CN109840916A - 高频地波雷达舰船目标跟踪算法的测评方法 - Google Patents

Abstract

本发明涉及一种高频地波雷达舰船目标跟踪算法的测评方法，属于高频地波雷达技术领域。本发明包括如下步骤：使用基于文法引导的遗传编程对目标跟踪算法的测试情景进行进化搜索，使得目标跟踪算法的测试情景逐代进化，最终得到使目标跟踪算法失效程度严重的测试情景；失效情景的进化实验结果显示，该进化式搜索方法能够高效准确地搜索到使舰船目标跟踪算法性能低下的情景集合；引入数据挖掘技术，进行运动模式和干扰因素分布情况的识别，从而分析出量化指标，找出目标跟踪的潜在漏洞和影响其跟踪性能的因素，最终形成量化的测评报告。本发明能够高效地自动搜集到目标跟踪算法的潜在漏洞和影响其跟踪性能的因素。

Description

高频地波雷达舰船目标跟踪算法的测评方法

技术领域

本发明涉及一种高频地波雷达舰船目标跟踪算法的测评方法，特别涉及基于情景进化与 数据挖掘的高频地波雷达舰船目标跟踪算法的测评方法，属于高频地波雷达技术领域。

背景技术

海上集成监视系统主要包括以各类雷达组成的传感系统、通信系统和数据融合处理中心。 一个国家海上监视系统的成熟完善与否，直接决定着其保卫领海安全、维护国家海洋权利、 发展区域海洋经济的能力，也是提升海军作战能力、促进国家海军向科技化、信息化升级的 关键环节。海上集成监视系统数据融合处理中心的核心算法—高频地波雷达舰船目标跟踪算 法根据舰船目标的多时刻连续监测结果，能够从目标的连续运动规律中得出目标的运动轨迹， 从而实现海上舰船目标的连续跟踪监视。对海上的舰船目标进行实时监测，既能够有效剔除 目标检测时误认的虚假目标，同时又能够提高对目标的探测精度，目标跟踪算法的出现和发 展大大提髙了海上舰船目标的跟踪监测性能。因此，高频地波雷达舰船目标跟踪算法的性能 对海上集成监视系统成功进行舰船目标监测至关重要。

然而影响海上舰船目标跟踪功能的不确定性因素较多，导致目标跟踪过程中常出现目标 丢失或者跟踪错误的情况，但目前对每种高频地波雷达目标跟踪算法能够分辨和跟踪哪些“情 景”(即不确定性因素的取值与组合)下的多目标及其跟踪能力的认识还远远不够，对目标跟 踪算法的功能进行高效的测试与评估的研究并不充分。主要体现在很难有好的试验场景、大 量的有效测试数据用于测试和评估算法的性能，尤其是发现那些能够导致舰船目标跟踪算法 失效、造成海上目标监测漏洞的测试情景，进而发现雷达舰船目标跟踪的漏洞。

因此，对高频地波雷达舰船目标跟踪算法进行深入细致的测试与评估，有效发现算法的 漏洞至关重要。这对舰船目标跟踪算法的选型和改进、使用风险的合理规避并最终提高国家 海上安全都意义重大。

高频地波雷达舰船目标跟踪算法的研究中有关测试评估的部分主要采用两类方法，分别 是基于海上试验实测数据的测试和基于仿真数据的测试：(1)基于实测数据的测试是使用实 测的海上监测AIS数据，对目标跟踪算法直接进行测试。AIS数据为一段监视时间内按某一 采样时间的目标运动状态的序列，数据量巨大、维数高，不利于测试数据的搜索；(2)基于 仿真数据的测试方法中，测试输入主要是由特定的目标运动模型产生，同样存在类似的测试 数据量大从而不利于搜索、难以模拟真实海上目标运动的机动性和多样性的问题。

对高频地波雷达舰船目标跟踪算法的测评，就是在使用前及过程中对各种影响因素的静 态特性、动态特性、不确定性进行组合和模拟，产生各种“情景”对目标跟踪算法进行测试， 评价测试结果，从而搜索导致算法失效的情景构成有效测试数据集，并对大量搜索到的失效 情景进行有效的数据分析，找出可能隐含在其中的被测跟踪算法的薄弱区域，进而对其适用 范围进行界定，最终生成测试评估报告。

