CN113900093B - 一种基于分集技术的外辐射源雷达自动目标识别方法 - Google Patents

Abstract

本发明公开了一种基于分集技术的外辐射源雷达自动目标识别方法。首先，利用补偿后准回波功率建立目标识别器，然后利用多站外辐射源雷达的多个接收站分别实时地对目标进行初级识别，得到相应的初级目标识别类型。通过融合所有接收站的初级目标识别类型，得到每个时刻的二级目标识别类型。通过融合设定个数的二级目标识别类型，得到终极目标识别类型。连续对所得的终极目标识别类型进行融合，得到目标的暂定识别结果，并预估暂定识别结果的正确识别概率，当融合的终极目标识别类型个数达到设定的个数，或者预估正确识别概率满足设定的门限时，识别器自动输出识别结果和对应的预估正确识别概率。本发明计算量小、正确识别率高，且无需人工值守。

Description

一种基于分集技术的外辐射源雷达自动目标识别方法

技术领域

本发明涉及外辐射源雷达信号处理与数据处理技术领域，尤其涉及一种基于分集技术的外辐射源雷达自动目标识别方法。

背景技术

雷达是低空空域监视的重要手段，可实现对目标的探测和跟踪。随着低空环境变得日益复杂，仅能探测和跟踪目标已难以满足低空空域监视的需要，自动目标识别成为低空空域监视的迫切需求。低空目标的飞行高度较低，雷达对目标的探测距离短，因此，不仅留给雷达识别目标的时间是有限的，而且雷达对目标的观测视角也是有限的。在有限的时间和观测视角内，雷达只能观测到目标的局部信息，即观测到的目标信息也是片面的。因此，研究如何从有限的目标回波信息里面实现尽可能准确的分类和识别很有必要和意义。

当前，典型的外辐射源雷达系统主要工作于甚高频(Very High Frequency，VHF)和特高频(Ultra High Frequency，UHF)频段，一般采用广播和电视信号作为外部机会照射源。由于工作频率低，工作频带窄，雷达的分辨率低，现有的适用于高分辨雷达的自动目标识别方法不适用于低分辨的外辐射源雷达。低分辨雷达自动目标识别中，有效且常用的特征包括微多普勒特征、极化特征和雷达散射截面(Radar Cross Section，RCS)。然而外辐射源雷达较弱的目标回波功率对于微多普勒特征的提取是个挑战，导致基于微多普勒的方法也不适用于VHF/UHF波段外辐射源雷达。目标的极化特征具有很强的鲁棒性，然而，单极化雷达由于只有一个极化接收通道，无法实现对极化信息的接收和利用，基于极化特征的方法不适用于单极化外辐射源雷达。RCS作为目标的一种基本属性，在低分辨雷达的目标回波信号中也存在。因此，基于RCS的外辐射源雷达目标识别方法获得关注。但是，由于外辐射源雷达的发射不受控，发射参数未知，RCS难以从真实的目标回波信号中进行提取，因此，现有文献多利用仿真RCS进行目标分类与识别的研究。考虑到实际场景中，外辐射源雷达的目标回波信号微弱，易受环境干扰、信道衰落和目标闪烁的影响，现有的方法难以得到比较高的正确识别率，不能很好地满足实际应用的需要。

发明内容

针对上述提出的问题，本发明提供一种基于分集技术的外辐射源雷达自动目标识别方法，用于解决现有技术难以应用于多站外辐射源雷达的问题。

本发明方法的技术方案是：一种基于分集技术的外辐射源雷达自动目标识别方法，包括：

步骤1：在所有雷达接收站中任意选择一个雷达接收站作为参考雷达接收站，当第i个雷达接收站的目标回波功率对应的电磁波入射角与参考雷达接收站的目标回波功率对应的电磁波入射角相等，且第i个雷达接收站的目标回波功率对应的电磁波散射角与参考雷达接收站的目标回波功率对应的电磁波散射角相等时，计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，进一步计算出所有雷达接收站与发射站构成的收发对的收发对常数相对于参考雷达接收站与发射站构成的收发对的收发对常数之间的差异值；

步骤2：对所有雷达接收站中的目标回波功率进行补偿，得到每个雷达接收站的补偿后准回波功率；

步骤3：将所有雷达接收站的补偿后准回波功率进行数据融合；

步骤4：将目标坐标系的角度空间划分为若干个角度子空间，在每个角度子空间上统计融合后的补偿后准回波功率的分布特性，并根据每个角度子空间上补偿后准回波功率的分布特性建立每个角度子空间上的子识别器；

