CN110221270B - 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 - Google Patents
一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 Download PDFInfo
- Publication number
- CN110221270B CN110221270B CN201910589165.XA CN201910589165A CN110221270B CN 110221270 B CN110221270 B CN 110221270B CN 201910589165 A CN201910589165 A CN 201910589165A CN 110221270 B CN110221270 B CN 110221270B
- Authority
- CN
- China
- Prior art keywords
- target
- horizontal distance
- determining
- radar
- data
- 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.)
- Active
Links
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种海面搜索雷达大批量点迹目标识别方法,所述方法包括:获取训练用的包括目标水平距离集和目标地理系方位角集的目标位置集和目标类别集,并确定相应的目标水平距离最优划分点集和目标地理系方位角最优划分点集;以目标水平距离集或所述目标地理系方位角集任一参数为是根节点;以上述最优划分点划分目标位置集得两个二级目标位置集,继续确定二级目标位置集的最优划分点并持续划分,直至划分精度满足要求,并以此会产生叶结点和分支;建立以根节点、分支和叶结点的决策树;获取目标点迹数据,以所述决策树判断所述目标点迹类型,完成目标识别。本申请可以减少点迹净化处理的时间,降低点迹目标和AIS目标关联的时间复杂度。
Description
技术领域
本申请属于雷达探测技术领域,特别涉及一种海面搜索雷达大批量点迹净化方法、装置及雷达系统。
背景技术
为保障客船、货船等船只航行安全,搜索雷达通常与船舶自动识别系统(Automatic Identification System,AIS)结合,可以有效减少船舶碰撞事故。
在海况较差或者靠近港口、海岸、航道等情况下,微弱目标检测和目标处理是搜索雷达领域里的关键,即点迹录取和点迹净化。由于在港口、海岸、航道等热点地区,点迹录取时会存在大量的渔船、货船等已知确切参数的非敌方目标,而这类目标的航行参数通常可以由AIS设备获取。因此如何利用搜索雷达系统和AIS设备来净化点迹,成为搜索雷达领域的一项重要技术。
传统的点迹净化方法对每个录取点迹遍历所有的AIS缓冲区目标。数据处理模块根据距离、速度、方位、航向等信息,找到录取点迹和AIS缓冲区中关联的目标,然后将录取点迹属性设置为民船。在视频模块绘制点迹信息时,将属性为民船的点迹过滤,从而实现点迹净化的目的。由于在港口、海岸、航道等地区,会存在数千量级的点迹目标和AIS目标,在毫秒级的雷达处理时间内将大量的点迹目标和AIS目标关联难以完成。
因此雷达数据处理模块需要更加高效、实用的点迹净化处理方法。
发明内容
本申请的目的是提供了一种海面搜索雷达大批量点迹净化方法、装置及雷达系统,以解决或减轻背景技术中的至少一个问题。
在第一发明,本申请提供了一种海面搜索雷达大批量点迹目标识别方法,所述方法包括:
获取训练用目标位置集和目标类别集,所述目标位置集包括目标水平距离集和目标地理系方位角集,根据所述雷达搜索量程及所述目标水平距离集确定目标水平距离最优划分点集,根据所述雷达搜索量程及所述目标地理系方位角确定目标地理系方位角最优划分点集;
以所述目标水平距离集或所述目标地理系方位角集任一参数为是根节点;
确定上述参数相对应的最优划分点,根据所述最优划分点划分所述目标位置集得到两个二级目标位置集,确定所述二级目标位置集对应的二级目标位置集最优划分点,并重复上述步骤,直至所述N+1级目标位置集的数据为空,或所述N+1级目标位置集的数据为一个,或所述N+1级目标位置集的数据为多个且与相应的N级目标位置集最优划分点的差值小于预设精度;