发明内容

针对现有技术存在的上述缺陷，本发明提出了一种高频地波雷达舰船目标跟踪算法的测 评方法，如何针对性地获得各种各样的测试数据集并建立一套完善的高频地波雷达舰船目标 跟踪算法性能测试与评价的体系，最终提供关于算法的各项性能量化指标、适用范围及潜在 漏洞的测试评估报告，为算法设计者提供算法改进的依据、为使用者或决策者提供建议。

本发明所述的高频地波雷达舰船目标跟踪算法的测评方法，包括如下步骤：

S1:生成测试的情景:首先模拟出从一艘至数百艘舰船目标在海域的不同运动状态下的情 景；其中，情景指的是在一定时间内、海上监视区域内的态势描述，包含舰船目标的运动状 态和所受到的干扰因素的描述；

S2:目标跟踪算法性能评价:将输入的情景转化为高频地波雷达舰船目标跟踪算法的输 入，即按时间排列的海上目标的航迹点序列，运行得到跟踪结果，在此结果的基础上由评价 指标计算并转化为最终的情景客观评价值；

S3:情景进化得到使目标跟踪算法失效的情景:利用情景客观评价值作为反馈指导，采用 进化计算的自反馈机制，不断更新产生情景种群，收集到使目标跟踪算法失效的情景群；

S4:失效情景分析与数据挖掘:对失效的情景中舰船目标进行舰船目标的运动模式和其他 干扰因素的分布情况进行识别，然后分析出量化的指标，从中得出规律性的影响因素，对量 化指标总结形成测试评估的报告。

优选地，所述S2中，情景客观评价值，通过定义多种目标跟踪的性能评价指标，直接反 映目标跟踪算法在测试情景下的跟踪效果的优劣。

优选地，所述S3中，目标跟踪算法失效情景的数据挖掘方法是基于DBSCAN聚类算法， 在搜索到大量高频地波雷达舰船目标跟踪算法的失效情景中，包括如下小步：

S31：进行运动模式的识别，提出了三种运动模式，并自动发现失效情景中存在的护航模 式、聚集模式和交汇模式；

S32：统计三种运动模式的参数，参数包括轨迹挖掘模式的数量、相应模式发生时舰船间 的距离、相应模式持续时间、两舰船运动夹角参数的分布情况，以此深入探讨易使目标跟踪 算法失效的情景的量化特征。

优选地，所述S3中，DBSCAN聚类算法的两个关键的输入变量是半径Eps和阈值MinPts， 其样本集的样本个数的计算公式如下：

N(x_i)＝{x_j∈D|distance(x_i,x_j)≤Eps}

其中，N(x_i)表示在x_i的Eps邻域内样本点的集合，|N(x_i)|为样本集的样本个数；

则两个二维样本点的欧式距离的计算公式如下：

其中，distance为两个二维样本点的欧式距离：x_i1为x_i横坐标，x_i2为其纵坐标。

优选地，所述S31中，护航模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts 值设定为检测范围内感兴趣的最低目标个数，并且在每一个采样时刻，运动目标的连续n个 点迹都为密度相连，并且相互之间航向角的夹角小于设定的α度。

优选地，所述S31中，聚集模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts 值设定为检测范围内感兴趣的最低目标个数，在某一时刻，至少存在n个目标点密度相连。

优选地，所述S3中，进化计算的自反馈机制，通过高效的搜索并有针对性的收集测试数 据集包括反映目标跟踪漏洞、能够导致跟踪失效的测试数据集，在进化结束后的最终代情景 种群中，收集到会导致目标跟踪算法失效的数据集。

优选地，所述S4中，失效情景分析与数据挖掘，通过搜索到大量高频地波雷达舰船目标 跟踪算法的失效情景中，进行运动模式和干扰因素分布情况的识别，从而分析出量化指标， 找出目标跟踪的潜在漏洞和影响其跟踪性能的因素，最终形成量化的测评报告。

