CN110261828A - 基于距离-角误差二维聚类的横向干扰判定方法 - Google Patents

Abstract

本发明涉及一种基于距离‑角误差二维聚类的横向干扰判定方法，用于距离高分辨体制的空对地导引头对地面静止的车辆目标进行精确跟踪，可以有效抑制波束内与目标处于同一距离段的横向无源角反射体干扰，实现对目标的精确跟踪。该方法首先采用均值聚类算法，对获得的距离像中各个散射点的距离‑角误差二维信息进行聚类，根据聚类结果计算聚类中心的角误差，再结合当前目标的距离计算出目标的横向间距，根据横向间距判定目标是否受到横向干扰。在不改变雷达硬件的条件下，提升雷达的角度分辨力，可有效对抗放置在目标左右两侧的无源干扰。

Description

基于距离-角误差二维聚类的横向干扰判定方法

技术领域

本发明属于雷达技术领域，涉及一种基于距离-角误差二维聚类的横向干扰判定算法，该算法用于空对地导引头对地面静止的车辆目标进行精确跟踪，可以有效抑制无源角反射体对导引头跟踪地面车辆目标的干扰。

背景技术

距离高分辨体制的导引头利用高分辨一维距离像可以实现对地面目标的精确跟踪。目标在雷达视线方向近似为多个散射点的组合，通过测量每个散射点的角误差，并对其进行功率加权求和，从而得到目标的角误差，该方法可以降低目标角闪烁造成的测角不准的现象。但是，当波束内存在两个目标时，且两个目标在径向上又无法利用高分辨将其分离，此时单纯的依靠一维距离像信息，会将其误判为一个目标。如果对该目标进行角误差估计，则角误差是两个目标的合成角误差，波束中心会落在两个目标连线的中间位置，导致无法对其中任何一个目标进行精确跟踪。无源角反射体干扰就是利用这一性质，被放置在目标的一侧，降低跟踪过程中，对目标的测角精度，最终使导引头无法精确击中目标。

结合单脉冲测角的原理，并通过对实测数据的分析发现，波束内存在两个目标，且目标在方位上间隔较大时，两个目标会分别位于波束中心的两侧。左侧目标的每个散射点的角误差都为正值，而右侧每个散射点的角误差都为负值。如果将目标的距离单元和角误差两维信息画在一个二维平面上，则呈现为两簇。在模式识别中，可以认为是两类目标的特征分布，利用无监督学习中的聚类方法，可以自适应的找出两簇特征各自的中心。从而实现同一波束内两个目标的分离。

发明内容

要解决的技术问题

为了解决雷达跟踪目标过程中，目标同距离段上存在横向无源角反射体干扰，导致测角不准，无法精确跟踪目标的问题，本发明提出一种基于距离-角误差二维聚类的横向干扰判定方法。

技术方案

一种基于距离-角误差二维聚类的横向干扰判定方法，假定已经获得目标的N点一维距离像，距离像中每个散射点所在的距离单元为一维向量H＝(h₁,h₂,…h_N)，距离像中各个距离单元对应的幅度为一维向量A＝(a₁,a₂,…a_N)，对应的角误差值为一维向量E＝(e₁,e₂,…e_N)；其特征在于步骤如下：

步骤1：对H按照下式进行归一化处理，将其取值范围限定在[-0.5,0.5]，得到HG＝(hg₁,hg₂,…hg_N)；

步骤2：将HG和E两个序列合并为一个二维向量Y＝(y₁,y₂…,y_N)，其中y_i＝(hg_i,e_i)；

步骤3：设置聚类簇的个数K＝2；

步骤4：以y₁和y_N两个点分别作为初始时刻两簇目标点的中心m₁和m₂；

步骤5：按照下式依次计算N个点到两类中心点的欧式距离dⁱ ₁,dⁱ ₂，如果dⁱ ₁<dⁱ ₂则将该点划分为第一类；否则，将该点归为第二类；

dⁱ ₁＝||y_i-m₁||

dⁱ ₂＝||y_i-m₂||

步骤6：划分结束后，得到两个序列XL＝(xl₁,xl₂,…xl_P)和XR＝(xr₁,xr₂,…xr_Q)，其中XL属于第一个聚类簇，XR属于第二个聚类簇，N＝P+Q，重新计算两类目标的中心点；