若所述N+1级目标位置集的数据为空,则此节点为叶结点,若所述N+1级目标位置集的数据为一个且与相应的N级目标位置集最优划分点的差值小于预设精度,则确定另一参数的相对应的最优划分点,并重复上述步骤,直至所述M级目标位置集的数据为一个,根据所述目标位置集的数据对应的目标类型判定,以此产生叶结点;
建立以所述根节点和叶结点的决策树;
获取目标点迹数据,以所述决策树判断所述目标点迹类型,完成目标识别。
在本申请的方法中,所述根据雷达搜索量程及所述目标水平距离信息确定目标水平距离最优划分点集,包括:
根据所述雷达搜索量程截取所述目标水平距离信息中符合要求的目标水平距离信息;
排序所述符合要求的目标水平距离信息;
根据排序后符合要求的目标水平距离信息确定相邻目标水平距离的中位点形成所述目标水平距离最优划分点集。
在本申请的方法中,所述根据雷达搜索量程及所述目标地理系方位角信息确定目标地理系方位角最优划分点集,包括:
根据所述雷达搜索量程截取所述目标地理系方位角信息中符合要求的目标地理系方位角信息;
排序所述符合要求的目标地理系方位角信息;
根据排序后符合要求的目标地理系方位角信息确定相邻目标地理系方位角的中位点形成所述目标地理系方位角最优划分点集。
在本申请的方法中,确定所述最优划分点,包括:
根据目标类型信息确定信息熵;
根据所述信息熵及数据集确定各子数据集的信息增益;
根据所述子数据集的信息增益确定最大信息增益。
在另一面方面,本申请提供了一种海面搜索雷达大批量点迹目标识别装置,所述装置包括:
最优划分点集确定模块,用于获取训练用目标位置集和目标类别集,所述目标位置集包括目标水平距离集和目标地理系方位角集,根据所述雷达搜索量程及所述目标水平距离集确定目标水平距离最优划分点集,根据所述雷达搜索量程及所述目标地理系方位角确定目标地理系方位角最优划分点集;
根节点选择模块,用于确定以所述目标水平距离集或所述目标地理系方位角集任一参数为是根节点;
循环处理模块,用于确定上述参数相对应的最优划分点,根据所述最优划分点划分所述目标位置集得到两个二级目标位置集,确定所述二级目标位置集对应的二级目标位置集最优划分点,并重复上述步骤,直至所述N+1级目标位置集的数据为空,或所述N+1级目标位置集的数据为一个,或所述N+1级目标位置集的数据为多个且与相应的N级目标位置集最优划分点的差值小于预设精度;
叶结点生成模块,用于若所述N+1级目标位置集的数据为空,则此节点为叶结点,若所述N+1级目标位置集的数据为一个且与相应的N级目标位置集最优划分点的差值小于预设精度,则确定另一参数的相对应的最优划分点,并重复上述步骤,直至所述M级目标位置集的数据为一个,根据所述目标位置集的数据对应的目标类型判定,以此产生叶结点;
决策树生成模块,用于建立以所述根节点和叶结点的决策树;
目标处理模块,用于获取目标点迹数据,以所述决策树判断所述目标点迹类型,完成目标识别。
在本申请的装置中,所述根据雷达搜索量程及所述目标水平距离信息确定目标水平距离最优划分点集,包括:
根据所述雷达搜索量程截取所述目标水平距离信息中符合要求的目标水平距离信息;
排序所述符合要求的目标水平距离信息;
根据排序后符合要求的目标水平距离信息确定相邻目标水平距离的中位点形成所述目标水平距离最优划分点集。
在本申请的装置中,所述根据雷达搜索量程及所述目标地理系方位角信息确定目标地理系方位角最优划分点集,包括:
根据所述雷达搜索量程截取所述目标地理系方位角信息中符合要求的目标地理系方位角信息;
排序所述符合要求的目标地理系方位角信息;
根据排序后符合要求的目标地理系方位角信息确定相邻目标地理系方位角的中位点形成所述目标地理系方位角最优划分点集。
在本申请的装置中,所述目标水平距离最优划分点,包括:
根据目标类型信息确定信息熵;
根据所述信息熵及数据集确定各子数据集的信息增益;
根据所述子数据集的信息增益确定最大信息增益。
在最后一方面,本申请提供了一种雷达系统,所述雷达系统包括:
一个或多个处理装置;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理器实现如上任一所述的方法。
本申请的海面搜索雷达大批量点迹净化方法、装置及雷达系统可以解决由于受限于搜索雷达数据处理模块的运算能力,通过优化流程来减少点迹净化处理的时间,降低点迹目标和AIS目标关联的时间复杂度,以提高雷达CPU资源的利用率,同时可以大大降低雷达数据处理模块的硬件成本。
附图说明
