CN113128342A - 航迹数据预处理方法及空中目标识别方法 - Google Patents
航迹数据预处理方法及空中目标识别方法 Download PDFInfo
- Publication number
- CN113128342A CN113128342A CN202110295970.9A CN202110295970A CN113128342A CN 113128342 A CN113128342 A CN 113128342A CN 202110295970 A CN202110295970 A CN 202110295970A CN 113128342 A CN113128342 A CN 113128342A
- Authority
- CN
- China
- Prior art keywords
- data
- track
- flight
- target
- characteristic
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于雷达数据处理技术领域,特别涉及一种航迹数据预处理方法及空中目标识别方法,针对信号源原始传输数据,将定量数据装入缓存并按照时间排序后按预设频率进行数据压缩,每个压缩单元内将数据按照数值大小排序并取中值,通过消除孤立野值及数据降采样获取用于校正的航迹数据;利用局部加权回归将航迹数据设置滑窗,根据权重函数对滑窗内数据点进行加权回归多项式拟合,利用回归曲线中心获取用于特征提取的航迹数据。本发明通过预处理建立稳健的航迹数据,进而从多方面提取航迹统计、巡航、机动性、飞行轨迹、地域速度谱等特征,鲁棒性好,可作为提升航迹信息目标识别准确率的潜在途径,具有较好的应用前景。
Description
技术领域
本发明属于空中雷达数据处理技术领域,特别涉及一种航迹数据预处理方法及基于该数据预处理的空中目标识别方法。
背景技术
实际作战中利用复杂环境下的原始数据实现实时目标识别,为作战决策提供快速准确的目标身份和威胁态势信息的需求越来越迫切。如今战场中飞行目标机动性强,反侦察能力高,编队飞行,主动电磁干扰等问题加大了利用雷达数据直接进行目标识别的难度。对低质量非理想数据进行的有效处理,提取显著特征,将会为目标识别判决提供重要的依据。如何利用仅有的雷达回波信号甚至不完整的航迹信息来提取目标特征从而识别目标类型在实际的防空警戒任务上至关重要。
发明内容
为此,本发明提供一种航迹数据预处理方法及基于该数据预处理的雷达飞行目标识别方法,解决雷达空中目标测量数据中孤立型野值和野值斑点等问题,能够通过建立稳健的航迹数据来提升目标识别准确率。
按照本发明所提供的设计方案,提供一种航迹数据预处理方法,用于雷达空中目标识别数据特征提取,包含如下内容:
针对信号源原始传输数据,将定量数据装入缓存并按照时间排序后按预设频率进行数据压缩,每个压缩单元内将数据按照数值大小排序并取中值,通过消除孤立野值及数据降采样获取用于校正的航迹数据;
利用局部加权回归将航迹数据设置滑窗,根据权重函数对滑窗内数据点进行加权回归多项式拟合,利用回归曲线中心获取用于特征提取的航迹数据。
作为本发明航迹数据预处理方法,进一步地,针对加权回归多项式拟合的回归曲线中心,通过滑动拟合并连接所有回归曲线中心来获取用于特征提取的航迹数据。
作为本发明航迹数据预处理方法,进一步地,加权回归多项式拟合中,首先对原始传输数据进行一次局部加权回归,获取拟合残差;然后依据拟合残差利用双平方函数计算误差权重;将误差权重乘以核函数得到距离权重,并再次加权回归,通过拟合获取航迹点序列。
作为本发明航迹数据预处理方法,进一步地,滑窗窗宽依据当前时刻目标飞行速度进行调整。
进一步地,本发明还提供一种雷达飞行目标识别方法,包含如下内容:
对雷达空中目标测量数据进行预处理,其中,该预处理基于上述的方法实现;
针对预处理后的航迹数据进行特征提取,获得多维航迹特征,该多维航迹特征至少包含:用于建立航迹特征可视化界面的经验信息及抽象特征;
通过对多维航迹信息进行信息融合来判别目标航迹。
作为本发明雷达飞行目标识别方法,进一步地,经验信息至少包含:用于分辨飞行目标的运动特性、用于判断目标类型的巡航特性、用于区分识别目标的机动特性及用于目标区域类型匹配的飞行区域特征;抽象特征至少包含用于航迹分析的速度谱。
作为本发明雷达飞行目标识别方法,进一步地,运动特性中,利用平均速度、最大速度、速度区间及飞行海拔区间统计参数来分辨分型目标;航迹特性中,利用航迹特征数值与专家库匹配来判断目标类型,该航迹特征至少包含:飞行时长、巡航高度及巡航速度。
作为本发明雷达飞行目标识别方法,进一步地,机动特性中,依据经纬度以及各时刻移动方向的数据计算目标水平机动特性,并结合高度信息分析目标垂直机动性爬升率,通过加速度值、转弯半径及爬升率来区分识别空中目标。