步骤5：每个雷达接收站实时接收目标回波功率，进一步通过步骤2得到每个雷达接收站实时的补偿后准回波功率；进一步调用对应角度子空间上的子识别器对每个雷达接收站实时的补偿后准回波功率进行初级识别，得到每个雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率；

步骤6：结合所有雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率进行站位融合，得到每个时刻的二级目标识别类型及其先验正确识别概率；

步骤7：当二级目标识别类型的个数未达到设定的个数时，重复步骤5至步骤6，直至得到设定个数的二级目标识别类型及其先验正确识别概率，进一步对设定个数的二级目标识别类型及其先验正确识别概率进行时间融合，得到终极目标识别类型及其先验正确识别概率；

步骤8：采用连续投票法对终极目标识别类型进行融合，得到目标的暂定识别结果；同时预估目标的暂定识别结果的预估正确识别概率；进一步判断融合的终极目标识别类型个数或者暂定识别结果的预估正确识别概率是否满足设定的要求，若满足要求，则终止当前目标的识别并输出暂定识别结果作为目标的最终识别结果，同时一并输出目标的最终识别结果的预估正确识别概率；否则，重复步骤7。

作为优选，步骤1所述计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异为：

式中，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，I表示雷达接收站的数量。

同时，根据双基地雷达方程，可知：

式中，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，k_i是定义的第i个收发对的收发对常数，k_ref是定义的参考收发对的收发对常数，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I表示雷达接收站的数量。

k_i的定义为：

式中，P_t为发射站的发射功率，G_t为发射端的增益，G_r,i为第i个雷达接收站的接收端增益，λ为工作波长，I表示雷达接收站的数量；

定义不同收发对常数之间的差异为：

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，k_i是第i个收发对的收发对常数，k_ref是参考收发对的收发对常数，I表示雷达接收站的数量。

结合Δ_i,ref的计算公式、P_r,i/P_r,ref的计算公式和α_i的定义公式，得到α_i的计算方式为：

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I表示雷达接收站的数量。根据所有雷达接收站接收到的目标回波功率，重复执行步骤1，采用多次测量取平均的方法估计出所有雷达接收站的α_i，i∈[1,I]。

作为优选，步骤2所述每个雷达接收站的补偿后准回波功率为：

式中，δ_i为第i个雷达接收站的补偿后准回波功率，P_r,i表示第i个雷达接收站收到的目标回波功率，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，I表示雷达接收站的数量。

作为优选，所述步骤4具体如下：

步骤4.1：所述目标坐标系的角度空间由电磁波入射角的θ分量和分量、以及散射角的θ分量和/>分量构成，为一个四维空间；

结合电磁波入射角的两个分量和散射角的两个分量，按照每个分量上一定的步长对所述目标坐标系的角度空间进行划分，得到若干个角度子空间；每个角度子空间同样是由四个角度分量构成的四维角度空间；

步骤4.2：统计每个角度子空间上的补偿后准回波功率的频率分布；

步骤4.3：采用模糊识别器作为子识别器；首先根据每个角度子空间上统计得到的补偿后准回波功率的频率分布，采用指派法，根据补偿后准回波功率的频率分布模型选择对应的隶属函数模型，进一步通过每个角度子空间上的补偿后准回波功率的统计量对隶属函数模型的参数进行初始化，得到每个角度子空间上的初始子识别器；

步骤4.4：采用多参数优化算法对每个角度子空间上的初始子识别器的隶属函数模型的参数进行优化，优化目标为使每个角度子空间上的初始子识别器的平均正确识别率最高；优化完成后，记录优化算法得到的每个角度子空间上子识别器的平均正确识别率，所述每个角度子空间上子识别器的平均正确识别率将用于后续的识别过程；

作为优选，所述步骤5具体包括：

步骤5.1：每个雷达接收站根据目标相对发射站的位置、目标相对每个雷达接收站的位置、目标的速度和目标的姿态角计算出每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角，根据每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角从步骤4划分的角度子空间中找到对应的角度子空间；每个雷达接收站调用对应角度子空间上的子识别器对补偿后准回波功率进行识别，得到每个雷达接收站对应的初级目标识别类型；

