CN110992298A - 一种基于遗传算法的辐射源目标识别与情报分析方法 - Google Patents
一种基于遗传算法的辐射源目标识别与情报分析方法 Download PDFInfo
- Publication number
- CN110992298A CN110992298A CN201911210173.5A CN201911210173A CN110992298A CN 110992298 A CN110992298 A CN 110992298A CN 201911210173 A CN201911210173 A CN 201911210173A CN 110992298 A CN110992298 A CN 110992298A
- Authority
- CN
- China
- Prior art keywords
- radiation source
- target
- information
- image
- sensor
- 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.)
- Withdrawn
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 179
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 19
- 230000035772 mutation Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 14
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000004075 alteration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种基于遗传算法的辐射源目标识别与情报分析方法，包括：由多传感器采取跟踪策略对目标持续跟踪识别，获取视频图像、点云、位置、辐射源信息；对图像、点云、对辐射源信息预处理；SAR、红外和可见光图像配准与融合；检测辐射源方位与目标位置进行判断，获取辐射源目标个体的细微特征；基于当前辐射源目标的轨迹，获取多源信息融合的辐射源目标轨迹；预测辐射源目标意图，多平台多传感器对多辐射源目标分配传感器实施布控，同时，本发明提供实现辐射源目标识别与情报分析的装置，结合单平台/多平台多传感器。本发明可以准确定位辐射源位置，在情报分析和态势感知时可以迅速选中监控区域中的辐射源目标，提高识别与情报分析效率。
Description
技术领域
本发明涉及人工智能、多传感器测量和辐射源目标态势感知等领域，尤其是涉及一种基于遗传算法的辐射源目标识别与情报分析方法。
背景技术
情报分析为战场武器系统分配提供高可信度依据，有效缩短指挥员态势感知和策略制定的时间，提高作战效率和质量。武器系统分配是指在综合考虑执行的战斗任务、态势以及敌我双方战斗装备性能等因素的基础上，将我方一定数目的某种型号装备分配给敌方每一装备的过程，而战场环境中目标众多，须以最短时间内识别重要目标，尤其针对发出威胁信号的辐射源目标，对辐射源目标进行定位识别。
目前主流算法包括蚁群算法、人工蜂群算法等，存在诸如前期信息素匮乏、容易陷入局部最优、对大空间问题收敛较慢等方面不足，多属性决策法把影响程度的定性或定量的多个目标属性值进行量化处理，再结合权值矢量与某种组合法则计算得到目标的综合评价值，然而目标识别与情报分析涉及目标多个威胁度评估和注意力分配，是一个动态的多变量、多约束组合优化问题，具有对抗性、主动性、不确定性等特性，涉及到动态多变量、多约束组合优化问题，用传统方法难以解决。
发明内容
为了避免现有技术的不足之处，本发明提供一种基于遗传算法的辐射源目标识别与情报分析方法，包括：由多传感器采取跟踪策略对目标持续跟踪识别，对目标进行定位，获取对应的图像、视频和点云、坐标以及辐射源信息；对获取信息进行预处理，包括对图像进行平滑、增强和滤波处理，还包括对通信辐射源信息的预处理，以及对点云进行预处理；对预处理后的合成孔径雷达图像、红外图像和可见光图像进行配准与融合；检测辐射源方位，获取辐射源目标的细微特征，即提取通信辐射源个体特征；检测目标轨迹，在当前辐射源目标的轨迹的基础上，获取多源信息融合的辐射源目标轨迹；预测辐射源目标的意图，多平台多传感器对多辐射源目标分配传感器实施布控。
本发明获取目标融合光谱信息与点云信息，辐射源方位信息与目标位置信息，提高鲁棒性避免误识别，目标持续精准跟踪监视和干扰，在单平台/多平台多传感器监控范围内根据辐射源目标对进行识别和注意力分配。
为实现上述目的，一种基于遗传算法的辐射源目标识别与情报分析方法，主要包括：
步骤1，由多传感器采取跟踪策略对目标持续跟踪识别，对目标进行定位，获取对应的图像、视频和点云、坐标以及辐射源信息；
步骤2，对获取信息进行预处理，包括对图像进行平滑、增强和滤波处理，还包括对通信辐射源信息的预处理，以及对点云进行预处理；
步骤3，对预处理后的合成孔径雷达图像、红外图像和可见光图像进行配准与融合；检测辐射源方位，获取辐射源目标的细微特征，即提取通信辐射源个体特征；
步骤4，检测目标轨迹，在当前辐射源目标的轨迹的基础上，获取多源信息融合的辐射源目标轨迹；
步骤5，预测辐射源目标的意图，多平台多传感器对多辐射源目标分配传感器实施布控。
其中，利用红外传感器、可见光传感器和合成孔径雷达获取场景中的目标图像和视频；利用激光雷达、合成孔径雷达，发射探测信号和接收目标回波之间的时间差测定距离，获场景中的目标位置；利用电子侦察设备获取辐射源方位，确定监视范围内发出辐射信号的目标；
