CN109002616A - 雷达点迹凝聚方法、系统及存储介质 - Google Patents
雷达点迹凝聚方法、系统及存储介质 Download PDFInfo
- Publication number
- CN109002616A CN109002616A CN201810809657.0A CN201810809657A CN109002616A CN 109002616 A CN109002616 A CN 109002616A CN 201810809657 A CN201810809657 A CN 201810809657A CN 109002616 A CN109002616 A CN 109002616A
- Authority
- CN
- China
- Prior art keywords
- section
- orientation
- class
- radar
- indicate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000006185 dispersion Substances 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000003068 static effect Effects 0.000 claims description 4
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了雷达点迹凝聚方法、系统及计算机可读存储介质，所述方法先将雷达每帧的点迹数据进行奇异值分解，根据求解的特征值选取数据量小于原始数据但能够最大程度表示原始数据的数据，对得到的数据使用DBSCAN算法进行聚类，形成的每个类簇内点迹认为是同一目标的分裂点迹，统计每一个类簇的距离和方位范围，对获取的范围进行区间划分，根据幅值统计落入各区间点迹的离散系数，将离散系数小的区间做为凝聚区间，计算该区间的平均距离和方位，从而完成点迹凝聚。采用本发明的方法实现在复杂环境下，从雷达点迹的分布密度角度出发，通过提取特征信息、降低噪声杂波影响的方式进行点迹提取，而提高对目标距离和方位参数估计的精确。
Description
技术领域
本发明涉及雷达点迹凝聚技术领域，尤其涉及雷达点迹凝聚方法、系统及计算机可读存储介质。
背景技术
在雷达探测目标的过程中，因受到噪声干扰、目标自身的电磁散射效应等因素导致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。作为雷达另一重要功能的目标跟踪以点迹为前提，所以点迹凝聚结果对后续的跟踪有很大的影响。点迹凝聚的主要思想为：对分布在多个距离单元、方位单元的目标信息进行一定准则的筛选，剔除无效数据，对属于同一目标的目标数据进行凝聚处理，提取出能够表示目标的参数信息。
传统的点迹凝聚方法主要有两种：1.根据方位中心算法的基本原理，得到点迹的距离和方位，该方法简单易操作，但是没有利用目标的幅值信息，容易受到环境的影响，凝聚结果存在着较大的误差；2.根据质量中心算法的基本原理，得到点迹的距离和方位，该方法对幅值信息加以利用，但是由于它信任了所有点迹群内的点，比较容易受到虚假点迹的影响。
鉴于上述原因，有必要提出一种新的雷达点迹凝聚方法
发明内容
本发明的主要目的在于提供雷达点迹凝聚方法、系统及计算机可读存储介质，旨在解决现有的雷达点迹凝聚方法误差较大的问题，提供一种能够解决在相对复杂环境下从点迹分布角度考虑，用少于原始数据但能够在很大程度上表示原始数据的特征数据更为准确实现雷达点迹凝聚的方法。
为实现上述目的，本发明提供雷达点迹凝聚方法，所述方法包括：
步骤S10，对原始的点迹数据进行SVD处理；
步骤S20，对步骤S10得到的数据采用DBSCAN算法进行聚类，对所形成的每个类簇内点迹认定为统一目标的分裂点迹；
步骤S30，对步骤S20得到的每个类簇进行统计，以得到每个类簇的距离和方位范围；
步骤S40，对得到的距离和方位范围进行区间划分，统计离散系数获得凝聚区间；
步骤S50，计算凝聚区间的平均距离和方位以完成点迹凝聚。
优选地，所述对原始的点迹数据进行SVD处理的步骤包括：
步骤S11，输入雷达点迹数据，根据雷达点迹数据构造矩阵；
步骤S12，将根据点迹数据构造的矩阵进行奇异值分解，形成包含重要特征的奇异值分解矩阵。
优选地，所述步骤S11中根据雷达点迹数据构造矩阵中的矩阵为：
其中，m表示存储数据方位数，n表示每个方位上存储的点迹个数，A(i，j)表示方位为i，距离为j的点迹幅值。
优选地，所述对步骤S10得到的数据采用DBSCAN算法进行聚类的步骤包括：
步骤S21，设置DBSCAN的参数：半径Eps以及最小样本点数MinPts；
步骤S22，检测样本数据中尚未检查过的对象p，如果p未被处理，则检查其邻域，若包含的对象数不小于MinPts，建立新簇，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声；
步骤S23，对候选集N中所有尚未被处理的对象q，检查其邻域，若至少包含MinPts个对象，则将这些对象加入N；