本发明的有益效果是：(1)情景模型有效地描述了高频地波雷达舰船目标跟踪中的不确 定性因素及其相互关系；(2)通过定义多种目标跟踪的性能指标，并设计了目标跟踪算法情 景仿真与性能评价方法；(3)运用基于文法引导的遗传编程，结合所产生的情景，以情景评 价值为反馈指导，构建了基于情景进化的目标跟踪算法失效情景进化方法；(4)可以从搜索 到大量高频地波雷达舰船目标跟踪算法的失效情景中，引入数据挖掘技术，进行运动模式和 干扰因素分布情况的识别，从而分析出量化指标，找出目标跟踪的潜在漏洞和影响其跟踪性 能的因素，最终形成量化的测评报告。

附图说明

图1是本发明的体系结构示意图；

图2是本发明的失效情景进化方法流程图；

图3(a)-图3(c)是本发明的遗传算子设计示意图；

图4(a)-图4(f)是本发明的实施操作结果图；

图5(a)-图5(b)是本发明数据挖掘流程图。

具体实施方式

为了使本发明目的、技术方案更加清楚明白，下面结合实施例，对本发明作进一步详细 说明。

实施例1：

如图1至图5(b)所示，本发明所述的高频地波雷达舰船目标跟踪算法的测评方法，包括 如下步骤：

S1:生成测试的情景:首先模拟出从一艘至数百艘舰船目标在海域的不同运动状态下的情 景；其中，情景指的是在一定时间内、海上监视区域内的态势描述，包含舰船目标的运动状 态和所受到的干扰因素的描述；

S2:目标跟踪算法性能评价:将输入的情景转化为高频地波雷达舰船目标跟踪算法的输 入，即按时间排列的海上目标的航迹点序列，运行得到跟踪结果，在此结果的基础上由评价 指标计算并转化为最终的情景客观评价值；

S3:情景进化得到使目标跟踪算法失效的情景:利用情景客观评价值作为反馈指导，采用 进化计算的自反馈机制，不断更新产生情景种群，收集到使目标跟踪算法失效的情景群；

S4:失效情景分析与数据挖掘:对失效的情景中舰船目标进行舰船目标的运动模式和其他 干扰因素的分布情况进行识别，然后分析出量化的指标，从中得出规律性的影响因素，对量 化指标总结形成测试评估的报告。

优选地，所述S2中，情景客观评价值，通过定义多种目标跟踪的性能评价指标，直接反 映目标跟踪算法在测试情景下的跟踪效果的优劣。

优选地，所述S3中，目标跟踪算法失效情景的数据挖掘方法是基于DBSCAN聚类算法， 在搜索到大量高频地波雷达舰船目标跟踪算法的失效情景中，包括如下小步：

S31：进行运动模式的识别，提出了三种运动模式，并自动发现失效情景中存在的护航模 式、聚集模式和交汇模式；

S32：统计三种运动模式的参数，参数包括轨迹挖掘模式的数量、相应模式发生时舰船间 的距离、相应模式持续时间、两舰船运动夹角参数的分布情况，以此深入探讨易使目标跟踪 算法失效的情景的量化特征。

优选地，所述S3中，DBSCAN聚类算法的两个关键的输入变量是半径Eps和阈值MinPts， 其样本集的样本个数的计算公式如下：

N(x_i)＝{x_j∈D|distance(x_i,x_j)≤Eps}

其中，N(x_i)表示在x_i的Eps邻域内样本点的集合，|N(x_i)|为样本集的样本个数；

则两个二维样本点的欧式距离的计算公式如下：

其中，distance为两个二维样本点的欧式距离：x_i1为x_i横坐标，x_i2为其纵坐标。

优选地，所述S31中，护航模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts 值设定为检测范围内感兴趣的最低目标个数，并且在每一个采样时刻，运动目标的连续n个 点迹都为密度相连，并且相互之间航向角的夹角小于设定的α度。

优选地，所述S31中，聚集模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts 值设定为检测范围内感兴趣的最低目标个数，在某一时刻，至少存在n个目标点密度相连。

优选地，所述S3中，进化计算的自反馈机制，通过高效的搜索并有针对性的收集测试数 据集包括反映目标跟踪漏洞、能够导致跟踪失效的测试数据集，在进化结束后的最终代情景 种群中，收集到会导致目标跟踪算法失效的数据集。

优选地，所述S4中，失效情景分析与数据挖掘，通过搜索到大量高频地波雷达舰船目标 跟踪算法的失效情景中，进行运动模式和干扰因素分布情况的识别，从而分析出量化指标， 找出目标跟踪的潜在漏洞和影响其跟踪性能的因素，最终形成量化的测评报告。