以重新计算的中心点再次进行划分；

步骤7：如果当前的划分结果与前一次划分结果一致，则聚类处理结束，转至步骤8；否则，重复步骤5～7；

步骤8：从两类目标的中心点m₁和m₂中提取角误差ae₁和ae₂，再结合当前目标的距离R，按照下式计算两类目标的横向间距；

S_fw＝|ae₁-ae₂|·R/57.3

步骤9：判断横向间距S_fw是否大于门限FTH，如果S_fw>FTH，则认为两类目标是在方位上相互独立的两个目标，转至步骤10；否则，认为两类目标是同一个目标上的不同散射点，算法结束，直接对目标进行跟踪；

步骤10：根据聚类结果，获得两类目标各自的距离和幅度信息，其中距离像中N¹个散射点属于第一类，表示第一类中各个散射点的幅度，表示第一类中各个散射点的距离；距离像中N²个散射点属于第二类，表示第二类中各个散射点的幅度，表示第二类中各个散射点的距离；按照以下步骤计算两类目标距离像的二阶中心矩：

10a)计算两类目标的归一化幅度：

10b)计算两类目标距离像的一阶矩：

10c)计算两类目标距离像的二阶中心矩：

步骤11：比较C₁和C₂的大小，如果C₁>C₂，则判定C₂对应的目标为干扰；反之，判定C₁对应的目标为干扰。选择对二阶中心矩较大的目标进行跟踪。

有益效果

本发明提出的一种基于距离-角误差二维聚类的横向干扰判定方法，用于距离高分辨体制的空对地导引头对地面静止的车辆目标进行精确跟踪，可以有效抑制波束内与目标处于同一距离段的横向无源角反射体干扰，实现对目标的精确跟踪。在不改变雷达硬件的条件下，提升雷达的角度分辨力，可有效对抗放置在目标左右两侧的无源干扰。

附图说明

图1基于距离-角误差二维聚类的横向干扰判定算法流程图

图2目标一维距离像的距离-角误差二维平面

图3 K均值聚类结果

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明提出一种基于距离-角误差二维聚类的横向干扰判定算法，该算法利用目标一维距离像中各个散射点的相对距离和角误差信息，实现对无源角反射体干扰的抑制，达到精确跟踪目标的目的。

首先获得目标的一维距离像中各个散射点的距离、幅度和角误差数据，然后联合距离和角误差两维信息，利用K均值聚类算法进行自适应聚类，获得两类的中心，根据两类的中心角误差和当前的目标距离，计算出两类的横向间距，通过比较横向间距与门限的大小，判定目标是否受到横向干扰。如果受到横向干扰，再通过两类目标距离像的二阶中心矩，判定哪一类是干扰，哪一类是真实目标。

本发明实现步骤如下：

(1)获得目标的一维距离像中各个散射点的距离、幅度和角误差数据；

(2)对距离进行归一化处理；

(3)设置聚类族的个数K＝2；

(4)对距离-角误差二维信息进行K均值聚类，获得两类的中心；

(5)根据两类的中心角误差和当前的目标距离，计算出两类的横向间距；

(6)如果两类的横向间距小于设定的目标横向尺寸，则认为目标是一个目标，直接进行跟踪；否则，认为目标是由两个目标组成，转至步骤(7)；

(7)分别计算两类目标的二阶中心矩；

(8)选择二阶中心矩大的目标进行跟踪。

实施例：

假定已经获得目标的N点一维距离像，距离像中每个散射点所在的距离单元为一维向量H＝(h₁,h₂,…h_N)，距离像中各个距离单元对应的幅度为一维向量A＝(a₁,a₂,…a_N)，对应的角误差值为一维向量E＝(e₁,e₂,…e_N)。本发明所提方法的具体实施步骤如下：

(1)对H按照下式进行归一化处理，将其取值范围限定在[-0.5,0.5]，得到HG＝(hg₁,hg₂,…hg_N)；

(2)将HG和E两个序列合并为一个二维向量Y＝(y₁,y₂…,y_N)，其中y_i＝(hg_i,e_i)，如图2所示；

(3)设置聚类簇的个数K＝2；

(4)以y₁和y_N两个点分别作为初始时刻两簇目标点的中心m₁和m₂；

(5)按照下式依次计算N个点到两类中心点的欧式距离dⁱ ₁,dⁱ ₂，如果dⁱ ₁<dⁱ ₂则将该点划分为第一类；否则，将该点归为第二类；

dⁱ ₁＝||y_i-m₁||

dⁱ ₂＝||y_i-m₂||

(6)划分结束后，得到两个序列XL＝(xl₁,xl₂,…xl_P)和XR＝(xr₁,xr₂,…xr_Q)，其中XL属于第一个聚类簇，XR属于第二个聚类簇，N＝P+Q，重新计算两类目标的中心点；

