CN111860688B - 一种目标类型识别方法、系统及电子设备 - Google Patents
一种目标类型识别方法、系统及电子设备 Download PDFInfo
- Publication number
- CN111860688B CN111860688B CN202010757284.4A CN202010757284A CN111860688B CN 111860688 B CN111860688 B CN 111860688B CN 202010757284 A CN202010757284 A CN 202010757284A CN 111860688 B CN111860688 B CN 111860688B
- Authority
- CN
- China
- Prior art keywords
- information
- track
- target
- feature
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003066 decision tree Methods 0.000 claims abstract description 34
- 238000007637 random forest analysis Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 7
- 101100119135 Mus musculus Esrrb gene Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012847 principal component analysis method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Abstract
本发明涉及一种目标类型识别方法、系统及电子设备,获取待识别航迹的每个信息点的第一航迹信息,获取每个特征的重要度并按照从大到小的顺序得到预设数量的目标特征;分别从待识别航迹的每个信息点的第一航迹信息中获取预设数量的目标特征所分别对应的数据,得到待识别航迹的每个信息点的第二航迹信息;将待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到待识别航迹对应的目标类型。根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,再对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
Description
技术领域
本发明涉及航迹的目标类型的识别技术领域,尤其涉及一种目标类型识别方法、系统及电子设备。
背景技术
目前,雷达一般通过如下的两种技术手段对目标类型如车、鸟、无人机以及民航等进行识别,具体地:
1)通过信号处理域的微动特征对雷达所检测到的信号进行分类,以达到识别目标类型的目的,但信号处理域的微动特征对雷达所采集的信号要求较高,一般的低空监视雷达很难满足要求,成本高;
2)通过对雷达所监测到的航迹信息进行分类,以达到识别目标类型的目的,虽然对雷达的所采集的航迹信息的信号要求较低,但由于雷达所采集的航迹信息十分丰富,例如航迹信息中包括位置信息、运动信息、雷达截面积等,导致运算量大,不能及时获取航迹信息对应的目标类型。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种目标类型识别方法、系统及电子设备。
本发明的一种目标类型识别方法的技术方案如下:
获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到所述预设数量的目标特征;
分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型。
本发明的一种目标类型识别方法的有益效果如下:
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
在上述方案的基础上,本发明的一种目标类型识别方法还可以做如下改进。
进一步,所述获取每个特征的重要度,包括:
获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数。
采用上述进一步方案的有益效果是:传统的主成分分析方法是将每个特征进行映射,会破坏每个特征的物理意义,而随机森林的算法是从多个特征中挑选出预设数量的目标特征,也就是说,随机森林的算法是挑选目标特征,不会破坏每个特征的物理意义,进一步减少了运算量,且进一步保证能及时且准确地确定出待航迹信息对应的目标类型;
进一步,还包括:
分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树。
进一步,所述根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树,包括:
S60、根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
S61、对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
S62、当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新执行S61,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
本发明的一种目标类型识别系统的技术方案如下:
包括获取模块、获取目标特征模块、获取第二航迹信息模块和识别模块;
所述第一获取模块用于获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
所述获取目标特征模块用于获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到所述预设数量的目标特征;
所述获取第二航迹信息模块用于分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
所述识别模块用于将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型。
本发明的一种目标类型识别系统的有益效果如下:
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
在上述方案的基础上,本发明的一种目标类型识别系统还可以做如下改进。
进一步,所述获取目标特征模块具体用于:
获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数。
采用上述进一步方案的有益效果是:传统的主成分分析方法是将每个特征进行映射,会破坏每个特征的物理意义,而随机森林的算法是从多个特征中挑选出预设数量的目标特征,也就是说,随机森林的算法是挑选目标特征,不会破坏每个特征的物理意义,进一步减少了运算量,且进一步保证能及时且准确地确定出待航迹信息对应的目标类型;