作为本发明雷达飞行目标识别方法,进一步地,飞行区域特征中,利用航迹提取飞行经过区域,通过检索所有经过区域,并结合热点图和飞行区域机动性和频率进行比较,匹配区域类型目标。
作为本发明雷达飞行目标识别方法,进一步地,速度谱中,通过对速度信号进行傅里叶变换来获取功率谱密度函数,对航迹进行功率谱分析获取高频分量特性。
本发明的有益效果:
本发明对传统航迹测量的异常值处理、数据压缩与关联以及特征提取做了相应的改进,通过二次数据压缩,利用变门限滑动加权多项式拟合技术,解决了剔除孤立型野值和野值斑点的问题,建立稳健的航迹数据,进而从多方面提取航迹统计、巡航、机动性、飞行轨迹、地域速度谱等特征,鲁棒性好,可解释性强,可作为提升航迹信息目标识别准确率的潜在途径,具有较好的应用前景。
附图说明:
图1为实施例中航迹数据预处理方法流程示意;
图2为实施例中数据预处理与目标识别流程示意;
图3为实施例中特征提取类别与作用示意;
图4为实施例中原始航迹数据误差示意;
图5为实施例中数据预处理结果示意;
图6为实施例中民用飞机航班数据特征图示意;
图7为实施例中各特征组合下不同识别效果示意;
图8为实施例中机器学习结果示意。
具体实施方式:
为使本发明的目的、技术方案和优点更加清楚、明白,下面结合附图和技术方案对本发明作进一步详细的说明。
如何利用仅有的雷达回波信号甚至不完整的航迹信息来提取目标特征从而识别目标类型在实际的防空警戒任务上至关重要。获取信息后快速建立航迹起始,对航迹进行实时分析提取目标有效的多维特征,为目标分析识别提供有力保证。本发明实施例,提供一种航迹数据预处理方法,用于雷达空中目标识别数据特征提取,包含如下内容:
S101、针对信号源原始传输数据,将定量数据装入缓存并按照时间排序后按预设频率进行数据压缩,每个压缩单元内将数据按照数值大小排序并取中值,通过消除孤立野值及数据降采样获取用于校正的航迹数据;
S102、利用局部加权回归将航迹数据设置滑窗,根据权重函数对滑窗内数据点进行加权回归多项式拟合,利用回归曲线中心获取用于特征提取的航迹数据。
S103、提取航迹统计、巡航、机动性、飞行轨迹、地域速度谱等特征,利用生成的特征矩阵进行空中目标识别。
野值是指数据中的异常值,通常是指与其他数据严重偏离至相差几个量级或在同量级下却极大地超出了传感器测量正常误差值的错误的量测量。原始数据往往包含了1%~2%甚至10%的野值数据,不预先处理会对接下来的目标识别有非常不利的影响,在实际工程中野值预处理的好坏对识别准确率高低有着非常密切的联系。
表1航迹数据格式
航迹数据为雷达获取的按照时间顺序排列的航迹轨迹数据,参见表1,对于由N个航迹点组成的航迹原始数据可表示为J={P1,P2,…PN}。
由于不同信号源传输数据到达时间不一致,输入信息存在部分乱序,本案实施例中,在进行数据压缩之前先将一定量的数据装入缓存按照时间进行排序后根据设定局部域长度做一次数据压缩,计当前时刻每秒获取的航迹数据为η次,σ为单次压缩处理局部滑窗宽带,将一个压缩滑窗单元内的经度、纬度、高度、速度等数据按照数值大小进行排序后遍历取中值Xm
Xm(k)=X(min{sum(abs(Ri-a))}),
其中:Ri=P(k-σ)*η,P(k-σ)*η+1,P(k-σ)*η+2,...P(k-σ+1)*η,…,Pk*η
随着现代雷达设备的发展在实际数据中孤立性野值占比不会高于20%,排序后偏离实际情况的野值分布在数值序列的两端,取中值可以达到消除孤立型野值以及数据降采样的目的。利用局部加权与不等间隔分配同时解决孤立型野值、野值斑点和数据率不稳定的问题,可以达到航迹数据稳定、毛刺减少的目的,便于目标特征提取和识别。
作为本发明实施例中航迹数据预处理方法,进一步地,针对加权回归多项式拟合的回归曲线中心,通过滑动拟合并连接所有回归曲线中心来获取用于特征提取的航迹数据。进一步地,加权回归多项式拟合中,首先对原始传输数据进行一次局部加权回归,获取拟合残差;然后依据拟合残差利用双平方函数计算误差权重;将误差权重乘以核函数得到距离权重,并再次加权回归,通过拟合获取航迹点序列。
参见图2所示,对数据率降为σ秒1次的点迹信息做野值斑点消除,采用局部加权回归算法,把航迹数据设置滑窗,根据权重函数对窗内数据点进行加权回归多项式拟合,计算获得回归曲线的中心,再进行滑动拟合,连接所有回归曲线中心获得去野值斑点的航迹数据。
首先对原始数据一次局部加权回归,计算出拟合的残差ei:ei=yi-f(xi)
利用双平方函数计算误差权重:δi=B(ei/4s),其中,s为误差绝对值∣ei∣的中位数,根据距离远近设置权重,利用B函数计算权值。原则是离拟合点越近权重值越大,当距离超出四倍绝对平均偏差值后权重设置为0。