本发明的原理是：使用基于文法引导的遗传编程对目标跟踪算法的测试情景进行进化搜 索，使得目标跟踪算法的测试情景逐代进化，最终得到使目标跟踪算法失效程度严重的测试 情景；失效情景的进化实验结果显示，该进化式搜索方法能够高效准确地搜索到使舰船目标 跟踪算法性能低下的情景集合；引入数据挖掘技术，进行运动模式和干扰因素分布情况的识 别，从而分析出量化指标，找出目标跟踪的潜在漏洞和影响其跟踪性能的因素，最终形成量 化的测评报告。能够高效地自动搜集到目标跟踪算法的潜在漏洞和影响其跟踪性能的因素； 该方法成功通过定义多种目标跟踪中的性能评价指标，并设计了目标跟踪算法的情景仿真与 性能评价方法。

本发明的情景模型有效地描述了高频地波雷达舰船目标跟踪中的不确定性因素及其相互 关系；本发明通过定义多种目标跟踪的性能指标，并设计了目标跟踪算法情景仿真与性能评 价方法；本发明运用基于文法引导的遗传编程，结合所产生的情景，以情景评价值为反馈指 导，构建了基于情景进化的目标跟踪算法失效情景进化方法；本发明可以从搜索到大量高频 地波雷达舰船目标跟踪算法的失效情景中，引入数据挖掘技术，进行运动模式和干扰因素分 布情况的识别，从而分析出量化指标，找出目标跟踪的潜在漏洞和影响其跟踪性能的因素， 最终形成量化的测评报告。

实施例2：

下面结合具体实施例，对本发明作进一步详细说明。

如图1所示，本发明实施例的体系结构示意图，具体实现步骤如下：

步骤1：产生舰船目标跟踪算法的测试情景(100)，模拟出一艘乃至上百艘舰船在海域中 的运动情景，具有较高的真实性。

步骤2：情景仿真与评价方法(101),通过情景仿真(102)将输入的情景转化为高频地波雷 达舰船目标跟踪算法(103)的输入，即按时间排列的海上目标的航迹点序列，运行得到目标的 跟踪结果，在此结果的基础上，计算出情景的性能评价值(104)，此性能评价值(104)就代表 了相应情景使目标跟踪算法失效的程度。

其中，所述情景评价指标主要基于航迹断裂这一舰船目标跟踪算法中普遍存在的现象— 即原本舰船目标的真实运动航迹是连续的，但算法跟踪结果中却存在航迹从中断开的现象， 有时是单纯发生了自身航迹的断裂，有时是因为与别的舰船航迹发生了误匹配。

在具体实施例中：通过定义多种情景的评价指标，例如航迹分段个数的多船平均值(F1)、 最长跟踪到的航迹段与舰船真实航迹长度占比的多船平均值的反转(F2)等等。

步骤3：基于文法引导的遗传编程(GGGP)的失效情景进化方法(105)，对产生的情景种群 进行选择、交叉、变异等遗传操作，利用进化计算(106)的自反馈机制，不断更新产生情景种 群，在进化结束后的最终代情景种群中，收集到会导致目标跟踪算法失效的情景群，并进行 大量实验验证，对搜索到的失效情景的多目标和个体特征进行分析。

步骤4：数据挖掘进行分析(107)，对步骤3实验得到的使目标跟踪算法失效情景(108) 进行情景分析、数据挖掘(109)，并总结使目标跟踪算法失效的规律性因素。

在具体实施例中：提出了基于DBSCAN聚类算法的目标跟踪算法的失效情景的数据挖掘方 法，在搜索到大量高频地波雷达舰船目标跟踪算法的失效情景中，首先进行运动模式的识别， 提出了三种运动模式，并自动发现失效情景中存在的护航模式、聚集模式和交汇模式。进一 步统计三种轨迹挖掘模式的数量；以及相应模式发生时，舰船间的距离、相应模式持续时间、 或两舰船运动夹角等参数的分布情况，以此深入探讨易使目标跟踪算法失效的情景的量化特 征。

