CN113484838B - 一种多基地雷达有源假目标鉴别方法及系统 - Google Patents

Abstract

本发明公开了一种多基地雷达有源假目标鉴别方法及系统，包括：获取目标的接收信号矢量，其中所述目标由多基地雷达检测得到；根据所述接收信号矢量，计算每两个目标之间的相关系数；根据所述相关系数，将目标进行聚类分析；采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。本发明能够克服现有多基地雷达抗欺骗式干扰的方法无法应用于多干扰源的问题。

Description

一种多基地雷达有源假目标鉴别方法及系统

技术领域

本发明涉及一种多基地雷达有源假目标鉴别方法及系统，属于雷达技术领域。

背景技术

欺骗式干扰是指干扰机在截获雷达发射信号，并分析其参数的基础上，向雷达发射调制延迟后的发射信号，从而在真实目标周围产生很多有源假目标，使得雷达不能正确地识别出真实目标。尤其是大规模集成电路和数字射频储存等先进期间的快速发展，干扰机可以瞬间精确模仿雷达发射波形，实现快速高度逼真的有源假目标欺骗。

多基地雷达由多个空间上分散布置的发射站、接收站或发射-接收站组成，通过将各接收站的信息在系统融合中心进行联合处理，完成目标检测、跟踪与识别。由于其多视角探测和融合处理这两个特点，多基地雷达具有天然的抗干扰优势。

针对欺骗式干扰，多基地雷达利用数据融合处理进行有源假目标鉴别，对数据传输速率的要求较低，但信息融合级别较低，抗干扰能力有限。真实目标雷达散射截面积随探测视角的变化而随机起伏，因此，当各雷达站从不同视角对目标进行探测的情况下，雷达站得到的目标回波是去相关的。相反地，干扰机在各个辐射方向上的干扰信号均相同，各雷达站接收到干扰信号是高度相关的。在多基地雷达独立检测的情况下，现有文献提出利用目标回波复包络间的相关性或真实目标、有源假目标幅度比特征的差异进行有源假目标鉴别，然而在多基地雷达联合检测的情况下，对目标接收信号矢量利用似然比检测的方法进行欺骗式干扰鉴别，但仅适用于单干扰源的场景下。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种多基地雷达有源假目标鉴别方法及系统，能够克服现有多基地雷达抗欺骗式干扰的方法无法应用于多干扰源的问题。为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种多基地雷达有源假目标鉴别方法，所述方法包括如下步骤：

获取目标的接收信号矢量，其中所述目标由多基地雷达检测得到；

根据所述接收信号矢量，计算每两个目标之间的相关系数；

根据所述相关系数，将目标进行聚类分析；

采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

结合第一方面，进一步地，获取目标的接收信号矢量，包括：

使用多基地雷达对探测区域进行探测，检测到K个目标；其中，所述多基地雷达由M个发射站和N个接收站组成；

将K个目标的接收信号矢量设为x_k，矢量维数为MN×1。

结合第一方面，进一步地，每两个目标之间的相关系数，通过下式计算：

式(1)中，r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；K表示检测到的目标的总数；E(x_i,x_j)表示x_i×x_j的均值。

结合第一方面，进一步地，所述将目标进行聚类分析，包括：

步骤1：将K个目标的接收信号矢量各单独分为一类，得到K个目标类{C₁,C₂,...,C_K}，每个目标类内仅包含一个目标；

步骤2：计算每两个目标类之间的距离，通过下式计算：

式(2)中，采用最长距离计算两个类之间的距离；k和l表示类的序号；D_kl表示两类C_k和C_l之间的距离；J(x_i,x_j)表示第i个目标和第j个目标之间的距离，通过下式计算：

J(x_i,x_j)＝1-r(x_i,x_j)   (3)

式(3)中，J(x_i,x_j)表示第i个目标和第j个目标之间的距离；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

步骤3：设类D_kl间距最小的两个目标类为C_p和C_q，将C_p和C_q中的目标进行合并，得到一个新的类C_p∪C_q；

步骤4：利用合并后的新的类C_p∪C_q替代原来的两个目标类C_p和C_q，则类的个数减少一个；

步骤5：重复实施步骤1～步骤4，进行类的合并，直至类的个数达到设定数目G，得到聚类分析的结果：将K个目标分为G个目标类，每个目标类为C_g,g＝1,2,...,G；

