pk+1,i}中每个点迹的统计距离d(pk,j,pk+1,i)的具体过程为:
d(pk,j,pk+1,i)=[εR(Ri-Rj)2+εA(Ai-Aj)2+εV(Vi-Vj)2]1/2
式中Ri表示点迹pk+1,i的距离值,Rj表示点迹pk,j的距离值,Ai表示点迹pk+1,i的方位值,Aj表示点迹pk,j的方位值,Vi表示点迹pk+1,i的速度值,Vj表示点迹pk,j的速度值,εR,εA,εV为加权系数。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤八中计算pk,j在第k帧所有点迹{Pk}中的归一化信噪比SNRnorm(pk,j)的具体过程为:
其中SNRnorm(pk,j)为pk,j的信噪比,SNR{Pk}为第k帧所有点迹{Pk}信噪比的集合。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤九中采用帧间距离散度和点迹归一化信噪比为约束条件对点迹pk,j进行质量判断的标准为:
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]<σ0,SNRnorm(pk,j)>η0时,等级判定为1,点迹类型为高置信度目标;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]<σ0,η1<SNRnorm(pk,j)<η0时,等级判定为2,点迹类型为疑似目标;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]≥σ0,SNRnorm(pk,j)>η1时,等级判定为3,点迹类型为杂波;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]≥σ0,SNRnorm(pk,j)>η0时,等级判定为4,点迹类型为强干扰;
其中σ0为帧间距离散度阈值,η0为高归一化信噪比阈值,η1为低归一化信噪比阈值。
其它步骤及参数与具体实施方式一至四之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
1)利用点迹的位置与信噪比信息,同时考虑运动目标与杂波点迹、人为干扰之间的差异,构建了不同类型点迹的判定标准,可以实现对大量点迹的快速判定并滤除其中质量较差的点迹;
2)对原始输入点迹进行多维筛选滤除后,虚假点迹占比得到大幅下降,真实目标点迹占比得到提高,从源头上改善了后续航迹起始、点航关联等模块的输入数据质量,从而为目标跟踪系统整体奠定了良好的处理基础。特别是对一些工作在强杂波环境下的雷达,点迹筛选对减小系统处理压力,提高输出结果质量具有重要意义。
3)为所有点迹进行质量判定后,低质量点迹既可丢弃,亦可根据其分布情况对点迹来源区域的性质作一定程度的估计。从而使本发明的结果具有更大的应用前景。
为了证明本发明的有益效果,进行如下候选点迹搜索示例和点迹筛选仿真实验验证:
1)候选点迹搜索示例:如图2所示,待处理点迹为第1帧第1个点迹p1,1,根据搜索范围在第2帧上得到候选点迹集合{p2,1,p2,2,p2,3,p2,4},其中点迹p2,3与p1,1的统计距离最短,记为d1,2;依照上述步骤依次处理第2、3、4帧,得到d2,3,d3,4,d4,5。第1~5帧的统计距离数组即为[d1,2,d2,3,d3,4,d4,5],计算标准差得到帧间距离离散度。
2)点迹筛选仿真实验:模拟某远程警戒雷达的监视范围,在方位角10°~30°,径向距离1500km~3000km的范围内设置三个匀速直线运动目标,目标详细运动参数如表1所示。雷达采样间隔40s,采样时长50帧。每帧虚假点迹个数服从泊松分布,且虚假点迹在整个监视范围内服从均匀分布。雷达径向距离量测误差与方位角量测误差分别为2km,0.5°。一次仿真中共产生50帧点迹,其中目标点迹150个。但由于本发明需要利用多帧点迹的信息,当处理帧数设定为5帧时,最后4帧点迹无法进行处理。故实际进行点迹筛选处理的帧数为46帧,其中目标点迹个数为138个。
表1运动目标仿真参数
利用本发明所述的点迹筛选法对上述仿真点迹进行质量判定,得到如图3所示的点迹质量分布图,以及图4-图7所示的高质量点迹分布图,其中图4为整体示意图,图5、图6、图7分别为目标1、2、3的局部放大图。
图中实心点“·”表示虚假点迹,“×”表示目标1点迹,“+”表示目标2点迹,“△”表示目标3点迹。同时将被判定为等级1(即高置信度目标)的点迹用“○”圈出。
令Pt表示目标点迹数,Pc表示虚假点迹数;St表示被判定为等级1的点迹个数,Pts表示被判定为等级1的目标点迹个数。则可定义衡量点迹筛选结果的两个指标,分别为:真实目标检测率:
虚警率:
真实目标检测率表示本发明将真实目标识别目标点迹的正确概率,虚警率则表示将虚假点迹识别为目标点迹的错误概率,两者反映了本发明对真实目标的识别能力和对虚假点迹的滤除能力。
经100次蒙特卡洛仿真试验,得到如表2所示的点迹筛选结果统计表:
表2点迹筛选结果统计表
由上表可知,本发明所述的点迹筛选法可将95%的真实目标点迹正确筛选出来,同时会将12%的虚假点迹识别为目标点迹,造成较低程度的虚警。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种基于多维信息约束的点迹筛选方法,其特征在于:所述基于多维信息约束的点迹筛选方法包括以下步骤:
步骤一:对雷达监测区域进行单元格离散化,得到候选点迹的搜索范围;
步骤二:取第k帧点迹中第j个点迹pk,j所在单元格的编号Dm,n;
步骤三:按照候选点迹的搜索范围在第k+1帧中选出候选点迹集合{pk+1,i},i为候选点迹的点迹号;
步骤四:分别计算点迹pk,j与第k+1帧候选点迹集合{pk+1,i}中每个点迹的统计距离d(pk,j,pk+1,i),得到统计距离集合{d(pk,j,pk+1,i)};