步骤S24，重复步骤S22，继续检查N中未处理的对象，直到当前候选集N为空。
步骤S25，重复步骤S22～24，直到所有对象都归入了某个簇或标记为噪声。
优选地，所述步骤S40中对得到的距离和方位范围进行区间划分的步骤包括：
步骤S41，对步骤S20中得到的类簇进行距离区间的静态划分：统计每个类簇的最大距离和最小距离，将最大距离与最小距离之间的区间平均划分为三段；
步骤S42，对步骤S20中得到的类簇进行方位区间的动态划分：统计每个类簇的最大方位、最小方位、最大幅值对应方位以及最小幅值对应方位，求解最大幅值与最小幅值对应方位的平均方位，利用此方位将簇的方位区间一分为二。
优选地，所述步骤S40中统计获得凝聚区间的步骤包括：
步骤S401，统计每个类簇所有划分区间的离散系数；
步骤S402，选择离散系数小的区间作为凝聚区间。
优选地，所述步骤S401中统计离散系数的方法如下：
根据下述公式计算离散系数：
其中，i表示DBSCAN生成的第i个类，Nik表示第i个类的第k个划分区间内的点迹个数，A(ik，j)表示第i个类的第k个区间内第j个点迹的幅值，μik表示第i个类的第k个区间的平均值，σik表示第i个类的第k个区间的方差，cik表示第i个类的第k个区间的离散系数。
优选地，所述步骤S50中计算凝聚区间的平均距离和方位以完成点迹凝聚的方法为：
步骤S51，将最终选定的距离和方位区间求解平均值，得到能够表示目标的距离和方位参数值；
其中，步骤S51的方法如下：
采用如下公式计算得到凝聚后的方位和距离：
其中，i表示DBSCAN生成的第i个类，也即第i个目标，azii表示第i个目标最终凝聚的方位值，rngi表示第i个目标最终凝聚的距离值，azi(ik，j)表示第i类中离散系数最小的区间k中的第j个点迹的方位，Nik表示第i类中离散系数最小的区间k中的点迹个数。
此外，为实现上述目的，本发明还提供一种雷达点迹凝聚系统，所述雷达点迹凝聚系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达点迹凝聚程序，所述雷达点迹凝聚程序被所述处理器执行时实现如上所述的方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有雷达点迹凝聚程序，所述雷达点迹凝聚程序被处理器执行时实现如上所述雷达点迹凝聚方法的步骤。
本发明雷达点迹凝聚方法，所述方法先将雷达每帧的点迹数据进行奇异值分解，根据求解的特征值选取数据量小于原始数据但能够最大程度表示原始数据的数据，对得到的数据使用DBSCAN算法进行聚类，形成的每个类簇内点迹认为是同一目标的分裂点迹，统计每一个类簇的距离和方位范围，对获取的范围进行区间划分，根据幅值统计落入各区间点迹的离散系数，将离散系数小的区间做为凝聚区间，计算该区间的平均距离和方位，从而完成点迹凝聚。本发明的优点在于：在复杂环境下，从雷达点迹的分布密度角度出发，通过提取特征信息、降低噪声杂波影响的方式进行点迹提取，综合方位、距离和幅值信息进行点迹凝聚，从而提高对目标距离和方位参数估计的精确性。
附图说明
图1为本发明雷达点迹凝聚方法一实施例的流程示意图；
图2为图1中DBSCAN聚类方法的流程示意图；
图3为图1中步骤S40方法的具体流程示意图；
图4为图1中步骤S40方法的另一具体流程示意图；
图5为本发明雷达点迹凝聚系统的示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种雷达点迹凝聚方法，参照图1，所述雷达点迹凝聚方法包括如下步骤：
步骤S10，对原始的点迹数据进行SVD处理；
本实施例中，采用SVD(Singular Value Decomposition，奇异值分解)算法提取数据主要特征，将雷达点迹数据作为输入，经过奇异值分解，形成包含重要特征的奇异值分解矩阵；
针对雷达点迹数据，构造一个m*n的矩阵H：
m表示存储数据方位数，n表示每个方位上存储的点迹个数，A(i，j)表示方位为i，距离为j的点迹幅值。
对矩阵H进行SVD分解，得到：
H＝U∑VT
U是m*m阶酉矩阵(左奇异向量)，∑是半正定m*n阶对角矩阵(即除了对角线的元素都是0，对角线上的元素为奇异值)，VT是n*n阶酉矩阵(右奇异向量)。
根据奇异值变化特点，可以选择最大的r个奇异值和对应的左右奇异向量来近似描述矩阵，从而减小有效数据的个数。
在本发明实施例中选择10％的奇异值来生成聚类使用的数据，由此可以得出：
r＝Nσ*10％
其中，Nσ表示矩阵原始矩阵H的总奇异值个数，r表示选取的奇异值个数，H表示用r个奇异值及其对应的左右向量形成的矩阵。
本实施例利用SVD对数据进行处理，提取包含重要特征的信息，减小了数据过多使得分布密度过于集中而导致将两个或多个目标的点迹糅合在一起的概率。
步骤S20，对步骤S10得到的数据采用DBSCAN算法进行聚类，对所形成的每个类簇内点迹认定为统一目标的分裂点迹；
进一步地，采用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise，具有噪声的基于密度的聚类方)进行点迹提取，将步骤10中形成的数据作为DBSCAN算法的样本数据。
具体地，参照图2，所述DBSCAN聚类方法包括如下步骤：