步骤6：对每一个可能的目标个数G＝1,2,...,K，重复步骤1～步骤5，得到聚类分析的结果C_g,g＝1,2,...,G；

步骤7：计算最优聚类个数，通过下式计算：

式(4)中，L表示最优聚类个数，HS(g)表示每个目标个数下的HS指标，由下式计算得到的：

HS(G)＝|hom(G)-seq(G)|   (5)

式(5)中，hom(G)表示聚类结果中类内目标之间具有的类聚的结构的程度，通过下式计算：

式(5)中，seq(G)表示聚类结果中类与类之间被较好分开的程度，通过下式计算：

式(6)和(7)中，n_g为目标类C_g中的目标个数，且g＝1,2,...,G；n_s为目标类C_s中的目标个数，且s＝1,2,...,G；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

步骤8：将最优聚类个数L对应的聚类结果作为目标聚类的最终聚类结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L。

结合第一方面，进一步地，计算每两个目标类之间的距离D_kl时还能够使用最短距离法、中间距离法、重心法、类平均法、可变类平均法、可变法和离差平方和法。

结合第一方面，进一步地，所述得到聚类中各目标是否为有源假目标，包括：

由聚类分析的结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L，则根据类内目标个数与门限η的大小判断聚类的类别和聚类中各目标：

当类内目标个数小于等于门限η，则该目标类为真实目标类，该目标类内所有目标均为真实目标；

当类内目标个数大于门限η，则该目标类为有源假目标类，该目标类内所有目标均为有源假目标。

结合第一方面，进一步地，所述门限η的取值为1或2。

第二方面，本发明提供了一种基于改进YOLO算法的伪装目标检测系统，包括：

获取模块：用于获取多基地雷达检测到的目标的接收信号矢量；

相关系数计算模块：用于根据所述接收信号矢量，计算每两个目标之间的相关系数；

聚类分析模块：用于根据所述相关系数，将目标进行聚类分析；

鉴别模块：用于采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

第三方面，本发明提供了一种多基地雷达有源假目标鉴别装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。

与现有技术相比，本发明实施例所提供的一种多基地雷达有源假目标鉴别方法所达到的有益效果包括：

本发明获取目标的接收信号矢量，根据所述接收信号矢量，计算每两个目标之间的相关系数；根据所述相关系数，将目标进行聚类分析；采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标；本发明利用真实目标与有源假目标接收信号矢量相关性的差异进行目标鉴别，与欺骗干扰类型无关，能够适用于任意调制产生的有源假目标；本发明将将目标进行聚类分析能够适用于多干扰源场景下，能够在多干扰源实施欺骗式干扰的场景下完成有源假目标的鉴别，能够克服现有多基地雷达抗欺骗式干扰的方法无法应用于多干扰源的问题；本发明不需要任何多基地雷达或干扰源的先验知识，无需已知雷达布站情况，对雷达站的站址误差不敏感。

附图说明

图1是本发明实施例一提供的一种多基地雷达有源假目标鉴别方法的流程图；

图2是本发明实施例二提供的场景1中使用本发明的真实目标鉴别概率和有源假目标误判概率；

图3是本发明实施例二提供的场景2中使用本发明的真实目标鉴别概率和有源假目标误判概率。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例一：

如图1，本发明实施例提供了一种多基地雷达有源假目标鉴别方法，包括：

获取目标的接收信号矢量，其中所述目标由多基地雷达检测得到；

根据所述接收信号矢量，计算每两个目标之间的相关系数；

根据所述相关系数，将目标进行聚类分析；

采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

具体步骤如下：

步骤1：获取目标的接收信号矢量。

多基地雷达系统由M个发射站和N个接收站组成，对探测区域进行协同探测，检测到K个目标，设各目标的接收信号矢量为x_k，矢量维数为MN×1。

步骤2：根据所述接收信号矢量，计算每两个目标之间的相关系数。

每两个目标之间的相关系数，通过下式计算：

式(1)中，r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；K表示检测到的目标的总数；E(x_i,x_j)表示x_i×x_j的均值。