为了更清楚地说明本申请提供的技术方案,下面将对附图作简单地介绍。显而易见地,下面描述的附图仅仅是本申请的一些实施例。
图1为本申请一实施例的点迹净化决策树。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。
在雷达天线每一行(天线环扫一周)开始时,将AIS缓冲区目标设置为训练数据集合。然后根据训练数据集合中点迹目标的统计信息,将地理系方位和距离属性划分若干个分支,根据信息增益来计算最优划分属性,得到根节点、节点和叶节点,从而生成一棵完整的决策树。在雷达帧周期内,将点迹目标作为决策树的输入,经过判断和决策到达叶节点。若叶节点为正类(民船),则点迹目标为AIS目标,若叶节点为反类(非民船),则点迹目标为非AIS目标。
如图1所示,本申请的海面搜索雷达大批量点迹目标识别方法包括如下步骤:
步骤1、接收输入的训练数用目标位置的数据集
D{(x1,y1),(x2,y2),…,(xm,ym)}和目标类别的属性集A{a1,a2,...,an},其中,目标位置包括目标水平距离和目标地理系方位角。
如表1所示实施例的AIS目标训练数据集合,训练数据集中目标个数m=20,标记类别为正类和反类,正类表示目标为民船,反类表示目标为非民船。由于AIS目标的距离和方位等属性是连续的,在属性划分时采用连续属性离散化处理。离散处理方法可以采用二分法策略。根据给定的训练数据集D和连续属性a,假设属性a在数据集D上出现n种可能,将属性按照从小到大顺序排列,则有属性序列{a1,a2,…,ai-1,ai,...,an}。对于相邻的两个属性ai-1、ai,取其中位点作为划分点,该划分点与值域[ai-1,ai]中的任意一点所产生的效果是相同的。因此对连续属性a,将[ai-1,ai]的中位点作为划分点,则存在n-1个候选划分点,其集合为:
表1:AIS目标训练数据集合
在上述离散候选划分点集合中选取最优划分点。
假如搜索雷达的距离量程为80Km,从表1中取目标水平距离参数,同时考虑边界情况,按照距离的大小升序排列可获得集合为
{0,9082.202148,9344.6875,9967.301758,18345.33789,8478.24414,18512.625,18925.52344,21226.61719,32608.81055,38473.92188,38942.42188,40110.66016,44133.90234,45870.42188,46421.875,58985.19141,72785.3125,76986.05469,78095.375,78097.33594,80000}。
根据上述公式计算得到水平距离的最优划分点集合Ta为
{4541.101074,9213.444824,9655.994629,14156.319824,8411.791015,18495.43457,18719.07422,20076.070315,26917.71387,35541.366215,38708.17188,39526.54102,42122.28125,45002.16211,46146.14844,52703.533205,65885.251955,74885.683595,77540.714845,78096.35547,79048.66797}。
同理可以计算得到地理系方位角的最优划分点集合Tb为
{39.61132815,79.37969975,122.51397705,165.6425781,166.01782225,166.27056885,166.77020265,168.0199585,168.8735962,169.6210327,170.5147705,171.70562745,173.26776125,174.2128296,174.59838865,175.1050415,175.8885498,176.2755127,176.4142456,176.9467163,268.70892335}。
步骤2、生成根节点。
由于AIS目标信息不存在离散的属性,而且在距离和方位上属性值无缺失,因此可以随机选择距离和方位作为根节点,本实施例中将距离属性作为根节点。
步骤3、从属性集A中获取最优划分属性a*。利用信息熵和信息增益作为最优划分点的选取依据。信息熵用来衡量样本集合的纯度,假设样本集合D中存在k类样本,且第k类样本在集合中的比例为pk,其中(k=1,2,...,n),则信息熵为信息熵越小,表明样本集合纯度越高。