步骤5.2：每个雷达接收站根据对应角度子空间上子识别器的平均正确识别率来表示每个雷达接收站对应的初级目标识别类型的先验正确识别概率；

作为优选，所述步骤6具体包括：

步骤6.1：采用投票法对所有雷达接收站对应的初级目标识别类型进行融合，并选择获得票数最多的目标类型作为二级目标识别类型；

若不止一种目标类型获得最高票数时，引入各初级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各初级目标识别类型的先验正确识别概率，取先验正确识别概率最高的初级目标识别类型作为二级目标识别类型；

步骤6.2：指定二级目标识别类型对应的初级目标识别类型中最大的先验正确识别概率作为二级目标识别类型的先验正确识别概率。

作为优选，所述步骤7具体包括：

步骤7.1：采用投票法对多个时刻对应的二级目标识别类型进行融合，取获得票数最多的目标类型作为终极目标识别类型；

若不止一种目标类型获得最高票数时，引入各二级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各二级目标识别类型的先验正确识别概率，取先验正确识别概率最高的二级目标识别类型作为终极目标识别类型；

步骤7.2：指定终极目标识别类型对应的二级目标识别类型中最大的先验正确识别概率作为终极目标识别类型的先验正确识别概率；

作为优选，所述步骤8具体如下：

步骤8.1：所述的连续投票方法是：每得到一个终极目标识别类型，便和之前得到的所有终极目标识别类型一起，采用投票法确定最终的目标类型识别结果；

当得到的是第一个终极目标识别类型时，仅根据该终极目标识别类型采用投票法确定最终的目标类型识别结果；

步骤8.2：目标类型识别结果的预估正确识别概率根据全概率定理进行预估，当达到设定的概率门限时，自动输出目标类型识别结果和对应的预估正确识别概率；

步骤8.3：目标类型识别结果的预估正确识别概率估计方式如下：

目标类型识别结果为正确识别表示为事件B，γ个终极目标识别类型中有n个正确目标识别类型表示为事件A_n，融合γ个终极目标识别类型后得到正确目标识别类型的概率表示为P(B)，则根据全概率定理可知：

式中，P(A_n)表示事件A_n发生的概率，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率。

列出事件A_n发生的所有可能情况，并累加所有可能情况的发生概率，可得到P(A_n)为：

式中，为事件A_n发生的所有可能情况的总数，ξ_s为/>种可能情况中，第s种可能情况的发生概率。/>的计算方式为：

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数。ξ_s的计算方式为：

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数。p_d是n个正确目标识别类型中，第d个正确目标识别类型为正确识别的概率，(1-p_g)是(γ-n)个错误目标识别类型中，第g个错误目标识别类型为错误识别的概率。

标准目标数据库中的目标类型总数表示为Q，则P(B|A_n)的计算方式为：

式中，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数，为事件A_n发生时的所有可能投票结果，p′_m表示/>种投票结果中，第m种投票结果能得出正确目标识别类型的概率。p′_m的计算方式为：

式中，V表示在事件A_n发生时，剩余的(Q-1)类目标类型中，获得最多票数的目标类型从(γ-n)票中得到的票数，n为γ个终极目标识别类型中的正确目标识别类型个数；

结合P(A_n)的计算公式、的计算公式、ξ_s的计算公式、P(B|A_n)的计算公式和p′_m的计算公式，可以对P(B)进行计算，所得P(B)的值即为目标类型识别结果的预估正确识别概率。

与传统技术相比，本发明的有益效果是：

采用所提出的补偿后准回波功率参数可以方便地实现多个接收站的数据融合，有助于利用多站同时观测来提高训练数据的收集效率，并获得更加全面的目标信息。

本发明采用的补偿后准回波功率易于获取，计算量小，有利于目标的实时识别。

本发明基于站位分集技术和时间分集技术，可以同时利用目标多个角度和多个时刻的观测信息，识别正确率显著高于现有基于RCS的外辐射源雷达目标识别方法。

本发明可以自动估计识别结果的预估正确识别概率，并输出满足要求的识别结果，具有无需人工值守的优势。

附图说明

图1：为本发明提供的一种基于分集技术的外辐射源雷达自动目标识别方法的原理框图。

图2：为本发明实施例中采集到的目标部分真实航迹和对应的广播式自动相关监视系统记录的航迹示意图。

图3：为本发明实施例中一个角度子空间上的补偿后准回波功率的频率分布特性的统计结果。

图4：为本发明实施例中一个角度子空间上的子识别器的隶属函数。

图5：为本发明实施例中基于测试数据的目标分类结果。

图6：为本发明实施例中基于实测航迹的自动目标识别实验的识别过程。

图7：为本发明实施例中基于实测航迹的自动目标识别实验的识别结果。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1至图7介绍本发明的具体实施例。