电子侦察设备将侦测获得的包含目标辐射源的方位发送给激光雷达，激光雷达根据电子侦察设备获取的辐射源方位，判断与雷达侦察设备所侦察的目标是否匹配，若匹配，则判定为辐射源目标为场景中已识别目标，若不匹配，则表明场景中尚未检测到该目标或检测错误。
其中，所述跟踪策略，包括：使用电子侦察设备与雷达设备对远距离目标进行搜索，一旦发现目标，为红外传感器和可见光传感器获取目标在地图上的坐标以及发出信号的辐射源方位，红外传感器和可见光传感器根据电子侦察设备与雷达的指示，搜索目标，并对目标进行识别跟踪，获取目标的可见光图像、红外图像和SAR图像；
当电子侦查设备与雷达保持无线电静寂或受干扰而不能工作时，红外传感器和可见光传感器独立地进行搜索、探测和跟踪。
其中，所述合成孔径雷达图像、红外图像和可见光图像进行配准与融合，利用基于PCA与小波变换融合算法对红外图像、可见光图像与SAR图像融合，步骤如下：
步骤1，对SAR图像进行相干斑噪声的滤除，并将SAR、可见光图像、红外图像进行图像配准并重采样至相同的空间分辨率；
步骤2，将可见光和红外图像进行PCA处理，得到多个主成分，即第一主成分、第二主成分；
步骤3，将滤波后SAR图像与可见光图像的第一主成分、红外图像的第二主成分进行直方图匹配；
将滤波后SAR图像与可见光图像的第二主成分、红外图像的第一主成分进行直方图匹配；
步骤4，将经过直方图匹配后的图像分别进行平稳小波变换分解，分为高频图像和低频图像；
步骤5，图像经小波分解后的高频和低频信息分别进行融合，经过逆小波变换得到SAR图像与可见光图像新的第一主成分、红外图像的第二主成分；以及SAR图像与可见光图像新的第二主成分、红外图像的第一主成分；
步骤6，将新的第一主成分、第二主成分与原图像其他成分进行PCA逆变换，得到融合图像。
其中，所述对通信辐射源信息的预处理，包括：
首先接收机接收辐射源信号，建立信号个体模型：
r(n)＝A×exp[j(ω0nt+θ)]+z(n)，n＝1，…，N (1)
其中，A表示截获的信号幅度，ω0表示截获的信号载频，θ表示截获的信号初始相位，t表示脉冲重复采样间隔，z(n)表示复合高斯信号；
对辐射源信号进行分选和去噪，即采用脉冲重复间隔变换对辐射源信号进行分选，采用小波包分解重构方法对分选后辐射源信号进行去噪，得到预处理后的辐射源信号。
其中，所述获取多源信息融合的辐射源目标轨迹，包括：
利用激光雷达和合成孔径雷达截获的信号，判断与电子侦察设备截获信号是否为同一辐射源的信号；
为同一辐射源时，对辐射源目标的轨迹进行提取，获取基于结束时刻帧及起始时刻帧的目标位置，使用如卡尔曼滤、扩展卡尔曼滤波和无迹卡尔曼滤波从量测数据中进行目标状态估计；
每个传感器将各自的量测值形成局部预测轨迹估计，为不同的局部轨迹选择最优的融合算法；
接着对局部轨迹按照选定的最优融合算法进行轨迹融合，使用自适应轨迹融合算法、协方差交叉融合预测算法，最后获取目标全局轨迹预测的估计值。
其中，预测辐射源目标的意图，预测流程如下：
步骤1，利用特征处理模块提取特征参数；
步骤2，接收当前特征参数或下一层的预测结果，与相关知识源进行匹配，选择匹配度最高的知识源给出的预测结果作为问题的解答，刺激模块处理完成后，激发响应模块；
步骤3，响应模块接收预测结果并在匹配链表中找到相应节点，如果节点不存在，则建立新节点并存入预测结果，设置累计值为1；
如果节点存在，且当前预测结果与节点中预测结果相同，则对累计值加1；且当前预测结果与节点中预测结果不同时，则存入当前预测结果，设置当前预测结果累计值为1，响应模块处理完成后，激发判断模块；
步骤4，判断模块对匹配链表节点的累计值进行判断，如果节点的累计值达到预设门限，则将节点的预测结果用于修改黑板中相应的预测结果，并用于上一层的意图预测，如果节点的累计值未达到预设门限，则继续对其累计。
其中，所述对多辐射源目标分配传感器实施布控，具体包括：
以任意一平台传感器的监控范围为单位，按照监控区域内搜索到的d个辐射源目标以及进入范围的辐射源目标的轨迹，为初始种群；
在单平台的同一传感器监控区域内的任意选择两个辐射源目标，计算两个适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到新的种群；
执行同样操作，在单平台多传感器之间获取新的种群，在多平台多传感器之间以单平台多传感器获取的种群为初始种群，任意选择两个辐射源种群，计算适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到基于多平台多传感器的新种群；
进一步的，交叉概率、变异概率直接影响算法的收敛性和收敛速度，自适应策略能够使交叉概率、变异概率随适应度自动改变，提供相对于某个解的最佳概率，对其调整为：
式中，pcmax为最大交叉概率；pcmin为最小交叉概率；pmmax为最大变异概率；pmmin为最小变异概率；
为种群个体的最大适应度；
为种群的平均适应度；
为要交叉的两个个体的适应度值；
为要变异个体的适应度值；||表示绝对值，||max表示绝对值取大；pm为变异概率，pc为交叉概率；
对于新进入监控区域的辐射源目标m的对应位置，ΔE＝f(m)-f(m0)，若ΔE＜0，则新m的分配被接受；当模型被接受时，置m0＝m；否则新辐射源目标m按概率p＝exp(-ΔE/Tk)进行接受，温度Tk为当前温度；
判断是否满足收敛条件，满足则输出最优解，所述最优解，为多平台或单平台多传感器根据识别的辐射源目标位置、轨迹、以及威胁度值分配的最优解。
本发明还提供一种目标识别与情报分析装置，包括：目标识别侦察模块、联合识别模块、态势情报分析与处理模块以及三维重建模块；
所述目标识别侦察模块，使用红外传感器、可见光传感器、激光雷达、合成孔径雷达以及电子侦察设备，采取跟踪策略对目标持续跟踪识别、定位；
其中，所述电子侦察设备，包括测向仪和接收机，接收机用于对接收信号的滤波、放大、混频等处理，为后续处理提供各种所需信号；测向仪用于测量辐射源方向；
