CN115561724A - 认知雷达目标识别效果在线评估方法、装置和计算机设备 - Google Patents

认知雷达目标识别效果在线评估方法、装置和计算机设备 Download PDF

Info

Publication number
CN115561724A
CN115561724A CN202211286464.4A CN202211286464A CN115561724A CN 115561724 A CN115561724 A CN 115561724A CN 202211286464 A CN202211286464 A CN 202211286464A CN 115561724 A CN115561724 A CN 115561724A
Authority
CN
China
Prior art keywords
sample
historical
conflict
similarity
observation 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.)
Pending
Application number
CN202211286464.4A
Other languages
English (en)
Inventor
李彦鹏
舒绍娴
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.)
Hunan Institute of Traffic Engineering
Original Assignee
Hunan Institute of Traffic Engineering
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 Hunan Institute of Traffic Engineering filed Critical Hunan Institute of Traffic Engineering
Priority to CN202211286464.4A priority Critical patent/CN115561724A/zh
Publication of CN115561724A publication Critical patent/CN115561724A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • 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
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种认知雷达目标识别效果在线评估方法、装置和计算机设备。所述方法包括：获取当前时刻认知雷达的观测样本以及对观测样本的识别结果，计算观测样本与预先存储的历史样本的相似性度量，获取最接近的历史样本对应的历史识别结果，并计算冲突度量，根据相似性度量，确定相似性度量序列，根据冲突度量，确定冲突度量序列，根据相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。采用本方法能够实现认知雷达目标识别结果在线评估。

