CN114417942B - 一种杂波识别方法及系统及装置及介质 - Google Patents

一种杂波识别方法及系统及装置及介质 Download PDF

Info

Publication number
CN114417942B
CN114417942B CN202210312635.XA CN202210312635A CN114417942B CN 114417942 B CN114417942 B CN 114417942B CN 202210312635 A CN202210312635 A CN 202210312635A CN 114417942 B CN114417942 B CN 114417942B
Authority
CN
China
Prior art keywords
data
trace
track
clutter
sample
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
Application number
CN202210312635.XA
Other languages
English (en)
Other versions
CN114417942A (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202210312635.XA priority Critical patent/CN114417942B/zh
Publication of CN114417942A publication Critical patent/CN114417942A/zh
Application granted granted Critical
Publication of CN114417942B publication Critical patent/CN114417942B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种杂波识别方法及系统及装置及介质，涉及雷达数据处理领域，包括：获得雷达样本数据，包括杂波点迹数据和目标点迹数据；对所述样本数据进行预处理获得第一数据集合；对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；利用所述训练数据集训练第一分类模型获得第二分类模型；获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果，本发明能够提高杂波识别的准确率。

Description

一种杂波识别方法及系统及装置及介质
技术领域
本发明涉及雷达数据处理领域，具体地，涉及一种杂波识别方法及系统及装置及介质。
背景技术
随着信息技术的高速发展，目标跟踪技术在军事和民用领域都展现出了不可取代的重要作用。而在目标跟踪的过程中，无法避免地会接收到虚假的点迹信息，即杂波。这无疑会使处理程序得到错误的跟踪结果，造成虚警、漏警等常见问题。而目前杂波抑制面临诸多困难，第一，杂波与目标点迹数据量差距过大，通常杂波目标比在10：1以上，属于数据严重不均衡的分类问题，而数据不均衡会对很多深度学习算法带来严重影响，导致算法会忽略目标点迹，注意力只集中在杂波上；第二，杂波与目标点迹区分不够明显，信噪比低，这使得很多传统的基于跟踪门（跟踪门：指以本次的目标预测位置为中心的多维空间区域，如果这一批次雷达测量的点迹有一个落入此区域，则判定该点与目标关联，如果有多个点迹落入此区域，则将这些点迹中与中心位置的距离最短的点迹判定为目标关联点迹）的航迹关联算法如多假设跟踪算法、联合概率跟踪等算法难以从包含众多杂波的数据中，准确找到关联的目标点迹；第三，数据量较少，由于涉及到雷达相关数据的来源问题，导致数据量较少，这使得难以验证模型的普适性，而较少的数据也有可能造成模型的过拟合，从而降低算法的适用性。
大量杂波环境下的目标跟踪可以归结为二分类问题，而在这种二分类的问题中，机器学习相关算法在各种分类问题上表现良好，能够解决目标点迹信噪比低、数据量较少等问题，并且拥有计算速度快，准确率高等特点，因此使用机器学习相关算法来处理目标跟踪问题是一个非常好的选择，但同时，为了使用机器学习相关算法达到更好的杂波抑制效果，需要使用更多维度的特征数据，因此考虑结合传统的基于跟踪门的航迹关联算法增加数据维度。一方面可以提升数据的维度，改善数据量较少的问题；另一方面，目标运动在空间中是连续的，因此其点迹信息在诸如距离、速度、俯仰角等特征上具备一定的连续性，但是机器学习在处理分类问题时，并没有关注到目标点迹在这些数据上连续特性，因此丢失掉了目标这一重要特征，因此可以通过这种方法保留目标的连续性特征。
下面介绍几种与本发明相关的背景技术，现有技术中的杂波识别方法大致分为以下几种：
现有技术1：
方案来源：发明专利，《一种基于机器学习的雷达杂波抑制方法》，申请号201811471743 .1
具体方案：
(1)将通过生成对抗网络产生的包含杂波和目标的数据集作为输入数据，并对输入数据作归一化处理；
(2)选取合适特征，构建特征向量，并对其进行特征加权；
(3)对步骤(2)的特征向量进行快速聚类，将聚为不同类别结果进行评价；
(4)将步骤(3)的评价结果，反馈到步骤(2)，利用梯度下降法直到找到评价指标戴维森保丁指数最优的一组权重和聚类数。
方案缺点：这种算法思想比较简单，初始类簇中心点的选组对于聚类效果影响较大，且该方法仅适用于球形分布数据（指集合内的每一对点，连接两个点的直线段上的每个点也在该集合内）。
现有技术2：
方案来源：发明专利，《一种岸基雷达杂波抑制处理方法及系统》，申请号202111072368 .5
具体方案：
步骤1：在当前帧雷达回波图像中，确定当前扫描线和上一扫描线所在的方位单元是否为同一方位单元，如果是同一方位单元则进入步骤2，反之更新所述当前扫描线所在的方位单元的数据后进入步骤2；
步骤2：确定所述当前扫描线上回波所在的距离单元在上一帧雷达回波图像中对应位置处的距离单元是否被标记为回波，如果已被标记为回波，则在所述当前帧雷达回波图像中显示所述当前扫描线上的回波，反之删除所述当前扫描线上的回波；
步骤3：记录所述当前扫描线所在的方位，并进入下一扫描线，重复上述流程(1)~(2)直至最后一根扫描线；
