JP2693647B2 - 目標自動類別方法 - Google Patents
目標自動類別方法Info
- Publication number
- JP2693647B2 JP2693647B2 JP3001533A JP153391A JP2693647B2 JP 2693647 B2 JP2693647 B2 JP 2693647B2 JP 3001533 A JP3001533 A JP 3001533A JP 153391 A JP153391 A JP 153391A JP 2693647 B2 JP2693647 B2 JP 2693647B2
- Authority
- JP
- Japan
- Prior art keywords
- target
- catalog
- confidence
- frequency
- certainty factor
- 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.)
- Expired - Fee Related
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、ソーナ信号処理方法等
において、センサに入力された目標の情報から、該情報
源の種類や種別等を類別する目標自動類別方法に関する
ものである。
において、センサに入力された目標の情報から、該情報
源の種類や種別等を類別する目標自動類別方法に関する
ものである。
【０００２】
【従来の技術】従来、このような分野の技術としては、
例えば次のような文献に記載されるものがあった。 文献；城戸健一著「ディジタル信号処理入門」（昭６０
−７−２０）、丸善、Ｐ．４９−５６ 従来、例えばソーナで水中の物体から放射される音響信
号を検知する場合、一般に方位、及び周波数空間でのレ
ベルの極大点の時間的連なり（これを「ライン」とい
う）として音源信号を検知する方法が用いられる。ライ
ンの周波数、ゆらぎ等の情報は、目標音源に固有のもの
であり、該目標の類別を行う場合に重要な判定要素とな
る。これらのパラメータを用いて、自動的に目標の類別
を行う方法が、目標自動類別方法であり、その一例を図
を用いて説明する。図２は、従来の目標自動類別方法を
示すもので、音源の探知から目標の類別に至る一連の流
れの説明図である。従来の目標自動類別方法において、
Ｎ個のセンサ１−１〜１−Ｎに入力される時系列信号に
対し、ＦＦＴ（高速フーリエ変換）／整相処理２では、
ＦＦＴと整相処理を行い、時系列信号を方位、及び周波
数空間上のレベルデータに変換し、自動探知／追尾処理
３へ送る。自動探知／追尾処理３では、方位、及び周波
数空間でのレベルの極大点（これを「イベント」とい
う）を検出し、それを時間的に追尾することにより、ラ
インＬＳの検出を行い、その検出結果をデータ統合処理
４へ送る。
例えば次のような文献に記載されるものがあった。 文献；城戸健一著「ディジタル信号処理入門」（昭６０
−７−２０）、丸善、Ｐ．４９−５６ 従来、例えばソーナで水中の物体から放射される音響信
号を検知する場合、一般に方位、及び周波数空間でのレ
ベルの極大点の時間的連なり（これを「ライン」とい
う）として音源信号を検知する方法が用いられる。ライ
ンの周波数、ゆらぎ等の情報は、目標音源に固有のもの
であり、該目標の類別を行う場合に重要な判定要素とな
る。これらのパラメータを用いて、自動的に目標の類別
を行う方法が、目標自動類別方法であり、その一例を図
を用いて説明する。図２は、従来の目標自動類別方法を