请见图1，本发明所采用的技术方案是：一种基于分集技术的外辐射源雷达自动目标识别方法，包括：

步骤1：在所有雷达接收站中任意选择一个雷达接收站作为参考雷达接收站，当第i个雷达接收站的目标回波功率对应的电磁波入射角与参考雷达接收站的目标回波功率对应的电磁波入射角相等，且第i个雷达接收站的目标回波功率对应的电磁波散射角与参考雷达接收站的目标回波功率对应的电磁波散射角相等时，计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，进一步计算出所有雷达接收站与发射站构成的收发对的收发对常数相对于参考雷达接收站与发射站构成的收发对的收发对常数之间的差异值；

步骤1所述计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异为：

式中，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，I＝3表示雷达接收站的数量。

同时，根据双基地雷达方程，可知：

式中，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，k_i是定义的第i个收发对的收发对常数，k_ref是定义的参考收发对的收发对常数，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I＝3表示雷达接收站的数量。

k_i的定义为：

式中，P_t为发射站的发射功率，G_t为发射端的增益，G_r,i为第i个雷达接收站的接收端增益，λ为工作波长，I＝3表示雷达接收站的数量；

定义不同收发对常数之间的差异为：

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，k_i是第i个收发对的收发对常数，k_ref是参考收发对的收发对常数，I＝3表示雷达接收站的数量。

结合Δ_i,ref的计算公式、P_r,i/P_r,ref的计算公式和α_i的定义公式，得到α_i的计算方式为：

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I＝3表示雷达接收站的数量。根据所有雷达接收站接收到的目标回波功率，重复执行步骤1，采用多次测量取平均的方法估计出所有雷达接收站的α_i，i∈[1,I]。

步骤2：对所有雷达接收站中的目标回波功率进行补偿，得到每个雷达接收站的补偿后准回波功率；

步骤2所述每个雷达接收站的补偿后准回波功率为：

式中，δ_i为第i个雷达接收站的补偿后准回波功率，P_r,i表示第i个雷达接收站收到的目标回波功率，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，I＝3表示雷达接收站的数量。

步骤3：将所有雷达接收站的补偿后准回波功率进行数据融合。

步骤4：将目标坐标系的角度空间划分为5184个角度子空间，在每个角度子空间上统计融合后的补偿后准回波功率的分布特性，并根据每个角度子空间上补偿后准回波功率的分布特性建立每个角度子空间上的子识别器；

其中，步骤4具体包括：

步骤4.1：所述目标坐标系的角度空间由电磁波入射角的θ分量和分量、以及散射角的θ分量和/>分量构成，为一个四维空间；

结合电磁波入射角的两个分量和散射角的两个分量，按照每个分量30°的步长对所述目标坐标系的角度空间进行划分，得到5184个角度子空间；每个角度子空间同样是由四个角度分量构成的四维角度空间；

步骤4.2：统计每个角度子空间上的补偿后准回波功率的频率分布；

步骤4.3：采用模糊识别器作为子识别器；首先根据每个角度子空间上统计得到的补偿后准回波功率的频率分布，采用指派法，根据补偿后准回波功率的频率分布模型选择对应的隶属函数模型，进一步通过每个角度子空间上的补偿后准回波功率的统计量对隶属函数模型的参数进行初始化，得到每个角度子空间上的初始子识别器；

步骤4.4：采用粒子群优化算法对每个角度子空间上的初始子识别器的隶属函数模型的参数进行优化，优化目标为使每个角度子空间上的初始子识别器的平均正确识别率最高；优化完成后，记录优化算法得到的每个角度子空间上子识别器的平均正确识别率，所述每个角度子空间上子识别器的平均正确识别率将用于后续的识别过程；

步骤5：每个雷达接收站实时接收目标回波功率，进一步通过步骤2得到每个雷达接收站实时的补偿后准回波功率；进一步调用对应角度子空间上的子识别器对每个雷达接收站实时的补偿后准回波功率进行初级识别，得到每个雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率；

所述步骤5具体包括：

步骤5.1：每个雷达接收站根据目标相对发射站的位置、目标相对每个雷达接收站的位置、目标的速度和目标的姿态角计算出每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角，根据每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角从步骤4划分的角度子空间中找到对应的角度子空间；每个雷达接收站调用对应角度子空间上的子识别器对补偿后准回波功率进行识别，得到每个雷达接收站对应的初级目标识别类型；

