CN110308430A - 一种雷达目标识别效果评价装置 - Google Patents
一种雷达目标识别效果评价装置 Download PDFInfo
- Publication number
- CN110308430A CN110308430A CN201910525308.0A CN201910525308A CN110308430A CN 110308430 A CN110308430 A CN 110308430A CN 201910525308 A CN201910525308 A CN 201910525308A CN 110308430 A CN110308430 A CN 110308430A
- Authority
- CN
- China
- Prior art keywords
- recognition
- degree
- ideal solution
- recognition methods
- membership
- 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.)
- Granted
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
- G01S7/40—Means for monitoring or calibrating
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
本发明公开了一种雷达目标识别效果评价装置,在这个评估过程中,为更充分地利用测试数据,得到更客观的评估结论,用数理统计的方法对正确识别率进行区间估计,引入了直觉区间模糊集,并将正确识别率和错误识别率分别对应到隶属度和非隶属度,在判断方案优劣时,通过构造正负理想解,并计算各方案与理想解之间的距离得到各方案的得分,完成方案评估;本发明提供的一种雷达目标识别效果评价装置采用了置信区间估计的方法对测试数据进行区间值拓展,相对于使用均值直接评价的方法具有测试数据利用率高的优点,提高了评价结果的准确性。
Description
技术领域
本发明涉及目标识别效果评价装置,具体涉及一种雷达目标识别效果评价装置。
背景技术
为了在雷达目标识别方法的研制及测试过程中,对雷达目标识别方法的识别效果进行评价,以帮助研究人员对识别方法进行不断的改进,目前现有技术中的雷达目标识别效果评价方法包括主观评价和客观评价,其中主观评价可以是通过设计门限进行比较,因为门限的设定主观性较大,还有客观评价的方法,通过比较各种识别方法的正确识别率,对雷达目标识别方法进行评价。
目前的雷达目标识别效果评价装置大多是在获得识别率多个样本的基础上,直接对正确识别率取平均,比较大小以衡量识别效果优劣,这种方法的缺陷在于:一直接取样本均值不够准确,二是没有考虑错误识别率,数据利用率低,导致评价的准确性不高。
发明内容
本发明的目的在于提供一种雷达目标识别效果评价装置,用以解决现有技术中的雷达目标识别效果评价装置评价准确性低等问题。
为了实现上述任务,本发明采用以下技术方案:
一种雷达目标识别效果评价装置,用于对多种雷达的目标识别方法进行评价,获得评价结果,所述的装置包括目标识别率获取模块、理想解获得模块、距离计算模块、评价参数获得模块以及评价结果获得模块;
所述的目标识别率获取模块用于集在同一雷达系统下不同识别方法对同一海面目标的目标识别率,获得每个识别方法对应的目标识别率组,获得多个目标识别率组,所述的目标识别率组包括正确识别率和错误识别率;
所述的理想解获得模块用于对每个识别方法对应的目标识别率组进行区间值拓展,获得每个识别方法对应的隶属度组后,对所有隶属度组进行比较,获得正理想解以及负理想解;
所述的距离计算模块用于获得每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,包括正理想解距离计算子模块以及负理想解距离计算子模块;
所述的正理想解距离计算子模块用于采用式I获得第i个识别方法对应的隶属度组与正理想解之间的距离d(xi,xmax),i=1,2,…,I,I为大于1的整数:
其中,xi表示第i个识别方法,xmax为正理想解,为第i个识别方法的隶属度区间,为最大隶属度区间,为第i个识别方法的非隶属度区间,为最小非隶属度区间,d(,)表示距离值;
所述的负理想解距离计算子模块用于采用式II获得第i个识别方法对应的隶属度组与负理想解之间的距离d(xi,xmin):
其中为最小隶属度区间,为最大非隶属度区间;
所述的评价参数获得模块用于根据每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,获得每个识别方法的评价参数,其中采用式III获得第i个识别方法的评价参数:
所述的评价结果获得模块用于将每个识别方法的评价参数按照数值大小从大到小进行排序,获得评价结果。
进一步地,所述的理想解获得模块利用置信区间估计的方法对每个识别方法对应的目标识别率组进行区间值拓展。
进一步地,所述的理想解获得模块利用得分函数和偏差函数对所有隶属度组进行比较,获得正理想解以及负理想解。
本发明与现有技术相比具有以下技术效果:
1、本发明提供的一种雷达目标识别效果评价装置将多个目标区间组转换至区间集合,可以同时利用正确识别率和错误识别率,更大程度地使用测试数据,得到更客观的评估结论,提高了评价结果的准确性;