所述联合识别模块，包括单平台多源目标联合识别单元、多平台多源目标联合识别单元，以及特征提取单元；
其中，所述特征提取单元，由传感器组进行多源信息输入，利用特征提取方法，从辐射信息中提取载频、脉冲幅度、脉宽、重复频率、天线扫描周期，从目标轨迹信息中提取径距、高度、速度、加速度；
所述单平台多源目标联合识别单元，即搭载当前平台的如无人机、无人船侦测的多源信息中的目标识别特征进行融合，以获取目标身份的识别结果；
所述多平台多源目标联合识别单元，即搭载于当前无人平台侦测的多源信息与相邻无人平台侦测的多源信息中的目标识别特征进行融合，以更精确的获取目标身份的识别结果；
所述态势情报分析与处理模块，包括态势生成单元、意图预测单元和指挥终端；
其中，所述态势生成单元，通过特征提取模块从目标的光频图像信息、声频信息、射频信息、辐射信息、轨迹信息中提取特征参数，生成当前时刻态势；
所述意图预测单元，对目标当前意图状态进行分析，并预测下一时刻的意图状态，包括：特征处理模块、响应模块，判断模块；
所述指挥终端，从目标的光频信息、声频信息、射频信息、辐射信息、轨迹信息以及传感器分配规则库和解决方法组合选择器的支持得出布控决策，将布控决策发送到指挥终端；
三维重建模块，三维重建模块根据输入的SAR图像、红外、可见光图像、视频以及点云利用深度学习得到对应的三维模型，获取目标及所在场景的三维场景。
本发明获取目标融合光谱信息与点云信息，辐射源方位信息与目标位置信息，提高鲁棒性避免误识别，目标持续精准跟踪监视和干扰，在单平台/多平台多传感器监控范围内根据辐射源目标对进行识别和注意力分配。
附图说明
图1是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的方法流程图。
图2是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的传感器作用图。
图3是本发明一种基于遗传算法的辐射源目标识别与情报分析系统的系统架构图。
图4是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的注意力分配效果图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本发明作进一步详细说明。
图1是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的方法流程图，主要包括：
步骤1，由多传感器采取跟踪策略对目标持续跟踪识别，对目标进行定位，获取对应的图像、视频和点云、坐标以及辐射源信息；
步骤2，对获取信息进行预处理，包括对图像进行平滑、增强和滤波处理，还包括对通信辐射源信息的预处理，以及点云预处理；
步骤3，对预处理后的合成孔径雷达图像、红外图像和可见光图像进行配准与融合；检测辐射源方位，获取辐射源目标的细微特征，即提取通信辐射源个体特征；
步骤4，检测目标轨迹，在当前辐射源目标的轨迹的基础上，获取多源信息融合的辐射源目标轨迹；
步骤5，预测辐射源目标的意图，多平台多传感器对多辐射源目标分配传感器实施布控。
图2是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的传感器作用图，主要显示了利用红外传感器、可见光传感器和合成孔径雷达获取多维度目标信息，包括场景中的目标图像和视频；利用激光雷达、合成孔径雷达，发射探测信号和接收目标回波之间的时间差测定距离，获场景中的目标位置；利用电子侦察设备获取辐射源方位，确定监视范围内发出辐射信号的目标。
进一步的，跟踪策略，使用电子侦察设备与雷达设备对远距离目标进行搜索，一旦发现目标，为红外传感器和可见光传感器获取目标在地图上的坐标以及发出信号的辐射源方位，红外传感器和可见光传感器根据电子侦察设备与雷达的指示，搜索目标，并对目标进行识别跟踪，获取目标的可见光图像、红外图像和SAR图像；当电子侦查设备与雷达保持无线电静寂或受干扰而不能工作时，红外传感器和可见光传感器独立地进行搜索、探测和跟踪。
电子侦察设备将侦测获得的包含目标辐射源的方位发送给激光雷达，激光雷达根据电子侦察设备获取的辐射源方位，判断与雷达侦察设备所侦察的目标是否匹配，若匹配，则判定为辐射源目标为场景中已识别目标，若不匹配，则表明场景中尚未检测到该目标或检测错误。
进一步的，合成孔径雷达图像、红外图像和可见光图像进行配准与融合，利用基于PCA与小波变换融合算法对红外图像、可见光图像与SAR图像融合，步骤如下：
步骤1，对SAR图像进行相干斑噪声的滤除，并将SAR、可见光图像、红外图像进行图像配准并重采样至相同的空间分辨率；
步骤2，将可见光和红外图像进行PCA处理，得到多个主成分，即第一主成分、第二主成分；
步骤3，将滤波后SAR图像与可见光图像的第一主成分、红外图像的第二主成分进行直方图匹配；将滤波后SAR图像与可见光图像的第二主成分、红外图像的第一主成分进行直方图匹配；
步骤4，将经过直方图匹配后的图像分别进行平稳小波变换分解，分为高频图像和低频图像；
步骤5，图像经小波分解后的高频和低频信息分别进行融合，经过逆小波变换得到SAR图像与可见光图像新的第一主成分、红外图像的第二主成分；以及SAR图像与可见光图像新的第二主成分、红外图像的第一主成分；
步骤6，将新的第一主成分、第二主成分与原图像其他成分进行PCA逆变换，得到融合图像。
进一步的，对通信辐射源信息的预处理，包括：
首先接收机接收辐射源信号，建立信号个体模型：
r(n)＝A×exp[j(ω0nt+θ)]+z(n)，n＝1，…，N (1)
其中，A表示截获的信号幅度，ω0表示截获的信号载频，θ表示截获的信号初始相位，t表示脉冲重复采样间隔，z(n)表示复合高斯信号；
对辐射源信号进行分选和去噪，即采用脉冲重复间隔变换对辐射源信号进行分选，采用小波包分解重构方法对分选后辐射源信号进行去噪，得到预处理后的辐射源信号。