步骤5.2：每个雷达接收站根据对应角度子空间上子识别器的平均正确识别率来表示每个雷达接收站对应的初级目标识别类型的先验正确识别概率；

步骤6：结合所有雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率进行站位融合，得到每个时刻的二级目标识别类型及其先验正确识别概率；

所述步骤6具体包括：

步骤6.1：采用投票法对所有雷达接收站对应的初级目标识别类型进行融合，并选择获得票数最多的目标类型作为二级目标识别类型；

若不止一种目标类型获得最高票数时，引入各初级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各初级目标识别类型的先验正确识别概率，取先验正确识别概率最高的初级目标识别类型作为二级目标识别类型；

步骤6.2：指定二级目标识别类型对应的初级目标识别类型中最大的先验正确识别概率作为二级目标识别类型的先验正确识别概率。

步骤7：当二级目标识别类型的个数未达到3个时，重复步骤5至步骤6，直至得到3个二级目标识别类型及其先验正确识别概率，进一步对3个二级目标识别类型及其先验正确识别概率进行时间融合，得到终极目标识别类型及其先验正确识别概率；

所述步骤7具体包括：

步骤7.1：采用投票法对多个时刻对应的二级目标识别类型进行融合，取获得票数最多的目标类型作为终极目标识别类型；

若不止一种目标类型获得最高票数时，引入各二级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各二级目标识别类型的先验正确识别概率，取先验正确识别概率最高的二级目标识别类型作为终极目标识别类型；

步骤7.2：指定终极目标识别类型对应的二级目标识别类型中最大的先验正确识别概率作为终极目标识别类型的先验正确识别概率；

步骤8：采用连续投票法对终极目标识别类型进行融合，得到目标的暂定识别结果；同时预估目标的暂定识别结果的预估正确识别概率；进一步判断融合的终极目标识别类型个数或者暂定识别结果的预估正确识别概率是否满足设定的要求，若满足要求，则终止当前目标的识别并输出暂定识别结果作为目标的最终识别结果，同时一并输出目标的最终识别结果的预估正确识别概率；否则，重复步骤7。

其中，步骤8具体包括：

步骤8.1：所述的连续投票方法是：每得到一个终极目标识别类型，便和之前得到的所有终极目标识别类型一起，采用投票法确定最终的目标类型识别结果；

当得到的是第一个终极目标识别类型时，仅根据该终极目标识别类型采用投票法确定最终的目标类型识别结果；

步骤8.2：目标类型识别结果的预估正确识别概率根据全概率定理进行预估，当预估正确识别概率达到99％时，自动输出目标类型识别结果和对应的预估正确识别概率；

步骤8.3：目标类型识别结果的预估正确识别概率估计方式如下：

目标类型识别结果为正确识别表示为事件B，γ个终极目标识别类型中有n个正确目标识别类型表示为事件A_n，融合γ个终极目标识别类型后得到正确目标类型的概率表示为P(B)，则根据全概率定理可知：

式中，P(A_n)表示事件A_n发生的概率，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率。

列出事件A_n发生的所有可能情况，并累加所有可能情况的发生概率，可得到P(A_n)为：

式中，为事件A_n发生的所有可能情况的总数，ξ_s为/>种可能情况中，第s种可能情况的发生概率。/>的计算方式为：

/>

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数。ξ_s的计算方式为：

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数。p_d是n个正确目标识别类型中，第d个正确目标识别类型为正确识别的概率，(1-p_g)是(γ-n)个错误目标识别类型中，第g个错误目标识别类型为错误识别的概率。

标准目标数据库中的目标类型总数表示为Q，则P(B|A_n)的计算方式为：

式中，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数，为事件A_n发生时的所有可能投票结果，p′_m表示/>种投票结果中，第m种投票结果能得出正确目标识别类型的概率。p′_m的计算方式为：

式中，V表示在事件A_n发生时，剩余的(Q-1)类目标类型中，获得最多票数的目标类型从(γ-n)票中得到的票数，n为γ个终极目标识别类型中的正确目标识别类型个数；

结合P(A_n)的计算公式、的计算公式、ξ_s的计算公式、P(B|A_n)的计算公式和p′_m的计算公式，可以对P(B)进行计算，所得P(B)的值即为目标类型识别结果的预估正确识别概率。