步骤五:搜索统计距离集合{d(pk,j,pk+1,i)}中的最小值dk,k+1,并记录与dk,k+1对应的点迹pk+1,m,其中m为第k+1帧点迹序号;
dk,k+1=min[d(pk,j,pk+1,m)]
步骤六:用pk+1,m替代pk,j后,执行步骤二至步骤五,得到dk+1,k+2和pk+2,m;
用pk+2,m替代pk+1,m后,执行步骤二至步骤五,得到dk+2,k+3和pk+3,m;
用pk+3,m替代pk+2,m后,执行步骤二至步骤五,得到dk+3,k+4和pk+4,m;
步骤七:计算数组{dmin}=[dk,k+1,dk+1,k+2,dk+2,k+3,dk+3,k+4]的标准差std[{dmin}],记为帧间距离散度;
步骤八:计算点迹pk,j在第k帧所有点迹集合{Pk}中的归一化信噪比SNRnorm(pk,j);
步骤九:采用帧间距离散度和点迹归一化信噪比为约束条件对点迹pk,j进行质量判断;
步骤十:用j+1替代j,直至完成第k帧所有点迹的质量判断;
步骤十一:用k+1替代k,直至完成所有帧的质量判断。
2.根据权利要求1所述的一种基于多维信息约束的点迹筛选方法,其特征在于:所述步骤一中对雷达监测区域进行单元格离散化,得到候选点迹的搜索范围的具体过程为:
将雷达监测的距离-角度平面分割成f个单元格,每个单元格大小为ΔR×ΔA,式c为真空中光速,B为雷达发射信号带宽,ΔA取0.5°或1°;f为正整数;
则雷达监测区域划分成M×N个单元格,且
<mrow>
<mi>M</mi>
<mo>=</mo>
<mi>c</mi>
<mi>e</mi>
<mi>i</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>A</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>N</mi>
<mo>=</mo>
<mi>c</mi>
<mi>e</mi>
<mi>i</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>R</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
式中,Amax和Amin分别表示最大和最小观测方位角,Rmax和Rmin分别表示最大和最小观测距离,ceil[·]表示向上取整函数;
将第k帧第j个点迹pk,j所在单元格表示为Dm,n,m=1,2,…,M;n=1,2,…,N,m和n分别由下式计算:
<mrow>
<mi>m</mi>
<mo>=</mo>
<mi>c</mi>
<mi>e</mi>
<mi>i</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>R</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>,</mo>
<mi>n</mi>
<mo>=</mo>
<mi>c</mi>
<mi>e</mi>
<mi>i</mi>
<mi>l</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>&Delta;</mi>
<mi>A</mi>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
</mrow>
式中,R(pj,k)和A(pj,k)分别表示点迹pk,j的距离值和方位角值;
候选点迹搜索范围计算过程为:得到点迹pk,j所在单元格Dm,n后,按8邻域法选取搜索范围,即将Dm,n邻近的8个单元格作为候选点迹搜索范围,即单元格Dm-1,n-1,Dm-1,n,Dm-1,n+1,Dm,n-1,Dm,n+1,Dm+1,n-1,Dm+1,n,Dm+1,n+1;上述8个单元格确定的搜索范围为:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mi>&Delta;</mi>
<mi>R</mi>
<mo><</mo>
<mi>R</mi>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
<mo><</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mi>&Delta;</mi>
<mi>R</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
<mi>&Delta;</mi>
<mi>A</mi>
<mo><</mo>
<mi>A</mi>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
<mo><</mo>
<msub>
<mi>A</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
<mi>&Delta;</mi>
<mi>A</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
式中R(pk+1,i)和A(pk+1,i)分别表示第k+1帧第i个点迹pk+1,i的距离值和方位角值。
3.根据权利要求2所述的一种基于多维信息约束的点迹筛选方法,其特征在于:所述步骤四中分别计算点迹pk,j与第k0+1帧候选点迹集合{pk+1,i}中每个点迹的统计距离d(pk,j,pk+1,i)的具体过程为:
d(pk,j,pk+1,i)=[εR(Ri-Rj)2+εA(Ai-Aj)2+εV(Vi-Vj)2]1/2
式中Ri表示点迹pk+1,i的距离值,Rj表示点迹pk,j的距离值,Ai表示点迹pk+1,i的方位值,Aj表示点迹pk,j的方位值,Vi表示点迹pk+1,i的速度值,Vj表示点迹pk,j的速度值,εR,εA,εV为加权系数。