进一步,还包括第二获取模块,所述第二获取模块用于:
分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树。
进一步,所述第二获取模块包括集合模块、计算模块和执行模块;
所述集合模块用于根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
所述计算模块用于:对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
所述执行模块用于:当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新调用所述计算模块,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如上述任一项所述的一种目标类型识别方法的步骤。
本发明的一种电子设备的有益效果如下:
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
附图说明
图1为本发明实施例的一种目标类型识别方法的流程示意图;
图2为本发明实施例的一种目标类型识别系统的结构示意图;
图3为本发明实施例的一种电子设备的结构示意图;
具体实施方式
如图1所示,本发明实施例的一种目标类型识别方法,包括如下步骤:
S1、获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
S2、获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到所述预设数量的目标特征;
S3、分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
S4、将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型。
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,准确率达80%以上,也不会提高低空监视雷达的成本。
其中,目标类型包括车、鸟、无人机以及民航中的至少一项,且可根据实际情况对目标类型的进行调整;
根据雷达采集的信号获取待识别航迹的每个信息点,其中信息点可理解为点迹,例如,雷待周期性采集一个目标的信号,每个周期获取该目标的位置、运动信息等信息即为点迹,且根据多个点迹能得到该目标的航迹,具体技术细节为本领域技术人员所悉知,在此不做赘述;
其中,第一航迹信息包括:位置信息、运动信息和RCS(雷达截面积,RCS为Radarcross-section的简写)信息,位置信息包括目标的每个信息点相对于雷达的距离的具体值、相对于雷达的方位的具体值和相对于雷达的高度的具体值,运动信息包括目标速度的具体值、高度维速度的具体值、北向速度的具体值和东向速度的具体值,RCS信息包括目标的每个信息点的信噪比的具体值、RCS的具体值以及均衡RCS的具体值;那么,距离、方位、高度、目标速度、高度维速度、北向速度、东向速度、信噪比、RCS、均衡RCS均为特征;
例如,获取每个特征的重要度后,并根据重要度从大到小进行排序后的序列为:距离、方位、高度、目标速度、高度维速度、北向速度、东向速度、信噪比、RCS、均衡RCS,若预设数量为3,则距离、方位、高度为目标特征,若预设数量为4,则距离、方位、高度、目标速度、高度维速度为目标特征,其中,预设数量可根据实际情况进行调整;
以距离、方位、高度为目标特征为例继续进行说明,假设待识别航迹的某一信息点的第一航迹信息为(Q1、Q2、Q3、Q4、Q5、Q6、Q7、Q8、Q9、Q10),其中,Q1至Q10分别对应距离的具体值、方位的具体值、高度的具体值、目标速度的具体值、高度维速度的具体值、北向速度的具体值、东向速度的具体值、信噪比的具体值、RCS的具体值和均衡RCS的具体值,由于距离、方位、高度为目标特征,则该信息点对应的第二航迹信息为(Q1、Q2、Q3),以此类推,根据待识别航迹的每个信息点的第一航迹信息得到待识别航迹的每个信息点的第二航迹信息,即对第一航迹信息降维后得到第二航迹信息,降低了运算量,且由于保留了重要度最高的目标特征,能及时且准确地确定出待航迹信息对应的目标类型。
较优地,在上述技术方案中,S2中所述获取每个特征的重要度,包括:
S20、获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
S21、根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
S22、利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
S23、根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数。
传统的主成分分析方法是将每个特征进行映射,会破坏每个特征的物理意义,而随机森林的算法是从多个特征中挑选出预设数量的目标特征,也就是说,随机森林的算法是挑选目标特征,不会破坏每个特征的物理意义,进一步减少了运算量,且进一步保证能及时且准确地确定出待航迹信息对应的目标类型。
其中,每个样本航迹的信息点不少于20个,且每个样本航迹的信息点均由雷达采集的信号得到,不包含外推的信息点;且所有样本航迹的信息点的数量大于500即500<N,如N=1000或N=10000,可以理解的是,当N越大时,计算出的每个特征的重要度越准确;多个样本航迹的目标类型包含全部的目标类型,且各目标类型对应的信息点的数量的差别控制在10%以内。
其中,每个目标类型的标签可根据实际情况进行调整,例如将车、鸟、无人机以及民航的标签分别设置为1、2、3、4;
其中,对于在随机森林中所预设的每一颗决策树,可随机使用第一数据集D0和所述第一特征集F0中2/3的数据作为训练集来进行训练,利用剩余的数据计算误差err1,其中,在随机森林中所预设的数量T可设置为500或1000等。
其中,随机对第一数据集D0的第k个特征加入噪声干扰,噪声干扰为高斯分布,均值为零,方差为该特征在所有样本中的分布方差。
较优地,在上述技术方案中,还包括:
S5、分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
S6、根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树。
较优地,在上述技术方案中,所述S6,包括:
S60、根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
S61、对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