2、本发明提供的一种雷达目标识别效果评价装置采用了置信区间估计的方法对测试数据进行区间值拓展,相对于使用均值直接评价的方法具有测试数据利用率高的优点,提高了评价结果的准确性;
3、本发明提供的一种雷达目标识别效果评价装置采用了得分函数和偏差函数对所有隶属度组进行比较,提高了正理想解以及负理想解获得的准确性,从而提高了评价结果的准确性。
附图说明
图1为本发明提供的雷达目标识别效果评价装置结构图。
具体实施方式
得分函数和偏差函数:一种比较区间值大小的方法,优先比较其得分函数,得分函数越大,对应的区间值越大,得分函数相等时,再比较其偏差函数,偏差函数越小,对应的区间值越大。其中整个区间的得分函数为 是包含M个区间数的整个区间,为第m个区间数,m∈M,为第m个区间数的得分函数, 为第m个区间数的最小值,为第m个区间数的最大值,偏差函数为其中 为区间值最小值,为区间最大值。
置信区间估计:数理统计的一种方法,对于一个给定的自变量x值,因变量y的平均值的区间估计。
正理想解以及负理想解:用来对方案评价的两个标准数值,在本发明中理想解是指在所有识别方法中识别正确率最高且识别错误率最低的方法,负理想解是指在所有识别方法中识别正确率最低且识别错误率最高的方法。
以下是发明人给出的具体实施方式,以进一步地解释本发明提供的方案。
如图1所示,在本实施例中公开了一种雷达目标识别效果评价装置,用于对多种雷达的目标识别方法进行评价,获得评价结果。
在本发明中,雷达的目标识别方法可以是付耀文,黎湘以及庄钊文在《基于一维平均距离像矩特征的飞机目标识别》中提出的基于一维平均距离像矩特征的识别方法;也可以是付耀文在《基于信息融合的雷达目标识别研究》中提出的基于一维散射中心匹配的识别方法;也可以是姜卫东在《光学区雷达目标结构成像理论及其在雷达目标识别中的应用中提出的矩阵束方法;还可以是Zhu Changren在《a fast automatic extractionalgorithm of eliptic object groups from remote sensing images》中提出的prony方法等雷达目标识别方法。
本实施例中提供的评价装置的基本逻辑是在目标识别试验中,正确识别率越大,雷达目标识别方法性能越好,错误识别率越小,雷达目标识别方法性能越好,因此对于一个表示雷达目标识别方法性能为“优”的直觉模糊集合而言,其元素隶属度可以由正确识别率表示,元素非隶属度可以由错误识别率表示。为更大程度的利用试验数据,基于数理统计方法得到正确识别率和错误识别率的置信估计区间,将正确识别率和错误识别率由最初的单个数值转化为区间值,由此可以将直觉模糊集合扩展为区间直觉模糊集合。
装置包括目标识别率获取模块、理想解获得模块、距离计算模块、评价参数获得模块以及评价参数序列获得模块。
目标识别率获取模块用于集在同一雷达系统下不同识别方法对同一海面目标的目标识别率,获得每个识别方法对应的目标识别率组,获得多个目标识别率组,所述的目标识别率组包括正确识别率和错误识别率;
在本实施例中,采集了4种识别方法的正确识别率以及错误识别率,见表1,正确识别率以及错误识别率均为均值。
表1各种方法目标识别率组
理想解获得模块用于对每个识别方法对应的目标识别率组进行区间值拓展,获得每个识别方法对应的隶属度组后,对所有隶属度组进行比较,获得正理想解以及负理想解;
在本实施例中,对每个识别方法对应的正确识别率进行区间值拓展,获得隶属度区间,包括:
对每个识别方法对应的错误识别率进行区间值拓展,获得非隶属度区间;
获得每个识别方法对应的隶属度组,隶属度组包括隶属度区间以及非隶属度区间;
可选地,理想解获得模块利用置信区间估计的方法对每个识别方法对应的目标识别率组进行区间值拓展。
在本实施例中,采用下式对表1中的正确识别率以及错误识别率进行区间值拓展,获得如表2所示的区间值:
上式中μDSCRR为正确识别率,μDSFRR为错误识别率,为正确识别率区间值,为错误识别率区间值,tα/2为t分布α/2分位数,1-α为置信度,m为样本容量,σ为样本标准差。
在本实施例中,利用上式获得的是扩展后的正确识别率区间值以及错误识别率区间值,将正确识别率区间值直接作为隶属度区间,将错误识别率区间值直接作为非隶属度区间即可。
表2各种方法目标识别率组
可选地,利用得分函数和偏差函数对所有隶属度组进行比较,获得正理想解以及负理想解,所述的正理想解包括最大隶属度区间以及最小非隶属度区间,所述的负理想解包括最小隶属度区间以及最大非隶属度区间;
为比较不同区间数的大小关系,在本实施例中借鉴统计学中均值和方差定义区间数的得分函数和偏差函数。在比较两个区间数组之间的大小关系时,优先比较其得分函数,得分函数越大,对应的区间值越大。得分函数相等时,再比较其偏差函数,偏差函数越小,对应的区间值越大。当两个区间值得分函数和偏差函数都相等时,可以认为其在数值大小关系上是等价的。
在本实施例中,以表2中的数据为例,运用得分函数可以判断区间值大小关系如下:
[0.63,1.09]>[0.57,1.01]>[0.51,0.93]>[0.41,0.81]
[0.19,0.47]>[0.10,0.32]>[0.07,0.29]>[0.05,0.25]