Description

认知雷达目标识别效果在线评估方法、装置和计算机设备
技术领域
本申请涉及认知雷达目标识别技术领域，特别是涉及一种认知雷达目标识别效果在线评估方法、装置和计算机设备。
背景技术
传统雷达通常发射相对固定的波形用于遂行目标探测、识别等任务。随着现代电子信息技术的发展，认知雷达的概念逐渐得到了学术界的广泛认可并获得了试验验证。与传统雷达相比，认知雷达可以根据实时感知的自然、电磁与目标环境等信息，自适应地优化选择或设计最佳发射波形与信号处理，以获得更好的任务性能。
通常而言，雷达任务性能的在线评估是认知雷达自适应地优化选择或设计最佳发射波形与信号处理的前提条件。当前已有不少目标识别性能评估方法，如【秦富童，岳丽华，万寿红，应用BP神经网络的目标识别效果评估[J]，计算机工程与应用，2010,46(5)：148-151】提出首先利用人工专家构造训练样本，然后利用反向传播神经网络进行识别效果评估；再如【王欢，何明浩，徐璟，郭俊，雷达信号识别效果的模糊综合评价研究[J]，雷达科学与技术，2012,4(10)：372-375】提出综合利用识别率、识别结果的均值和方差等指标，基于模糊数学方法评价目标识别性能。这些评价方法都是离线型事后评估，难以支撑认知雷达目标识别任务中的最佳发射波形与信号处理优化设计。
发明内容
基于此，有必要针对上述技术问题，提供一种能够进行在线评估的认知雷达目标识别效果在线评估方法、装置和计算机设备。
一种认知雷达目标识别效果在线评估方法，所述方法包括：
获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
在其中一个实施例中，还包括：根据与每个历史样本的相似性度量，确定相似性度量最小的历史样本作为所述观测样本最接近的历史样本。
在其中一个实施例中，还包括：将当前时刻认知雷达的观测样本以及对观测样本的识别结果存储至第一数据库。
在其中一个实施例中，还包括：将所述观测样本与所述相似性度量存储至第二数据库的历史相似性度量序列；将所述观测样本的识别结果与所述冲突度量存储至第二数据库的冲突度量序列。
在其中一个实施例中，还包括：以所述历史样本对应的相似性度量为起始点，所述观测样本的相似性度量为终点，从所述历史相似性度量序列中提取得到相似性度量序列；以所述历史样本对应的冲突度量为起始点，所述观测样本的冲突度量为终点，从所述历史冲突度量序列中提取得到冲突度量序列。
在其中一个实施例中，还包括：根据所述相似性度量序列
Figure BDA0003900150170000021
和冲突度量序列
Figure BDA0003900150170000022
构建皮尔逊相关系数计算模型为：
Figure BDA0003900150170000023
其中，E为正整数且小于k，k表示当前时刻且k＞1，pk表示皮尔逊相关系数。
在其中一个实施例中，还包括：根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数的公式为：
Figure BDA0003900150170000031
其中，Rk-1表示前一时刻的识别效果刻画系数，Rk表示当前时刻的别效果刻画系数。
在其中一个实施例中，还包括：当k＝1时，设置k＝1时刻的识别效果刻画系数为识别效果刻画系数的初始值。
一种认知雷达目标识别效果在线评估装置，所述装置包括：
样本获取模块，用于获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
相似性度量模块，用于计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
冲突度量模块，用于获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
历史数据确定模块，用于根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
更新模块，用于根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
上述认知雷达目标识别效果在线评估方法、装置和计算机设备，为了实现认知雷达目标识别效果在线评估，首先通过样本相似度度量的方式，寻找到最接近的历史样本，然后基于历史样本的识别结果，进行冲突度量，两次度量即寻找到本次在线评估所需要用到的历史数据，然后根据两次得到的度量值，分别建立选择得到的相似性度量序列和冲突度量序列，从而构建皮尔逊相关系数计算模型，以计算出皮尔逊相关系数，从而实现认知雷达识别效果刻画系数的更新，本发明上述实施例中，在进行在线识别时，只需要将识别到的目标和识别结果结合历史数据进行简单的度量计算，可以满足实时性的需求，在进行度量计算时，充分利用历史信息，从而可以准确的计算出皮尔逊相关系数，完成识别效果刻画系数的迭代更新。
附图说明
图1为一个实施例中认知雷达目标识别效果在线评估方法的流程示意图；
图2为一个实施例中认知雷达目标识别效果在线评估装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种认知雷达目标识别效果在线评估方法，包括以下步骤：
步骤102，获取当前时刻认知雷达的观测样本以及对观测样本的识别结果。
需要知道的是，认知雷达需要根据目标识别结果，评估当前认知雷达目标识别的性能，从而支撑认知雷达后续的发射波形与信号处理优化等任务，从而实现认知雷达的自适应能力。本步骤中，观测样本是认知雷达当前时刻观测到的样本，在观测到样本之后，认知雷达会对观测样本进行识别，从而得到识别结果，对识别结果进行评估，即优化选择或设计最佳发射波形与信号处理，以能够更好的应对下一时刻的任务需求。
步骤104，计算观测样本与预先存储的历史样本的相似性度量，根据相似性度量，确定与观测样本最接近的历史样本，并将观测样本与相似性度量对应存储。
本实施例中，每个时刻所观测到的样本，与其计算得到的相似性度量均会对应存储在数据库中，随着时间的推移，历史数据会越来越多，则本实施例的方法评估结果越准确。
相似性度量即从相似性角度来评估观测样本和历史样本的相似性，值得说明的是，相似性度量可以选择欧式距离、马氏距离或切氏距离等，再次不做具体限定。
步骤106，获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与历史识别结果计算冲突度量，将观测样本的识别结果与冲突度量对应存储。