S62、当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新执行S61,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
在上述各实施例中,虽然对步骤进行进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况对调整S1、S2等的执行顺序,此也在本发明的保护范围内。
如图2所示,本发明实施例的一种目标类型识别系统200,包括获取模块210、获取目标特征模块220、获取第二航迹信息模块230和识别模块240;
所述第一获取模块210用于获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
所述获取目标特征模块220用于获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到所述预设数量的目标特征;
所述获取第二航迹信息模块230用于分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
所述识别模块240用于将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型。
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
较优地,在上述技术方案中,所述获取目标特征模块220具体用于:
获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数。
传统的主成分分析方法是将每个特征进行映射,会破坏每个特征的物理意义,而随机森林的算法是从多个特征中挑选出预设数量的目标特征,也就是说,随机森林的算法是挑选目标特征,不会破坏每个特征的物理意义,进一步减少了运算量,且进一步保证能及时且准确地确定出待航迹信息对应的目标类型;
较优地,在上述技术方案中,,还包括第二获取模块210,所述第二获取模块210用于:
分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树。
较优地,在上述技术方案中,所述第二获取模块210包括集合模块、计算模块和执行模块;
所述集合模块用于根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
所述计算模块用于:对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
所述执行模块用于:当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新调用所述计算模块,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
上述关于本发明的一种目标类型识别系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种目标类型识别方法的实施例中的各参数和步骤,在此不做赘述。
如图3所示,本发明实施例的一种电子设备300,包括存储器310、处理器320及存储在所述存储器310上并在所述处理器320上运行的程序330,所述处理器320执行所述程序330时实现上述任一实施的一种目标类型识别方法的步骤。
根据特征的重要度大的大小,从多个特征中顺序预设数量的目标特征,忽略掉不重要的特征,然后对第一航迹信息降维后得到第二航迹信息,既降低了运算量,能及时且准确地确定出待航迹信息对应的目标类型,也不会提高低空监视雷达的成本。
其中,电子设备300可以选用电脑、手机等,相对应地,其程序330为电脑软件或手机APP等,且电子设备300还可以是雷达,且上述关于本发明的一种电子设备300中的各参数和步骤,可参考上文中一种目标类型识别方法的实施例中的各参数和步骤,在此不做赘述。
在本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (3)
1.一种目标类型识别方法,其特征在于,包括:
获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
其中,第一航迹信息包括位置信息、运动信息和RCS信息,位置信息包括目标的每个信息点相对于雷达的距离的具体值、相对于雷达的方位的具体值和相对于雷达的高度的具体值,运动信息包括目标速度的具体值、高度维速度的具体值、北向速度的具体值和东向速度的具体值,RCS信息包括目标的每个信息点的信噪比的具体值、RCS的具体值以及均衡RCS的具体值;距离、方位、高度、目标速度、高度维速度、北向速度、东向速度、信噪比、RCS、均衡RCS均为特征;
获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到预设数量的目标特征;
分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型;
所述获取每个特征的重要度,包括:
获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数;
还包括:
分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树;
所述根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树,包括:
S60、根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
S61、对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
S62、当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新执行S61,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
2.一种目标类型识别系统,其特征在于,包括第一获取模块、获取目标特征模块、获取第二航迹信息模块和识别模块;
所述第一获取模块用于获取待识别航迹的每个信息点的第一航迹信息,所述第一航迹信息包括多个特征所分别对应的数据;
所述获取目标特征模块用于获取每个特征的重要度,并按照从大到小的顺序从多个特征中得到预设数量的目标特征;
所述获取第二航迹信息模块用于分别从所述待识别航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所述待识别航迹的每个信息点的第二航迹信息;
所述识别模块用于将所述待识别航迹的每个信息点的第二航迹信息输入到训练好的决策树中,得到所述待识别航迹对应的目标类型;
所述获取目标特征模块具体用于:
获取多个样本航迹的每个信息点的第一航迹信息,其中,多个样本航迹的目标类型包含全部的目标类型;