步骤S21，设置DBSCAN的参数：半径Eps以及最小样本点数MinPts；
本实施例中设置Eps＝2；MinPts＝4；
步骤S22，检测样本数据中尚未检查过的对象p，如果p未被处理，则检查其邻域，若包含的对象数不小于MinPts，建立新簇，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声；
本实施例中，检测样本数据中尚未检查过的对象p，如果p未被处理，即未被归为某个簇或者标记为噪声，则检查其邻域，若包含的对象数不小于MinPts，则建立新簇C，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声。
步骤S23，对候选集N中所有尚未被处理的对象q，检查其邻域，若至少包含MinPts个对象，则将这些对象加入N；
步骤S24，重复步骤S22，继续检查N中未处理的对象，直到当前候选集N为空。
步骤S25，重复步骤S22～24，直到所有对象都归入了某个簇或标记为噪声。
基于密度的DBSCAN算法不仅处理速度快，而且能有效处理噪声点，同时降低因区域划分而造成的目标分裂概率，从而进一步提高点迹提取准确性。
步骤S30，对步骤S20得到的每个类簇进行统计，以得到每个类簇的距离和方位范围；
步骤S40，对得到的距离和方位范围进行区间划分，统计离散系数获得凝聚区间；
其中，参照图3，对得到的距离和方位范围进行区间划分的步骤具体包括：
对上述步骤S20中形成的类簇，进行如下操作
步骤S41，距离区间的静态划分：统计每个类簇的最大距离和最小距离，将最大距离与最小距离之间的区间平均划分为三段；
考虑雷达幅值与距离之间的分布关系，采用直接平均的方式进行距离划分。统计其最大距离和最小距离，将此区间平均划分为三段
最大距离：
最小距离：
每段区间长度：
其中，i表示聚类生成的第i个类，Ni表示第i类中点迹个数
步骤S42，方位区间的动态划分：统计每个类簇的最大方位、最小方位、最大幅值对应方位以及最小幅值对应方位，求解最大幅值与最小幅值对应方位的平均方位，利用此方位将簇的方位区间一分为二。
统计其最大方位、最小方位、最大幅值对应方位及最小幅值对应方位，求解最大最小幅值对应方位的平均方位，应用平均方位将本类的方位区间一分为二；其中，
最大方位：
最小方位：
最大幅值与最小幅值对应方位形成的平均方位：
其中，i表示聚类生成的第i个类，Ni表示第i类中点迹个数，max ARngi表示第i类中最大幅值对应的方位，min ARngi表示第i类中最小幅值对应的方位。
其中，参照图4，步骤S40中统计获得凝聚区间的步骤包括：
步骤S401，统计每个类簇所有划分区间的离散系数；
步骤S402，选择离散系数小的区间作为凝聚区间。
具体为，统计各区间点迹的离散系数，统计步骤S20形成的每个簇中点迹步骤S40中划分区间的分布情况，计算各区间的离散系数，选择离散系数小的区间做为凝聚依据，将最终选定的距离和方位区间求解均值，得到能够表示目标的距离、方位参数估计。
其中，Nik表示第i个类的第k个区间内的点迹个数，A(ik，j)表示第i个类的第k个区间内第j个点迹的幅值，μik表示第i个类的第k个区间的平均值，σik表示第i个类的第k个区间的方差，cik表示第i个类的第k个区间的离散系数。
步骤S50，计算凝聚区间的平均距离和方位以完成点迹凝聚。
根据上述公式计算可以得到每个类所有区间的离散系数，将离散系数最小的区间作为凝聚区间，求解凝聚区间方位和距离的均值，得到凝聚后的方位和距离。
具体地，步骤S51，将最终选定的距离和方位区间求解平均值，得到能够表示目标的距离和方位参数值；
其中，步骤S51的方法如下：
采用如下公式计算得到凝聚后的方位和距离：
其中，azii表示最终凝聚的方位值，rngi表示最终凝聚的距离值，azi(ik，j)表示第i类中离散系数最小的区间k中的第j个点迹的方位，Nik表示第i类中离散系数最小的区间k中的点迹个数。
综合利用方位、距离、幅值，根据数据分布的稳定性进行参数估计，简化计算的同时提高点迹凝聚精确性。
本实施例的雷达点迹凝聚方法，先将雷达每帧的点迹数据进行奇异值分解，根据求解的特征值选取数据量小于原始数据但能够最大程度表示原始数据的数据，对得到的数据使用DBSCAN算法进行聚类，形成的每个类簇内点迹认为是同一目标的分裂点迹，统计每一个类簇的距离和方位范围，对获取的范围进行区间划分，根据幅值统计落入各区间点迹的离散系数，将离散系数小的区间做为凝聚区间，计算该区间的平均距离和方位，从而完成点迹凝聚。本发明的优点在于：在复杂环境下，从雷达点迹的分布密度角度出发，通过提取特征信息、降低噪声杂波影响的方式进行点迹提取，综合方位、距离和幅值信息进行点迹凝聚，从而提高对目标距离和方位参数估计的精确性。
本发明进一步提供一种雷达点迹凝聚系统100，参见图5，所述雷达点迹凝聚系统100包括：存储器102、处理器101及存储在所述存储器102上并可在所述处理器101上运行的的雷达点迹凝聚程序，所述雷达点迹凝聚程序被所述处理器101执行时实现如下方法步骤：
步骤S10，对原始的点迹数据进行SVD处理；