获取辐射源信息的细微特征，包括：
首先分析辐射源信号的载频频率、调制参数以辐射源信号的杂散分量参数，作为确定辐射源信号的个体特征的特性参数；
然后在确定相应的辐射源信号的个体特征后，利用辐射源信号的时域特性、频域特性分析方法以及高阶谱指纹特征分析方法进行辐射源信号的指纹特征提取；
最后，综合提取的辐射源信号的指纹特征集，并利用分类器对截获的辐射源信号进行分类、识别、定位。
获取多源信息融合的辐射源目标轨迹，包括：
利用激光雷达和合成孔径雷达截获的信号，判断与电子侦察设备截获信号是否为同一辐射源的信号；
为同一辐射源时，对辐射源目标的轨迹进行提取，获取基于结束时刻帧及起始时刻帧的目标位置，使用如卡尔曼滤、扩展卡尔曼滤波和无迹卡尔曼滤波从量测数据中进行目标状态估计；
每个传感器将各自的量测值形成局部预测轨迹估计，为不同的局部轨迹选择最优的融合算法；
接着对局部轨迹按照选定的最优融合算法进行轨迹融合，使用自适应轨迹融合算法、协方差交叉融合预测算法，最后获取目标全局轨迹预测的估计值。
预测辐射源目标的意图，预测流程如下：
步骤1，利用特征处理模块提取特征参数；
步骤2，接收当前特征参数或下一层的预测结果，与相关知识源进行匹配，选择匹配度最高的知识源给出的预测结果作为问题的解答，刺激模块处理完成后，激发响应模块；
步骤3，响应模块接收预测结果并在匹配链表中找到相应节点，如果节点不存在，则建立新节点并存入预测结果，设置累计值为1；
如果节点存在，且当前预测结果与节点中预测结果相同，则对累计值加1；且当前预测结果与节点中预测结果不同时，则存入当前预测结果，设置当前预测结果累计值为1，响应模块处理完成后，激发判断模块；
步骤4，判断模块对匹配链表节点的累计值进行判断，如果节点的累计值达到预设门限，则将节点的预测结果用于修改黑板中相应的预测结果，并用于上一层的意图预测，如果节点的累计值未达到预设门限，则继续对其累计。
对多辐射源目标分配传感器实施布控，包括：
以任意一平台传感器的监控范围为单位，按照监控区域内搜索到的d个辐射源目标以及进入范围的辐射源目标的轨迹，为初始种群；
在单平台的同一传感器监控区域内的任意选择两个辐射源目标，计算两个适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到新的种群；
执行同样操作，在单平台多传感器之间获取新的种群，在多平台多传感器之间以单平台多传感器获取的种群为初始种群，任意选择两个辐射源种群，计算适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到基于多平台多传感器的新种群；
进一步的，交叉概率、变异概率直接影响算法的收敛性和收敛速度，自适应策略能够使交叉概率、变异概率随适应度自动改变，提供相对于某个解的最佳概率，对其调整为：
式中，pcmax为最大交叉概率；pcmin为最小交叉概率；pmmax为最大变异概率；pmmin为最小变异概率；
为种群个体的最大适应度；
为种群的平均适应度；
为要交叉的两个个体的适应度值；
为要变异个体的适应度值；||表示绝对值，||max表示绝对值取大；pm为变异概率，pc为交叉概率。
对于新进入监控区域的辐射源目标m的对应位置，ΔE＝f(m)-f(m0)，若ΔE＜0，则新m的分配被接受；当模型被接受时，置m0＝m；否则新辐射源目标m按概率p＝exp(-ΔE/Tk)进行接受，温度Tk为当前温度；
判断是否满足收敛条件，满足则输出最优解，所述最优解，为多平台或单平台多传感器根据识别的辐射源目标位置、轨迹、以及威胁度值分配的最优解。
图3是本发明一种基于遗传算法的辐射源目标识别与情报分析系统的系统架构图，主要包括：目标识别侦察模块、联合识别模块、态势情报分析与处理模块以及三维重建模块；
所述目标识别侦察模块，使用红外传感器、可见光传感器、激光雷达、合成孔径雷达以及电子侦察设备，采取跟踪策略对目标持续跟踪识别、定位；
其中，所述电子侦察设备，包括测向仪和接收机，接收机用于对接收信号的滤波、放大、混频等处理，为后续处理提供各种所需信号；测向仪用于测量辐射源方向；
所述联合识别模块，包括单平台多源目标联合识别单元、多平台多源目标联合识别单元，以及特征提取单元；
其中，所述特征提取单元，由传感器组进行多源信息输入，利用特征提取方法，从辐射信息中提取载频、脉冲幅度、脉宽、重复频率、天线扫描周期，从目标轨迹信息中提取径距、高度、速度、加速度；
所述单平台多源目标联合识别单元，即搭载当前平台的如无人机、无人船侦测的多源信息中的目标识别特征进行融合，以获取目标身份的识别结果；
所述多平台多源目标联合识别单元，即搭载于当前无人平台侦测的多源信息与相邻无人平台侦测的多源信息中的目标识别特征进行融合，以更精确的获取目标身份的识别结果；
所述态势情报分析与处理模块，包括态势生成单元、意图预测单元和指挥终端；
其中，所述态势生成单元，通过特征提取模块从目标的光频图像信息、声频信息、射频信息、辐射信息、轨迹信息中提取特征参数，生成当前时刻态势；
所述意图预测单元，对目标当前意图状态进行分析，并预测下一时刻的意图状态，包括：特征处理模块、响应模块，判断模块；
所述指挥终端，从目标的光频信息、声频信息、射频信息、辐射信息、轨迹信息以及传感器分配规则库和解决方法组合选择器的支持得出布控决策，将布控决策发送到指挥终端；
三维重建模块，三维重建模块根据输入的SAR图像、红外、可见光图像、视频以及点云利用深度学习得到对应的三维模型，获取目标及所在场景的三维场景。