假设离散属性a存在n个属性值{a1,a2,…,an},若将离散属性a作为最优划分点时,则该划分点有n个分支。设Dn为数据集D包含属性a等于an时的样本集合。则可根据上式,可以获得子数据集Dn的信息熵Ent(Dn)。然后考虑每个分支点包含样本数量的不同,获得分支点数据集合Dn在整个数据集合D中的比例,即|Dn|/|D|。于是可以算出属性a对训练数据集D进行划分所获得的信息增益
对于连续属性值的二分类决策树,其属性划分的最大信息增益,可以由下式获得
其中,Gain(D,a,t)是样本集D基于划分点t二分后的信息增益,λ为分类的标记,负号表示反类,正号表示正类,于是可以选择使Gain(D,a,t)最大化的划分点。
根据上式,本实施例中可以获得水平距离属性的最大信息增益为0.1667115,对应的水平距离最优划分点为26917.71387m。地理系方位角的最大信息增益为0.2845,对应的地理系方位角最优划分点为175.10504155度。
步骤4、对最优划分属性a*中的每个属性值为根节点生成分支节点。以步骤3的水平距离和地理系方位角最优划分点继续求取分支节点的最优划分点。水平距离最优划分点26917.71387m,在小于该划分点的情形下,存在8个划分点,即8个分支。在大于该等于划分点的情形下,存在12个划分点,即12个分支。然后进一步分别求出分支的最优划分点。地理系方位角的最优划分点为175.1050415度,小于该值情形时,存在15个划分点,即15个分支;大于等于该值情形时,存在5个划分点,即5个分支。从上述分支中计算最大信息增益的最优划分点。
步骤6、输出具有根节点的决策树。
步骤7、将信号处理模块的点迹视作该决策树的新的样例,根据决策序列获得与AIS目标关联的点迹,将关联点迹属性置为民船,传输至图像生成模块。
步骤8、在搜索雷达每次天线行开始时,或者AIS目标更新时需要返回步骤1重新生成决策树。
对应本申请的方法,假设在天线扫描的每一行开始时,AIS目标缓冲区内存在5000个目标,在每个雷达帧周期,雷达信号处理模块向雷达数据处理模块传输6000个点迹目标。利用方位和距离属性,将5000个AIS目标和6000个点迹目标进行关联净化,其时间复杂度为C1(5000*6000),即最大需要30,000,000次循环运算。若生成决策树之后,假设80公里量程的距离向关联精度为80米,方位向关联精度为2度,则其时间复杂度为C2(6000*10*9),即最大需要540,000次循环。决策树法与传统法相比,运算量可以降低55.5倍。
另外,本申请还提高了一种海面搜索雷达大批量点迹目标识别装置,装置包括:最优划分点集确定模块,用于获取训练用目标位置集和目标类别集,目标位置集包括目标水平距离集和目标地理系方位角集,根据雷达搜索量程及目标水平距离集确定目标水平距离最优划分点集,根据雷达搜索量程及目标地理系方位角确定目标地理系方位角最优划分点集;根节点选择模块,用于确定以目标水平距离集或目标地理系方位角集任一参数为是根节点;循环处理模块,用于确定上述参数相对应的最优划分点,根据最优划分点划分目标位置集得到两个二级目标位置集,确定二级目标位置集对应的二级目标位置集最优划分点,并重复上述步骤,直至N+1级目标位置集的数据为空,或N+1级目标位置集的数据为一个,或N+1级目标位置集的数据为多个且与相应的N级目标位置集最优划分点的差值小于预设精度;叶结点生成模块,用于若N+1级目标位置集的数据为空,则此节点为叶结点,若N+1级目标位置集的数据为一个且与相应的N级目标位置集最优划分点的差值小于预设精度,则确定另一参数的相对应的最优划分点,并重复上述步骤,直至M级目标位置集的数据为一个,根据目标位置集的数据对应的目标类型判定,以此产生叶结点;决策树生成模块,用于建立以根节点和叶结点的决策树;目标处理模块,用于获取目标点迹数据,以决策树判断目标点迹类型,完成目标识别。
在本申请的装置中,根据雷达搜索量程及目标水平距离信息确定目标水平距离最优划分点集,包括:根据雷达搜索量程截取目标水平距离信息中符合要求的目标水平距离信息;排序符合要求的目标水平距离信息;根据排序后符合要求的目标水平距离信息确定相邻目标水平距离的中位点形成目标水平距离最优划分点集。
在本申请的装置中,根据雷达搜索量程及目标地理系方位角信息确定目标地理系方位角最优划分点集,包括:根据雷达搜索量程截取目标地理系方位角信息中符合要求的目标地理系方位角信息;排序符合要求的目标地理系方位角信息;根据排序后符合要求的目标地理系方位角信息确定相邻目标地理系方位角的中位点形成目标地理系方位角最优划分点集。