作为本发明实施例中航迹数据预处理方法,进一步地,滑窗窗宽δ依据当前时刻目标飞行速度进行调整。
在实际处理中,对窗宽δ的选取十分依赖专家经验,低机动性目标如民航客机窗宽可以适当加大保证野值斑点剔除的完整性,而高机动性目标如战斗机则要考虑减小窗宽从而不损失飞行轨迹细节;经纬度数据体现的是目标位置变化情况,其变化速率与飞行速率相关,因此窗宽设定随着当前时刻目标飞行速度改变而改变。
进一步地,本发明实施例还提供一种雷达飞行目标识别方法,包含如下内容:
对雷达空中目标测量数据进行预处理,其中,该预处理基于上述的方法实现;
针对预处理后的航迹数据进行特征提取,获得多维航迹特征,该多维航迹特征至少包含:用于建立航迹特征可视化界面的经验信息及抽象特征;
通过对航迹多维特征矩阵进行信息融合来判别目标航迹。
对航迹数据做特征提取,获得统计特性分布情况、专家判断所需的飞行时刻,飞行地域、巡航特性等经验信息以及速度谱等高阶抽象特征。建立了航迹特征可视化界面。为后续利用航迹特征进行多手段信息融合判别提供支撑。参见表2和图3所示,目标航迹测量信息可包含雷达量飞行目标得到的时间ti、经度Loni、纬度Lati、速度vi、高度hi以及移动方向等信息。分析不同目标特性产生机理与显著特点,尽可能多挖掘航迹中包含的各目标特性,从多个方面,多维度挖掘特定目标特征,提高识别准确率。
表2特征提取类别与作用
作为本发明实施例中雷达飞行目标识别方法,进一步地,经验信息至少包含:用于分辨飞行目标的运动特性、用于判断目标类型的巡航特性、用于区分识别目标的机动特性及用于目标区域类型匹配的飞行区域特征;抽象特征至少包含用于航迹分析的速度谱。
作为本发明雷达飞行目标识别方法,进一步地,运动特性中,利用平均速度、最大速度、速度区间及飞行海拔区间统计参数来分辨分型目标;航迹特性中,利用航迹特征数值与专家库匹配来判断目标类型,该航迹特征至少包含:飞行时长、巡航高度及巡航速度。
空中目标的飞行参数包含飞行统计特征和机动性,在传统的特征提取中大多仅提取的是目标的速度,高度数据分析,如统计包括平均速度最大速度vmax、速度区间vd以及飞行海拔区间统计hd等常规参数,通过简单特征提取可以分辨差异较大的飞行目标如小型直升机与民航客机。
速度计算公式为:
其中,Di=sin(Lati)*sin(Lati-1)+cos(Lati)*cos(Lati-1)*cos(Loni-Loni-1)
提取完空中目标的常规统计特征后,对速度以及高度数据进一步挖掘统计巡航状态特性,出于空气动力学设计以及任务需求,各飞行目标有特定的飞行高度以及速度来解决油耗和飞行管制问题。航迹特征提取目标飞行时长tmax,巡航高度hsteady,巡航速度vsteady等数值与专家库进行匹配,利用一线经验判断目标类型。目标飞行时长tmax为对数据统计单次飞行总时长,与后台专家库进行比对目标续航能力进行匹配识别。巡航高度hsteady与巡航速度vsteady是统计目标处于低机动性下的飞行参数表现,由于各类型空中目标动力与任务要求不一致,在低机动性下的巡航状态相关参数会出现显著区别。在实际操作中区分机动性moti高低通过量化加速度、爬升率与曲率三者乘积进行,计算公式表示如下:
对航迹序列Xi设置一个当前序列5%长度的窗宽进行滑动求取机动性motimean。
作为本发明实施例中雷达飞行目标识别方法,进一步地,机动特性中,依据经纬度以及各时刻移动方向的数据计算目标水平机动特性,并结合高度信息分析目标垂直机动性爬升率,通过加速度值、转弯半径及爬升率来区分识别空中目标。
机动性是衡量空中目标改变飞行速度,方向,高度的指标,具体体现在加速度值af,转弯半径Rf的大小以及爬升率Paf的高低,此类特征可进一步区分识别空中目标。实际提取中利用经纬度以及各时刻目标移动方向的数据计算目标水平机动特性,再利用高度信息分析目标垂直机动性爬升率的大小。其中,各计算公式可表示如下:
作为本发明实施例中雷达飞行目标识别方法,进一步地,飞行区域特征中,利用航迹提取飞行经过区域,通过检索所有经过区域,并结合热点图和飞行区域机动性和频率进行比较,匹配区域类型目标。
飞行区域是利用航迹提取飞行经行地区,执行特定任务的空中目标有固定的飞行航线和飞行轨迹,在重点区域会进行盘旋或者绕行,在航迹中先检索所有经过区域,再对高机动飞行区域和高频活动区域进行重点分析,可结合表3与热点图进行比较,匹配相应类型目标。实际区域划分与任务需求相关,用以匹配目标机动行为特征与执行任务间的关联性,区域通过多边形顶点进行划分,通过航迹数据匹配飞行区域,在判别数据经行目标区域Aij后,将标签保存至特征矩阵进行识别。
表3飞行区域划分
作为本发明实施例中雷达飞行目标识别方法,进一步地,速度谱中,通过对速度信号进行傅里叶变换来获取功率谱密度函数,对航迹进行功率谱分析获取高频分量特性。