图4是本发明一种基于遗传算法的辐射源目标识别与情报分析方法的注意力分配效果图，上图方框部分为监控区域目标辐射源目标，圆圈部分为敌方目标，被监控区域目标数量16，辐射源目标13；下图为注意力分配显示图，我方目标数量11与威胁目标数量13的分配情况，坐标数值为在二维显示中的相对距离，首先建立重点优先探测区域，输入监控区域长度及监控区域宽度，生成监控区域，根据传感器数据、辐射源目标数量、位置和轨迹，生成注意力分配，对部署方案进行优化计算，将我方目标的部署节点坐标保存到数据库内，并显示注意力分配方案。
对于本领域技术人员，本发明不限制于上述实施例的细节，在不背离本发明的精神和范围的情况下，能够以其他具体形式实现本发明。此外，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围，这些改进和变型也应视为本发明的保护范围。因此，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
Claims (10)
1.一种基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，包括：
步骤1，由多传感器采取跟踪策略对目标持续跟踪识别，对目标进行定位，获取对应的图像、视频和点云、坐标以及辐射源信息；
步骤2，对获取信息进行预处理，包括对图像进行平滑、增强和滤波处理，还包括对通信辐射源信息的预处理，以及对点云进行预处理；
步骤3，对预处理后的合成孔径雷达图像、红外图像和可见光图像进行配准与融合；检测辐射源方位，获取辐射源目标的细微特征，即提取通信辐射源个体特征；
步骤4，检测目标轨迹，在当前辐射源目标的轨迹的基础上，获取多源信息融合的辐射源目标轨迹；
步骤5，预测辐射源目标的意图，多平台多传感器对多辐射源目标分配传感器实施布控。
2.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，利用红外传感器、可见光传感器和合成孔径雷达获取场景中的目标图像和视频；利用激光雷达、合成孔径雷达，发射探测信号和接收目标回波之间的时间差测定距离，获场景中的目标位置；利用电子侦察设备获取辐射源方位，确定监视范围内发出辐射信号的目标；电子侦察设备将侦测获得的包含目标辐射源的方位发送给激光雷达，激光雷达根据电子侦察设备获取的辐射源方位，判断与雷达侦察设备所侦察的目标是否匹配，若匹配，则判定为辐射源目标为场景中已识别目标，若不匹配，则表明场景中尚未检测到该目标或检测错误。
3.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述跟踪策略，包括：使用电子侦察设备与雷达设备对远距离目标进行搜索，一旦发现目标，为红外传感器和可见光传感器获取目标在地图上的坐标以及发出信号的辐射源方位，红外传感器和可见光传感器根据电子侦察设备与雷达的指示，搜索目标，并对目标进行识别跟踪，获取目标的可见光图像、红外图像和SAR图像；当电子侦查设备与雷达保持无线电静寂或受干扰而不能工作时，红外传感器和可见光传感器独立地进行搜索、探测和跟踪。
4.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述合成孔径雷达图像、红外图像和可见光图像进行配准与融合，利用基于PCA与小波变换融合算法对红外图像、可见光图像与SAR图像融合，步骤如下：
步骤1，对SAR图像进行相干斑噪声的滤除，并将SAR、可见光图像、红外图像进行图像配准并重采样至相同的空间分辨率；
步骤2，将可见光和红外图像进行PCA处理，得到多个主成分，即第一主成分、第二主成分；
步骤3，将滤波后SAR图像与可见光图像的第一主成分、红外图像的第二主成分进行直方图匹配；
将滤波后SAR图像与可见光图像的第二主成分、红外图像的第一主成分进行直方图匹配；
步骤4，将经过直方图匹配后的图像分别进行平稳小波变换分解，分为高频图像和低频图像；
步骤5，图像经小波分解后的高频和低频信息分别进行融合，经过逆小波变换得到SAR图像与可见光图像新的第一主成分、红外图像的第二主成分；以及SAR图像与可见光图像新的第二主成分、红外图像的第一主成分；
步骤6，将新的第一主成分、第二主成分与原图像其他成分进行PCA逆变换，得到融合图像。
5.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述对通信辐射源信息的预处理，包括：
首先接收机接收辐射源信号，建立信号个体模型：
r(n)＝A×exp[j(ω0nt+θ)]+z(n)，n＝1，...，N (1)
其中，A表示截获的信号幅度，ω0表示截获的信号载频，θ表示截获的信号初始相位，t表示脉冲重复采样间隔，z(n)表示复合高斯信号；
对辐射源信号进行分选和去噪，即采用脉冲重复间隔变换对辐射源信号进行分选，采用小波包分解重构方法对分选后辐射源信号进行去噪，得到预处理后的辐射源信号。
6.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述获取辐射源信息的细微特征，包括：
首先分析辐射源信号的载频频率、调制参数以辐射源信号的杂散分量参数，作为确定辐射源信号的个体特征的特性参数；
然后在确定相应的辐射源信号的个体特征后，利用辐射源信号的时域特性、频域特性分析方法以及高阶谱指纹特征分析方法进行辐射源信号的指纹特征提取；
最后，综合提取的辐射源信号的指纹特征集，并利用分类器对截获的辐射源信号进行分类、识别、定位。
7.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述获取多源信息融合的辐射源目标轨迹，包括：
利用激光雷达和合成孔径雷达截获的信号，判断与电子侦察设备截获信号是否为同一辐射源的信号；
为同一辐射源时，对辐射源目标的轨迹进行提取，获取基于结束时刻帧及起始时刻帧的目标位置，使用如卡尔曼滤、扩展卡尔曼滤波和无迹卡尔曼滤波从量测数据中进行目标状态估计；
每个传感器将各自的量测值形成局部预测轨迹估计，为不同的局部轨迹选择最优的融合算法；