示すもので、音源の探知から目標の類別に至る一連の流
れの説明図である。従来の目標自動類別方法において、
Ｎ個のセンサ１−１〜１−Ｎに入力される時系列信号に
対し、ＦＦＴ（高速フーリエ変換）／整相処理２では、
ＦＦＴと整相処理を行い、時系列信号を方位、及び周波
数空間上のレベルデータに変換し、自動探知／追尾処理
３へ送る。自動探知／追尾処理３では、方位、及び周波
数空間でのレベルの極大点（これを「イベント」とい
う）を検出し、それを時間的に追尾することにより、ラ
インＬＳの検出を行い、その検出結果をデータ統合処理
４へ送る。
【０００３】データ統合処理４では、ラインＬＳの方位
情報から、同一音源に関するラインセットの組み合わせ
を生成し、該生成結果を特徴抽出処理５へ送る。特徴抽
出処理５では、各ラインＬＳの特徴抽出を行い、該特徴
要素として周波数の時間的な平均値ｆｉ、及び標準偏差
値σｉ（ｉ＝１，２，…，ｎ）を抽出し、それらのデー
タをカタログ照合処理６へ送る。カタログ照合処理６で
は、探知したラインＬＳと、目標Ａ，Ｂ，…からなるカ
タログ（目録）ＣＡとの照合を行う。そのカタログ照合
処理の原理の説明図を図３に示す。図３（ａ），（ｂ）
において、同図（ａ）は抽出したラインＬＳで構成（算
出）するパワースペクトラムＳ（ｆ）の波形図、及び同
図（ｂ）はカタログデータＳｏ（ｆ）の波形図である。
図３（ａ），（ｂ）に示すように、カタログ照合処理６
では、自動探知／追尾処理３で検出されたラインＬＳの
周波数の平均値ｆｉ、及び標準偏差値σｉをパラメータ
として、パワースペクトラムＳ（ｆ）を次式（１）によ
り算出する。
情報から、同一音源に関するラインセットの組み合わせ
を生成し、該生成結果を特徴抽出処理５へ送る。特徴抽
出処理５では、各ラインＬＳの特徴抽出を行い、該特徴
要素として周波数の時間的な平均値ｆｉ、及び標準偏差
値σｉ（ｉ＝１，２，…，ｎ）を抽出し、それらのデー
タをカタログ照合処理６へ送る。カタログ照合処理６で
は、探知したラインＬＳと、目標Ａ，Ｂ，…からなるカ
タログ（目録）ＣＡとの照合を行う。そのカタログ照合
処理の原理の説明図を図３に示す。図３（ａ），（ｂ）
において、同図（ａ）は抽出したラインＬＳで構成（算
出）するパワースペクトラムＳ（ｆ）の波形図、及び同
図（ｂ）はカタログデータＳｏ（ｆ）の波形図である。
図３（ａ），（ｂ）に示すように、カタログ照合処理６
では、自動探知／追尾処理３で検出されたラインＬＳの
周波数の平均値ｆｉ、及び標準偏差値σｉをパラメータ
として、パワースペクトラムＳ（ｆ）を次式（１）によ
り算出する。
【０００４】
【数１】 一方、カタログ照合処理６では、カタログＣＡの周波数
とその変化幅をそれぞれＦｊ，ｄＦｊ（ｊ＝１，２，
…，ｍ）として、カタログデータＳｏ（ｆ）を次式
（２）により算出する。
とその変化幅をそれぞれＦｊ，ｄＦｊ（ｊ＝１，２，
…，ｍ）として、カタログデータＳｏ（ｆ）を次式
（２）により算出する。
【数２】 このとき、探知されたラインＬＳより求められたパワー
スペクトラムＳ（ｆ）と、カタログデータＳｏ（ｆ）と
が、同一の目標である確信度ＣＦは、次式（３）で計算
できる。
スペクトラムＳ（ｆ）と、カタログデータＳｏ（ｆ）と
が、同一の目標である確信度ＣＦは、次式（３）で計算
できる。
【数３】 これにより、目標の種類等を自動的に類別することがで
きる。
きる。
【０００５】
【発明が解決しようとする課題】しかしながら、従来の
目標自動類別方法では、カタログＣＡにあるラインが、