速度谱是速度谱密度函数的简称,它可定义为单位时间内的速度,表示速度随着时间的变化关系,即速度在时间内的变化关系。
速度信号v(t)在时间段t∈[-T/2,T/2]上的平均速度可以表示为:如果v(t)在时间段t∈[-T/2,T/2]上可以用vT(t)表示,且vT(t)的傅里叶变换为FT(ω)=F[vT(t)],其中F[]表示傅里叶变换。当T增加时,FT(ω)以及|FT(ω)|2的能量增加,在功率谱的定义中,当T→+∞时,FT(t)→f(t)。此时可能趋近于一极限,如果该极限存在,其平均功率亦可以在频域表示,功率谱密度函数表达式如下:
对航迹进行功率谱分析,是对航迹提取高维抽象的特征,获取其高频分量特性,分析航迹中出现的机动性特征。
通过以上对航迹数据的深度挖掘分析,计算得包含目标不同类型的特征,从多角度分析目标行为属性,为目标识别提供可靠的理论支撑。
为验证本案方案有效性,下面结合试验数据做进一步解释说明:
传统实验大多采用基于专家经验的仿真数据或者构建几种典型局部飞行轨迹,为了逼近真实情况在数据上加入服从高斯分布的噪声干扰,但是该类数据与实际空中目标飞行轨迹依旧相差较大。本文采用空中目标真实飞行轨迹构建实验数据集,数据中包括多类战斗机,民航,侦察机。空中目标航迹数据集是近两年特定目标的飞行航迹数据,数据集总共有9931条航迹,3300条测试数据集。共包含了多类飞机的运动情况,其中民航数据来自于Flight Aware航班跟踪获取的民航航班的实时航班信息。数据集中每条航迹由数据标号,飞行时间,经度,纬度,高度以及机型标签组成。
通过对航迹数据提取多维度特征,全面分析空中目标飞行特性后使用多种识别分类方法进行信息融合判别分析,有助于提高目标识别的准确率。
表4
如图4所示,航迹原始数据会出现系统误差图4(a)中呈z字型轨迹,多传感器数据局部未完全融合形成的两条轨迹相似的结构图像以及因为大量丢高导致的空中目标飞行起伏过大不合逻辑等问题。在图5中应用本案所述预处理方法后可得轨迹毛刺减少,飞行轨迹光滑平整但飞行细节得以保留,为实验特征提取提供有利条件。图6为民用飞机航班数据特征图,由图可以分析得:数据获取平稳,仅在飞行中段出现少量飞行数据缺失的现象,由加速度与速度变化图可得:在起飞阶段快速爬升加速度成高数值正值,中段巡航期保持平稳飞行无明显速度变化,末端飞机缓降,加速度呈低数值负数,由速度分布,加速度分布以及速度谱图中分析可得飞机机动性弱,飞行平稳。图7中可得各特征组合可得到不同的识别效果,第一个为机动性特征组合分类效果图,可以较为准确区分各类型机型,聚类效果良好,第四个是总特征提取效果图,航迹运动特性速度区间vd,飞行海拔区间统计hd,巡航特性飞行时长tmax以及爬升率Paf分类效果不佳,其余特征均表现出良好的识别分类效果。
为了充分验证特征提取的有效性,本案实施例对处理后的数据特征集采用多种机器学习分类识别算法进行测试,经过回归分类决策树,最近邻算法(KNN),支持向量机SVM,集成学习(Ensemble Learning)方法验证,试验结果表明,如表5和图8所示,本案提出的航迹数据预处理与特征提取方法可以有效解决空中目标识别的问题。
表5机器学习实验结果准确率
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种航迹数据预处理方法,用于空中目标识别雷达数据特征提取,其特征在于,包含如下内容:
针对信号源原始传输数据,将定量数据装入缓存并按照时间排序后按预设频率进行数据压缩,每个压缩单元内将数据按照数值大小排序并取中值,通过消除孤立野值及数据降采样获取用于校正的航迹数据;
利用局部加权回归将航迹数据设置滑窗,根据权重函数对滑窗内数据点进行加权回归多项式拟合,利用回归曲线中心获取用于特征提取的航迹数据。
2.根据权利要求1所述的航迹数据预处理方法,其特征在于,针对加权回归多项式拟合的回归曲线中心,通过滑动拟合并连接所有回归曲线中心来获取用于特征提取的航迹数据。
3.根据权利要求1或2所述的航迹数据预处理方法,其特征在于,加权回归多项式拟合中,首先对原始传输数据进行一次局部加权回归,获取拟合残差;然后依据拟合残差利用双平方函数计算误差权重;将误差权重乘以核函数得到距离权重,并再次加权回归,通过拟合获取航迹点序列。
4.根据权利要求1所述的航迹数据预处理方法,其特征在于,滑窗窗宽依据当前时刻目标飞行速度进行调整。
5.一种空中目标识别方法,其特征在于,包含如下内容:
对雷达空中目标测量数据进行预处理,其中,该预处理基于权利要求1所述的方法实现;
针对预处理后的航迹数据进行特征提取,获得多维航迹特征,该多维航迹特征至少包含:用于建立航迹特征可视化界面的经验信息及抽象特征;
通过对航迹信息进行特征提取信息融合来判别目标航迹。