本实施例中，采用SVD(Singular Value Decomposition，奇异值分解)算法提取数据主要特征，将雷达点迹数据作为输入，经过奇异值分解，形成包含重要特征的奇异值分解矩阵；
针对雷达点迹数据，构造一个m*n的矩阵H：
m表示存储数据方位数，n表示每个方位上存储的点迹个数，A(i，j)表示方位为i，距离为j的点迹幅值。
对矩阵H进行SVD分解，得到：
H＝U∑VT
U是m*m阶酉矩阵(左奇异向量)，∑是半正定m*n阶对角矩阵(即除了对角线的元素都是0，对角线上的元素为奇异值)，VT是n*n阶酉矩阵(右奇异向量)。
根据奇异值变化特点，可以选择最大的r个奇异值和对应的左右奇异向量来近似描述矩阵，从而减小有效数据的个数。
在本发明实施例中选择10％的奇异值来生成聚类使用的数据，由此可以得出：
r＝Nσ*10％
其中，Nσ表示矩阵原始矩阵H的总奇异值个数，r表示选取的奇异值个数，H表示用r个奇异值及其对应的左右向量形成的矩阵。
本实施例利用SVD对数据进行处理，提取包含重要特征的信息，减小了数据过多使得分布密度过于集中而导致将两个或多个目标的点迹糅合在一起的概率。
步骤S20，对步骤S10得到的数据采用DBSCAN算法进行聚类，对所形成的每个类簇内点迹认定为统一目标的分裂点迹；
进一步地，采用DBSCAN(Density-Based Spatial Clustering of Applicationswith Noise，具有噪声的基于密度的聚类方)进行点迹提取，将步骤10中形成的数据作为DBSCAN算法的样本数据。
具体地，参照图2，所述DBSCAN聚类方法包括如下步骤：
步骤S21，设置DBSCAN的参数：半径Eps以及最小样本点数MinPts；
本实施例中设置Eps＝2；MinPts＝4；
步骤S22，检测样本数据中尚未检查过的对象p，如果p未被处理，则检查其邻域，若包含的对象数不小于MinPts，建立新簇，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声；
本实施例中，检测样本数据中尚未检查过的对象p，如果p未被处理，即未被归为某个簇或者标记为噪声，则检查其邻域，若包含的对象数不小于MinPts，则建立新簇C，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声。
步骤S23，对候选集N中所有尚未被处理的对象q，检查其邻域，若至少包含MinPts个对象，则将这些对象加入N；
步骤S24，重复步骤S22，继续检查N中未处理的对象，直到当前候选集N为空。
步骤S25，重复步骤S22～24，直到所有对象都归入了某个簇或标记为噪声。
基于密度的DBSCAN算法不仅处理速度快，而且能有效处理噪声点，同时降低因区域划分而造成的目标分裂概率，从而进一步提高点迹提取准确性。
步骤S30，对步骤S20得到的每个类簇进行统计，以得到每个类簇的距离和方位范围；
步骤S40，对得到的距离和方位范围进行区间划分，统计获得凝聚区间；
其中，参照图3，对得到的距离和方位范围进行区间划分的步骤具体包括：
对上述步骤S20中形成的类簇，进行如下操作
步骤S41，距离区间的静态划分：统计每个类簇的最大距离和最小距离，将最大距离与最小距离之间的区间平均划分为三段。
考虑雷达幅值与距离之间的分布关系，采用直接平均的方式进行距离划分。统计其最大距离和最小距离，将此区间平均划分为三段
最大距离：
最小距离：
每段区间长度：
其中，i表示聚类生成的第i个类，Ni表示第i类中点迹个数
步骤S42，方位区间的动态划分：统计每个类簇的最大方位、最小方位、最大幅值对应方位以及最小幅值对应方位，求解最大幅值与最小幅值对应方位的平均方位，利用此方位将簇的方位区间一分为二；
统计其最大方位、最小方位、最大幅值对应方位及最小幅值对应方位，求解最大最小幅值对应方位的平均方位，应用平均方位将本类的方位区间一分为二；其中，
最大方位：
最小方位：
最大幅值与最小幅值对应方位形成的平均方位：
其中，i表示聚类生成的第i个类，Ni表示第i类中点迹个数，max ARngi表示第i类中最大幅值对应的方位，min ARngi表示第i类中最小幅值对应的方位。
其中，参照图4，步骤S40中统计获得凝聚区间的步骤包括：
步骤S401，统计每个类簇所有划分区间的离散系数；
步骤S402，选择离散系数小的区间作为凝聚区间。
具体为，统计各区间点迹的离散系数，统计步骤S20形成的每个簇中点迹步骤S40中划分区间的分布情况，计算各区间的离散系数，选择离散系数小的区间做为凝聚依据，将最终选定的距离和方位区间求解均值，得到能够表示目标的距离、方位参数估计。
其中，Nik表示第i个类的第k个区间内的点迹个数，A(ik，j)表示第i个类的第k个区间内第j个点迹的幅值，μik表示第i个类的第k个区间的平均值，σik表示第i个类的第k个区间的方差，cik表示第i个类的第k个区间的离散系数。
步骤S50，计算凝聚区间的平均距离和方位以完成点迹凝聚。
根据上述公式计算可以得到每个类所有区间的离散系数，将离散系数最小的区间作为凝聚区间，求解凝聚区间方位和距离的均值，得到凝聚后的方位和距离。
具体地，步骤S51，将最终选定的距离和方位区间求解平均值，得到能够表示目标的距离和方位参数值；