在本申请的装置中,目标水平距离最优划分点,包括:根据目标类型信息确定信息熵;根据信息熵及数据集确定各子数据集的信息增益;根据子数据集的信息增益确定最大信息增益。
最后,本申请提供了一种雷达系统,雷达系统包括:一个或多个处理装置;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理装置执行,使得一个或多个处理器实现如上任一的方法。
其中,处理装置可以由雷达系统中的处理机担任,也可以另外增加处理装置。
利用决策树法可以使用现有的数据处理模块平台,在雷达帧周期内实现点迹净化处理。否则将数据处理模块平台升级,而增加芯片数量需要占据其他数据处理资源,造成硬件资源的浪费。与此同时,使用数据处理模块平台需要重新开发、调试、验证,耗费时间长,硬件成本也成倍增加。
本申请解决了由于受限于搜索雷达数据处理模块的运算能力,通过在雷达数据处理模块中设计算法和软件实现点迹目标和AIS目标的关联和净化处理,减少点迹净化处理的时间,降低点迹目标和AIS目标关联的时间复杂度,本申请可以提高雷达CPU资源的利用率,同时可以大大降低雷达数据处理模块的硬件成本。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种海面搜索雷达大批量点迹净化方法,其特征在于,所述方法包括:
获取训练用目标位置集和目标类别集,所述目标位置集包括目标水平距离集和目标地理系方位角集,根据所述雷达搜索量程及所述目标水平距离集确定目标水平距离最优划分点集,根据所述雷达搜索量程及所述目标地理系方位角确定目标地理系方位角最优划分点集;
以所述目标水平距离集或所述目标地理系方位角集任一参数为根节点;
确定上述参数相对应的最优划分点,根据所述最优划分点划分所述目标位置集得到两个二级目标位置集,确定所述二级目标位置集对应的二级目标位置集最优划分点,并重复该步骤,直至N+1级目标位置集的数据为空,或所述N+1级目标位置集的数据为一个,或所述N+1级目标位置集的数据为多个且与相应的N级目标位置集最优划分点的差值小于预设精度;
若所述N+1级目标位置集的数据为空,则此节点为叶结点,若所述N+1级目标位置集的数据为一个且与相应的N级目标位置集最优划分点的差值小于预设精度,则确定另一参数的相对应的最优划分点,并重复上述步骤,直至M级目标位置集的数据为一个,根据所述目标位置集的数据对应的目标类型判定,以此产生叶结点;
建立以所述根节点和叶结点的决策树;
获取目标点迹数据,以所述决策树判断所述目标点迹类型,完成目标识别。
2.如权利要求1所述的海面搜索雷达大批量点迹净化方法,其特征在于,所述根据雷达搜索量程及所述目标水平距离信息确定目标水平距离最优划分点集,包括:
根据所述雷达搜索量程截取所述目标水平距离信息中符合要求的目标水平距离信息;
排序所述符合要求的目标水平距离信息;
根据排序后符合要求的目标水平距离信息确定相邻目标水平距离的中位点形成所述目标水平距离最优划分点集。
3.如权利要求2所述的海面搜索雷达大批量点迹净化方法,所述根据雷达搜索量程及所述目标地理系方位角信息确定目标地理系方位角最优划分点集,包括:
根据所述雷达搜索量程截取所述目标地理系方位角信息中符合要求的目标地理系方位角信息;
排序所述符合要求的目标地理系方位角信息;
根据排序后符合要求的目标地理系方位角信息确定相邻目标地理系方位角的中位点形成所述目标地理系方位角最优划分点集。
4.如权利要求3所述的海面搜索雷达大批量点迹净化方法,确定所述最优划分点,包括:
根据目标类型信息确定信息熵;
根据所述信息熵及数据集确定各子数据集的信息增益;
根据所述子数据集的信息增益确定最大信息增益。
5.一种海面搜索雷达大批量点迹净化装置,其特征在于,所述装置包括:
最优划分点集确定模块,用于获取训练用目标位置集和目标类别集,所述目标位置集包括目标水平距离集和目标地理系方位角集,根据所述雷达搜索量程及所述目标水平距离集确定目标水平距离最优划分点集,根据所述雷达搜索量程及所述目标地理系方位角确定目标地理系方位角最优划分点集;
根节点选择模块,用于确定以所述目标水平距离集或所述目标地理系方位角集任一参数为根节点;