请见图2，本实施例中雷达采集到的合作目标的部分真实航迹如图中的圆圈航迹所示，广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)记录的航迹如图中的实线航迹所示。图示的雷达航迹和ADS-B记录的航迹吻合良好，表明我们筛选出的雷达航迹确实是合作目标的航迹。用于优化和测试识别器的数据是真实可信的。同时，该结果也为我们正确估计观测数据对应的电磁波入射角和散射角提供了保障，说明本发明提供的自动目标识别方法可以很好地应用在多站外辐射源雷达当中。

本实施例采用的三种合作目标分别是通航飞机SR20和PA44、以及民航飞机A320，其中，SR20和PA44的特征尺寸相近，但是结构差异显著，A320的特征尺寸远大于SR20和PA44。

请见图3，本实施例中，作为一个例子，给出了对应角度范围为60°≤θ_inc≤90°，60°≤θ_sca≤90°，/>的角度子空间上统计得到的补偿后准回波功率的频率分布特性。其中，θ_inc和/>分别表示电磁波入射角的两个分量，θ_sca和/>分别表示电磁波散射角的两个分量。在每个角度子空间上，我们分别统计补偿后准回波功率的频率分布特性，得到每个角度子空间上的目标补偿后准回波功率的频率分布特性曲线，并基于统计结果建立模糊识别器。从图示的结果可以看到，三种目标的补偿后准回波功率具有不同的分布区间和分布特性，表明基于补偿后准回波功率进行目标识别是可行的。

请见图4，本实施例中，给出了基于图3所示的补偿后准回波功率的分布特性建立的模糊识别器的隶属函数曲线。图示结果展示了补偿后准回波功率从属于各类目标的程度，从中可以看到，利用该隶属函数曲线，可以将目标的补偿后准回波功率映射为相对于各标准目标的隶属度，从而实现目标识别。同样的，在每个角度子空间上，我们按照同样的方法得到了每个角度子空间上的模糊识别器。然后，我们用实测数据中的70％来训练各角度子空间上的模糊识别器，用剩余的30％对训练得到的模糊识别器进行测试。

请见图5，本实施例中，给出了基于测试数据得到的目标识别结果。结果显示，本发明提供的自动目标识别方法能有效区分各类目标。特别地，从SR20和PA44的识别结果比较可以看到，本发明提供的方法对于特征尺寸相近，但是结构差异显著的目标具有良好的识别效果。从A320和另外两种目标的识别结果对比可以看到，对于特征尺寸差异明显的目标，本发明的识别效果更佳。

请见图6，本实施例中，给出了基于实测航迹的目标识别实验的识别过程。其中，ADS-B航迹为ADS-B系统记录的目标真实航迹，雷达航迹为雷达探测并跟踪到的航迹，已识别航迹为经过识别器处理之后的航迹。

请见图7，本实施例中，给出了根据图6所示航迹上各点观测到的目标数据进行识别实验，所得识别结果的预估正确识别概率，横坐标上每一个终极目标识别类型对应于图6中灰色圆圈航迹的一个点，每两个灰色圆圈之间间隔3个时刻。结果显示，随着融合终极目标识别类型的个数增加，识别器对识别结果的预估正确识别概率变大，表明输出的识别结果越来越可信。通过给定预估正确识别概率门限，本发明可以自动输出期望的识别结果。

尽管本说明书较多地使用了角度子空间、目标识别类型等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护范围的情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (8)

1.一种基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，包括：

步骤1：在所有雷达接收站中任意选择一个雷达接收站作为参考雷达接收站，当第i个雷达接收站的目标回波功率对应的电磁波入射角与参考雷达接收站的目标回波功率对应的电磁波入射角相等，且第i个雷达接收站的目标回波功率对应的电磁波散射角与参考雷达接收站的目标回波功率对应的电磁波散射角相等时，计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，进一步计算出所有雷达接收站与发射站构成的收发对的收发对常数相对于参考雷达接收站与发射站构成的收发对的收发对常数之间的差异值；

步骤2：对所有雷达接收站中的目标回波功率进行补偿，得到每个雷达接收站的补偿后准回波功率；

步骤3：将所有雷达接收站的补偿后准回波功率进行数据融合；

步骤4：将目标坐标系的角度空间划分为若干个角度子空间，在每个角度子空间上统计融合后的补偿后准回波功率的分布特性，并根据每个角度子空间上补偿后准回波功率的分布特性建立每个角度子空间上的子识别器；