其中，步骤S51的方法如下：
采用如下公式计算得到凝聚后的方位和距离：
其中，azii表示最终凝聚的方位值，rngi表示最终凝聚的距离值，azi(ik，j)表示第i类中离散系数最小的区间k中的第j个点迹的方位，Nik表示第i类中离散系数最小的区间k中的点迹个数。
综合利用方位、距离、幅值，根据数据分布的稳定性进行参数估计，简化计算的同时提高点迹凝聚精确性。
本实施例的雷达点迹凝聚方法，先将雷达每帧的点迹数据进行奇异值分解，根据求解的特征值选取数据量小于原始数据但能够最大程度表示原始数据的数据，对得到的数据使用DBSCAN算法进行聚类，形成的每个类簇内点迹认为是同一目标的分裂点迹，统计每一个类簇的距离和方位范围，对获取的范围进行区间划分，根据幅值统计落入各区间点迹的离散系数，将离散系数小的区间做为凝聚区间，计算该区间的平均距离和方位，从而完成点迹凝聚。本发明的优点在于：在复杂环境下，从雷达点迹的分布密度角度出发，通过提取特征信息、降低噪声杂波影响的方式进行点迹提取，综合方位、距离和幅值信息进行点迹凝聚，从而提高对目标距离和方位参数估计的精确性。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于SVD和DBSCAN分析的雷达点迹凝聚程序，所述基于SVD和DBSCAN分析的雷达点迹凝聚程序被处理器执行时实现
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.雷达点迹凝聚方法，其特征在于，所述方法包括：
步骤S10，对原始的点迹数据进行SVD处理；
步骤S20，对步骤S10得到的数据采用DBSCAN算法进行聚类，对所形成的每个类簇内点迹认定为同一目标的分裂点迹；
步骤S30，对步骤S20得到的每个类簇进行统计，以得到每个类簇的距离和方位范围；
步骤S40，对得到的距离和方位范围进行区间划分，统计离散系数获得凝聚区间；
步骤S50，计算凝聚区间的平均距离和方位以完成点迹凝聚。
2.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述对原始的点迹数据进行SVD处理的步骤包括：
步骤S11，输入雷达点迹数据，根据雷达点迹数据构造矩阵；
步骤S12，将根据点迹数据构造的矩阵进行奇异值分解，形成包含重要特征的奇异值分解矩阵。
3.根据权利要求2所述的雷达点迹凝聚方法，其特征在于，所述步骤S11中根据雷达点迹数据构造矩阵中的矩阵为：
其中，m表示存储数据方位数，n表示每个方位上存储的点迹个数，A(i，j)表示方位为i，距离为j的点迹幅值。
4.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述对步骤S10得到的数据采用DBSCAN算法进行聚类的步骤包括：
步骤S21，设置DBSCAN的参数：包括半径Eps以及最小样本点数MinPts；
步骤S22，检测样本数据中尚未检查过的对象p，如果p未被处理，则检查其邻域，若包含的对象数不小于MinPts，建立新簇，将其邻域中的所有点加入候选集N；若包含的对象数小于MinPts，则将其标记为噪声；
步骤S23，对候选集N中所有尚未被处理的对象q，检查其邻域，若至少包含MinPts个对象，则将这些对象加入N；
步骤S24，重复步骤S23，继续检查N中未处理的对象，直到当前候选集N为空。
步骤S25，重复步骤S22～24，直到所有对象都归入了某个簇或标记为噪声。
5.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述步骤S40中对得到的距离和方位范围进行区间划分的步骤包括：
步骤S41，对步骤S20中得到的类簇进行距离区间的静态划分：统计每个类簇的最大距离和最小距离，将最大距离与最小距离之间的区间平均划分为三段；
步骤S42，对步骤S20中得到的类簇进行方位区间的动态划分：统计每个类簇的最大方位、最小方位、最大幅值对应方位以及最小幅值对应方位，求解最大幅值与最小幅值对应方位的平均方位，利用此方位将簇的方位区间一分为二。
6.根据权利要求1所述的雷达点迹凝聚方法，其特征在于，所述步骤S40中统计获得凝聚区间的步骤包括：
步骤S401，统计每个类簇所有划分区间的离散系数；
步骤S402，选择离散系数小的区间作为凝聚区间。
7.根据权利要求6所述的雷达点迹凝聚方法，其特征在于，所述步骤S401中统计根据得到的距离和方位范围进行区间划分的各个区间点迹的离散系数的方法如下：
根据下述公式计算离散系数：
其中，i表示DBSCAN生成的第i个类，Nik表示第i个类的第k个划分区间内的点迹个数，A(ik，j)表示第i个类的第k个区间内第j个点迹的幅值，μik表示第i个类的第k个区间的平均值，σik表示第i个类的第k个区间的方差，cik表示第i个类的第k个区间的离散系数。
8.根据权利要求7所述的雷达点迹凝聚方法，其特征在于，所述步骤S50中计算凝聚区间的平均距离和方位以完成点迹凝聚的方法为：
步骤S51，将最终选定的距离和方位区间求解平均值，得到能够表示目标的距离和方位参数值；
其中，步骤S51的方法如下：
采用如下公式计算得到凝聚后的方位和距离：