步骤4：对连续多帧雷达回波图像，重复上述流程(1)~(3)，以从所述连续多帧雷达回波图像中滤波杂波。
方案缺点：本方案通过雷达图像上的分格检测寻找连续帧的微小目标，但其精度受限于分格大小，分格太大容易丢失目标，分格太小会严重影响运算速度，且整体算法对大量杂波背景的环境下处理能力有限。
现有技术3：
方案来源：《部分均匀环境中的双子空间信号检测方法、系统及装置》，申请号202111147240 .0
具体方案：
步骤1：构造信号左矩阵、信号右矩阵、待检测数据矩阵和训练样本矩阵；
步骤2：利用所述训练样本矩阵构造采样协方差矩阵和白化矩阵；
步骤3：利用所述白化矩阵对所述待检测数据矩阵和所述信号左矩阵进行白化，分别得到白化待检测数据矩阵和白化信号左矩阵；
步骤4：利用所述信号右矩阵和所述白化信号左矩阵分别构造正交投影矩阵的正交补；
步骤5：利用所述白化待检测数据矩阵和所述正交投影矩阵的正交补构造中间变量矩阵，并计算所述中间变量矩阵的非零特征值；
步骤6：求解系统维数与所述非零特征值相关方程的解；
步骤7：利用所述白化待检测数据矩阵、所述中间变量矩阵和所述方程的解构造检测统计量；
步骤8：利用所述检测统计量和虚警概率预设值确定检测门限；
步骤9：比较所述检测统计量与所述检测门限的大小，小于门限则判定为目标，大于门限则判定为杂波。
方案缺点：该方案默认了杂波与信号是在空间中均匀分布的，这种环境与实际情况并不相符，适用范围较为局限；同时靠设计门限对杂波进行滤波，但门限设计的合适与否会严重影响杂波滤波效果。
现有技术4：
方案来源：硕士论文《基于机器学习的复杂场景杂波识别算法》，四川大学，唐若男。
具体方案：
步骤1：经过双层耦合模型提取杂波特征，处理后得到区域特征数据集A与B；
步骤2：将数据集A载入机器学习模型进行训练；
步骤3：对数据集B进行预测；
步骤4：获取预测结果。
方案缺点：论文提出的杂波识别算法在特征提取的时候，选择了粗关联，因此需要设定的滑动累积周期不能太小，否则得到的拟合曲线不容易从距离误差等方面判断其与真实轨迹的差别，但是周期偏大会造成杂波识别过程的延时，并且论文提出的方法并没考虑到目标数据本身具备的连续性特征。
现有技术5：
方案来源：段克清等，基于卷积神经网络的天基预警雷达杂波抑制方法，雷达学报，2021年，网络优先出版。
具体方案：
步骤1：利用雷达系统和卫星轨道参数，仿真随机生成不同纬度、距离门、阵元误差、杂波起伏和地貌散射系数的回波数据集；
步骤2：设计并调优了含 5 个权重层的二维 CNN，实现由小样本所估低分辨杂波谱到高分辨谱的非线性映射；
步骤3：基于高分辨空时谱构造空时滤波器实现杂波抑制和目标检测；
方案缺点：本文所提方法主要提升了小样本条件下杂波抑制能力，仿真雷达数据较为均衡，对于大量杂波环境下的不均衡数据效果有待验证。
发明内容
为了提高杂波识别的准确率，本发明提供了一种杂波识别方法及系统及装置及介质。
为实现上述发明目的，本发明提供了一种杂波识别方法，所述方法包括：
获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
对所述样本数据进行预处理获得第一数据集合；
对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
利用所述训练数据集训练第一分类模型获得第二分类模型；
获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果。
其中，本方法对第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到第一数据集合中的对应点迹数据中获得训练数据集，并利用该训练数据集训练分类模型用于后续的分类，即本方法采用了点迹相关性计算方法量化目标的连续性，增加了训练数据集关联值特征维度，使得在使用分类模型进行分类时，既让分类模型处理离散数据的强大能力得以发挥，同时保留了目标的连续特性，提高了杂波识别整体的准确率。
优选的，本方法中所述对所述样本数据进行预处理包括：对所述样本数据进行归一化处理。数据归一化处理的目的是：使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响。数据归一化处理后，可以加快梯度下降求最优解的速度，且有可能提高精度。
优选的，本方法采用以下公式对所述样本数据进行归一化处理：
Figure 100002_DEST_PATH_IMAGE001
其中，max为所述样本数据的最大值，min为所述样本数据的最小值，x为原始数据，
Figure 791271DEST_PATH_IMAGE002
为归一化处理之后的数据。
其中，采用上述方式能够有效的消除奇异样本数据导致的不良影响。
优选的，本方法中所述对所述样本数据进行预处理包括：对所述样本数据中的重复数据进行清洗。由于重复数据会对方法计算流程产生误导，降低方法计算的准确率，因此需要清除重复数据。
优选的，本方法采用以下方式对所述样本数据中的重复数据进行清洗：
步骤1，随机选取特征的类型；
步骤2，将所述样本数据按照选取的特征进行排序，获得排序后的样本数据；
步骤3，设定滑动窗口的大小为f，利用所述滑动窗口对排序后的样本数据进行处理，包括：按照滑入所述滑动窗口的时间先后顺序获得当前所述滑动窗口内最后一条滑入的数据A，按照滑出所述滑动窗口的时间先后顺序获得数据滑出所述滑动窗口的排序结果，当排序结果中数据的条数大于或等于f-1时，则抽取所述排序结果中的后f-1条数据，将所述数据A与所述f-1条数据逐条进行相似度判断，获得所述f-1条数据中与所述数据A相似数据的条数P，基于所述条数P获得所述数据A对应的相似特征数，当排序结果中数据的条数小于f-1时，则忽略；
步骤4，返回执行步骤1至步骤3直至所有类型的特征选取完毕，将对应相似特征数大于第一设定值的数据删除。
其中，本方法采用滑动窗口的方式逐一进行比较，然后通过相似性判断数据是否重复，滑动窗口能够避免数据遗漏，相似性判断能够有效区分是否是重复数据，然后所有类型的特征数据均进行上述处理，能够全面的清除重复数据，保障重复数据得到有效、全面和准确的清洗。