6.根据权利要求5所述的空中目标识别方法,其特征在于,经验信息至少包含:用于分辨飞行目标的运动特性、用于判断目标类型的巡航特性、用于区分识别目标的机动特性及用于目标区域类型匹配的飞行区域特征;抽象特征至少包含用于航迹分析的速度谱。
7.根据权利要求6所述的空中目标识别方法,其特征在于,运动特性中,利用平均速度、最大速度、速度区间及飞行海拔区间统计参数来分辨分型目标;航迹特性中,利用航迹特征数值与专家库匹配来判断目标类型,该航迹特征至少包含:飞行时长、巡航高度及巡航速度。
8.根据权利要求6所述的空中目标识别方法,其特征在于,机动特性中,依据经纬度以及各时刻移动方向的数据计算目标水平机动特性,并结合高度信息分析目标垂直机动性爬升率,通过加速度值、转弯半径及爬升率来区分识别空中目标。
9.根据权利要求6所述的空中目标识别方法,其特征在于,飞行区域特征中,利用航迹提取飞行经过区域,通过检索所有经过区域,并结合热点图和飞行区域机动性和频率进行比较,匹配区域类型目标。
10.根据权利要求6所述的空中目标识别方法,其特征在于,速度谱中,通过对速度信号进行傅里叶变换来获取功率谱密度函数,对航迹进行功率谱分析获取高频分量特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295970.9A CN113128342B (zh) | 2021-03-19 | 2021-03-19 | 航迹数据预处理方法及空中目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295970.9A CN113128342B (zh) | 2021-03-19 | 2021-03-19 | 航迹数据预处理方法及空中目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128342A true CN113128342A (zh) | 2021-07-16 |
CN113128342B CN113128342B (zh) | 2023-04-07 |
Family
ID=76773643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295970.9A Active CN113128342B (zh) | 2021-03-19 | 2021-03-19 | 航迹数据预处理方法及空中目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128342B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705415A (zh) * | 2021-08-23 | 2021-11-26 | 中国电子科技集团公司第十五研究所 | 基于雷达情报的空情目标特征提取方法及装置 |
CN113721646A (zh) * | 2021-08-11 | 2021-11-30 | 中山大学 | 一种考虑二次拉升的组合动力飞行器轨迹快速规划方法 |
CN115859007A (zh) * | 2023-02-17 | 2023-03-28 | 广东石油化工学院 | 一种石化仪表采样数据滑窗约束容错滤波降噪方法和装置 |
CN116359907A (zh) * | 2023-06-02 | 2023-06-30 | 西安晟昕科技股份有限公司 | 一种雷达数据的航迹处理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006108275A1 (en) * | 2005-04-11 | 2006-10-19 | Raytheon Canada Limited | A classification system for radar and sonar applications |
US20100094784A1 (en) * | 2008-10-13 | 2010-04-15 | Microsoft Corporation | Generalized kernel learning in support vector regression |
CN102937438A (zh) * | 2012-08-03 | 2013-02-20 | 南京理工大学 | 基于最优化方法的红外弱小目标距离探测方法 |
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 |
CN110196962A (zh) * | 2019-04-12 | 2019-09-03 | 南京航空航天大学 | 一种基于核密度估计的飞机速度异常识别方法 |