由此可获得,正理想解:{[0.63,1.09],[0.05,0.25]}和负理想解:{[0.41,0.81],[0.19,0.47]}。
所述的距离计算模块用于获得每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,包括正理想解距离计算子模块以及负理想解距离计算子模块;
正理想解距离计算子模块用于采用式I获得第i个识别方法对应的隶属度组与正理想解之间的距离d(xi,xmax),i=1,2,…,I,I为大于1的整数:
其中,xi表示第i个识别方法,xmax为正理想解,为第i个识别方法的隶属度区间,为最大隶属度区间,为第i个识别方法的非隶属度区间,为最小非隶属度区间,d(,)表示距离值;
在本实施例中,以表2中获得的4个识别方法的隶属度组为例,对于第1个识别方法对应的隶属度组,与正理想解之间的距离d(x1,xmax)=(d([0.63,1.09],[0.63,1.09])+d([0.05,0.25],[0.05,0.25]))/2=0负理想解距离计算子模块用于采用式II获得第i个识别方法对应的隶属度组与负理想解之间的距离d(xi,xmin):
其中,为最小隶属度区间,为最大非隶属度区间;
重复使用正理想解距离计算子模块以及负理想解距离计算子模块,直至获得每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离;
在本实施例中,计算得到的所有识别方法的隶属度组与正理想解及负理想解之间的距离见表3。
表3各个识别方法的与正、负理想解之间的距离
评价参数获得模块用于根据每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,获得每个识别方法的评价参数,其中采用式III获得第i个识别方法的评价参数:
在本实施例中,对表1提供的4种识别方法,采用式III获得每个识别方法的评价参数,见表4。
表4各个识别方法的评价参数
评价结果获得模块用于将每个识别方法的评价参数按照数值大小从大到小进行排序,获得评价结果。
在本步骤中,排序中第一个评价参数对应的识别方法的识别效果最优,排序中最后一个评价参数对应的识别方法的识别效果最差。
在本实施例中,根据评价参数获得模块获得的结果,获得序列{1,0.909,0.819,0.611},从而即第一个识别方法的识别效果最优,第四个识别方法的识别效果最差。
Claims (3)
1.一种雷达目标识别效果评价装置,用于对多种雷达的目标识别方法进行评价,获得评价结果,其特征在于,所述的装置包括目标识别率获取模块、理想解获得模块、距离计算模块、评价参数获得模块以及评价结果获得模块;
所述的目标识别率获取模块用于集在同一雷达系统下不同识别方法对同一海面目标的目标识别率,获得每个识别方法对应的目标识别率组,获得多个目标识别率组,所述的目标识别率组包括正确识别率和错误识别率;
所述的理想解获得模块用于对每个识别方法对应的目标识别率组进行区间值拓展,获得每个识别方法对应的隶属度组后,对所有隶属度组进行比较,获得正理想解以及负理想解;
所述的距离计算模块用于获得每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,包括正理想解距离计算子模块以及负理想解距离计算子模块;
所述的正理想解距离计算子模块用于采用式I获得第i个识别方法对应的隶属度组与正理想解之间的距离d(xi,xmax),i=1,2,…,I,I为大于1的整数:
其中,xi表示第i个识别方法,xmax为正理想解,为第i个识别方法的隶属度区间,为最大隶属度区间,为第i个识别方法的非隶属度区间,为最小非隶属度区间,d(,)表示距离值;
所述的负理想解距离计算子模块用于采用式II获得第i个识别方法对应的隶属度组与负理想解之间的距离d(xi,xmin):
其中为最小隶属度区间,为最大非隶属度区间;
所述的评价参数获得模块用于根据每个识别方法对应的隶属度组与正理想解以及负理想解之间的距离,获得每个识别方法的评价参数,其中采用式III获得第i个识别方法的评价参数:
所述的评价结果获得模块用于将每个识别方法的评价参数按照数值大小从大到小进行排序,获得评价结果。
2.如权利要求1所述的雷达目标识别效果评价装置,其特征在于,所述的理想解获得模块利用置信区间估计的方法对每个识别方法对应的目标识别率组进行区间值拓展。
3.如权利要求1所述的雷达目标识别效果评价装置,其特征在于,所述的理想解获得模块利用得分函数和偏差函数对所有隶属度组进行比较,获得正理想解以及负理想解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525308.0A CN110308430B (zh) | 2019-06-18 | 2019-06-18 | 一种雷达目标识别效果评价装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525308.0A CN110308430B (zh) | 2019-06-18 | 2019-06-18 | 一种雷达目标识别效果评价装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308430A true CN110308430A (zh) | 2019-10-08 |