相似的，每个时刻计算得到的冲突度量，也会同识别结果对应存储至数据库中，以作为历史数据。值得说明的是，冲突度量可以依据识别结果，将其视为信任函数理论框架中的信任表征，采用Shafer冲突度量【Glenn Shafer.Amathematical theory of evidence[M].Princeton Univ.Press,1976】或者Jousselme冲突度量【Anne-Laure Jousselme，Chunsheng Liu，Dominic Grenier，et al.Measuring Ambiguity in the EvidenceTheory[J].IEEE Trans.Systems，Man，and Cybernetics，2006，36(5):890-903】刻画。
步骤108，根据历史样本对应的相似性度量与观测样本的相似性度量，确定相似性度量序列，根据历史样本对应的冲突度量与观测样本的冲突度量，确定冲突度量序列。
本实施例中，相似性度量序列是从历史样本时刻到当前时刻之间的相似性度量来确定的，例如，当前时刻为k＝100，历史样本对应的时刻为k＝50，则相似性度量序列需要从50-100之间的相似性度量来确定相似性度量序列。最理想的情形，是以k＝50到k＝100之间所有的相似性度量组成相似性度量序列，但是在某些情况下，部分数据的丢失，依然可以实现较为准确的评估结果。
步骤110，根据相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
值得说明的是，识别效果刻画系数更新公式可以根据应用场景进行配置，只要确保识别效果刻画系数与皮尔逊相关系数满足单调递减关系且识别效果刻画系数取值在[0,1]即可。
上述认知雷达目标识别效果在线评估方法中，为了实现认知雷达目标识别效果在线评估，首先通过样本相似度度量的方式，寻找到最接近的历史样本，然后基于历史样本的识别结果，进行冲突度量，两次度量即寻找到本次在线评估所需要用到的历史数据，然后根据两次得到的度量值，分别建立选择得到的相似性度量序列和冲突度量序列，从而构建皮尔逊相关系数计算模型，以计算出皮尔逊相关系数，从而实现认知雷达识别效果刻画系数的更新，本发明上述实施例中，在进行在线识别时，只需要将识别到的目标和识别结果结合历史数据进行简单的度量计算，可以满足实时性的需求，在进行度量计算时，充分利用历史信息，从而可以准确的计算出皮尔逊相关系数，完成识别效果刻画系数的迭代更新。
在其中一个实施例中，在确定最接近的历史样本时，可以根据与每个历史样本的相似性度量，确定相似性度量最小的历史样本作为所述观测样本最接近的历史样本。
在其中一个实施例中，将当前时刻认知雷达的观测样本以及对观测样本的识别结果存储至第一数据库。本实施例中，还需要根据当前时刻所得到的数据，来更新历史数据，以下进行具体说明。
在k＝1时，将Z1＝{z1}和C1＝{c1}存入数据库，zk表示第k时刻获得观测样本，ck＝C[zk]表示对应的识别结果，在第k时刻，历史数据包括了Zk-1＝{z1,...,zk-1}，Ck-1＝{c1,...,ck-1}，Sk-1＝{s1,...,sk-1}以及Mk-1＝{m1,...,mk-1}。在当前时刻迭代完成之后，完成上述四个集合的更新，已备下一时刻使用。
在其中一个实施例中，将观测样本与相似性度量存储至第二数据库的历史相似性度量序列，将观测样本的识别结果与冲突度量存储至第二数据库的冲突度量序列。也即，对Sk-1＝{s1,...,sk-1}以及Mk-1＝{m1,...,mk-1}进行更新，得到Sk＝{s1,...,sk}和Mk＝{m1,...,mk}。
在其中一个实施例中，以历史样本对应的相似性度量为起始点，观测样本的相似性度量为终点，从历史相似性度量序列中提取得到相似性度量序列。以历史样本对应的冲突度量为起始点，观测样本的冲突度量为终点，从历史冲突度量序列中提取得到冲突度量序列。
具体的，相似性度量序列表达式可以为
Figure BDA0003900150170000071
冲突度量序列表达式可以为
Figure BDA0003900150170000072
其中，E为正整数且小于k，k表示当前时刻且k＞1，表示用于目标识别效果在线评估的最大历史数据时长。
在其中一个实施例中，根据所述相似性度量序列
Figure BDA0003900150170000073
和冲突度量序列
Figure BDA0003900150170000074
构建皮尔逊相关系数计算模型为：
Figure BDA0003900150170000075
其中，E为正整数且小于k，k表示当前时刻且k＞1，pk表示皮尔逊相关系数。
本实施例中，当呈pk＜0时，表示在最近时刻，样本测量间的相似度大小与样本识别结果间的冲突大小呈负相关特性，目标识别效果刻画系数应该增大，反之则应该减小。
在其中一个实施例中，根据皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数的公式为：
Figure BDA0003900150170000081
其中，Rk-1表示前一时刻的识别效果刻画系数，Rk表示当前时刻的别效果刻画系数。
在其中一个实施例中，当k＝1时，设置k＝1时刻的识别效果刻画系数为识别效果刻画系数的初始值，以适用于零样本冷启动。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种认知雷达目标识别效果在线评估装置，包括：样本获取模块202、相似性度量模块204、冲突度量模块206、历史数据确定模块208和更新模块210，其中：
样本获取模块202，用于获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
相似性度量模块204，用于计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
冲突度量模块206，用于获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
历史数据确定模块208，用于根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
更新模块210，用于根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
在其中一个实施例中，相似性度量模块204还用于根据与每个历史样本的相似性度量，确定相似性度量最小的历史样本作为所述观测样本最接近的历史样本。
在其中一个实施例中，相似性度量模块204还用于将当前时刻认知雷达的观测样本以及对观测样本的识别结果存储至第一数据库。
在其中一个实施例中，相似性度量模块204还用于将所述观测样本与所述相似性度量存储至第二数据库的历史相似性度量序列；冲突度量模块206还用于将所述观测样本的识别结果与所述冲突度量存储至第二数据库的冲突度量序列。
在其中一个实施例中，历史数据确定模块208还用于以所述历史样本对应的相似性度量为起始点，所述观测样本的相似性度量为终点，从所述历史相似性度量序列中提取得到相似性度量序列；历史数据确定模块208还用于以所述历史样本对应的冲突度量为起始点，所述观测样本的冲突度量为终点，从所述历史冲突度量序列中提取得到冲突度量序列。
在其中一个实施例中，更新模块210还用于根据所述相似性度量序列
Figure BDA0003900150170000091
和冲突度量序列
Figure BDA0003900150170000092
构建皮尔逊相关系数计算模型为：
Figure BDA0003900150170000093
其中，E为正整数且小于k，k表示当前时刻且k＞1，pk表示皮尔逊相关系数。
在其中一个实施例中，更新模块210还用于根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数的公式为：
Figure BDA0003900150170000101
其中，Rk-1表示前一时刻的识别效果刻画系数，Rk表示当前时刻的别效果刻画系数。
在其中一个实施例中，启动模块还用于当k＝1时，设置k＝1时刻的识别效果刻画系数为识别效果刻画系数的初始值。
关于认知雷达目标识别效果在线评估装置的具体限定可以参见上文中对于认知雷达目标识别效果在线评估方法的限定，在此不再赘述。上述认知雷达目标识别效果在线评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种认知雷达目标识别效果在线评估方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种认知雷达目标识别效果在线评估方法，其特征在于，所述方法包括：
获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
2.根据权利要求1所述的方法，其特征在于，根据所述相似性度量，确定与所述观测样本最接近的历史样本，包括：
根据与每个历史样本的相似性度量，确定相似性度量最小的历史样本作为所述观测样本最接近的历史样本。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将当前时刻认知雷达的观测样本以及对观测样本的识别结果存储至第一数据库。
4.根据权利要求1所述的方法，其特征在于，将所述观测样本与所述相似性度量对应存储，包括：
将所述观测样本与所述相似性度量存储至第二数据库的历史相似性度量序列；
将所述观测样本的识别结果与所述冲突度量对应存储，包括：
将所述观测样本的识别结果与所述冲突度量存储至第二数据库的冲突度量序列。
5.根据权利要求4所述的方法，其特征在于，所述根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，包括：
以所述历史样本对应的相似性度量为起始点，所述观测样本的相似性度量为终点，从所述历史相似性度量序列中提取得到相似性度量序列；
根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列，包括：
以所述历史样本对应的冲突度量为起始点，所述观测样本的冲突度量为终点，从所述历史冲突度量序列中提取得到冲突度量序列。
6.根据权利要求1至5任一项所述的方法，其特征在于，根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，包括：
根据所述相似性度量序列
Figure FDA0003900150160000021
和冲突度量序列
Figure FDA0003900150160000022
构建皮尔逊相关系数计算模型为：
Figure FDA0003900150160000023
其中，E为正整数且小于k，k表示当前时刻且k＞1，pk表示皮尔逊相关系数。
7.根据权利要求6所述的方法，其特征在于，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数，包括：
根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数的公式为：
Figure FDA0003900150160000024
其中，Rk-1表示前一时刻的识别效果刻画系数，Rk表示当前时刻的别效果刻画系数。
8.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当k＝1时，设置k＝1时刻的识别效果刻画系数为识别效果刻画系数的初始值。
9.一种认知雷达目标识别效果在线评估装置，其特征在于，所述装置包括：
样本获取模块，用于获取当前时刻认知雷达的观测样本以及对观测样本的识别结果；
相似性度量模块，用于计算所述观测样本与预先存储的历史样本的相似性度量，根据所述相似性度量，确定与所述观测样本最接近的历史样本，并将所述观测样本与所述相似性度量对应存储；
冲突度量模块，用于获取最接近的历史样本对应的历史识别结果，根据观测样本的识别结果与所述历史识别结果计算冲突度量，将所述观测样本的识别结果与所述冲突度量对应存储；
历史数据确定模块，用于根据所述历史样本对应的相似性度量与所述观测样本的相似性度量，确定相似性度量序列，根据所述历史样本对应的冲突度量与所述观测样本的冲突度量，确定冲突度量序列；
更新模块，用于根据所述相似性度量序列和冲突度量序列，构建皮尔逊相关系数计算模型，根据所述皮尔逊相关系数计算模型输出的皮尔逊相关系数，更新前一时刻的识别效果刻画系数，得到当前时刻的识别效果刻画系数。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
CN202211286464.4A 2022-10-20 2022-10-20 认知雷达目标识别效果在线评估方法、装置和计算机设备 Pending CN115561724A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211286464.4A CN115561724A (zh) 2022-10-20 2022-10-20 认知雷达目标识别效果在线评估方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211286464.4A CN115561724A (zh) 2022-10-20 2022-10-20 认知雷达目标识别效果在线评估方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN115561724A true CN115561724A (zh) 2023-01-03