音響信号等の伝搬特性や、受信するセンサ１−１〜１−
Ｎの特性等により、探知されなかったり、実験等による
カタログ収集時には得られていなかったラインが探知さ
れたりする場合がある。このような場合、従来の平均値
算出法を用いた目標自動類別方法では、誤探知、誤統
合、カタログデータの不備、探知ラインの欠落等に基づ
き、確信度が大幅に低下し、それによって目標類別精度
が低いという問題がある。そこで、この問題を解決する
ために、公知のデンプスター・シェーファーの理論を採
用することも考えられるが、この理論固有の問題も生じ
るので、未だ技術的に充分満足のゆく目標自動類別方法
を得ることが困難であった。本発明は、前記従来技術が
持っていた課題として、目標類別精度が低い等といった
点について解決した目標自動類別方法を提供するもので
ある。
目標自動類別方法では、カタログＣＡにあるラインが、
音響信号等の伝搬特性や、受信するセンサ１−１〜１−
Ｎの特性等により、探知されなかったり、実験等による
カタログ収集時には得られていなかったラインが探知さ
れたりする場合がある。このような場合、従来の平均値
算出法を用いた目標自動類別方法では、誤探知、誤統
合、カタログデータの不備、探知ラインの欠落等に基づ
き、確信度が大幅に低下し、それによって目標類別精度
が低いという問題がある。そこで、この問題を解決する
ために、公知のデンプスター・シェーファーの理論を採
用することも考えられるが、この理論固有の問題も生じ
るので、未だ技術的に充分満足のゆく目標自動類別方法
を得ることが困難であった。本発明は、前記従来技術が
持っていた課題として、目標類別精度が低い等といった
点について解決した目標自動類別方法を提供するもので
ある。
【０００６】
【課題を解決するための手段】本発明は、前記課題を解
決するために、目標自動類別方法において、次のような
特徴抽出処理と比較照合処理と確信度演算処理とを実行
して、目標の自動類別を行うようにしている。 前記特徴
抽出処理では、目標の周波数情報から複数の狭帯域信号
の特徴情報を抽出する。前記比較照合処理では、前記特
徴抽出処理によって抽出された複数の狭帯域信号から、
カタログに属する前記目標の各狭帯域信号に最も近い平
均周波数値を持つ該抽出された狭帯域信号を１つ選定
し、この狭帯域信号の平均ｆ値及び標準偏差値σと、該
カタログに属する目標の狭帯域信号の周波数Ｆ及び周波
数変化幅ｄＦとを比較照合し、肯定の確信度ｃ ｉ （ｉ＝
１，２，…，ｎ）を割り当てると共に、不明の確信度を
（１−ｃ ｉ ）で割り当てる。さらに、前記確信度演算処
理では、前記カタログに属する全ての狭帯域信号に関す
る前記肯定の確信度ｃ 1 ，ｃ 2 ，…，ｃ n を ｃ＝１−（１−ｃ 1 ）・（１−ｃ 2 ）・…・（１−ｃ n ） にて合成して前記目標に対する確信度ｃを計算する。
決するために、目標自動類別方法において、次のような
特徴抽出処理と比較照合処理と確信度演算処理とを実行
して、目標の自動類別を行うようにしている。 前記特徴
抽出処理では、目標の周波数情報から複数の狭帯域信号
の特徴情報を抽出する。前記比較照合処理では、前記特
徴抽出処理によって抽出された複数の狭帯域信号から、
カタログに属する前記目標の各狭帯域信号に最も近い平
均周波数値を持つ該抽出された狭帯域信号を１つ選定
し、この狭帯域信号の平均ｆ値及び標準偏差値σと、該
カタログに属する目標の狭帯域信号の周波数Ｆ及び周波
数変化幅ｄＦとを比較照合し、肯定の確信度ｃ ｉ （ｉ＝
１，２，…，ｎ）を割り当てると共に、不明の確信度を