4.根据权利要求3所述的一种基于多维信息约束的点迹筛选方法,其特征在于:所述步骤八中计算pk,j在第k帧所有点迹{Pk}中的归一化信噪比SNRnorm(pk,j)的具体过程为:
<mrow>
<msub>
<mi>SNR</mi>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>{</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>{</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>min</mi>
<mo>&lsqb;</mo>
<mi>S</mi>
<mi>N</mi>
<mi>R</mi>
<mo>{</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
<mo>&rsqb;</mo>
</mrow>
</mfrac>
</mrow>
其中SNR(pk,j)为pk,j的信噪比,SNR{Pk}为第k帧所有点迹{Pk}信噪比的集合。
5.根据权利要求4所述的一种基于多维信息约束的点迹筛选方法,其特征在于:所述步骤九中采用帧间距离散度和点迹归一化信噪比为约束条件对点迹pk,j进行质量判断的标准为:
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]<σ0,SNRnorm(pk,j)>η0时,等级判定为1,点迹类型为高置信度目标;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]<σ0,η1<SNRnorm(pk,j)<η0时,等级判定为2,点迹类型为疑似目标;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]≥σ0,SNRnorm(pk,j)>η1时,等级判定为3,点迹类型为杂波;
当帧间距离散度和点迹归一化信噪比分别满足std[{dmin}]≥σ0,SNRnorm(pk,j)>η0时,等级判定为4,点迹类型为强干扰;
其中σ0为帧间距离散度阈值,η0为高归一化信噪比阈值,η1为低归一化信噪比阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322173.9A CN107132515A (zh) | 2017-05-09 | 2017-05-09 | 一种基于多维信息约束的点迹筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710322173.9A CN107132515A (zh) | 2017-05-09 | 2017-05-09 | 一种基于多维信息约束的点迹筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107132515A true CN107132515A (zh) | 2017-09-05 |
Family
ID=59733079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710322173.9A Pending CN107132515A (zh) | 2017-05-09 | 2017-05-09 | 一种基于多维信息约束的点迹筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107132515A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797101A (zh) * | 2017-10-24 | 2018-03-13 | 哈尔滨工业大学 | 密集杂波环境下基于点迹多维筛选的航迹起始方法 |
CN109117776A (zh) * | 2018-08-02 | 2019-01-01 | 西安电子工程研究所 | 基于航迹信息的飞机与气象杂波分类识别方法 |
CN109839621A (zh) * | 2017-11-24 | 2019-06-04 | 西安艾索信息技术有限公司 | 一种改进的tbd算法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349747A (zh) * | 2007-07-20 | 2009-01-21 | 汤子跃 | 一种雷达抗有源欺骗干扰性能定量评估方法 |
CN103076605A (zh) * | 2013-01-06 | 2013-05-01 | 中国电子科技集团公司第十研究所 | 多模式轮询和s模式点名询问的二次雷达航迹录取方法 |
CN103472440A (zh) * | 2013-08-12 | 2013-12-25 | 武汉滨湖电子有限责任公司 | 基于点迹质量判决和航迹质量判决的全自动数据处理方法 |
CN103837866A (zh) * | 2014-03-05 | 2014-06-04 | 中国人民解放军92232部队 | 一种岸对海雷达自动录取能力的测评方法及系统 |
CN104155650A (zh) * | 2014-08-14 | 2014-11-19 | 电子科技大学 | 一种基于熵权值法点迹质量评估的目标跟踪方法 |
CN104808197A (zh) * | 2015-05-06 | 2015-07-29 | 四川九洲空管科技有限责任公司 | 一种多监视源飞行目标并行跟踪处理方法 |
-
2017
- 2017-05-09 CN CN201710322173.9A patent/CN107132515A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349747A (zh) * | 2007-07-20 | 2009-01-21 | 汤子跃 | 一种雷达抗有源欺骗干扰性能定量评估方法 |