CN110941688A (zh) * | 2019-10-29 | 2020-03-31 | 国家海洋信息中心 | 一种基于多波束离散数据的航迹处理及空间化管理方法 |
CN111797738A (zh) * | 2020-06-23 | 2020-10-20 | 同济大学 | 基于视频识别的多目标交通行为快速提取方法 |
CN111951295A (zh) * | 2020-07-07 | 2020-11-17 | 中国人民解放军93114部队 | 基于多项式拟合高精度确定飞行轨迹的方法、装置和电子设备 |
CN112182972A (zh) * | 2020-09-30 | 2021-01-05 | 大连海事大学 | 一种船舶操纵运动adam局部加权回归辨识建模方法 |
WO2021012757A1 (zh) * | 2019-07-23 | 2021-01-28 | 南京莱斯电子设备有限公司 | 基于全景多路4k视频图像的实时目标检测跟踪方法 |
-
2021
- 2021-03-19 CN CN202110295970.9A patent/CN113128342B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006108275A1 (en) * | 2005-04-11 | 2006-10-19 | Raytheon Canada Limited | A classification system for radar and sonar applications |
US20100094784A1 (en) * | 2008-10-13 | 2010-04-15 | Microsoft Corporation | Generalized kernel learning in support vector regression |
CN102937438A (zh) * | 2012-08-03 | 2013-02-20 | 南京理工大学 | 基于最优化方法的红外弱小目标距离探测方法 |
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 |
CN110196962A (zh) * | 2019-04-12 | 2019-09-03 | 南京航空航天大学 | 一种基于核密度估计的飞机速度异常识别方法 |
WO2021012757A1 (zh) * | 2019-07-23 | 2021-01-28 | 南京莱斯电子设备有限公司 | 基于全景多路4k视频图像的实时目标检测跟踪方法 |
CN110941688A (zh) * | 2019-10-29 | 2020-03-31 | 国家海洋信息中心 | 一种基于多波束离散数据的航迹处理及空间化管理方法 |
CN111797738A (zh) * | 2020-06-23 | 2020-10-20 | 同济大学 | 基于视频识别的多目标交通行为快速提取方法 |
CN111951295A (zh) * | 2020-07-07 | 2020-11-17 | 中国人民解放军93114部队 | 基于多项式拟合高精度确定飞行轨迹的方法、装置和电子设备 |
CN112182972A (zh) * | 2020-09-30 | 2021-01-05 | 大连海事大学 | 一种船舶操纵运动adam局部加权回归辨识建模方法 |
Non-Patent Citations (2)
Title |
---|
RUIXIN NIU等: "Target localization and tracking in noncoherent multiple-input multiple-output radar systems", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
李晓娜等: "基于机器学习算法的海空目标航迹数据分析技术研究", 《中国电子科学研究院学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721646A (zh) * | 2021-08-11 | 2021-11-30 | 中山大学 | 一种考虑二次拉升的组合动力飞行器轨迹快速规划方法 |
CN113721646B (zh) * | 2021-08-11 | 2023-07-28 | 中山大学 | 一种考虑二次拉升的组合动力飞行器轨迹快速规划方法 |
CN113705415A (zh) * | 2021-08-23 | 2021-11-26 | 中国电子科技集团公司第十五研究所 | 基于雷达情报的空情目标特征提取方法及装置 |