接着对局部轨迹按照选定的最优融合算法进行轨迹融合，使用自适应轨迹融合算法、协方差交叉融合预测算法，最后获取目标全局轨迹预测的估计值。
8.基于权利要求1所述的辐射源目标识别与情报分析方法，其特征在于，所述预测辐射源目标的意图，预测流程如下：
步骤1，利用特征处理模块提取特征参数；
步骤2，接收当前特征参数或下一层的预测结果，与相关知识源进行匹配，选择匹配度最高的知识源给出的预测结果作为问题的解答，刺激模块处理完成后，激发响应模块；
步骤3，响应模块接收预测结果并在匹配链表中找到相应节点，如果节点不存在，则建立新节点并存入预测结果，设置累计值为1；
如果节点存在，且当前预测结果与节点中预测结果相同，则对累计值加1；且当前预测结果与节点中预测结果不同时，则存入当前预测结果，设置当前预测结果累计值为1，响应模块处理完成后，激发判断模块；
步骤4，判断模块对匹配链表节点的累计值进行判断，如果节点的累计值达到预设门限，则将节点的预测结果用于修改黑板中相应的预测结果，并用于上一层的意图预测，如果节点的累计值未达到预设门限，则继续对其累计。
9.基于权利要求1所述的基于遗传算法的辐射源目标识别与情报分析方法，其特征在于，所述对多辐射源目标分配传感器实施布控，包括：
以任意一平台传感器的监控范围为单位，按照监控区域内搜索到的d个辐射源目标以及进入范围的辐射源目标的轨迹，为初始种群；
在单平台的同一传感器监控区域内的任意选择两个辐射源目标，计算两个适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到新的种群；
执行同样操作，在单平台多传感器之间获取新的种群，在多平台多传感器之间以单平台多传感器获取的种群为初始种群，任意选择两个辐射源种群，计算适应度f(m)，按照交叉概率进行交叉操作，然后按照变异概率进行变异操作，得到基于多平台多传感器的新种群；
进一步的，交叉概率、变异概率直接影响算法的收敛性和收敛速度，自适应策略能够使交叉概率、变异概率随适应度自动改变，提供相对于某个解的最佳概率，对其调整为：
式中，pcmax为最大交叉概率；pcmin为最小交叉概率；pmmax为最大变异概率；pmmin为最小变异概率；
为种群个体的最大适应度；
为种群的平均适应度；
为要交叉的两个个体的适应度值；
为要变异个体的适应度值；||表示绝对值，||max表示绝对值取大；pm为变异概率，pc为交叉概率；
对于新进入监控区域的辐射源目标m的对应位置，ΔE＝f(m)-f(m0)，若ΔE＜0，则新m的分配被接受；当模型被接受时，置m0＝m；否则新辐射源目标m按概率p＝exp(-ΔE/Tk)进行接受，温度Tk为当前温度；
判断是否满足收敛条件，满足则输出最优解，所述最优解，为多平台或单平台多传感器根据识别的辐射源目标位置、轨迹、以及威胁度值分配的最优解。
10.执行权利要求1-9所述方法的系统，包括：目标识别侦察模块、联合识别模块、态势情报分析与处理模块以及三维重建模块；
所述目标识别侦察模块，使用红外传感器、可见光传感器、激光雷达、合成孔径雷达以及电子侦察设备，采取跟踪策略对目标持续跟踪识别、定位；
其中，所述电子侦察设备，包括测向仪和接收机，接收机用于对接收信号的滤波、放大、混频等处理，为后续处理提供各种所需信号；测向仪用于测量辐射源方向；
所述联合识别模块，包括单平台多源目标联合识别模块、多平台多源目标联合识别模块，以及特征提取模块；
其中，所述特征提取单元，由传感器组进行多源信息输入，利用特征提取方法，从辐射信息中提取载频、脉冲幅度、脉宽、重复频率、天线扫描周期，从目标轨迹信息中提取径距、高度、速度、加速度；
所述单平台多源目标联合识别单元，即搭载当前平台的如无人机、无人船侦测的多源信息中的目标识别特征进行融合，以获取目标身份的识别结果；
所述多平台多源目标联合识别单元，即搭载于当前无人平台侦测的多源信息与相邻无人平台侦测的多源信息中的目标识别特征进行融合，以更精确的获取目标身份的识别结果；
所述态势情报分析与处理模块，包括态势生成单元、意图预测单元和指挥终端；
其中，所述态势生成单元，通过特征提取模块从目标的光频图像信息、声频信息、射频信息、辐射信息、轨迹信息中提取特征参数，生成当前时刻态势；
所述意图预测单元，对目标当前意图状态进行分析，并预测下一时刻的意图状态，包括：特征处理模块、响应模块，判断模块；
所述指挥终端，从目标的光频信息、声频信息、射频信息、辐射信息、轨迹信息以及传感器分配规则库和解决方法组合选择器的支持得出布控决策，将布控决策发送到指挥终端；
三维重建模块，三维重建模块根据输入的SAR图像、红外、可见光图像、视频以及点云利用深度学习得到对应的三维模型，获取目标及所在场景的三维场景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911210173.5A CN110992298A (zh) | 2019-12-02 | 2019-12-02 | 一种基于遗传算法的辐射源目标识别与情报分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911210173.5A CN110992298A (zh) | 2019-12-02 | 2019-12-02 | 一种基于遗传算法的辐射源目标识别与情报分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110992298A true CN110992298A (zh) | 2020-04-10 |
Family