其中半径Eps和阈值MinPts是DBSCAN聚类算法的两个关键的输入变量。

N(x_i)＝{x_j∈D|distance(x_i,x_j)≤Eps}

N(x_i)表示在x_i的Eps邻域内样本点的集合，|N(x_i)|为样本集的样本个数。distance为 两个二维样本点的欧式距离：x_i1为x_i横坐标，x_i2为其纵坐标。

护航模式的Eps值根据高频地波雷达的检测范围进行设定(10～370km)，MinPts值设定 为检测范围内感兴趣的最低目标个数(2个以上)，并且在每一个采样时刻，运动目标的连续 n个点迹(3个以上)都为密度相连，并且相互之间航向角的夹角小于设定的α度(0～45度)。

聚集模式的Eps值根据高频地波雷达的检测范围进行设定(10～370km)，MinPts值设定 为检测范围内感兴趣的最低目标个数(2个以上)，在某一时刻，至少存在n个目标点(3个 以上)密度相连。

图2示出基于GGGP的舰船目标跟踪算法失效情景进化方法流程图。对产生的大量情景种 群进行复制(200)、交叉(201)、变异(202)等遗传操作，利用进化计算隐含的自反馈机制，不 断更新产生新的种群。

图3(a)、图3(b)示出本发明的遗传算子设计示意图，交叉算子在交换两个子树的同时， 还要交换子树中包含的参数及编号。

在具体实施例中：个体A(300)深色框和个体B(301)浅色框中分别是两个个体要交叉的子 树,对应于推演树个体A深色虚框(302)和个体B浅色虚框(303)。个体A(304)和个体B(305) 为经过交叉后的结构，本发明提出的交叉算子在交换两个子树的同时，还要交换子树中包含 的参数及编号，这是由PCFG文法生成的推演树的性质决定的。变异算子采用子树交换变异算 子，具体是选择同一个树的两个结点，交换这两个结点及其子树(这里的树指的是推演树，对 于相应的派生树则交换对于非终止符的子树)。将个体A节点(306)与节点(307)互换。交换完 毕后，个体节点(307)的参数原本为3，交换到节点(308)后，其参数也要适应原深色框位置 的参数序列，故由3改为1。

图4(a)-图4(f)示出本发明的进化实验及分析。以计算航迹断裂程度的适值函数为指导， 完成了舰船目标跟踪算法失效情景的进化式搜索过程。

图4(a)-图4(b)标注的(400)、(401)展示了使用F1为适应函数为指导，进化前和进化后 的典型情景实例。图4(c)-图4(d)标注的(402)、(403)展示了使用F1为适应函数为指导，进 化前和进化后的典型情景实例。

图4(e)-图4(f)中标注的(404)、(405)展示了以上两种失效情景的评价指标的进化过程。 采用箱图展示了进化到每一代时情景种群中所有情景的适值分布，可见每一代种群的多样性 始终保持在一个较好水准；从适值的上升趋势，可以看出本发明的基于文法引导的遗传编程 的失效情景搜索方法是有效的，能够从给定的情景评价指标的角度，收集到使高频地波雷达 舰船目标跟踪算法的性能较低的情景的集合。

在具体实施例中：底色为浅灰色线条表示舰船真实的航迹，黑色覆盖的轨迹为目标跟踪 算法跟踪到的航迹，圆圈圈出的部分是发生跟踪航迹断裂的航迹点。舰船目标的运动方向均 由数字标出的一端驶向另一端，数字是此舰船在情景中的编号。

图5(a)-图5(b)示出本发明采用的数据挖掘方法，对运动模式进行了识别和量化指标分 析总结。

其中以护航模式为例来说明轨迹挖掘具体实现步骤：

步骤1：将当前时刻点迹(400)传入DBSCAN数据挖掘算法(401)中。

步骤2：与上个时刻聚类结果相比较(402)，判断若2个及以上数量的舰船目标在持续至 少5个采样时间内保持密度相连，则满足护航模式要求(403)。

步骤3：输出护航模式(404)并进行量化指标的分析总结。首先统计和比较了失效情景的 进化式搜索过程中，情景种群中出现护航模式的数量；然后针对终代情景中出现护航模式的 情景集合，统计了护航模式发生时，舰船间的距离的分布情况，以此探讨更容易形成护航模 式的舰船间距范围；此外，还统计了最终代情景中护航模式的持续时间，可以反映出在舰船 目标跟踪算法性能低下的情景中，护航模式持续时间的分布情况。