优选的，所述对所述样本数据进行预处理包括：对所述样本数据中的杂波点迹数据和目标点迹数据进行均衡处理。所述对所述样本数据中的杂波点迹数据和目标点迹数据进行均衡处理，包括：对目标点迹数据进行上采样处理。本方法使用smote算法对目标点迹数据进行上采样。由于通常杂波与目标点迹比例在10：1以上，并通过smote算法增加目标点迹数量，能够解决数据不均衡问题，进而提高最终分类的准确性。
优选的，本方法中的关联值的计算方式为：
将所述第一数据集合中的数据按时间排序，获得的数据点序列：d1，d2，…，dn，n为数据点序列中的数据点数目；
从排序后的所述第一数据集合中取窗口长度为k的k条数据获得数据集合K，所述数据集合K包括：di，di+1，...，di+k-1，所述数据集合K中的每条数据对应的关联值均为0；
从排序后的所述第一数据集合中取窗口长度为h的h条数据获得数据集合H，所述数据集合H包括：di+k，di+k+1，…，di+k+h-1，所述数据集合H中的每条数据对应的关联值均为0，其中，
Figure 100002_DEST_PATH_IMAGE003
；
集合K中点与集合H中点的组合获得
Figure 177253DEST_PATH_IMAGE004
条第一航迹，计算获得每条第一航迹的均值与方差向量；
以第i+k+h条数据与任意一条所述第一航迹进行组合获得第二航迹，计算获得第二航迹的均值与方差向量；
基于第一航迹和第二航迹各自的均值与方差向量，计算获得
Figure 816045DEST_PATH_IMAGE004
个第一航迹与第二航迹的关联值；
从
Figure 945675DEST_PATH_IMAGE004
个关联值中选取最大值作为第i+k+h条数据的关联值。
其中，对数据集中的所有数据进行点迹关联性计算，增加特征维度关联值，关联值用以表示点迹连续程度。
优选的，本方法中第一航迹的均值为
Figure 100002_DEST_PATH_IMAGE005
，第一航迹的方差向量为
Figure 228889DEST_PATH_IMAGE006
，第二航迹的均值为
Figure 100002_DEST_PATH_IMAGE007
，第二航迹的方差向量为
Figure 129980DEST_PATH_IMAGE008
，关联值为R的计算方式为：
Figure 100002_DEST_PATH_IMAGE009
其中，
Figure 990489DEST_PATH_IMAGE010
为以自然常数e为底的指数函数，
Figure 100002_DEST_PATH_IMAGE011
为转置矩阵。
为实现上述目的，本发明还提供了一种杂波识别系统，所述系统包括：
样本数据获得单元，用于获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
预处理单元，用于对所述样本数据进行预处理获得第一数据集合；
训练数据集获得单元，用于对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
训练单元，用于利用所述训练数据集训练第一分类模型获得第二分类模型；
分类单元，用于获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果。
为实现上述目的，本发明还提供了一种杂波识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述杂波识别方法的步骤。
为实现上述目的，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述杂波识别方法的步骤。
本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明使用机器学习相关算法作为主体对雷达数据进行训练，结合对点迹数据进行点迹关联性计算，增加了雷达数据特征维度，能够解决目标点迹信噪比较低、雷达数据量较少的问题。
本方法通过smote算法增加目标点迹数量，能够解决数据不均衡问题，相比传统的方法，本发明能够很好地解决目标航迹容易丢失导致的杂波识别错误问题；相比单独使用机器学习相关算法，能够更好的识别杂波与目标点迹，从而提升杂波抑制效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1为杂波识别方法的流程示意图；
图2为杂波识别系统的组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
实施例一
请参考图1，图1为杂波识别方法的流程示意图，本发明提供了一种杂波识别方法，所述方法包括：
获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
对所述样本数据进行预处理获得第一数据集合；
对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
利用所述训练数据集训练第一分类模型获得第二分类模型；
获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果。
杂波与目标均是点迹信息进行记录的，包含复数个特征，比如某个记录点迹（无论杂波还是目标），就包含速度、高度、距离和俯仰角等等很多维度的记录数据。可以理解为图像上的点迹只包含x,y两个维度的特征，而雷达点迹就包含很多维度的特征。
本方案的具体流程为：在雷达图像上，杂波和目标是以一个点一个点的呈现在屏幕上，因此雷达数据中包括杂波点迹数据和目标点迹数据。
数据预处理
将所有数据归一化，计算公式如下：
Figure 658230DEST_PATH_IMAGE001
其中max为样本数据的最大值，min为样本数据的最小值，x为原始数据，
Figure 61530DEST_PATH_IMAGE002
为归一化之后的数据。
由于重复数据会对算法计算流程产生误导，降低算法准确率，因此需要清除重复数据，具体流程如下：
Step1: 随机选取某一个特征，特征种类很多，根据雷达型号以及记录的仪器不同，特征的表征也是不一样的，比如还有高度，经纬度，阵面角度，星历号等等等。本方法不限定具体特征定义，只要跟目标有关联的特征都可以用；
Step2: 将数据集按照选取特征进行排序；