步骤3：根据所述相关系数，将目标进行聚类分析。

步骤3.1：将K个目标的接收信号矢量各单独分为一类，得到K个目标类{C₁,C₂,...,C_K}，每个目标类内仅包含一个目标。

步骤3.2：计算每两个目标类之间的距离，通过下式计算：

式(2)中，采用最长距离计算两个类之间的距离；k和l表示类的序号；D_kl表示两类C_k和C_k之间的距离；J(x_i,x_j)表示第i个目标和第j个目标之间的距离，通过下式计算：

J(x_i,x_j)＝1-r(x_i,x_j)   (3)

式(3)中，J(x_i,x_j)表示第i个目标和第j个目标之间的距离；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K。

步骤3.3：设类D_kl间距最小的两个目标类为C_p和C_q，将C_p和C_q中的目标进行合并，得到一个新的类C_p∪C_q。

步骤3.4：利用合并后的新的类C_p∪C_q替代原来的两个目标类C_p和C_q，则类的个数减少一个。

步骤3.5：重复实施步骤3.1～步骤3.4，进行类的合并，直至类的个数达到设定数目G，得到聚类分析的结果：将K个目标分为G个目标类，每个目标类为C_g,g＝1,2,...,G。

步骤3.6：对每一个可能的目标个数G＝1,2,...,K，重复步骤3.1～步骤3.5，得到聚类分析的结果C_g,g＝1,2,...,G。

步骤3.7：计算最优聚类个数，通过下式计算：

式(4)中，L表示最优聚类个数，HS(g)表示每个目标个数下的HS指标，由下式计算得到的：

HS(G)＝|hom(G)-seq(G)|   (5)

式(5)中，hom(G)代表同质性，表示聚类结果中类内目标之间具有的类聚的结构的程度，通过下式计算：

式(5)中，seq(G)代表分离性，表示聚类结果中类与类之间被较好分开的程度，通过下式计算：

式(6)和(7)中，n_g为目标类C_g中的目标个数，且g＝1,2,...,G；n_s为目标类C_s中的目标个数，且s＝1,2,...,G；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K。

步骤3.8：将最优聚类个数L对应的聚类结果作为目标聚类的最终聚类结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L。

需要说明的是，在计算每两个目标类之间的距离D_kl时还能够使用最短距离法、中间距离法、重心法、类平均法、可变类平均法、可变法和离差平方和法。

步骤4：采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

由聚类分析的结果，根据类内目标个数与门限η的大小判断聚类的类别和聚类中各目标：

当类内目标个数小于等于门限η，则该目标类为真实目标类，该目标类内所有目标均为真实目标；

当类内目标个数大于门限η，则该目标类为有源假目标类，该目标类内所有目标均为有源假目标。

具体的，门限η的取值为1或2。

实施例二：

本实施例将本发明提供的一种多基地雷达有源假目标鉴别方法用于计算机仿真，验证本发明在多干扰源实施欺骗式干扰的场景下进行有源假目标的鉴别能力。

多基站雷达由两个发射站和五个接收站组成，发射站位置坐标为[0,0]m、[300,0]m。接收站位置坐标分别为[-500,0]m、[-250,0]m、[0,0]m、[250,0]m、[500,0]m。发射站和接收站天线增益相同，均为G_T1＝G_R1＝G_R2＝G_R3＝20dB。在探测区域内存在一个飞机编队，由两架飞机和两部干扰机组成，每部干扰机产生有源假目标个数为10。

目标信噪比(signal-noise ratio，SNR)定义为第一个接收站中的SNR，设两个目标的SNR相同，且SNR＝5dB。相似地，干噪比(jamming-noise ratio，JNR)定义为第一个接收站中的JNR，设对每个产生的有源假目标均相同。多基地雷达检测概率为1，真实目标和有源假目标均可被成功检测。

场景1：飞机目标的坐标为[30,30]km、[32,32]km，两架目标尺寸均为D＝10m。两部支援式干扰机位置坐标为[28,30]km，[30,28]km。

保持目标SNR＝5dB恒定不变，干扰JNR从5dB到10dB，在不同JNR下通过10⁵次MonteCarlo仿真实验得到真实目标鉴别概率和有源假目标误判概率，如图2所示。

从图2中能够看出，在多基地雷达系统中，使用本发明提出的聚类分析鉴别有源假目标时，真实目标鉴别概率在98％以上，将有源假目标误判为真实目标的概率仅为0.01％以下，验证了本发明的有效性。此外，随着JNR的增大，真实目标鉴别概率会越高，有源假目标误判概率会越低。