ID=70088975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911210173.5A Withdrawn CN110992298A (zh) | 2019-12-02 | 2019-12-02 | 一种基于遗传算法的辐射源目标识别与情报分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110992298A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652973A (zh) * | 2020-06-12 | 2020-09-11 | 深圳市人工智能与机器人研究院 | 一种基于混合现实的监控方法、系统及相关设备 |
| CN112422152A (zh) * | 2020-11-05 | 2021-02-26 | 中国人民解放军32802部队 | 一种通信业务网的通联关系识别和处理方法 |
| CN112580702A (zh) * | 2020-12-10 | 2021-03-30 | 深圳技术大学 | 多传感器协同感知方法及装置 |
| CN112949383A (zh) * | 2021-01-22 | 2021-06-11 | 中国人民解放军63892部队 | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 |
| CN112990363A (zh) * | 2021-04-21 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种战场电磁态势感知与利用方法 |
| CN112987765A (zh) * | 2021-03-05 | 2021-06-18 | 北京航空航天大学 | 一种仿猛禽注意力分配的无人机/艇精准自主起降方法 |
| CN114067353A (zh) * | 2021-10-12 | 2022-02-18 | 北京控制与电子技术研究所 | 一种采用多功能加固处理机实现多源数据融合的方法 |
| CN115015867A (zh) * | 2022-05-31 | 2022-09-06 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
| CN115542318A (zh) * | 2022-10-12 | 2022-12-30 | 南京航空航天大学 | 面向无人机群目标的空地联合多域探测系统和方法 |
| CN117009736A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 激光外差偏移频率方案确定方法、装置以及存储介质 |
| CN117111069A (zh) * | 2023-08-11 | 2023-11-24 | 武汉理工大学 | 一种蚊虫运动轨迹识别及预测系统 |
-
2019
- 2019-12-02 CN CN201911210173.5A patent/CN110992298A/zh not_active Withdrawn
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111652973A (zh) * | 2020-06-12 | 2020-09-11 | 深圳市人工智能与机器人研究院 | 一种基于混合现实的监控方法、系统及相关设备 |
| CN112422152A (zh) * | 2020-11-05 | 2021-02-26 | 中国人民解放军32802部队 | 一种通信业务网的通联关系识别和处理方法 |
| CN112422152B (zh) * | 2020-11-05 | 2021-07-20 | 中国人民解放军32802部队 | 一种通信业务网的通联关系识别和处理方法 |
| CN112580702B (zh) * | 2020-12-10 | 2024-01-23 | 深圳技术大学 | 多传感器协同感知方法及装置 |
| CN112580702A (zh) * | 2020-12-10 | 2021-03-30 | 深圳技术大学 | 多传感器协同感知方法及装置 |
| CN112949383A (zh) * | 2021-01-22 | 2021-06-11 | 中国人民解放军63892部队 | 一种基于HyDeep-Att网络的波形捷变雷达辐射源识别方法 |
| CN112987765A (zh) * | 2021-03-05 | 2021-06-18 | 北京航空航天大学 | 一种仿猛禽注意力分配的无人机/艇精准自主起降方法 |
| CN112990363A (zh) * | 2021-04-21 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种战场电磁态势感知与利用方法 |
| CN114067353A (zh) * | 2021-10-12 | 2022-02-18 | 北京控制与电子技术研究所 | 一种采用多功能加固处理机实现多源数据融合的方法 |
| CN114067353B (zh) * | 2021-10-12 | 2024-04-02 | 北京控制与电子技术研究所 | 一种采用多功能加固处理机实现多源数据融合的方法 |
| CN115015867A (zh) * | 2022-05-31 | 2022-09-06 | 中国人民解放军总医院 | 一种基于超宽带雷达的身份识别和跌倒检测方法 |
| CN115542318B (zh) * | 2022-10-12 | 2024-01-09 | 南京航空航天大学 | 面向无人机群目标的空地联合多域探测系统和方法 |
| CN115542318A (zh) * | 2022-10-12 | 2022-12-30 | 南京航空航天大学 | 面向无人机群目标的空地联合多域探测系统和方法 |