CN113705415B (zh) * | 2021-08-23 | 2023-10-27 | 中国电子科技集团公司第十五研究所 | 基于雷达情报的空情目标特征提取方法及装置 |
CN115859007A (zh) * | 2023-02-17 | 2023-03-28 | 广东石油化工学院 | 一种石化仪表采样数据滑窗约束容错滤波降噪方法和装置 |
CN116359907A (zh) * | 2023-06-02 | 2023-06-30 | 西安晟昕科技股份有限公司 | 一种雷达数据的航迹处理方法 |
CN116359907B (zh) * | 2023-06-02 | 2023-08-15 | 西安晟昕科技股份有限公司 | 一种雷达数据的航迹处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113128342B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN110533095B (zh) | 一种基于改进随机森林的航班飞行风险行为识别方法 | |
Smart et al. | A two-phase method of detecting abnormalities in aircraft flight data and ranking their impact on individual flights | |
CN112598046B (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
Ackley et al. | A supervised learning approach for safety event precursor identification in commercial aviation | |
CN112149715B (zh) | 一种基于深度学习的无人机空战威胁评估方法 | |
CN112633322A (zh) | 基于三维K-Means涡轴发动机载荷谱聚类分析方法 | |
Christopher et al. | Prediction of warning level in aircraft accidents using data mining techniques | |
Zhang et al. | Hybrid AI-enabled method for UAS and bird detection and classification | |
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN112269173B (zh) | 一种多平台雷达一维图像信号进行融合的方法 | |
Lu et al. | Deep learning for flight maneuver recognition: A survey | |
CN112836581A (zh) | 一种基于相关性分析的敏感故障特征提取方法及装置 | |
Fala et al. | Study on machine learning methods for general aviation flight phase identification | |
CN111504341A (zh) | 一种直升机飞行状态识别方法 | |
CN108106500A (zh) | 一种基于多传感器的导弹目标类型识别方法 | |
CN116304966A (zh) | 基于多源数据融合的航迹关联方法 | |
CN112668089B (zh) | 评估战斗机机动动作下各系统稳态与过渡态性能的方法 | |
Arts et al. | Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins | |
CN111474538A (zh) | 一种基于模糊逻辑推理的目标分类方法 | |
Zheng et al. | Radar target identification and detection based on fuzzy C-mean clustering | |
Zhang et al. | Maneuver Recognition Based on Affine Weighted Dynamic Time Warping Algorithm | |
Clachar | Identifying and analyzing atypical flights by using supervised and unsupervised approaches |
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 |