场景2：在自卫式干扰情况下，飞机目标位置与干扰机位置相同，均为[28,30]km、[30,28]km，两架飞机尺寸相同，D＝0、10、30m。

保持目标SNR＝5dB恒定不变，干扰JNR从5dB到10dB，在不同JNR下通过105次MonteCarlo仿真实验得到飞机不同尺寸下，真实目标鉴别概率和有源假目标误判概率，如图3所示。

从图3中能够看出，在多基地雷达系统中，使用本发明提出的方法后，当D＝0时，两个真实目标均看成点，鉴别概率最低，为55％-60％。随着飞机尺寸的不断变大，真实目标鉴别概率不断提高，而误判概率始终处在0.01％以下。

综上所述，本发明利用真实目标与有源假目标接收信号矢量相关性的差异进行目标鉴别，与欺骗干扰类型无关，能够适用于任意调制产生的有源假目标；本发明将目标进行聚类分析能够适用于多干扰源场景下，能够在多干扰源实施欺骗式干扰的场景下完成有源假目标的鉴别，能够克服现有多基地雷达抗欺骗式干扰的方法无法应用于多干扰源的问题；本发明不需要任何多基地雷达或干扰源的先验知识，无需已知雷达布站情况，对雷达站的站址误差不敏感。

实施例三：

本发明实施例提供了一种多基地雷达有源假目标鉴别系统，包括：

获取模块：用于获取多基地雷达检测到的目标的接收信号矢量；

相关系数计算模块：用于根据所述接收信号矢量，计算每两个目标之间的相关系数；

聚类分析模块：用于根据所述相关系数，将目标进行聚类分析；

鉴别模块：用于采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

实施例四：

本发明实施例提供一种多基地雷达有源假目标鉴别装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。

实施例五：

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种多基地雷达有源假目标鉴别方法，其特征在于，所述方法包括如下步骤：

获取目标的接收信号矢量，其中所述目标由多基地雷达检测得到；多基地雷达系统由M个发射站和N个接收站组成，对探测区域进行协同探测，检测到K个目标，设各目标的接收信号矢量为x_k，矢量维数为MN×1；

根据所述接收信号矢量，计算每两个目标之间的相关系数，通过下式计算：

式(1)中，r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；K表示检测到的目标的总数；E(x_i,x_j)表示x_i×x_j的均值；

根据所述相关系数，将目标进行聚类分析，包括：

步骤1：将K个目标的接收信号矢量各单独分为一类，得到K个目标类{C₁,C₂,...,C_K}，每个目标类内仅包含一个目标；

步骤2：计算每两个目标类之间的距离，通过下式计算：

式(2)中，采用最长距离计算两个类之间的距离；k和l表示类的序号；D_kl表示两类C_k和C_l之间的距离；J(x_i,x_j)表示第i个目标和第j个目标之间的距离，通过下式计算：

J(x_i,x_j)＝1-r(x_i,x_j)                (3)

式(3)中，J(x_i,x_j)表示第i个目标和第j个目标之间的距离；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

计算每两个目标类之间的距离D_kl时还能够使用最短距离法、中间距离法、重心法、类平均法、可变类平均法、可变法和离差平方和法；

步骤3：设类D_kl间距最小的两个目标类为C_p和C_q，将C_p和C_q中的目标进行合并，得到一个新的类C_p∪C_q；

步骤4：利用合并后的新的类C_p∪C_q替代原来的两个目标类C_p和C_q，则类的个数减少一个；

步骤5：重复实施步骤1～步骤4，进行类的合并，直至类的个数达到设定数目G，得到聚类分析的结果：将K个目标分为G个目标类，每个目标类为C_g,g＝1,2,...,G；

步骤6：对每一个可能的目标个数G＝1,2,...,K，重复步骤1～步骤5，得到聚类分析的结果C_g,g＝1,2,...,G；

步骤7：计算最优聚类个数，通过下式计算：

式(4)中，L表示最优聚类个数，HS(g)表示每个目标个数下的HS指标，由下式计算得到的：

HS(G)＝|hom(G)-seq(G)|                (5)

式(5)中，hom(G)表示聚类结果中类内目标之间具有的类聚的结构的程度，通过下式计算：

式(5)中，seq(G)表示聚类结果中类与类之间被较好分开的程度，通过下式计算：

式(6)和(7)中，n_g为目标类C_g中的目标个数，且g＝1,2,...,G；n_s为目标类C_s中的目标个数，且s＝1,2,...,G；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