Step3: 设定大小为f的滑动窗口，仅比较新进入滑动窗口内的数据与前f-1条数据之间的相似程度，若二者差值小于设定值m，则记相似特征数+1；
Step4: 重复step1~setp3直到所有特征比较完毕，相似特征数大于设定值的数据判定为重复数据，将其删除。
使用smote算法对目标点迹进行上采样，使得目标与杂波数据比例为1：1。
其中，分类问题中类别型的因变量可能存在严重的偏倚，即类别之间的比例严重失调。如果数据存在严重的不平衡，预测得出的结论往往也是有偏的，即分类结果会偏向于较多观测的类。对于这种问题该如何处理呢，最简单粗暴的办法就是构造1:1的数据，要么将多的那一类砍掉一部分（即欠采样），要么将少的那一类进行Bootstrap抽样（即过采样）。但这样做会存在问题，对于第一种方法，砍掉的数据会导致某些隐含信息的丢失；而第二种方法中，有放回的抽样形成的简单复制，又会使模型产生过拟合。为了解决数据的非平衡问题，2可以采用SMOTE算法，即合成少数过采样技术，它是基于随机过采样算法的一种改进方案。该技术是目前处理非平衡数据的常用手段。SMOTE算法的基本思想就是对少数类别样本进行分析和模拟，并将人工模拟的新样本添加到数据集中，进而使原始数据中的类别不再严重失衡。该算法的模拟过程采用了KNN技术，模拟生成新样本的步骤如下：采样最邻近算法，计算出每个少数类样本的K个近邻；从K个近邻中随机挑选N个样本进行随机线性插值；构造新的少数类样本；将新样本与原数据合成，产生新的训练集。
点迹关联性计算：
对数据集中的所有数据进行点迹关联性计算，增加特征维度关联值，关联值用以表示点迹连续程度。
计算相关性使用的特征维度根据条件选取，作为例子，本发明中取距离、俯仰角、速度三个特征维度：
步骤1：将数据集中的数据按时间排序，得到的数据点序列记为d1, d2,…dn。
步骤2：从数据集中取窗口长度为k的k条数据di,di+1,…,di+k-1（
Figure 399101DEST_PATH_IMAGE012
）形成的集合为K，关联值为0，集合K中可能包含目标点（即：航迹点）。
步骤3：从数据集中取窗口长度为h的h条数据di+k,di+k+1,…,di+k+h-1（
Figure 887852DEST_PATH_IMAGE012
）形成的集合为H，“关联值”为0，集合H中可能包含目标点。
步骤4：集合K中点与集合H中点的所有组合，共存在
Figure DEST_PATH_IMAGE013
种可能航迹（目标在实际空间中是连续存在的，代表目标连续点迹集即为航迹），假设每个特征值均符合高斯分布（即使不符合高斯分布，其计算结果也可作为一个启发式判断），计算每种可能航迹的均值与方差
Figure 218339DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
与
Figure 210566DEST_PATH_IMAGE016
是维度为3的向量，三个维度分别为距离、俯仰角、速度。
步骤5：以第i+k+h（
Figure 374831DEST_PATH_IMAGE003
）条数据与步骤3中的某条航迹Tr进行组合，可得到对应的新航迹
Figure DEST_PATH_IMAGE017
，对这条航迹，计算其均值与方差
Figure 960664DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE019
与
Figure 563684DEST_PATH_IMAGE020
是维度为3的向量，三个维度分别为距离、俯仰角、速度，对步骤3中的其他可能航迹，类似处理。
步骤6：对步骤4和步骤5中的航迹对
Figure DEST_PATH_IMAGE021
，根据这两条航迹的均值与方差向量，计算这两条航迹的关联值R，计算方法为：
Figure 675996DEST_PATH_IMAGE009
通过步骤6，总共可得到
Figure 745583DEST_PATH_IMAGE004
个航迹对的关联值，选择其中相关性最大的值
Figure 84292DEST_PATH_IMAGE022
max作为第i+k+h（
Figure 631948DEST_PATH_IMAGE003
）条数据的关联值。
基于点迹关联值的机器学习模型训练
数据预处理，使用上述方法对训练集做预处理，将训练集数据归一化，清除重复数据并将目标与杂波数据均衡。
计算训练数据集的关联值，使用前序方法对训练数据集的N维数据进行计算，将所有数据计算完成后，构成新的N+1维数据，作为机器学习（如随机森林，梯度提升树，XGBoost等）的输入数据，进行训练。
设定机器学习算法（本发明专利以XGBoost为例进行说明）的初始训练参数，其中部分重要参数包括：
n_estimators：迭代次数，迭代次数越大准确率一般会越高，但容易过拟合，初始设定其值为150。
max_depth：树的最大深度，深度越大准确率一般越高，但容易过拟合，初始设定其值为5。
learning_rate：学习率，用于更新叶子节点的权重，其值越小收敛速度越慢，初始设定其值为0.1。
objective：损失函数，本发明是一个分类问题，因此使用softmax函数。
调整训练参数，根据训练结果，即杂波识别的召回率、目标识别的准确率等指标计算f1-score，使用控制变量法，依次调整初始训练参数，直到获取一个最高的f1-score值，则训练结束，保存模型。f1-score定义如表1所示，表1为杂波抑制混淆矩阵表：
表1
Figure 864346DEST_PATH_IMAGE023
精确率（Precision）：
Figure DEST_PATH_IMAGE024
；
召回率（Recall）：
Figure 229468DEST_PATH_IMAGE025
；
Figure DEST_PATH_IMAGE026
；
基于机器学习的杂波与目标点迹分类
数据预处理，对训练集做预处理，将训练集数据归一化与重复数据清洗，但不做数据均衡处理。
计算测试数据集的关联值，对测试数据集的N维数据进行计算，将所有数据计算完成后，构成新的N+1维数据。
将处理好的数据，输入训练好的分类模型，得到每条数据的预测类别（杂波或目标）。
输出如表1所示的混淆矩阵，同时输出精确率，召回率与f1-score等参数指标。