步骤5：每个雷达接收站实时接收目标回波功率，进一步通过步骤2得到每个雷达接收站实时的补偿后准回波功率；进一步调用对应角度子空间上的子识别器对每个雷达接收站实时的补偿后准回波功率进行初级识别，得到每个雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率；

步骤6：结合所有雷达接收站对应的初级目标识别类型以及初级目标识别类型的先验正确识别概率进行站位融合，得到每个时刻的二级目标识别类型及其先验正确识别概率；

步骤7：当二级目标识别类型的个数未达到设定的个数时，重复步骤5至步骤6，直至得到设定个数的二级目标识别类型及其先验正确识别概率，进一步对设定个数的二级目标识别类型及其先验正确识别概率进行时间融合，得到终极目标识别类型及其先验正确识别概率；

步骤8：采用连续投票法对终极目标识别类型进行融合，得到目标的暂定识别结果；同时预估目标的暂定识别结果的预估正确识别概率；进一步判断融合的终极目标识别类型个数或者暂定识别结果的预估正确识别概率是否满足设定的要求，若满足要求，则终止当前目标的识别并输出暂定识别结果作为目标的最终识别结果，同时一并输出目标的最终识别结果的预估正确识别概率；否则，重复步骤7。

2.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，步骤1所述计算第i个雷达接收站与参考雷达接收站之间目标回波功率的差异为：

i∈[1,I]

式中，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，I表示雷达接收站的数量；

同时，根据双基地雷达方程，可知：

i∈[1,I]

式中，P_r,i表示第i个雷达接收站收到的目标回波功率，P_r,ref表示参考雷达接收站收到的目标回波功率，k_i是定义的第i个收发对的收发对常数，k_ref是定义的参考收发对的收发对常数，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I表示雷达接收站的数量；

k_i的定义为：

i∈[1,I]

式中，P_t为发射站的发射功率，G_t为发射端的增益，G_r,i为第i个雷达接收站的接收端增益，λ为工作波长，I表示雷达接收站的数量；

定义不同收发对常数之间的差异为：

i∈[1,I]

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，k_i是第i个收发对的收发对常数，k_ref是参考收发对的收发对常数，I表示雷达接收站的数量；

结合Δ_i,ref的计算公式、P_r,i/P_r,ref的计算公式和α_i的定义公式，得到α_i的计算方式为：

i∈[1,I]

式中，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，Δ_i,ref表示第i个雷达接收站与参考雷达接收站之间目标回波功率的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，F_r,ref是目标至参考雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_t,ref是目标至参考收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，R_r,ref是目标至参考雷达接收站的距离，I表示雷达接收站的数量；根据所有雷达接收站接收到的目标回波功率，重复执行步骤1，采用多次测量取平均的方法估计出所有雷达接收站的α_i，i∈[1,I]。

3.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，步骤2所述每个雷达接收站的补偿后准回波功率为：

i∈[1,I]

式中，δ_i为第i个雷达接收站的补偿后准回波功率，P_r,i表示第i个雷达接收站收到的目标回波功率，α_i是第i个收发对的收发对常数相对于参考收发对的收发对常数的差异，F_r,i是目标至第i个雷达接收站的方向图传播因子，R_t,i是目标至第i个收发对中发射站的距离，R_r,i是目标至第i个雷达接收站的距离，I表示雷达接收站的数量。

4.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，所述步骤4具体如下：

步骤4.1：所述目标坐标系的角度空间由电磁波入射角的θ分量和分量、以及散射角的θ分量和/>分量构成，为一个四维空间；

结合电磁波入射角的两个分量和散射角的两个分量，按照每个分量上一定的步长对所述目标坐标系的角度空间进行划分，得到若干个角度子空间；每个角度子空间同样是由四个角度分量构成的四维角度空间；

步骤4.2：统计每个角度子空间上的补偿后准回波功率的频率分布；

步骤4.3：采用模糊识别器作为子识别器；首先根据每个角度子空间上统计得到的补偿后准回波功率的频率分布，采用指派法，根据补偿后准回波功率的频率分布模型选择对应的隶属函数模型，进一步通过每个角度子空间上的补偿后准回波功率的统计量对隶属函数模型的参数进行初始化，得到每个角度子空间上的初始子识别器；

步骤4.4：采用多参数优化算法对每个角度子空间上的初始子识别器的隶属函数模型的参数进行优化，优化目标为使每个角度子空间上的初始子识别器的平均正确识别率最高；优化完成后，记录优化算法得到的每个角度子空间上子识别器的平均正确识别率，所述每个角度子空间上子识别器的平均正确识别率将用于后续的识别过程。