步骤8：将最优聚类个数L对应的聚类结果作为目标聚类的最终聚类结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L；

采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

2.根据权利要求1所述的多基地雷达有源假目标鉴别方法，其特征在于，所述得到聚类中各目标是否为有源假目标，包括：

由聚类分析的结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L，则根据类内目标个数与门限η的大小判断聚类的类别和聚类中各目标：

当类内目标个数小于等于门限η，则该目标类为真实目标类，该目标类内所有目标均为真实目标；

当类内目标个数大于门限η，则该目标类为有源假目标类，该目标类内所有目标均为有源假目标。

3.根据权利要求2所述的多基地雷达有源假目标鉴别方法，其特征在于，所述门限η的取值为1或2。

4.一种多基地雷达有源假目标鉴别系统，其特征在于，包括：

获取模块：用于获取多基地雷达检测到的目标的接收信号矢量；多基地雷达系统由M个发射站和N个接收站组成，对探测区域进行协同探测，检测到K个目标，设各目标的接收信号矢量为x_k，矢量维数为MN×1；

相关系数计算模块：用于根据所述接收信号矢量，计算每两个目标之间的相关系数，通过下式计算：

式(1)中，r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；K表示检测到的目标的总数；E(x_i,x_j)表示x_i×x_j的均值；

聚类分析模块：用于根据所述相关系数，将目标进行聚类分析，包括：

步骤1：将K个目标的接收信号矢量各单独分为一类，得到K个目标类{C₁,C₂,...,C_K}，每个目标类内仅包含一个目标；

步骤2：计算每两个目标类之间的距离，通过下式计算：

式(2)中，采用最长距离计算两个类之间的距离；k和l表示类的序号；D_kl表示两类C_k和C_l之间的距离；J(x_i,x_j)表示第i个目标和第j个目标之间的距离，通过下式计算：

J(x_i,x_j)＝1-r(x_i,x_j)                (3)

式(3)中，J(x_i,x_j)表示第i个目标和第j个目标之间的距离；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

计算每两个目标类之间的距离D_kl时还能够使用最短距离法、中间距离法、重心法、类平均法、可变类平均法、可变法和离差平方和法；

步骤3：设类D_kl间距最小的两个目标类为C_p和C_q，将C_p和C_q中的目标进行合并，得到一个新的类C_p∪C_q；

步骤4：利用合并后的新的类C_p∪C_q替代原来的两个目标类C_p和C_q，则类的个数减少一个；

步骤5：重复实施步骤1～步骤4，进行类的合并，直至类的个数达到设定数目G，得到聚类分析的结果：将K个目标分为G个目标类，每个目标类为C_g,g＝1,2,...,G；

步骤6：对每一个可能的目标个数G＝1,2,...,K，重复步骤1～步骤5，得到聚类分析的结果C_g,g＝1,2,...,G；

步骤7：计算最优聚类个数，通过下式计算：

式(4)中，L表示最优聚类个数，HS(g)表示每个目标个数下的HS指标，由下式计算得到的：

HS(G)＝|hom(G)-seq(G)|                (5)

式(5)中，hom(G)表示聚类结果中类内目标之间具有的类聚的结构的程度，通过下式计算：

式(5)中，seq(G)表示聚类结果中类与类之间被较好分开的程度，通过下式计算：

式(6)和(7)中，n_g为目标类C_g中的目标个数，且g＝1,2,...,G；n_s为目标类C_s中的目标个数，且s＝1,2,...,G；r(x_i,x_j)表示第i个目标和第j个目标之间的相关系数；x_i表示目标i的接收信号矢量，且i＝1,2,…,K；x_j表示目标j的接收信号矢量，且j＝1,2,…,K；

步骤8：将最优聚类个数L对应的聚类结果作为目标聚类的最终聚类结果：将K个目标分为L个类，每个目标类为C_l,l＝1,2,...,L；

鉴别模块：用于采用门限检测对聚类分析的结果进行鉴别，得到聚类的类别，根据聚类的类别得到聚类中各目标是否为有源假目标。

5.一种多基地雷达有源假目标鉴别装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行权利要求1～3任一项所述方法的步骤。

6.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～3任一项所述方法的步骤。

Images