航迹关联算法能够充分利用目标在空间上是连续的这一特点对杂波与目标点迹进行分类，但目标的运动状态发生突变时，容易丢失目标，导致其分类效果不够理想；机器学习相关算法通过其强大离散数据处理能力，能够较好的对杂波目标点迹进行分类，但同时忽略了目标的连续性特点。基于此，本发明设计了一种新的点迹关联性计算方法与机器学习方法进行结合，提出了一种新的杂波抑制方法。该方法提取了目标点迹的连续性特征，扩充了雷达数据的特征维度，能够更好的识别杂波与目标，提升了杂波抑制效果。
实施例二
请参考图2，图2为杂波识别系统的组成示意图，本发明还提供了一种杂波识别系统，所述系统包括：
样本数据获得单元，用于获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
预处理单元，用于对所述样本数据进行预处理获得第一数据集合；
训练数据集获得单元，用于对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
训练单元，用于利用所述训练数据集训练第一分类模型获得第二分类模型；
分类单元，用于获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果。
实施例三
本发明实施例三提供了一种杂波识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述杂波识别方法的步骤。
实施例四
本发明实施例四提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述杂波识别方法的步骤。
其中，所述处理器可以是中央处理器（CPU，Central Processing Unit），还可以是其他通用处理器、数字信号处理器（digital signal processor）、专用集成电路（Application Specific Integrated Circuit）、现成可编程门阵列（Fieldprogrammablegate array）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中杂波识别装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述杂波识别装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，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。
显然，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。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，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。
显然，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。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种杂波识别方法，其特征在于，所述方法包括：
获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
对所述样本数据进行预处理获得第一数据集合；
对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
利用所述训练数据集训练第一分类模型获得第二分类模型；
获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果；
所述对所述样本数据进行预处理包括：对所述样本数据中的重复数据进行清洗；
本方法采用以下方式对所述样本数据中的重复数据进行清洗：
步骤1，随机选取特征的类型；
步骤2，将所述样本数据按照选取的特征进行排序，获得排序后的样本数据；
步骤3，设定滑动窗口的大小为f，利用所述滑动窗口对排序后的样本数据进行处理，包括：按照滑入所述滑动窗口的时间先后顺序获得当前所述滑动窗口内最后一条滑入的数据A，按照滑出所述滑动窗口的时间先后顺序获得数据滑出所述滑动窗口的排序结果，当排序结果中数据的条数大于或等于f-1时，则抽取所述排序结果中的后f-1条数据，将所述数据A与所述f-1条数据逐条进行相似度判断，获得所述f-1条数据中与所述数据A相似数据的条数P，基于所述条数P获得所述数据A对应的相似特征数，当排序结果中数据的条数小于f-1时，则忽略；
步骤4，返回执行步骤1至步骤3直至所有类型的特征选取完毕，将对应相似特征数大于第一设定值的数据删除；
本方法中的关联值的计算方式为：
将所述第一数据集合中的数据按时间排序，获得的数据点序列：d1，d2，…，dn，n为数据点序列中的数据点数目；
从排序后的所述第一数据集合中取窗口长度为k的k条数据获得数据集合K，所述数据集合K包括：di，di+1，...，di+k-1，所述数据集合K中的每条数据对应的关联值均为0；
从排序后的所述第一数据集合中取窗口长度为h的h条数据获得数据集合H，所述数据集合H包括：di+k，di+k+1，…，di+k+h-1，所述数据集合H中的每条数据对应的关联值均为0，其中，
Figure DEST_PATH_IMAGE001
；
集合K中点与集合H中点的组合获得
Figure DEST_PATH_IMAGE002
条第一航迹，计算获得每条第一航迹的均值与方差向量；
以第i+k+h条数据与任意一条所述第一航迹进行组合获得第二航迹，计算获得第二航迹的均值与方差向量；
基于第一航迹和第二航迹各自的均值与方差向量，计算获得
Figure 257397DEST_PATH_IMAGE002
个第一航迹与第二航迹的关联值；
从
Figure 846641DEST_PATH_IMAGE002
个关联值中选取最大值作为第i+k+h条数据的关联值；
第一航迹的均值为
Figure DEST_PATH_IMAGE003
，第一航迹的方差向量为
Figure DEST_PATH_IMAGE004
，第二航迹的均值为