5.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，所述步骤5具体包括：

步骤5.1：每个雷达接收站根据目标相对发射站的位置、目标相对每个雷达接收站的位置、目标的速度和目标的姿态角计算出每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角，根据每个雷达接收站的补偿后准回波功率对应的电磁波入射角和散射角从步骤4划分的角度子空间中找到对应的角度子空间；每个雷达接收站调用对应角度子空间上的子识别器对补偿后准回波功率进行识别，得到每个雷达接收站对应的初级目标识别类型；

步骤5.2：每个雷达接收站根据对应角度子空间上子识别器的平均正确识别率来表示每个雷达接收站对应的初级目标识别类型的先验正确识别概率。

6.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，所述步骤6具体包括：

步骤6.1：采用投票法对所有雷达接收站对应的初级目标识别类型进行融合，并选择获得票数最多的目标类型作为二级目标识别类型；

若不止一种目标类型获得最高票数时，引入各初级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各初级目标识别类型的先验正确识别概率，取先验正确识别概率最高的初级目标识别类型作为二级目标识别类型；

步骤6.2：指定二级目标识别类型对应的初级目标识别类型中最大的先验正确识别概率作为二级目标识别类型的先验正确识别概率。

7.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，所述步骤7具体包括：

步骤7.1：采用投票法对多个时刻对应的二级目标识别类型进行融合，取获得票数最多的目标类型作为终极目标识别类型；

若不止一种目标类型获得最高票数时，引入各二级目标识别类型的先验正确识别概率辅助融合，通过比较获得最高票数的目标类型中对应的各二级目标识别类型的先验正确识别概率，取先验正确识别概率最高的二级目标识别类型作为终极目标识别类型；

步骤7.2：指定终极目标识别类型对应的二级目标识别类型中最大的先验正确识别概率作为终极目标识别类型的先验正确识别概率。

8.根据权利要求1所述的基于分集技术的外辐射源雷达自动目标识别方法，其特征在于，所述步骤8具体如下：

步骤8.1：所述的连续投票方法是：每得到一个终极目标识别类型，便和之前得到的所有终极目标识别类型一起，采用投票法确定最终的目标类型识别结果；

当得到的是第一个终极目标识别类型时，仅根据该终极目标识别类型采用投票法确定最终的目标类型识别结果；

步骤8.2：目标类型识别结果的预估正确识别概率根据全概率定理进行预估，当达到设定的概率门限时，自动输出目标类型识别结果和对应的预估正确识别概率；

步骤8.3：目标类型识别结果的预估正确识别概率估计方式如下：

目标类型识别结果为正确识别表示为事件B，γ个终极目标识别类型中有n个正确目标识别类型表示为事件A_n，融合γ个终极目标识别类型后得到正确目标识别类型的概率表示为P(B)，则根据全概率定理可知：

式中，P(A_n)表示事件A_n发生的概率，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率；

列出事件A_n发生的所有可能情况，并累加所有可能情况的发生概率，可得到P(A_n)为：

式中，为事件A_n发生的所有可能情况的总数，ξ_s为/>种可能情况中，第s种可能情况的发生概率；/>的计算方式为：

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数；ξ_s的计算方式为：

式中，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数；p_d是n个正确目标识别类型中，第d个正确目标识别类型为正确识别的概率，(1-p_g)是(γ-n)个错误目标识别类型中，第g个错误目标识别类型为错误识别的概率；

标准目标数据库中的目标类型总数表示为Q，则P(B|A_n)的计算方式为：

式中，P(B|A_n)表示事件A_n发生的条件下事件B发生的概率，γ为终极目标识别类型的个数，n为γ个终极目标识别类型中的正确目标识别类型个数，为事件A_n发生时的所有可能投票结果，p′_m表示/>种投票结果中，第m种投票结果能得出正确目标识别类型的概率；p′_m的计算方式为：

式中，V表示在事件A_n发生时，剩余的(Q-1)类目标类型中，获得最多票数的目标类型从(γ-n)票中得到的票数，n为γ个终极目标识别类型中的正确目标识别类型个数；

结合P(A_n)的计算公式、的计算公式、ξ_s的计算公式、P(B|A_n)的计算公式和p′_m的计算公式，可以对P(B)进行计算，所得P(B)的值即为目标类型识别结果的预估正确识别概率。