CN103076605A (zh) * | 2013-01-06 | 2013-05-01 | 中国电子科技集团公司第十研究所 | 多模式轮询和s模式点名询问的二次雷达航迹录取方法 |
CN103472440A (zh) * | 2013-08-12 | 2013-12-25 | 武汉滨湖电子有限责任公司 | 基于点迹质量判决和航迹质量判决的全自动数据处理方法 |
CN103837866A (zh) * | 2014-03-05 | 2014-06-04 | 中国人民解放军92232部队 | 一种岸对海雷达自动录取能力的测评方法及系统 |
CN104155650A (zh) * | 2014-08-14 | 2014-11-19 | 电子科技大学 | 一种基于熵权值法点迹质量评估的目标跟踪方法 |
CN104808197A (zh) * | 2015-05-06 | 2015-07-29 | 四川九洲空管科技有限责任公司 | 一种多监视源飞行目标并行跟踪处理方法 |
Non-Patent Citations (2)
Title |
---|
方青等: ""一种雷达仙波航迹抑制方法"", 《雷达科学与技术》 * |
袁子寅: ""天波雷达数据预处理与数据关联技术研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107797101A (zh) * | 2017-10-24 | 2018-03-13 | 哈尔滨工业大学 | 密集杂波环境下基于点迹多维筛选的航迹起始方法 |
CN109839621A (zh) * | 2017-11-24 | 2019-06-04 | 西安艾索信息技术有限公司 | 一种改进的tbd算法 |
CN109117776A (zh) * | 2018-08-02 | 2019-01-01 | 西安电子工程研究所 | 基于航迹信息的飞机与气象杂波分类识别方法 |
CN111289954A (zh) * | 2020-03-31 | 2020-06-16 | 四川长虹电器股份有限公司 | 用于毫米波雷达目标跟踪的点云划分与航迹匹配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Adaptively constrained dynamic time warping for time series classification and clustering | |
CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
CN102915447B (zh) | 一种基于二叉树支持向量机的分类方法 | |
CN110263846A (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN104931960B (zh) | 动向报文与雷达目标态势信息全航迹段数据关联方法 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
CN104239712B (zh) | 一种雷达抗干扰效能实时评估方法 | |
CN102841131B (zh) | 钢丝绳芯输送带缺陷智能识别方法及系统 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN110298865A (zh) | 基于阈值分离聚类器的天基星空背景弱小点目标跟踪方法 | |
CN111983676A (zh) | 一种基于深度学习的地震监测方法及装置 | |
CN111814699A (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
CN112560596A (zh) | 一种雷达干扰类别识别方法及系统 | |
CN110705693A (zh) | 一种无人机异常行为识别模块及其识别方法 | |
CN109902731A (zh) | 一种基于支持向量机的性能故障的检测方法及装置 | |
Yang et al. | Research on coal gangue recognition based on multi-layer time domain feature processing and recognition features cross-optimal fusion | |
CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损系统及方法 | |
CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
CN116150652A (zh) | 一种雷电辐射波形分类系统及方法 | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
CN106919800A (zh) | 一种证据理论中低相似度碰撞的冲突证据管理方法 | |
Liu et al. | Radar Plot Classification Based on Machine Learning | |
Chen et al. | Application of multiacoustic data in feature extraction of anemometer | |
Ahmed et al. | Earthquake Magnitude Prediction Using Machine Learning Techniques | |
Cai et al. | Multi-step Ahead prediction for Anomaly Detection of Geomagnetic Observation in HVDC transmission |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170905 |