其中,第一航迹信息包括位置信息、运动信息和RCS信息,位置信息包括目标的每个信息点相对于雷达的距离的具体值、相对于雷达的方位的具体值和相对于雷达的高度的具体值,运动信息包括目标速度的具体值、高度维速度的具体值、北向速度的具体值和东向速度的具体值,RCS信息包括目标的每个信息点的信噪比的具体值、RCS的具体值以及均衡RCS的具体值;距离、方位、高度、目标速度、高度维速度、北向速度、东向速度、信噪比、RCS、均衡RCS均为特征;
根据每个样本航迹的每个信息点的第一航迹信息得到第一数据集D0和第一特征集F0,D0={(z1,y1),(z2,y2),...,(zn,yn),...,(zN,yN)},F0={f1,f2,...,fk,...fK},其中,N表示所有样本航迹的信息点的数量,zn表示所有样本航迹的信息点中的第n个信息点的第一航迹信息,1≤n≤N,且n为正整数,yn表示所有样本航迹的信息点中的第n个信息点对应的目标类别的标签,K表示第一航迹信息中所包含的特征的数量,fk表示第一航迹信息中的第k个特征,1≤k≤K,其中,N、n、K和k均为正整数;
利用所述第一数据集D0和所述第一特征集F0分别对在随机森林中所预设的每一颗决策树进行训练,得到误差err1;随机对第一数据集D0的第k个特征加入噪声干扰,得到袋外误差err2;
根据第一公式计算出每个特征的重要度,所述第一公式为∑(err2-err1)/T,其中,T表示在随机森林中所预设的决策树的总数;
还包括第二获取模块,所述第二获取模块用于:
分别从每个所述样本航迹的每个信息点的第一航迹信息中获取所述预设数量的目标特征所分别对应的数据,得到所有样本航迹的每个信息点的第二航迹信息;
根据所有样本航迹的每个信息点的第二航迹信息,得到所述训练好的决策树;
所述第二获取模块包括集合模块、计算模块和执行模块;
所述集合模块用于根据每个所述样本航迹的每个信息点的第二航迹信息得到第二数据集D和第二特征集F,D={(x1,y1),(x2,y2),...,(xn,yn),...(xN,yN)},F={f1',f2',...,fl',...fL'},其中,xn表示所有样本航迹的信息点中的第n个信息点的第二航迹信息,L表示所述预设数量,fl'表示第二航迹信息中的第l个目标特征的标签,1≤l≤L,其中,l和L均为正整数;
所述计算模块用于:对所述第二特征集F的每个目标特征的标签进行排序,以每两个相邻的目标特征的标签的平均点作为分割点,将所述第二特征集F进行分割,得到V个分割段,通过第二公式得到所述第二特征集F的每个目标特征对于所述第二数据集D的信息增益Gain(D,fl'),所述第二公式为:
其中,Dv表示第v个分割段,M表示所述全部的目标类型的数量,pm表示第m种目标类型的信息点占所有样本航迹的信息点的比例;
得到最大的信息增益对应的目标特征的标签为
所述执行模块用于:当Gain(D,f*)大于预设阈值ε时,则以((Dv,F/{f*}))作为分支节点,并重新调用所述计算模块,当Gain(D,f*)小于预设阈值ε时,则将f*作为叶节点,直至得到所述训练好的决策树。
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述的一种目标类型识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010757284.4A CN111860688B (zh) | 2020-07-31 | 2020-07-31 | 一种目标类型识别方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010757284.4A CN111860688B (zh) | 2020-07-31 | 2020-07-31 | 一种目标类型识别方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111860688A CN111860688A (zh) | 2020-10-30 |
CN111860688B true CN111860688B (zh) | 2023-10-31 |
Family
ID=72953679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010757284.4A Active CN111860688B (zh) | 2020-07-31 | 2020-07-31 | 一种目标类型识别方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111860688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699942A (zh) * | 2020-12-30 | 2021-04-23 | 东软睿驰汽车技术(沈阳)有限公司 | 一种运营车辆识别方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102049420A (zh) * | 2009-11-05 | 2011-05-11 | 刘斌 | 基于决策树的精轧温控过程关键特征变量提取方法 |
CN103198357A (zh) * | 2013-04-03 | 2013-07-10 | 南京理工大学 | 基于nsga-ⅱ优化改进的模糊分类模型构造方法 |
CN104931960A (zh) * | 2015-05-25 | 2015-09-23 | 中国电子科技集团公司第十研究所 | 动向报文与雷达目标态势信息全航迹段数据关联方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN107688170A (zh) * | 2017-08-21 | 2018-02-13 | 哈尔滨工业大学 | 一种基于随机森林的雷达目标航迹起始方法 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
CN108805295A (zh) * | 2018-03-26 | 2018-11-13 | 海南电网有限责任公司电力科学研究院 | 一种基于决策树算法的故障诊断方法 |
CN108921219A (zh) * | 2018-07-03 | 2018-11-30 | 中国人民解放军国防科技大学 | 基于目标航迹的机型识别方法 |
CN109934420A (zh) * | 2019-04-17 | 2019-06-25 | 重庆大学 | 一种预测员工离职的方法及系统 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
CN110045335A (zh) * | 2019-03-01 | 2019-07-23 | 合肥工业大学 | 基于生成对抗网络的雷达目标航迹识别方法和装置 |
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 |