（１−ｃ ｉ ）で割り当てる。さらに、前記確信度演算処
理では、前記カタログに属する全ての狭帯域信号に関す
る前記肯定の確信度ｃ 1 ，ｃ 2 ，…，ｃ n を ｃ＝１−（１−ｃ 1 ）・（１−ｃ 2 ）・…・（１−ｃ n ） にて合成して前記目標に対する確信度ｃを計算する。
【０００７】
【作用】本発明によれば、以上のように目標自動類別方
法を構成したので、比較照合処理では、特徴抽出処理で
抽出された狭帯域信号の特徴情報に基づき、該特徴情報
の狭帯域信号とカタログの対応する狭帯域信号との比較
照合を行って確信度の割り当てを行い、その結果を確信
度演算処理へ与える。確信度演算処理では、デンプスタ
ー・シェーファーの理論に基づき、目標に対応付けられ
た複数の狭帯域信号の確信度の合成を行う。これによ
り、誤探知、誤統合、カタログデータの不備等があって
も、確信度の低下の防止等が図れる。従って、前記課題
を解決できるのである。
法を構成したので、比較照合処理では、特徴抽出処理で
抽出された狭帯域信号の特徴情報に基づき、該特徴情報
の狭帯域信号とカタログの対応する狭帯域信号との比較
照合を行って確信度の割り当てを行い、その結果を確信
度演算処理へ与える。確信度演算処理では、デンプスタ
ー・シェーファーの理論に基づき、目標に対応付けられ
た複数の狭帯域信号の確信度の合成を行う。これによ
り、誤探知、誤統合、カタログデータの不備等があって
も、確信度の低下の防止等が図れる。従って、前記課題
を解決できるのである。
【０００８】
【実施例】図４は、本発明の実施例の概念を説明するた
めの目標自動類別方法の説明図である。なお、図４中、
ｆ1 ，ｆ2 ，ｆ3 は周波数の平均値、σ1 ，σ2 ，σ3
は周波数の標準偏差値、Ｆ1 ，Ｆ2 ，Ｆ3 はカタログＣ
Ａの周波数、ｄＦ1 ，ｄＦ2 ，ｄＦ3 は周波数の変化
幅、ｃ，ｃ1 ，ｃ2 ，ｃ3 は確信度である。本実施例で
は、デンプスター・シェーファーの理論に基づく推論方
法を用い、確信度の割り当て、及び合成を行うことによ
り、目標の類別を行うようにしている。その概念を以下
説明する。例えば、ソーナの入力信号から探知したライ
ンＬＳ１が目標ＡのラインＬＡ１と同一である確信度は
ｃ1 である。このとき、全体を１として、１からｃ1 を
引いた残りは、不明の確信度を表す。ここで、不明と
は、ある仮説に対して肯定でも否定でもない状態（即
ち、どちらかわからない状態）を意味する。仮説を肯
定、または否定する情報が得られると、不明の量は小さ
くなり、肯定、否定の量が大きくなる。
めの目標自動類別方法の説明図である。なお、図４中、
ｆ1 ，ｆ2 ，ｆ3 は周波数の平均値、σ1 ，σ2 ，σ3
は周波数の標準偏差値、Ｆ1 ，Ｆ2 ，Ｆ3 はカタログＣ
Ａの周波数、ｄＦ1 ，ｄＦ2 ，ｄＦ3 は周波数の変化
幅、ｃ，ｃ1 ，ｃ2 ，ｃ3 は確信度である。本実施例で
は、デンプスター・シェーファーの理論に基づく推論方
法を用い、確信度の割り当て、及び合成を行うことによ
り、目標の類別を行うようにしている。その概念を以下
説明する。例えば、ソーナの入力信号から探知したライ
ンＬＳ１が目標ＡのラインＬＡ１と同一である確信度は
ｃ1 である。このとき、全体を１として、１からｃ1 を
引いた残りは、不明の確信度を表す。ここで、不明と
は、ある仮説に対して肯定でも否定でもない状態（即
ち、どちらかわからない状態）を意味する。仮説を肯
定、または否定する情報が得られると、不明の量は小さ
くなり、肯定、否定の量が大きくなる。
【０００９】仮説Ｈを次のように定義する。Ｈ：探知さ
れたラインは目標Ａのラインである。図４の例では、仮
説Ｈを肯定する３つの証拠が得られており、確信度はそ
れぞれｃ1 、ｃ2 、ｃ3 となっている。これらを合成す
るには、最初に２つの証拠による確信度ｃ1 、ｃ2 を合
成し、その結果と３つ目の確信度ｃ3 を合成するという
手順で行う。２つの証拠による確信度の合成は、デンプ
スターの規則を用いて、次式（４）のようになる。 ｃ´＝１−（１−ｃ1 ）・（１−ｃ2 ） ・・・（４） 同様に、この式（４）の結果を用いて次式（５）によ
り、３つの証拠による確信度ｃが得られる。 ｃ＝１−（１−ｃ´）・（１−ｃ3 ） ・・・（５） 以上がデンプスター・シェーファーの理論に基づく推論
方法である。本実施例では、仮説に対する肯定、不明の
２つの状態を仮定し、否定の状態を考えない。これは、
カタログＣＡに対応するラインＬＳの存在は仮説の肯定
の裏付けとなるが、カタログＣＡに対応するラインＬＳ
が存在しないと、またはカタログＣＡにないラインＬＳ
を探知したことが否定する証拠とはなり得ないことを示
す。即ち、誤探知、誤統合、カタログデータの不備、探
知ラインＬＳの欠落等の種々の要因により、対応のとれ
ないラインＬＳが存在することがあり得るからである。
れたラインは目標Ａのラインである。図４の例では、仮
説Ｈを肯定する３つの証拠が得られており、確信度はそ
れぞれｃ1 、ｃ2 、ｃ3 となっている。これらを合成す
るには、最初に２つの証拠による確信度ｃ1 、ｃ2 を合
成し、その結果と３つ目の確信度ｃ3 を合成するという
手順で行う。２つの証拠による確信度の合成は、デンプ
スターの規則を用いて、次式（４）のようになる。 ｃ´＝１−（１−ｃ1 ）・（１−ｃ2 ） ・・・（４） 同様に、この式（４）の結果を用いて次式（５）によ
り、３つの証拠による確信度ｃが得られる。 ｃ＝１−（１−ｃ´）・（１−ｃ3 ） ・・・（５） 以上がデンプスター・シェーファーの理論に基づく推論
方法である。本実施例では、仮説に対する肯定、不明の
２つの状態を仮定し、否定の状態を考えない。これは、
カタログＣＡに対応するラインＬＳの存在は仮説の肯定
の裏付けとなるが、カタログＣＡに対応するラインＬＳ
が存在しないと、またはカタログＣＡにないラインＬＳ
を探知したことが否定する証拠とはなり得ないことを示
す。即ち、誤探知、誤統合、カタログデータの不備、探
知ラインＬＳの欠落等の種々の要因により、対応のとれ
ないラインＬＳが存在することがあり得るからである。
【００１０】次に、図４の概念を用いた目標自動類別装
置の概略の機能ブロック図を図１に示す。図１の目標自
動類別装置は、図示しないセンサで検出されたイベント
ＩＶの周波数情報を逐次入力する入力端子１０を有して
いる。入力端子１０には、各イベントＩＶの周波数情報
から平均値ｆｉ、及び標準偏差値σｉ（ｉ＝１，２，…
ｎ）等の特徴要素を抽出する特徴抽出手段１１が接続さ
れている。特徴抽出手段１１には、特徴要素とカタログ
の比較及び照合を行って確信度の割り当てを行う比較照
合手段１２が接続され、該比較照合手段１２に記憶手段
１３及び確信度演算手段１４が接続されている。記憶手
段１３は、目標Ａ，Ｂ，Ｃ，…からなるカタログデータ
を保存するメモリで構成されている。確信度演算手段１
４は、比較照合手段１２の出力を入力し、デンプスター
・シェーファーの理論に基づき、確信度の計算を行って
該確信度の合成を行う機能を有している。この確信度演
算手段１４の出力側には、確信度の上位候補を選択する
目標選択手段１５が接続され、さらにその出力側に、確
信度上位のカタログを表示するＣＲＴ等の表示手段１６
が接続されている。なお、特徴抽出手段１１、比較照合
手段１２、確信度演算手段１４及び目標選択手段１５
は、集積回路等を用いた個別回路、或いはプロセッサ等
によるプログラム制御により構成される。
置の概略の機能ブロック図を図１に示す。図１の目標自
動類別装置は、図示しないセンサで検出されたイベント
ＩＶの周波数情報を逐次入力する入力端子１０を有して
いる。入力端子１０には、各イベントＩＶの周波数情報
から平均値ｆｉ、及び標準偏差値σｉ（ｉ＝１，２，…
ｎ）等の特徴要素を抽出する特徴抽出手段１１が接続さ
れている。特徴抽出手段１１には、特徴要素とカタログ
の比較及び照合を行って確信度の割り当てを行う比較照
合手段１２が接続され、該比較照合手段１２に記憶手段
１３及び確信度演算手段１４が接続されている。記憶手
段１３は、目標Ａ，Ｂ，Ｃ，…からなるカタログデータ
を保存するメモリで構成されている。確信度演算手段１
４は、比較照合手段１２の出力を入力し、デンプスター
・シェーファーの理論に基づき、確信度の計算を行って
該確信度の合成を行う機能を有している。この確信度演
算手段１４の出力側には、確信度の上位候補を選択する
目標選択手段１５が接続され、さらにその出力側に、確
信度上位のカタログを表示するＣＲＴ等の表示手段１６
が接続されている。なお、特徴抽出手段１１、比較照合
手段１２、確信度演算手段１４及び目標選択手段１５
は、集積回路等を用いた個別回路、或いはプロセッサ等
によるプログラム制御により構成される。
【００１１】以上のような目標自動類別装置を用いた目
標自動類別方法について説明する。図示しないセンサで
受信されたイベントＩＶの周波数情報は、入力端子１０
を介して逐次、目標自動類別装置内の特徴抽出手段１１
へ入力される。特徴抽出手段１１では、入力された周波
数情報に基づき、全てのラインＬＳの狭帯域信号からな
る平均値ｆｉ、及び標準偏差値σｉ（ｉ＝１，２，…，
ｎ）を計算し、その計算結果である特徴情報を比較照合
手段１２へ送る。比較照合手段１２では、イベントＩＶ
の平均周波数及び標準偏差と、記憶手段１３に保存され
た最も近い周波数を持つカタログデータの周波数及び変
化幅とを比較し、類似度、つまり与えられたカタログデ
ータと同一である確信度を割り当て、その結果を確信度
演算手段１４へ送る。確信度演算手段１４では、デンプ
スターの規則を用いて前記式（４）及び式（５）に従
い、比較照合手段１２で割り当てられた確信度を合成
し、カタログデータの各目標Ａ，Ｂ，Ｃ，…に対する確
信度を計算し、その計算結果を目標選択手段１５へ送
る。目標選択手段１５では、確信度の上位にある目標候
補を選択し、その選択結果を表示手段１６へ送って表示
する。
標自動類別方法について説明する。図示しないセンサで
受信されたイベントＩＶの周波数情報は、入力端子１０
を介して逐次、目標自動類別装置内の特徴抽出手段１１
へ入力される。特徴抽出手段１１では、入力された周波
数情報に基づき、全てのラインＬＳの狭帯域信号からな
る平均値ｆｉ、及び標準偏差値σｉ（ｉ＝１，２，…，
ｎ）を計算し、その計算結果である特徴情報を比較照合
手段１２へ送る。比較照合手段１２では、イベントＩＶ
の平均周波数及び標準偏差と、記憶手段１３に保存され
た最も近い周波数を持つカタログデータの周波数及び変
化幅とを比較し、類似度、つまり与えられたカタログデ
ータと同一である確信度を割り当て、その結果を確信度