循环处理模块,用于确定上述参数相对应的最优划分点,根据所述最优划分点划分所述目标位置集得到两个二级目标位置集,确定所述二级目标位置集对应的二级目标位置集最优划分点,并重复该步骤,直至N+1级目标位置集的数据为空,或所述N+1级目标位置集的数据为一个,或所述N+1级目标位置集的数据为多个且与相应的N级目标位置集最优划分点的差值小于预设精度;
叶结点生成模块,用于若所述N+1级目标位置集的数据为空,则此节点为叶结点,若所述N+1级目标位置集的数据为一个且与相应的N级目标位置集最优划分点的差值小于预设精度,则确定另一参数的相对应的最优划分点,并重复上述步骤,直至M级目标位置集的数据为一个,根据所述目标位置集的数据对应的目标类型判定,以此产生叶结点;
决策树生成模块,用于建立以所述根节点和叶结点的决策树;
目标处理模块,用于获取目标点迹数据,以所述决策树判断所述目标点迹类型,完成目标识别。
6.如权利要求5所述的海面搜索雷达大批量点迹净化装置,所述根据雷达搜索量程及所述目标水平距离信息确定目标水平距离最优划分点集,包括:
根据所述雷达搜索量程截取所述目标水平距离信息中符合要求的目标水平距离信息;
排序所述符合要求的目标水平距离信息;
根据排序后符合要求的目标水平距离信息确定相邻目标水平距离的中位点形成所述目标水平距离最优划分点集。
7.如权利要求6所述的海面搜索雷达大批量点迹净化装置,所述根据雷达搜索量程及所述目标地理系方位角信息确定目标地理系方位角最优划分点集,包括:
根据所述雷达搜索量程截取所述目标地理系方位角信息中符合要求的目标地理系方位角信息;
排序所述符合要求的目标地理系方位角信息;
根据排序后符合要求的目标地理系方位角信息确定相邻目标地理系方位角的中位点形成所述目标地理系方位角最优划分点集。
8.如权利要求7所述的海面搜索雷达大批量点迹净化装置,所述目标水平距离最优划分点,包括:
根据目标类型信息确定信息熵;
根据所述信息熵及数据集确定各子数据集的信息增益;
根据所述子数据集的信息增益确定最大信息增益。
9.一种雷达系统,其特征在于,所述雷达系统包括:
一个或多个处理装置;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1至4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589165.XA CN110221270B (zh) | 2019-07-02 | 2019-07-02 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910589165.XA CN110221270B (zh) | 2019-07-02 | 2019-07-02 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221270A CN110221270A (zh) | 2019-09-10 |
CN110221270B true CN110221270B (zh) | 2022-10-28 |
Family
ID=67815850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910589165.XA Active CN110221270B (zh) | 2019-07-02 | 2019-07-02 | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221270B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728140A (zh) * | 2017-11-22 | 2018-02-23 | 中国电子科技集团公司第二十八研究所 | 一种警戒雷达多目标多通道并行跟踪处理方法 |
CN109613526A (zh) * | 2018-12-10 | 2019-04-12 | 航天南湖电子信息技术股份有限公司 | 一种基于支持向量机的点迹过滤方法 |
CN110598730A (zh) * | 2019-07-29 | 2019-12-20 | 南京理工大学 | 基于决策树的航迹关联算法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2452390B (en) * | 2007-08-31 | 2011-10-05 | Furuno Electric Co | Radar device |
-
2019