CN111142085A (zh) * | 2020-01-15 | 2020-05-12 | 武汉大学 | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130287256A1 (en) * | 2012-04-30 | 2013-10-31 | Telibrahma Convergent Communications Private Limited | Method and system for real time image recognition on a mobile device |
-
2020
- 2020-07-31 CN CN202010757284.4A patent/CN111860688B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102049420A (zh) * | 2009-11-05 | 2011-05-11 | 刘斌 | 基于决策树的精轧温控过程关键特征变量提取方法 |
CN103198357A (zh) * | 2013-04-03 | 2013-07-10 | 南京理工大学 | 基于nsga-ⅱ优化改进的模糊分类模型构造方法 |
CN104931960A (zh) * | 2015-05-25 | 2015-09-23 | 中国电子科技集团公司第十研究所 | 动向报文与雷达目标态势信息全航迹段数据关联方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN107688170A (zh) * | 2017-08-21 | 2018-02-13 | 哈尔滨工业大学 | 一种基于随机森林的雷达目标航迹起始方法 |
CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
CN108805295A (zh) * | 2018-03-26 | 2018-11-13 | 海南电网有限责任公司电力科学研究院 | 一种基于决策树算法的故障诊断方法 |
CN108921219A (zh) * | 2018-07-03 | 2018-11-30 | 中国人民解放军国防科技大学 | 基于目标航迹的机型识别方法 |
CN110045335A (zh) * | 2019-03-01 | 2019-07-23 | 合肥工业大学 | 基于生成对抗网络的雷达目标航迹识别方法和装置 |
CN110018453A (zh) * | 2019-03-28 | 2019-07-16 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 基于飞机航迹特征的智能机型识别方法 |
CN109934420A (zh) * | 2019-04-17 | 2019-06-25 | 重庆大学 | 一种预测员工离职的方法及系统 |
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 |
CN111142085A (zh) * | 2020-01-15 | 2020-05-12 | 武汉大学 | 一种基于航迹特征提取的外辐射源雷达目标分类识别方法 |
Non-Patent Citations (2)
Title |
---|
Robust Visual Tracking Using Oblique Random Forests;Le Zhang 等;《2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)》;1-10 * |
基于动态行为学习的空中目标识别方法;成磊峰 等;《计算机与数字工程》;581-585 * |
Also Published As
Publication number | Publication date |
---|---|
CN111860688A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280395B (zh) | 一种对低小慢无人机飞控信号的高效识别方法 | |
CN109409225B (zh) | 基于雷达多径信号时频特征融合的无人机分类方法及装置 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
CN109050535A (zh) | 一种基于车辆姿态的快速地形工况辨识方法 | |
CN110018453A (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN106597411A (zh) | 雷达信号处理方法 | |
CN110619264B (zh) | 基于UNet++的微地震有效信号识别方法及装置 | |
CN111709329B (zh) | 一种基于深度学习的无人机测控信号高速识别方法 | |
CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
CN111860688B (zh) | 一种目标类型识别方法、系统及电子设备 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN110764083B (zh) | 毫米波雷达防入侵的数据融合方法及系统 | |
CN117436005A (zh) | 一种环境空气自动监测过程中异常数据处理方法 | |
Arul et al. | Machine learning based automated identification of thunderstorms from anemometric records using shapelet transform | |
CN114926683A (zh) | 空中飞行目标分类识别方法、装置及计算机可读存储介质 | |
Weekley et al. | An algorithm for classification and outlier detection of time-series data | |
Sinha et al. | Estimation of Doppler profile using multiparameter cost function method | |
CN113177097B (zh) | 一种基于属性聚类与时空约束的航迹起始判别方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN114139373A (zh) | 一种面向无人机反制车的多传感器自动协同管理方法 | |
CN114218978A (zh) | 一种嵌入式轻量化的毫米波雷达目标识别方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN116910690A (zh) | 一种基于数据融合的目标分类系统 |
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 |