其中，i表示DBSCAN生成的第i个类，也即第i个目标，azii表示第i个目标最终凝聚的方位值，rngi表示第i个目标最终凝聚的距离值，azi(ik，j)表示第i类中离散系数最小的区间k中的第j个点迹的方位，Nik表示第i类中离散系数最小的区间k中的点迹个数。
9.一种雷达点迹凝聚系统，其特征在于，所述雷达点迹凝聚系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达点迹凝聚程序，所述雷达点迹凝聚程序被所述处理器执行时实现如权利要求1-8任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有雷达点迹凝聚程序，所述雷达点迹凝聚程序被处理器执行时实现如权利要求1-8任一项所述雷达点迹凝聚方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810809657.0A CN109002616A (zh) | 2018-07-23 | 2018-07-23 | 雷达点迹凝聚方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810809657.0A CN109002616A (zh) | 2018-07-23 | 2018-07-23 | 雷达点迹凝聚方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109002616A true CN109002616A (zh) | 2018-12-14 |
Family
ID=64596111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810809657.0A Pending CN109002616A (zh) | 2018-07-23 | 2018-07-23 | 雷达点迹凝聚方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109002616A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655804A (zh) * | 2019-01-24 | 2019-04-19 | 南京航空航天大学 | 一种基于奇异值分解的临近目标相对距离估计方法 |
| CN110058194A (zh) * | 2019-04-01 | 2019-07-26 | 四川九洲防控科技有限责任公司 | 目标的方位确定方法及计算机可读存储介质 |
| CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
| CN110988856A (zh) * | 2019-12-19 | 2020-04-10 | 电子科技大学 | 一种基于密度聚类的目标检测点迹凝聚算法 |
| CN112034432A (zh) * | 2019-06-03 | 2020-12-04 | 华为技术有限公司 | 一种雷达目标聚类方法以及相关装置 |
| CN112053063A (zh) * | 2020-09-08 | 2020-12-08 | 山东大学 | 面向能源系统规划设计的负荷分区方法及系统 |
| CN112612011A (zh) * | 2020-12-24 | 2021-04-06 | 西安电子科技大学 | 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 |
| CN112731296A (zh) * | 2020-11-30 | 2021-04-30 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种汽车毫米波雷达点迹凝聚方法及系统 |
| CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
| CN113406591A (zh) * | 2021-06-15 | 2021-09-17 | 成都西科微波通讯有限公司 | 一种应用于场面监视雷达的目标凝聚方法 |
| CN113820685A (zh) * | 2021-10-19 | 2021-12-21 | 中安锐达(北京)电子科技有限公司 | 一种基于扇块结构的一次点迹凝聚方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130211807A1 (en) * | 2010-10-27 | 2013-08-15 | Elizabeth Land Templeton-Barrett | Method and System for Fracturing a Formation |
| CN104166135A (zh) * | 2014-09-05 | 2014-11-26 | 武汉中原电子集团有限公司 | 一种宽带雷达目标的原始点迹凝聚处理方法 |
| US20150025866A1 (en) * | 2013-07-22 | 2015-01-22 | Honeywell International Inc. | Methods and apparatus for the creation and use of reusable fault model components |
| CN104991235A (zh) * | 2015-06-15 | 2015-10-21 | 南京航空航天大学 | 一种基于雷达点迹的快速跟踪目标的方法 |
| CN106291488A (zh) * | 2016-08-16 | 2017-01-04 | 中国人民解放军防空兵学院 | 一种雷达标定误差校正方法 |
| CN106291503A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
| CN106815417A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种基于离散系数评价磨粒轨迹均匀性的方法 |
-
2018
- 2018-07-23 CN CN201810809657.0A patent/CN109002616A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130211807A1 (en) * | 2010-10-27 | 2013-08-15 | Elizabeth Land Templeton-Barrett | Method and System for Fracturing a Formation |
| US20150025866A1 (en) * | 2013-07-22 | 2015-01-22 | Honeywell International Inc. | Methods and apparatus for the creation and use of reusable fault model components |
| CN104166135A (zh) * | 2014-09-05 | 2014-11-26 | 武汉中原电子集团有限公司 | 一种宽带雷达目标的原始点迹凝聚处理方法 |
| CN104991235A (zh) * | 2015-06-15 | 2015-10-21 | 南京航空航天大学 | 一种基于雷达点迹的快速跟踪目标的方法 |
| CN106291488A (zh) * | 2016-08-16 | 2017-01-04 | 中国人民解放军防空兵学院 | 一种雷达标定误差校正方法 |
| CN106291503A (zh) * | 2016-08-31 | 2017-01-04 | 西南交通大学 | 一种雷达探测系统密度聚类预警方法 |
| CN106815417A (zh) * | 2016-12-30 | 2017-06-09 | 浙江工业大学 | 一种基于离散系数评价磨粒轨迹均匀性的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 徐涛等: "一种基于层次聚类的机场噪声数据挖掘方法", 《南京航空航天大学学报》 * |
| 李超: ""基于融合网络架构的铁路异物侵限及自然灾害预警系统研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 汪永军等: "一种基于岸基多雷达的船舶监视管理系统", 《舰船电子对抗》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109655804A (zh) * | 2019-01-24 | 2019-04-19 | 南京航空航天大学 | 一种基于奇异值分解的临近目标相对距离估计方法 |
| CN110058194A (zh) * | 2019-04-01 | 2019-07-26 | 四川九洲防控科技有限责任公司 | 目标的方位确定方法及计算机可读存储介质 |
| CN112034432A (zh) * | 2019-06-03 | 2020-12-04 | 华为技术有限公司 | 一种雷达目标聚类方法以及相关装置 |
| CN110161464A (zh) * | 2019-06-14 | 2019-08-23 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
| CN110161464B (zh) * | 2019-06-14 | 2023-03-10 | 成都纳雷科技有限公司 | 一种雷达多目标聚类方法及装置 |
| CN110988856B (zh) * | 2019-12-19 | 2021-08-03 | 电子科技大学 | 一种基于密度聚类的目标检测点迹凝聚算法 |
| CN110988856A (zh) * | 2019-12-19 | 2020-04-10 | 电子科技大学 | 一种基于密度聚类的目标检测点迹凝聚算法 |
| CN112053063A (zh) * | 2020-09-08 | 2020-12-08 | 山东大学 | 面向能源系统规划设计的负荷分区方法及系统 |
| CN112053063B (zh) * | 2020-09-08 | 2023-12-19 | 山东大学 | 面向能源系统规划设计的负荷分区方法及系统 |