- 2019-07-02 CN CN201910589165.XA patent/CN110221270B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728140A (zh) * | 2017-11-22 | 2018-02-23 | 中国电子科技集团公司第二十八研究所 | 一种警戒雷达多目标多通道并行跟踪处理方法 |
CN109613526A (zh) * | 2018-12-10 | 2019-04-12 | 航天南湖电子信息技术股份有限公司 | 一种基于支持向量机的点迹过滤方法 |
CN110598730A (zh) * | 2019-07-29 | 2019-12-20 | 南京理工大学 | 基于决策树的航迹关联算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110221270A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112182133B (zh) | 一种基于ais数据的船舶徘徊检测方法 | |
Li et al. | A general framework for unmet demand prediction in on-demand transport services | |
CN112699315B (zh) | 基于ais数据的船舶异常行为探测方法 | |
Spiliopoulos et al. | A big data driven approach to extracting global trade patterns | |
CN106295498B (zh) | 光学遥感图像目标区域检测装置与方法 | |
CN114066354A (zh) | 一种基于全球船舶历史航迹的智能航线推荐方法及系统 | |
CN110598730A (zh) | 基于决策树的航迹关联算法 | |
CN110673105B (zh) | 一种脉冲多普勒雷达解速度模糊的方法 | |
Spiliopoulos et al. | Knowledge extraction from maritime spatiotemporal data: An evaluation of clustering algorithms on Big Data | |
CN109839619A (zh) | 基于自适应分桶的雷达信号粗分选方法、系统及存储介质 | |
WO2023201938A1 (zh) | 缺失轨迹填补方法及系统 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN112200884A (zh) | 一种车道线的生成方法及装置 | |
Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
Mieczyńska et al. | K-means clustering for SAT-AIS data analysis | |
CN113934803B (zh) | 一种基于时空剖分的船只伴随模式挖掘方法 | |
CN110287238A (zh) | 一种基于先验知识的异常水质检测方法及系统 | |
CN110221270B (zh) | 一种海面搜索雷达大批量点迹净化方法、装置及雷达系统 | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN116306790B (zh) | 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质 | |
Millefiori et al. | Validation of the Ornstein-Uhlenbeck route propagation model in the Mediterranean Sea | |
CN111666359B (zh) | Poi候选到达点挖掘方法、装置与设备 | |
CN116721246A (zh) | 连续帧点云快速标注方法及系统 | |
CN115629365A (zh) | 一种高密度背景信号中少样本信号分选方法及装置 | |
CN114222238B (zh) | 定位方法、装置和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |