CN117609750B - 一种基于电数字数据处理技术计算目标识别率区间的方法 - Google Patents

一种基于电数字数据处理技术计算目标识别率区间的方法 Download PDF

Info

Publication number
CN117609750B
CN117609750B CN202410080903.9A CN202410080903A CN117609750B CN 117609750 B CN117609750 B CN 117609750B CN 202410080903 A CN202410080903 A CN 202410080903A CN 117609750 B CN117609750 B CN 117609750B
Authority
CN
China
Prior art keywords
target
rate
sensor
recognition
sensors
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
CN202410080903.9A
Other languages
English (en)
Other versions
CN117609750A (zh
Inventor
戎纪光
陈金勇
杨晓青
任志国
李书强
徐灿
滕学斌
马茜
赵鹏
尤静
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202410080903.9A priority Critical patent/CN117609750B/zh
Publication of CN117609750A publication Critical patent/CN117609750A/zh
Application granted granted Critical
Publication of CN117609750B publication Critical patent/CN117609750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于电数字数据处理技术领域，具体公开了一种基于电数字数据处理技术计算目标识别率区间的方法，其中，所述方法应用于计算通信信号、SAR雷达和光电三类异构传感器系统的目标识别率区间，所述方法包括：计算这三类异构传感器系统的最大目标识别率区间，计算通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的两类异构传感器目标识别率区间，计算通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的两类异构传感器目标识别率区间，计算光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的两类异构传感器目标识别率区间。本发明有效支撑三类异构传感器的联合运用规划，能够支撑评估所使用目标关联融合识别算法的能力。

Description

一种基于电数字数据处理技术计算目标识别率区间的方法
技术领域
本发明属于电数字数据处理技术领域，特别是指一种对通信信号、SAR雷达和光电三类异构传感器系统目标识别率区间进行计算的方法，能够有效支撑这三类异构传感器系统的运用规划。
背景技术
随着大量光电、SAR雷达、震动、红外，以及通信信号探测等异构传感器广泛综合用于对目标的识别，系统会对各类异构传感器的目标识别结果进行关联和融合处理，以提升系统对目标识别整体精度。
目前传感器系统对于目标识别的相关发明主要集中于识别处理方法的具体实现方面。公开号为CN114943881A的专利申请公开了一种目标融合评价方法、装置、计算机可读存储介质及电子设备，该方法基于目标融合位置信息，生成目标障碍物的评价信息集合，并显示评价信息集合，定量地对目标融合的效果进行分析，同时可以显示评价信息，使用户可以直观地查看目标融合的效果；公开号为CN108765394B的专利公开了一种基于质量评价的目标识别方法，在对视频质量评价中增加了帧间的关联信息，从而获得更多的有效目标信息，使得视频中目标的表征更加准确，提升了识别精度。
当前，多传感器系统针对目标识别率的研究，一方面主要集中在同构传感器系统而由于异构传感器目标定位、目标识别的精度差异较大，研究的较少；另一方面目前系统对目标识别率的计算，主要依靠事后对采集数据进行统计分析，造成事前缺乏有效的方法实现对系统目标识别率的预评估，使异构传感器系统的规划运用缺乏计算支撑。
发明内容
有鉴于此，本发明提出了一种基于电数字数据处理技术，对包含三类异构传感器系统的目标识别率区间的计算方法。本发明通过针对通信信号探测、SAR雷达探测和光电探测三类异构传感器已知的目标定位精度、目标检出度和目标识别率，计算这三类异构传感器系统的目标识别率区间，有效支撑这三类异构传感器的使用规划。
本发明采用的技术方案为：
一种基于电数字数据处理技术计算目标识别率区间的方法，包括以下过程：
构建通信信号、SAR雷达和光电三类异构传感器系统参数集合，包括三类异构传感器各自目标检出率、各自目标识别率、各自目标最大定位误差和各自目标最小定位误差；
根据通信信号、SAR雷达和光电三类异构传感器各自目标检出率和各自目标识别率，计算三类异构传感器系统的目标最小识别率和目标最大识别率；
根据通信信号传感器与SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；
根据通信信号传感器与光电传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；
根据光电传感器和SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率。
进一步的，构建通信信号、SAR雷达和光电三类异构传感器系统参数集合，包括三类异构传感器各自目标检出率、各自目标识别率、各自目标最大定位误差和各自目标最小定位误差；具体过程为：
统计历史检测数据得到通信信号、SAR雷达和光电三类异构传感器各自目标检出率，表示单独使用通信信号传感器的目标检出率，/>表示单独使用SAR雷达传感器的目标检出率，/>表示单独使用光电传感器的目标检出率；
统计历史检测数据得到三类异构传感器各自目标识别率，表示单独使用通信信号传感器的目标识别率，/>表示单独使用SAR雷达传感器的目标识别率，表示单独使用光电传感器的目标识别率；
统计历史检测数据得到三类异构传感器各自目标最大定位误差，表示单独使用通信信号传感器的目标最大定位误差，其中R是通信信号传感器与被测目标的距离，/>表示单独使用SAR雷达传感器的目标最大定位误差，/>表示单独使用光电传感器的目标最大定位误差；
统计历史检测数据得到三类异构传感器各自目标最小定位误差，表示单独使用通信信号传感器目标最小定位误差，其中R是通信信号传感器与被测目标的距离，/>表示单独使用SAR雷达传感器的目标最小定位误差，/>表示单独使用光电传感器的目标最小定位误差。
进一步的，根据通信信号、SAR雷达和光电三类异构传感器各自目标检出率和各自目标识别率，计算三类异构传感器系统的目标最小识别率和目标最大识别率；具体过程为：
计算通信信号、SAR雷达和光电三类异构传感器系统的目标最小识别率，目标最小识别率不小于单独使用某一传感器的目标识别率，即
；
计算通信信号、SAR雷达和光电三类异构传感器系统的目标最大识别率，目标最大识别率不大于三类异构传感器都未检出目标的概率，即：
。
进一步的，根据通信信号传感器与SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤3-1，在通信信号传感器与SAR雷达传感器同处定位误差最大情况时，关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，/>为使用目标关联融合识别算法时关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤3-2，分别计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
步骤3-3，取，为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤3-4，在通信信号传感器与SAR雷达传感器定位误差最小情况下，关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤3-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
步骤3-6，取/>为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
进一步的，根据通信信号传感器与光电传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤4-1，在通信信号传感器与光电传感器同处定位误差最大情况时，关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤4-2，分别计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
；
步骤4-3，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤4-4，在通信信号传感器与光电传感器定位误差最小情况下，关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤4-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
；
步骤4-6，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最高目标识别率。
进一步的，根据光电传感器和SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤5-1，在光电传感器与SAR雷达传感器同处定位误差最大情况时，关联融合目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤5-2，分别计算两类传感器在目标关联融合识别算法支撑下最低目标识别率：
；
步骤5-3，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤5-4，在光电传感器与SAR雷达传感器定位误差最小情况下，关联融合目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤5-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
；
步骤5-6，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
本发明具有以下有益效果：
1、本发明针对通信信号、SAR雷达和光电三类异构传感器已知的目标定位精度、检出度和目标识别率，计算使用这三类异构传感器系统的目标识别率区间，有效支撑三类异构传感器的联合运用规划；
2、本发明计算通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的目标识别率区间，有效支撑通信信号传感器与SAR雷达传感器的联合运用规划；
3、本发明计算通信信号传感器与光电传感器在目标关联融合识别算法支撑下的目标识别率区间，有效支撑通信信号传感器与光电传感器的联合运用规划；
4、本发明计算光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的目标识别率区间，有效支撑光电传感器与SAR雷达传感器的联合运用规划；
5、本发明通过计算异构传感器系统的目标识别率区间，能够支撑评估所使用目标关联融合识别算法的能力。
附图说明
图1是本发明一种基于电数字数据处理技术计算目标识别率区间的方法流程图。
图2是本发明的通信信号传感器与SAR雷达传感器在最大定位误差下的关联融合识别示意图。
图3是本发明的通信信号传感器与SAR雷达传感器在最小定位误差下的关联融合识别示意图。
图4是本发明的通信信号传感器与光电传感器同处于最大定位误差下的关联融合识别示意图。
图5是本发明的通信信号传感器与光电传感器同处于最小定位误差下的关联融合识别示意图。
图6是本发明的光电传感器与SAR雷达传感器同处于最大定位误差下的关联融合识别示意图。
图7是本发明的光电传感器与SAR雷达传感器同处于最小定位误差下的关联融合识别示意图。
具体实施方式
下面结合附图对本发明做进一步解释说明。
一种基于电数字数据处理技术计算目标识别率区间的方法，如图1所示，包括以下几个部分：
1）统计历史检测数据得到不同型号通信信号、SAR雷达和光电三类异构传感器系统参数，包括不同型号三类异构传感器各自目标检出率、各自目标识别率、各自目标最大定位误差和各自目标最小定位误差；
具体过程包括：
分别将不同型号的通信信号、SAR雷达和光电三类异构传感器系统针对目标，在相应的可探测距离内，进行多次布设探测实验，得到该型号传感器的检出率、识别率和定位误差率。
以某型号通信信号传感器为例，已知目标类型并记录位置T=(Tx, Ty, Tz)，将某型号通信信号传感器放置在与目标直线距离在传感器探测距离范围的某一位置，对目标实施探测，若能检测出该目标存在，则检出结果记为，否则/> ；若还能识别出该目标类型则识别结果记为/>，否则/>；记录该型号通信信号传感器探测得到的目标位置S=(Sx,Sy,Sz)及自身位置P=(Px,Py,Pz)。
以相同方法在距该目标的不同距离、高度和方位处，使用该型号通信信号传感器对目标实施200至400次探测（探测次数越多，检出率、识别率和定位误差率的偏差越小，探测次数可根据实际情况决定），记录每次的检出结果、识别结果，使用正确检出目标的次数（即正确检出但未识别次数、正确检出但错误识别次数、正确检出且正确识别次数的总和）除以该传感器总探测次数，得到该型号通信信号传感器对该目标的检出率，记为；使用正确识别目标类型的次数除以该传感器总探测次数，得到通信信号传感器对该目标的识别率，记为/>。
该型号通信信号传感器每次探测的定位误差E，可以按如下公式计算，E = sqrt(E_x² + E_y² + E_z²)
E_x = |Tx - Sx|
E_y = |Ty - Sy|
E_z = |Tz - Sz|
该型号通信信号传感器距目标距离R，可按如下公式计算，R= (R_x² + R_y² + R_z²)。
R_x = |Tx - Px|
R_y = |Ty -Py|
R_z = |Tz - Pz|
选取10个以上最大定位误差E，及对应的距离R，对10次E/R的结果取平均，得到，选取10个以上最小定位误差E，及对应的距离R，对10次E/R的结果取平均，得到/>。
按照如上步骤，分别使用某型号SAR雷达和某型号光电三类异构传感器对目标进行探测，可以分别得到单独使用该型号SAR雷达传感器的目标检出率和目标识别率/>；单独使用该型号光电传感器的目标检出率/>，目标识别率/>。由于SAR雷达传感器和光电传感器的定位误差与传感器与目标位置没有直接关系，选取10个以上该型号SAR雷达传感器最大定位误差E求平均，得到该型号SAR雷达传感器最大定位误差，选取10个以上该型号SAR雷达传感器最小定位误差E求平均，得到该型号SAR雷达传感器最小定位误差/>；选取10个以上该型号光电传感器最大定位误差E求平均，得到该型号光电传感器最大定位误差/>，选取10个以上光电传感器最小定位误差E求平均，得到该型号光电传感器最小定位误差/>。
针对不同型号的传感器重复以上步骤，可得出对应型号传感器的检出率、识别率、最大定位误差和最小定位误差。
2）当需要设计一种同时运用通信信号、SAR雷达和光电三类异构传感器对目标进行探测的传感器选规划方案，可根据不同型号的通信信号、SAR雷达和光电三类异构传感器各自目标检出率和各自目标识别率，计算三类异构传感器系统的目标最小识别率和目标最大识别率，从目标识别率的维度支撑对不同的传感器备选规划方案进行评估；
具体过程包括：
当对设计包含以上三类传感器对目标实施探测的规划方案时，选择不同型号的传感器进行搭配，形成不同的备选规划方案。对于不同的备选规划方案，往往可以通过目标检出率、识别率所在区间来对备选规划方案的可行性进行评估。
首先，计算备选规划方案中三类的异构传感器系统的目标最小识别率，目标最小识别率不小于备选规划方案中的单独使用某一型号传感器的目标识别率，即：
；
其次，计算三类异构传感器系统的目标最大识别率，目标最大识别率不大于备选规划方案中三类异构传感器都未检出目标的概率，即：
。
最后，通过对比分析不同备选规划方案中的目标最小识别率和最大识别率区间，以及传感器价格等因素，综合选取最优的规划方案。
3）当需要设计一种同时运用通信信号传感器与SAR雷达传感器对目标进行探测的传感器规划方案时，选择不同型号的通信信号传感器与不同SAR雷达传感器进行组合，形成不同备选规划方案，可根据不同型号通信信号传感器与同型号SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自的目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率，从目标识别率的维度支撑对选用不同型号传感器形成的备选规划方案进行评估；
具体过程包括：
步骤3-1，如附图2所示，在备选型号通信信号传感器与备选型号SAR雷达传感器同处定位误差最大情况时（通信信号传感器定位误差通常大于SAR雷达传感器定位误差），关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤3-2，分如下情况计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
步骤3-3，取，为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤3-4，如附图3所示，在通信信号传感器与SAR雷达传感器定位误差最小情况下（通信信号传感器定位误差通常仍大于SAR雷达传感器定位误差），关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤3-5，分如下情况计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
取为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
最后，通过分析不同备选规划方案中的目标最小识别率和最大识别率区间，以及传感器价格等因素，综合选取最优的规划方案。
4）当需要设计一种同时运用通信信号传感器与光电传感器对目标进行探测的传感器布设方案时，选择不同型号的通信信号传感器与光电传感器进行组合，形成不同备选规划方案，可根据不同型号通信信号传感器与不同型号光电传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率，从目标识别率的维度支撑对选用不同型号传感器形成的备选规划方案进行评估；
具体过程包括：
步骤4-1，如附图4所示，在备选型号通信信号传感器与备选型号光电传感器同处定位误差最大情况时（通信信号传感器定位误差通常大于光电传感器定位误差），关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤4-2，分如下情况计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
；
步骤4-3，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤4-4，如附图5所示，在通信信号传感器与光电传感器定位误差最小情况下（通信信号传感器定位误差通常仍大于光电传感器定位误差），关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤4-5，分如下情况计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
；
步骤4-6，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最高目标识别率。
最后，通过分析不同备选规划方案中的目标最小识别率和最大识别率区间，以及传感器价格等因素，综合选取最优的规划方案。
5）当需要设计一种同时运用光电传感器和SAR雷达传感器对目标进行探测的传感器布设方案时，选择不同型号的通信信号传感器与光电传感器进行组合，形成不同备选规划方案，可根据不同型号光电传感器和不同型号SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率，从目标识别率的维度支撑对选用不同型号传感器形成的备选规划方案进行评估；
具体过程包括：
步骤5-1，如附图6所示，在备选型号光电传感器与备选型号SAR雷达传感器同处定位误差最大情况时（在系统运用时，往往为了更清晰识别目标，光电传感器距离目标位置比SAR雷达传感器距离目标位置更近，定位精度也相对较高），关联融合目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；/>
步骤5-2，分如下情况计算两类传感器在目标关联融合识别算法支撑下最低目标识别率：
；
步骤5-3，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤5-4，如附图7所示，在光电传感器与SAR雷达传感器定位误差最小情况下（SAR雷达传感器定位误差通常仍大于光电传感器定位误差），关联融合目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤5-5，分如下情况计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率；
；
步骤5-6，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
最后，通过分析不同备选规划方案中的目标最小识别率和最大识别率区间，以及传感器价格等因素，综合选取最优的规划方案。

Claims (3)

1.一种基于电数字数据处理技术计算目标识别率区间的方法，其特征在于，包括以下过程：
构建通信信号、SAR雷达和光电三类异构传感器系统参数集合，包括三类异构传感器各自目标检出率、各自目标识别率、各自目标最大定位误差和各自目标最小定位误差；
根据通信信号、SAR雷达和光电三类异构传感器各自目标检出率和各自目标识别率，计算三类异构传感器系统的目标最小识别率和目标最大识别率；
根据通信信号传感器与SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；
根据通信信号传感器与光电传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；
根据光电传感器和SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；
其中，构建通信信号、SAR雷达和光电三类异构传感器系统参数集合，包括三类异构传感器各自目标检出率、各自目标识别率、各自目标最大定位误差和各自目标最小定位误差；具体过程为：
统计历史数据得到通信信号、SAR雷达和光电三类异构传感器各自目标检出率，表示单独使用通信信号传感器的目标检出率，/>表示单独使用SAR雷达传感器的目标检出率，/>表示单独使用光电传感器的目标检出率；
统计历史数据得到三类异构传感器各自目标识别率，表示单独使用通信信号传感器的目标识别率，/>表示单独使用SAR雷达传感器的目标识别率，/>表示单独使用光电传感器的目标识别率；
统计历史数据得到三类异构传感器各自目标最大定位误差，表示单独使用通信信号传感器的目标最大定位误差，其中R是通信信号传感器与被测目标的距离，表示单独使用SAR雷达传感器的目标最大定位误差，/>表示单独使用光电传感器的目标最大定位误差；
统计历史数据得到三类异构传感器各自目标最小定位误差，表示单独使用通信信号传感器目标最小定位误差，其中R是通信信号传感器与被测目标的距离，表示单独使用SAR雷达传感器的目标最小定位误差，/>表示单独使用光电传感器的目标最小定位误差；
其中，根据通信信号、SAR雷达和光电三类异构传感器各自目标检出率和各自目标识别率，计算三类异构传感器系统的目标最小识别率和目标最大识别率；具体过程为：
计算通信信号、SAR雷达和光电三类异构传感器系统的目标最小识别率，目标最小识别率不小于单独使用某一传感器的目标识别率，即
；
计算通信信号、SAR雷达和光电三类异构传感器系统的目标最大识别率，目标最大识别率不大于三类异构传感器都未检出目标的概率，即：
；
其中，根据通信信号传感器与SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤3-1，在通信信号传感器与SAR雷达传感器同处定位误差最大情况时，关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤3-2，分别计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
步骤3-3，取/>，为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤3-4，在通信信号传感器与SAR雷达传感器定位误差最小情况下，关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤3-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
步骤3-6，取/>为通信信号传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
2.根据权利要求1所述的一种基于电数字数据处理技术计算目标识别率区间的方法，其特征在于，根据通信信号传感器与光电传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤4-1，在通信信号传感器与光电传感器同处定位误差最大情况时，关联融合后的目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤4-2，分别计算两类传感器在目标关联融合识别算法支撑下的最低目标识别率：
；
步骤4-3，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤4-4，在通信信号传感器与光电传感器定位误差最小情况下，关联融合后的目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤4-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
；
步骤4-6，取为通信信号传感器与光电传感器在目标关联融合识别算法支撑下的最高目标识别率。
3.根据权利要求2所述的一种基于电数字数据处理技术计算目标识别率区间的方法，其特征在于，根据光电传感器和SAR雷达传感器各自目标最大定位误差和最小定位误差分别计算两传感器关联融合识别成功率，并结合各自目标检出率和识别率分别计算两类传感器各自在目标关联融合识别算法支撑下的最低目标识别率和最高目标识别率；具体过程为：
步骤5-1，在光电传感器与SAR雷达传感器同处定位误差最大情况时，关联融合目标识别率最低，两传感器关联融合识别成功率计算如下：
其中，为使用目标关联融合识别算法时，关联融合识别成功率与随机关联融合识别成功率的比，在没有算法支撑情况下，/>取1；
步骤5-2，分别计算两类传感器在目标关联融合识别算法支撑下最低目标识别率：
；
步骤5-3，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最低目标识别率；
步骤5-4，在光电传感器与SAR雷达传感器定位误差最小情况下，关联融合目标识别率最高，两传感器关联融合识别成功率计算如下：
；
步骤5-5，分别计算两类传感器在目标关联融合识别算法支撑下的最高目标识别率：
；
步骤5-6，取为光电传感器与SAR雷达传感器在目标关联融合识别算法支撑下的最高目标识别率。
CN202410080903.9A 2024-01-19 2024-01-19 一种基于电数字数据处理技术计算目标识别率区间的方法 Active CN117609750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410080903.9A CN117609750B (zh) 2024-01-19 2024-01-19 一种基于电数字数据处理技术计算目标识别率区间的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410080903.9A CN117609750B (zh) 2024-01-19 2024-01-19 一种基于电数字数据处理技术计算目标识别率区间的方法

Publications (2)

Publication Number Publication Date
CN117609750A CN117609750A (zh) 2024-02-27
CN117609750B true CN117609750B (zh) 2024-04-09

Family

ID=89954799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410080903.9A Active CN117609750B (zh) 2024-01-19 2024-01-19 一种基于电数字数据处理技术计算目标识别率区间的方法

Country Status (1)

Country Link
CN (1) CN117609750B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007426A (zh) * 2014-05-16 2014-08-27 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种基于lse（最小方差估计）的ads与雷达信息系统误差配准算法
CN112068111A (zh) * 2020-08-13 2020-12-11 中国人民解放军海军工程大学 一种基于多传感器信息融合的无人机目标侦测方法
EP3819659A1 (de) * 2019-11-08 2021-05-12 MBDA Deutschland GmbH Kommunikationsmodul für komponenten taktischer luftverteidigungssysteme
CN112987066A (zh) * 2021-05-10 2021-06-18 上海迈利船舶科技有限公司 基于多系统多源定位数据融合的海上目标定位方法
CN115630569A (zh) * 2022-10-09 2023-01-20 华东光电集成器件研究所 一种应用于自动驾驶的毫米波雷达传感器建模方法
CN116753778A (zh) * 2023-03-10 2023-09-15 清华大学 一种基于信息融合与任务分配的无人机反制系统和方法
WO2023226155A1 (zh) * 2022-05-24 2023-11-30 芯跳科技(广州)有限公司 多源数据融合定位方法、装置、设备及计算机存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2515067A (en) * 2013-06-13 2014-12-17 St Microelectronics Res & Dev A System and Method for Sensor and Image Processing
US11391819B2 (en) * 2018-07-18 2022-07-19 Qualcomm Incorporate Object verification using radar images

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104007426A (zh) * 2014-05-16 2014-08-27 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种基于lse（最小方差估计）的ads与雷达信息系统误差配准算法
EP3819659A1 (de) * 2019-11-08 2021-05-12 MBDA Deutschland GmbH Kommunikationsmodul für komponenten taktischer luftverteidigungssysteme
CN112068111A (zh) * 2020-08-13 2020-12-11 中国人民解放军海军工程大学 一种基于多传感器信息融合的无人机目标侦测方法
CN112987066A (zh) * 2021-05-10 2021-06-18 上海迈利船舶科技有限公司 基于多系统多源定位数据融合的海上目标定位方法
WO2023226155A1 (zh) * 2022-05-24 2023-11-30 芯跳科技(广州)有限公司 多源数据融合定位方法、装置、设备及计算机存储介质
CN115630569A (zh) * 2022-10-09 2023-01-20 华东光电集成器件研究所 一种应用于自动驾驶的毫米波雷达传感器建模方法
CN116753778A (zh) * 2023-03-10 2023-09-15 清华大学 一种基于信息融合与任务分配的无人机反制系统和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A convolution neural network approach for fall detection based on adaptive channel selection of UWB radar signals;Ping Wang et al.;《Neural Computing and Applications》;20220101;全文 *
一种多传感器雷达辐射源识别的组合方法;黄金;王付明;陈建;;指挥控制与仿真;20090815(第04期);全文 *
基于激光精密技术的光电探测误差智能识别;张铁宝;李桂娥;;激光杂志;20200225(第02期);全文 *
基于红外信标的室内定位设计;姚万业;魏立新;张华;;许昌学院学报;20180228(第02期);全文 *
雷达与红外传感器数据关联及融合算法研究;陈玉坤;司锡才;李志刚;;传感器与微系统;20070320(第03期);全文 *

Also Published As

Publication number Publication date
CN117609750A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN109459750B (zh) 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法
CN109444813B (zh) 一种基于bp和dnn双神经网络的rfid室内定位方法
CN105190655A (zh) 物品管理系统、信息处理设备及其控制方法和控制程序
CN109581359B (zh) 一种esm无源信息与雷达有源信息关联的方法
CN110163270B (zh) 多传感器数据融合方法及系统
CN102200578A (zh) 数据关联设备和方法
CN115659284A (zh) 一种大数据融合平台
CN113259837A (zh) 基于角度估计和指纹定位算法的室内定位方法
CN117609750B (zh) 一种基于电数字数据处理技术计算目标识别率区间的方法
CN113988228B (zh) 一种基于rfid和视觉融合的室内监控方法及系统
CN108521296B (zh) 货品信息识别系统及方法
CN115880673B (zh) 一种基于计算机视觉的避障方法及系统
CN116311775B (zh) 一种穿戴式近电报警设备及监控系统
CN114114332B (zh) 一种有效探测gnss基准站坐标时间序列不连续点的方法
JP5637157B2 (ja) 無線局データベース作成装置、電波監視装置、方法およびプログラム
CN212134943U (zh) 一种基于雷达图像的船舰分类检测系统
CN115791887B (zh) 一种涡轮叶片基于六点测具的自适应测量算法
CN117405703B (zh) 一种基于图像识别的pcba线路板焊点检测系统
CN118317255A (zh) 一种基于rfid的物品空间位置追踪系统及方法
CN118091234B (zh) 一种用于故障诊断处理的电流互感器
CN118094449B (zh) 基于工业互联网的生产智能监控方法、系统及装置
CN112149753B (zh) 一种遥感影像数据处理方法、系统和云平台
CN117291874B (zh) 用于铜公测量的自动分中方法及其系统
CN115406778B (zh) 一种网格线收线区域的损伤位置定位方法
CN117113261B (zh) 一种电力物联网异常检测方法及系统

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