(7)如果当前的划分结果与前一次划分结果一致，则聚类处理结束，转至步骤(8)；否则，重复第(5)～(7)步骤。

(8)聚类结果如图3所示，从两类目标的中心点m₁和m₂中提取角误差ae₁和ae₂，再结合当前目标的距离R，按照下式计算两类目标的横向间距；

S_fw＝|ae₁-ae₂|·R/57.3

(9)判断横向间距S_fw是否大于门限FTH，如果S_fw>FTH，则认为两类目标是在方位上相互独立的两个目标，转至步骤(10)；否则，认为两类目标是同一个目标上的不同散射点，算法结束，直接对目标进行跟踪。

(10)根据聚类结果，获得两类目标各自的距离和幅度信息，其中距离像中N¹个散射点属于第一类，表示第一类中各个散射点的幅度，表示第一类中各个散射点的距离；距离像中N²个散射点属于第二类，表示第二类中各个散射点的幅度，表示第二类中各个散射点的距离。按照以下步骤计算两类目标距离像的二阶中心矩：

10a)计算两类目标的归一化幅度：

10b)计算两类目标距离像的一阶矩：

10c)计算两类目标距离像的二阶中心矩：

(11)比较C₁和C₂的大小，如果C₁>C₂，则判定C₂对应的目标为干扰；反之，判定C₁对应的目标为干扰。选择对二阶中心矩较大的目标进行跟踪。

Claims (1)

1.一种基于距离-角误差二维聚类的横向干扰判定方法，假定已经获得目标的N点一维距离像，距离像中每个散射点所在的距离单元为一维向量H＝(h₁,h₂,…h_N)，距离像中各个距离单元对应的幅度为一维向量A＝(a₁,a₂,…a_N)，对应的角误差值为一维向量E＝(e₁,e₂,…e_N)；其特征在于步骤如下：

步骤1：对H按照下式进行归一化处理，将其取值范围限定在[-0.5,0.5]，得到HG＝(hg₁,hg₂,…hg_N)；

步骤2：将HG和E两个序列合并为一个二维向量Y＝(y₁,y₂…,y_N)，其中y_i＝(hg_i,e_i)；

步骤3：设置聚类簇的个数K＝2；

步骤4：以y₁和y_N两个点分别作为初始时刻两簇目标点的中心m₁和m₂；

步骤5：按照下式依次计算N个点到两类中心点的欧式距离dⁱ ₁,dⁱ ₂，如果dⁱ ₁<dⁱ ₂则将该点划分为第一类；否则，将该点归为第二类；

dⁱ ₁＝||y_i-m₁||

dⁱ ₂＝||y_i-m₂||

步骤6：划分结束后，得到两个序列XL＝(xl₁,xl₂,…xl_P)和XR＝(xr₁,xr₂,…xr_Q)，其中XL属于第一个聚类簇，XR属于第二个聚类簇，N＝P+Q，重新计算两类目标的中心点；

以重新计算的中心点再次进行划分；

步骤7：如果当前的划分结果与前一次划分结果一致，则聚类处理结束，转至步骤8；否则，重复步骤5～7；

步骤8：从两类目标的中心点m₁和m₂中提取角误差ae₁和ae₂，再结合当前目标的距离R，按照下式计算两类目标的横向间距；

S_fw＝|ae₁-ae₂|·R/57.3

步骤9：判断横向间距S_fw是否大于门限FTH，如果S_fw>FTH，则认为两类目标是在方位上相互独立的两个目标，转至步骤10；否则，认为两类目标是同一个目标上的不同散射点，算法结束，直接对目标进行跟踪；

步骤10：根据聚类结果，获得两类目标各自的距离和幅度信息，其中距离像中N¹个散射点属于第一类，表示第一类中各个散射点的幅度，表示第一类中各个散射点的距离；距离像中N²个散射点属于第二类，表示第二类中各个散射点的幅度，表示第二类中各个散射点的距离；按照以下步骤计算两类目标距离像的二阶中心矩：

10a)计算两类目标的归一化幅度：

10b)计算两类目标距离像的一阶矩：

10c)计算两类目标距离像的二阶中心矩：

步骤11：比较C₁和C₂的大小，如果C₁>C₂，则判定C₂对应的目标为干扰；反之，判定C₁对应的目标为干扰。选择对二阶中心矩较大的目标进行跟踪。