经过对运动模式进行识别后，再对能够使舰船目标跟踪算法失效的量化指标进行分析总 结，找出了目标跟踪算法性能低下时模式特征值的范围。这样对进化搜索到的测试数据集进 行模式识别和量化指标的分析总结，找出舰船目标跟踪的漏洞、形成量化的测评报告。

本发明可广泛应用于雷达目标跟踪算法的测评场合。

以上所述仅为本发明的较佳实施例而己，并不以本发明为限制，凡在本发明的精神和原 则之内所作的均等修改、等同替换和改进等，均应包含在本发明的专利涵盖范围内。

Claims (8)

1.一种高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，包括如下步骤：

S1:生成测试的情景:首先模拟出从一艘至数百艘舰船目标在海域的不同运动状态下的情景；其中，情景指的是在一定时间内、海上监视区域内的态势描述，包含舰船目标的运动状态和所受到的干扰因素的描述；

S2:目标跟踪算法性能评价:将输入的情景转化为高频地波雷达舰船目标跟踪算法的输入，即按时间排列的海上目标的航迹点序列，运行得到跟踪结果，在此结果的基础上由评价指标计算并转化为最终的情景客观评价值；

S3:情景进化得到使目标跟踪算法失效的情景:利用情景客观评价值作为反馈指导，采用进化计算的自反馈机制，不断更新产生情景种群，收集到使目标跟踪算法失效的情景群；

S4:失效情景分析与数据挖掘:对失效的情景中舰船目标进行舰船目标的运动模式和其他干扰因素的分布情况进行识别，然后分析出量化的指标，从中得出规律性的影响因素，对量化指标总结形成测试评估的报告。

2.根据权利要求1所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S2中，情景客观评价值，通过定义多种目标跟踪的性能评价指标，直接反映目标跟踪算法在测试情景下的跟踪效果的优劣。

3.根据权利要求1所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S3中，目标跟踪算法失效情景的数据挖掘方法是基于DBSCAN聚类算法，在搜索到大量高频地波雷达舰船目标跟踪算法的失效情景中，包括如下小步：

S31：进行运动模式的识别，提出了三种运动模式，并自动发现失效情景中存在的护航模式、聚集模式和交汇模式；

S32：统计三种运动模式的参数，参数包括轨迹挖掘模式的数量、相应模式发生时舰船间的距离、相应模式持续时间、两舰船运动夹角参数的分布情况，以此深入探讨易使目标跟踪算法失效的情景的量化特征。

4.根据权利要求3所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S3中，DBSCAN聚类算法的两个关键的输入变量是半径Eps和阈值MinPts，其样本集的样本个数的计算公式如下：

N(x_i)＝{x_j∈D|distance(x_i,x_j)≤Eps}

其中，N(x_i)表示在x_i的Eps邻域内样本点的集合，|N(x_i)|为样本集的样本个数；

则两个二维样本点的欧式距离的计算公式如下：

其中，distance为两个二维样本点的欧式距离：x_i1为x_i横坐标，x_i2为其纵坐标。

5.根据权利要求4所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S31中，护航模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts值设定为检测范围内感兴趣的最低目标个数，并且在每一个采样时刻，运动目标的连续n个点迹都为密度相连，并且相互之间航向角的夹角小于设定的α度。

6.根据权利要求4所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S31中，聚集模式的Eps值根据高频地波雷达的检测范围进行设定，MinPts值设定为检测范围内感兴趣的最低目标个数，在某一时刻，至少存在n个目标点密度相连。

7.根据权利要求1所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S3中，进化计算的自反馈机制，通过高效的搜索并有针对性的收集测试数据集包括反映目标跟踪漏洞、能够导致跟踪失效的测试数据集，在进化结束后的最终代情景种群中，收集到会导致目标跟踪算法失效的数据集。

8.根据权利要求7所述的高频地波雷达舰船目标跟踪算法的测评方法，其特征在于，所述S4中，失效情景分析与数据挖掘，通过搜索到大量高频地波雷达舰船目标跟踪算法的失效情景中，进行运动模式和干扰因素分布情况的识别，从而分析出量化指标，找出目标跟踪的潜在漏洞和影响其跟踪性能的因素，最终形成量化的测评报告。