Figure DEST_PATH_IMAGE005
，第二航迹的方差向量为
Figure DEST_PATH_IMAGE006
，关联值为R的计算方式为：
Figure DEST_PATH_IMAGE007
其中，
Figure DEST_PATH_IMAGE008
为以自然常数e为底的指数函数，
Figure DEST_PATH_IMAGE009
为转置矩阵。
2.根据权利要求1所述的一种杂波识别方法，其特征在于，所述对所述样本数据进行预处理包括：对所述样本数据进行归一化处理。
3.根据权利要求2所述的一种杂波识别方法，其特征在于，本方法采用以下公式对所述样本数据进行归一化处理：
Figure DEST_PATH_IMAGE010
其中，max为所述样本数据的最大值，min为所述样本数据的最小值，x为原始数据，
Figure DEST_PATH_IMAGE011
为归一化处理之后的数据。
4.根据权利要求1所述的一种杂波识别方法，其特征在于，所述对所述样本数据进行预处理包括：对所述样本数据中的杂波点迹数据和目标点迹数据进行均衡处理。
5.根据权利要求4所述的一种杂波识别方法，其特征在于，所述对所述样本数据中的杂波点迹数据和目标点迹数据进行均衡处理，包括：对目标点迹数据进行上采样处理。
6.根据权利要求5所述的一种杂波识别方法，其特征在于，本方法使用smote算法对目标点迹数据进行上采样。
7.一种杂波识别系统，其特征在于，所述系统包括：
样本数据获得单元，用于获得样本数据，所述样本数据为雷达数据，所述样本数据中包括杂波点迹数据和目标点迹数据；
预处理单元，用于对所述样本数据进行预处理获得第一数据集合；
训练数据集获得单元，用于对所述第一数据集合中的所有点迹数据进行点迹关联性计算，获得用于表征点迹连续程度的关联值，每个点迹数据对应一个关联值，将关联值加入到所述第一数据集合中的对应点迹数据中获得训练数据集；
训练单元，用于利用所述训练数据集训练第一分类模型获得第二分类模型；
分类单元，用于获得待处理雷达数据，将所述待处理雷达数据输入所述第二分类模型，所述第二分类模型输出所述待处理雷达数据中的杂波点迹数据和目标点迹数据的分类结果；
所述对所述样本数据进行预处理包括：对所述样本数据中的重复数据进行清洗；
本预处理单元采用以下方式对所述样本数据中的重复数据进行清洗：
步骤1，随机选取特征的类型；
步骤2，将所述样本数据按照选取的特征进行排序，获得排序后的样本数据；
步骤3，设定滑动窗口的大小为f，利用所述滑动窗口对排序后的样本数据进行处理，包括：按照滑入所述滑动窗口的时间先后顺序获得当前所述滑动窗口内最后一条滑入的数据A，按照滑出所述滑动窗口的时间先后顺序获得数据滑出所述滑动窗口的排序结果，当排序结果中数据的条数大于或等于f-1时，则抽取所述排序结果中的后f-1条数据，将所述数据A与所述f-1条数据逐条进行相似度判断，获得所述f-1条数据中与所述数据A相似数据的条数P，基于所述条数P获得所述数据A对应的相似特征数，当排序结果中数据的条数小于f-1时，则忽略；
步骤4，返回执行步骤1至步骤3直至所有类型的特征选取完毕，将对应相似特征数大于第一设定值的数据删除；
本系统中的关联值的计算方式为：
将所述第一数据集合中的数据按时间排序，获得的数据点序列：d1，d2，…，dn，n为数据点序列中的数据点数目；
从排序后的所述第一数据集合中取窗口长度为k的k条数据获得数据集合K，所述数据集合K包括：di，di+1，...，di+k-1，所述数据集合K中的每条数据对应的关联值均为0；
从排序后的所述第一数据集合中取窗口长度为h的h条数据获得数据集合H，所述数据集合H包括：di+k，di+k+1，…，di+k+h-1，所述数据集合H中的每条数据对应的关联值均为0，其中，
Figure 173848DEST_PATH_IMAGE001
；
集合K中点与集合H中点的组合获得
Figure 365795DEST_PATH_IMAGE002
条第一航迹，计算获得每条第一航迹的均值与方差向量；
以第i+k+h条数据与任意一条所述第一航迹进行组合获得第二航迹，计算获得第二航迹的均值与方差向量；
基于第一航迹和第二航迹各自的均值与方差向量，计算获得
Figure 914588DEST_PATH_IMAGE002
个第一航迹与第二航迹的关联值；
从
Figure 409155DEST_PATH_IMAGE002
个关联值中选取最大值作为第i+k+h条数据的关联值；
第一航迹的均值为
Figure 207346DEST_PATH_IMAGE003
，第一航迹的方差向量为
Figure 140667DEST_PATH_IMAGE004
，第二航迹的均值为
Figure 481650DEST_PATH_IMAGE005
，第二航迹的方差向量为
Figure 6172DEST_PATH_IMAGE006
，关联值为R的计算方式为：
Figure 167026DEST_PATH_IMAGE007
其中，
Figure 638459DEST_PATH_IMAGE008
为以自然常数e为底的指数函数，
Figure 958582DEST_PATH_IMAGE009
为转置矩阵。
8.一种杂波识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任意一个所述杂波识别方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6中任意一个所述杂波识别方法的步骤。
CN202210312635.XA 2022-03-28 2022-03-28 一种杂波识别方法及系统及装置及介质 Active CN114417942B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210312635.XA CN114417942B (zh) 2022-03-28 2022-03-28 一种杂波识别方法及系统及装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210312635.XA CN114417942B (zh) 2022-03-28 2022-03-28 一种杂波识别方法及系统及装置及介质