| CN117111069A (zh) * | 2023-08-11 | 2023-11-24 | 武汉理工大学 | 一种蚊虫运动轨迹识别及预测系统 |
| CN117009736B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 激光外差偏移频率方案确定方法、装置以及存储介质 |
| CN117009736A (zh) * | 2023-10-07 | 2023-11-07 | 之江实验室 | 激光外差偏移频率方案确定方法、装置以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992298A (zh) | 一种基于遗传算法的辐射源目标识别与情报分析方法 | |
| CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和系统 | |
| CN106791696B (zh) | 无线视频监控系统及其图像传输方法和装置 | |
| JP2019526846A (ja) | ビークルのための受動光学検出方法およびシステム | |
| Hong et al. | Road detection and tracking for autonomous mobile robots | |
| CN106839881B (zh) | 一种基于动态图像识别的反无人机方法 | |
| Chun et al. | Robot surveillance and security | |
| CN110058233B (zh) | 一种多基地合成孔径雷达系统的抗欺骗性干扰方法 | |
| CN110567324B (zh) | 一种基于ds证据理论的多目标群威胁度预测装置及方法 | |
| Sakamoto et al. | Texture-based automatic separation of echoes from distributed moving targets in UWB radar signals | |
| CN113536564A (zh) | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 | |
| Solonskaya et al. | Signal processing in the intelligence systems of detecting low-observable and low-doppler aerial targets | |
| AU2023266368A1 (en) | System and methods for early detection of non-biological mobile aerial target | |
| CN114139373B (zh) | 一种面向无人机反制车的多传感器自动协同管理方法 | |
| CN110781730B (zh) | 智能驾驶感知方法及感知装置 | |
| CN111480180B (zh) | 用于检测和跟踪目标的方法和装置、光电设备 | |
| Fatseas et al. | Neural network based multiple object tracking for automotive FMCW radar | |
| Nielsen et al. | Fusion of security camera and RSS fingerprinting for indoor multi-person tracking | |
| Ahmed et al. | Robust ground moving target detection for airborne radar using a novel feature-based machine learning approach | |
| Bhagat et al. | Moving camera-based automated system for drone identification using focus measures | |
| Ciurapiński et al. | Data fusion concept in multispectral system for perimeter protection of stationary and moving objects | |
| Syrotenko et al. | Evaluation of quality of hidden transmitters detection by a group of coordinated unmanned aerial vehicles on the basis of entropy decrease dynamics | |
| Herasymenko et al. | Analysis of the Efficiency of the Kalman-Type Correlation Algorithm for Tracking of a Small UAV in the Presence of Uncorrelated Interference | |
| Mahalanobis et al. | Network video image processing for security, surveillance, and situational awareness | |
| Araújo Jr et al. | Towards autonomous investigation of crime scene by using drones |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200410 |