Family

ID=84767581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211286464.4A Pending CN115561724A (zh) 2022-10-20 2022-10-20 认知雷达目标识别效果在线评估方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN115561724A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902814A (zh) * 2023-03-09 2023-04-04 中国人民解放军国防科技大学 基于信息空间度量的目标识别模型性能评估方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115902814A (zh) * 2023-03-09 2023-04-04 中国人民解放军国防科技大学 基于信息空间度量的目标识别模型性能评估方法和装置

Similar Documents

Publication Publication Date Title
CN112150311B (zh) 能耗异常状态检测方法、装置、计算机设备和存储介质
CN108763398B (zh) 数据库配置参数处理方法、装置、计算机设备和存储介质
US10331810B2 (en) Method for determining a model of an output quantity of a technical system
CN112749495A (zh) 基于多点加点的代理模型优化方法、装置和计算机设备
CN110929867B (zh) 神经网络结构的评估、确定方法、装置和存储介质
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN110414570B (zh) 图像分类模型生成方法、装置、设备和存储介质
CN115236535B (zh) 电池soc预估方法、装置、设备及存储介质
CN110990135A (zh) 基于深度迁移学习的Spark作业时间预测方法和装置
CN115561724A (zh) 认知雷达目标识别效果在线评估方法、装置和计算机设备
CN115809569B (zh) 基于耦合竞争失效模型的可靠性评价方法和装置
US20200134453A1 (en) Learning curve prediction apparatus, learning curve prediction method, and non-transitory computer readable medium
CN110824496B (zh) 运动估计方法、装置、计算机设备和存储介质
CN111738126B (zh) 基于贝叶斯网络和hmm的驾驶员疲劳检测方法和装置
CN112633583A (zh) 发电机组振动预测方法、装置、计算机设备和存储介质
KR102124425B1 (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
JP2020071493A (ja) 結果予測装置、結果予測方法、及びプログラム
Qiao et al. MicroNAS: Zero-Shot Neural Architecture Search for MCUs
CN111210105B (zh) 连续工作性能验证、装置、计算机设备和存储介质
CN113095963A (zh) 房地产成本数据处理方法、装置、计算机设备和存储介质
CN112884052A (zh) 结构模态参数提取方法、装置、计算机设备及存储介质
Jain et al. Simulation Model Calibration with Dynamic Stratification and Adaptive Sampling
CN114492564B (zh) 基于局部高斯过程拟合的序贯设计方法、装置和设备
CN118333094B (zh) 湿式离合器接合性能预测方法及系统
CN117331503A (zh) 存储设备自适应超频方法、系统、计算机设备及介质

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