Publications (2)

Publication Number Publication Date
CN114417942A CN114417942A (zh) 2022-04-29
CN114417942B true CN114417942B (zh) 2022-06-07

Family

ID=81263722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210312635.XA Active CN114417942B (zh) 2022-03-28 2022-03-28 一种杂波识别方法及系统及装置及介质

Country Status (1)

Country Link
CN (1) CN114417942B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269582A (zh) * 2022-09-26 2022-11-01 中国民用航空局空中交通管理局航空气象中心 一种用于航空雷达数据的归一化方法及系统
CN116819480B (zh) * 2023-07-17 2024-05-24 中国人民解放军空军预警学院 一种机载雷达强杂波中的自适应目标检测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109212514A (zh) * 2018-09-29 2019-01-15 河北德冠隆电子科技有限公司 一种雷达检测设备对运动以及静止目标持续跟踪关联方法
CN111650581A (zh) * 2020-06-15 2020-09-11 南京莱斯电子设备有限公司 一种基于环境感知的雷达全域目标航迹自动起始方法
CN111708015A (zh) * 2020-07-13 2020-09-25 哈尔滨工业大学 一种多径效应下的低空目标跟踪滤波方法
CN111898749A (zh) * 2020-05-28 2020-11-06 南京理工雷鹰电子科技有限公司 一种基于神经网络的无人机航迹预测方法
CN112257505A (zh) * 2020-09-17 2021-01-22 昆明物理研究所 一种应用于红外全景系统的虚假目标识别方法及存储介质
CN112434643A (zh) * 2020-12-06 2021-03-02 零八一电子集团有限公司 低慢小目标的分类识别方法
CN112881993A (zh) * 2021-01-18 2021-06-01 零八一电子集团有限公司 自动识别雷达分布杂波引起虚假航迹的方法
CN114332567A (zh) * 2022-03-16 2022-04-12 成都数之联科技股份有限公司 训练样本的获取方法、装置、计算机设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11340345B2 (en) * 2015-07-17 2022-05-24 Origin Wireless, Inc. Method, apparatus, and system for wireless object tracking