| CN112731296A (zh) * | 2020-11-30 | 2021-04-30 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种汽车毫米波雷达点迹凝聚方法及系统 |
| CN112731296B (zh) * | 2020-11-30 | 2024-03-08 | 惠州市德赛西威智能交通技术研究院有限公司 | 一种汽车毫米波雷达点迹凝聚方法及系统 |
| CN112612011A (zh) * | 2020-12-24 | 2021-04-06 | 西安电子科技大学 | 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 |
| CN112612011B (zh) * | 2020-12-24 | 2023-12-26 | 西安电子科技大学 | 基于kd-树空间搜索的dbscan生命探测雷达点迹凝聚方法和系统 |
| CN113406591A (zh) * | 2021-06-15 | 2021-09-17 | 成都西科微波通讯有限公司 | 一种应用于场面监视雷达的目标凝聚方法 |
| CN113406591B (zh) * | 2021-06-15 | 2022-08-12 | 成都西科微波通讯有限公司 | 一种应用于场面监视雷达的目标凝聚方法 |
| CN113256990A (zh) * | 2021-07-13 | 2021-08-13 | 北京戍宁信息技术有限公司 | 基于聚类算法的雷达采集道路车辆信息的方法及系统 |
| CN113820685A (zh) * | 2021-10-19 | 2021-12-21 | 中安锐达(北京)电子科技有限公司 | 一种基于扇块结构的一次点迹凝聚方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002616A (zh) | 雷达点迹凝聚方法、系统及存储介质 | |
| CN104931934B (zh) | 一种基于pam聚类分析的雷达点迹凝聚方法 | |
| CN103400156B (zh) | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 | |
| CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
| CN109067722B (zh) | 一种基于两步聚类和检测片分析联合算法的LDoS检测方法 | |
| CN107579846B (zh) | 一种云计算故障数据检测方法及系统 | |
| CN108769079A (zh) | 一种基于机器学习的Web入侵检测技术 | |
| CN109143195B (zh) | 一种基于全kl散度的雷达目标检测方法 | |
| CN103607391B (zh) | 一种基于K‑means的SQL注入攻击检测方法 | |
| CN105046241B (zh) | 基于rbm模型的目标级遥感图像变化检测方法 | |
| CN106611193A (zh) | 一种基于特征变量算法的图像内容信息分析方法 | |
| CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
| CN102346851B (zh) | 基于njw谱聚类标记的图像分割方法 | |
| CN106597406B (zh) | 基于多视角下一维像决策层融合的雷达目标识别方法 | |
| CN110441752A (zh) | 海上目标检测方法及装置 | |
| CN105445710A (zh) | 隐形雷达低截获概率性能评估方法 | |
| CN103714340B (zh) | 基于图像分块的自适应特征提取方法 | |
| CN104090658A (zh) | 基于hog特征的人体图像检测方法 | |
| CN105184829B (zh) | 一种紧密空间目标检测和高精度质心定位方法 | |
| CN108491719A (zh) | 一种改进朴素贝叶斯算法的安卓恶意程序检测方法 | |
| CN105721467B (zh) | 社交网络Sybil群体检测方法 | |
| CN102621535B (zh) | 一种高效的协方差矩阵结构估计方法 | |
| CN104537384A (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
| CN105809092A (zh) | 人群目标检测方法及其装置 | |
| CN103942526A (zh) | 一种离散数据点集的线特征提取方法 |
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 | ||
| AD01 | Patent right deemed abandoned | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240126 |