CN110308430B CN110308430B (zh) | 2020-07-21 |
Family
ID=68077284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910525308.0A Active CN110308430B (zh) | 2019-06-18 | 2019-06-18 | 一种雷达目标识别效果评价装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308430B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8259007B2 (en) * | 2009-10-26 | 2012-09-04 | Metron Aviation, Inc. | Cell clustering and optimization for space partitioning |
CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
CN106940782A (zh) * | 2016-01-05 | 2017-07-11 | 程博 | 基于变差函数的高分sar新增建设用地提取软件 |
-
2019
- 2019-06-18 CN CN201910525308.0A patent/CN110308430B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8259007B2 (en) * | 2009-10-26 | 2012-09-04 | Metron Aviation, Inc. | Cell clustering and optimization for space partitioning |
CN102800074A (zh) * | 2012-07-12 | 2012-11-28 | 西安电子科技大学 | 基于轮廓波变换的sar图像变化检测差异图生成方法 |
CN105374047A (zh) * | 2015-12-15 | 2016-03-02 | 西安电子科技大学 | 基于改进的双边滤波与聚类的sar图像变化检测方法 |
CN106940782A (zh) * | 2016-01-05 | 2017-07-11 | 程博 | 基于变差函数的高分sar新增建设用地提取软件 |
CN106355151A (zh) * | 2016-08-30 | 2017-01-25 | 电子科技大学 | 一种基于深度置信网络的三维sar图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110308430B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN105335726B (zh) | 人脸识别置信度获取方法和系统 | |
CN108960342B (zh) | 基于改进Soft-Max损失函数的图像相似度计算方法 | |
CN111209935B (zh) | 基于自适应域转移的无监督目标检测方法及系统 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN110544231A (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN106897998B (zh) | 太阳能直射辐射强度信息预测方法和系统 | |
CN111461010B (zh) | 一种基于模板跟踪的电力设备识别效率优化方法 | |
CN110514366B (zh) | 一种小样本条件下管道微弱泄漏检测方法 | |
CN112132157A (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN109993116B (zh) | 一种基于人体骨骼相互学习的行人再识别方法 | |
CN115216553A (zh) | 一种基于深度学习的恶性疟原虫数字化检测系统及检测方法 | |
CN108520539B (zh) | 一种基于稀疏学习可变模型的图像目标检测方法 | |
CN110308430A (zh) | 一种雷达目标识别效果评价装置 | |
CN110049447B (zh) | 一种基于位置信息的伙伴关系分析方法 | |
CN109064578B (zh) | 一种基于云服务的考勤系统及方法 | |
CN116563841A (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN115001394B (zh) | 基于人工智能的太阳能电池状态监测方法及系统 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
CN113591662B (zh) | 一种抽烟打电话行为的识别方法、系统及存储介质 | |
CN113808088A (zh) | 一种污染检测方法及系统 |
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 |