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109212514A (zh) * 2018-09-29 2019-01-15 河北德冠隆电子科技有限公司 一种雷达检测设备对运动以及静止目标持续跟踪关联方法
CN111898749A (zh) * 2020-05-28 2020-11-06 南京理工雷鹰电子科技有限公司 一种基于神经网络的无人机航迹预测方法
CN111650581A (zh) * 2020-06-15 2020-09-11 南京莱斯电子设备有限公司 一种基于环境感知的雷达全域目标航迹自动起始方法
CN111708015A (zh) * 2020-07-13 2020-09-25 哈尔滨工业大学 一种多径效应下的低空目标跟踪滤波方法
CN112257505A (zh) * 2020-09-17 2021-01-22 昆明物理研究所 一种应用于红外全景系统的虚假目标识别方法及存储介质
CN112434643A (zh) * 2020-12-06 2021-03-02 零八一电子集团有限公司 低慢小目标的分类识别方法
CN112881993A (zh) * 2021-01-18 2021-06-01 零八一电子集团有限公司 自动识别雷达分布杂波引起虚假航迹的方法
CN114332567A (zh) * 2022-03-16 2022-04-12 成都数之联科技股份有限公司 训练样本的获取方法、装置、计算机设备及存储介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
An efficient TO-MHT algorithm for multi-target tracking in cluttered environment;ShengSen Pan;《2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20171002;第705-708页 *
基于FCM的雷达多目标航迹相关;丁钱龙;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100815(第8期);第I136-426页 *
基于机器学习的雷达目标和杂波分类;李梦霞;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200215(第2期);第I136-2013页 *
基于点迹数据分类的雷达目标数据关联方法研究;刘硕;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第1期);第I136-1600页 *
多目标跟踪中航迹关联技术研究;周敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115(第1期);第I138-1948页 *
多目标追踪航迹关联的相关算法简介;小市民;《https://zhuanlan.zhihu.com/p/98081810》;20200820;第1页 *
杂波背景下的目标跟踪技术;吕江涛;《https://www.docin.com/p-891271909.html》;20140814;第1-82页 *

Also Published As

Publication number Publication date
CN114417942A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114417942B (zh) 一种杂波识别方法及系统及装置及介质
CN103020978B (zh) 结合多阈值分割与模糊聚类的sar图像变化检测方法
CN112651995B (zh) 基于多功能聚合和跟踪模拟训练的在线多目标跟踪方法
Padhy et al. Revisiting one-vs-all classifiers for predictive uncertainty and out-of-distribution detection in neural networks
Wu et al. Variational nearest neighbor Gaussian process
CN108229675B (zh) 神经网络的训练方法、物体检测方法、装置和电子设备
CN111259919B (zh) 一种视频分类方法、装置及设备、存储介质
CN113657491A (zh) 一种用于信号调制类型识别的神经网络设计方法
Ebert-Uphoff et al. CIRA Guide to Custom Loss Functions for Neural Networks in Environmental Sciences--Version 1
CN115331752B (zh) 一种能够自适应预测石英形成环境的方法
CN115880572A (zh) 一种基于异步学习因子的前视声呐目标识别方法
CN117454187B (zh) 一种基于频域限制目标攻击的集成模型训练方法
CN114492744A (zh) 一种基于对抗生成网络的地海杂波谱数据样本生成方法
Zeybek Inlier point preservation in outlier points removed from the ALS point cloud
CN114155411A (zh) 一种弱小目标智能检测识别方法
CN114117141A (zh) 一种自适应密度聚类方法、存储介质及系统
CN111191781A (zh) 训练神经网络的方法、对象识别方法和设备以及介质
CN115953584B (zh) 一种具有可学习稀疏性的端到端目标检测方法及系统
CN117630844A (zh) 目标识别方法及相关装置、设备和存储介质
US20230034973A1 (en) Methods and Systems for Predicting Trajectory Data of an Object
Zhao et al. Spectral–spatial classification of hyperspectral images using trilateral filter and stacked sparse autoencoder
Barngrover Automated detection of mine-like objects in side scan sonar imagery
CN115423090A (zh) 一种面向细粒度识别的类增量学习方法
CN115346114A (zh) 一种铁路隧道航空电磁法不良地质体识别定位方法及设备
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质

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