演算手段１４へ送る。確信度演算手段１４では、デンプ
スターの規則を用いて前記式（４）及び式（５）に従
い、比較照合手段１２で割り当てられた確信度を合成
し、カタログデータの各目標Ａ，Ｂ，Ｃ，…に対する確
信度を計算し、その計算結果を目標選択手段１５へ送
る。目標選択手段１５では、確信度の上位にある目標候
補を選択し、その選択結果を表示手段１６へ送って表示
する。
【００１２】このように、本実施例では、確信度演算手
段１４により、デンプスター・シェーファーの理論に基
づき、仮説Ｈの肯定、不明を定義する確信度を計算す
る。そのため、従来の方法では解決できなかった誤探
知、誤統合、カタログデータの不備、探知ラインＬＳの
欠落等による類別精度の劣化の問題を解決できる。例え
ば、データの誤統合により、目標Ａ，Ｂのラインが１つ
の目標（即ち、同一目標）と判定され、その目標の類別
を行う場合、従来の方法では、目標Ａ，Ｂに対する確信
度が両方とも小さい値となってしまう。これに対して本
実施例では、目標Ａ，Ｂの両方とも大きな確信度の値が
得られ、それによって目標の類別精度が向上する。ま
た、記憶手段１３に保存されるカタログデータに欠けて
いる情報がある場合、従来の方法では、この欠落情報を
得たときに、確信度が小さくなってしまう。これに対し
て本実施例では、このような問題が生じないので、精度
のよい目標の類別が可能となる。なお、本発明は上記実
施例に限定されず、目標選択手段１５の選択結果を印刷
により表示したり、或いは本発明の類別方法をソーナ以
外のレーダ等の種々の用途に適用できる。
段１４により、デンプスター・シェーファーの理論に基
づき、仮説Ｈの肯定、不明を定義する確信度を計算す
る。そのため、従来の方法では解決できなかった誤探
知、誤統合、カタログデータの不備、探知ラインＬＳの
欠落等による類別精度の劣化の問題を解決できる。例え
ば、データの誤統合により、目標Ａ，Ｂのラインが１つ
の目標（即ち、同一目標）と判定され、その目標の類別
を行う場合、従来の方法では、目標Ａ，Ｂに対する確信
度が両方とも小さい値となってしまう。これに対して本
実施例では、目標Ａ，Ｂの両方とも大きな確信度の値が
得られ、それによって目標の類別精度が向上する。ま
た、記憶手段１３に保存されるカタログデータに欠けて
いる情報がある場合、従来の方法では、この欠落情報を
得たときに、確信度が小さくなってしまう。これに対し
て本実施例では、このような問題が生じないので、精度
のよい目標の類別が可能となる。なお、本発明は上記実
施例に限定されず、目標選択手段１５の選択結果を印刷
により表示したり、或いは本発明の類別方法をソーナ以
外のレーダ等の種々の用途に適用できる。
【００１３】
【発明の効果】以上詳細に説明したように、本発明によ
れば、比較照合処理により、特徴抽出処理で抽出された
狭帯域信号とカタログの対応する狭帯域信号との比較照
合を行い、その比較照合結果に基づき、確信度演算処理
により、デンプスター・シェーファーの理論に基づき、
目標に対応付けられた複数の狭帯域信号の確信度の合成
を行うようにしている。そのため、誤探知、誤統合、カ
タログデータの不備、探知ラインの欠落等があっても、
大きな確信度値が得られ、それによって目標類別精度を
向上できる。さらに、本発明では、比較照合処理におい
て、割り当てた確信度を肯定の確信度として用い、照合
に用いる周波数の平均値、標準偏差値等の情報をカタロ
グに含まれる狭帯域信号に対応する数に制限し、確信度
演算処理において、肯定と不明のみを用いたデンプスタ
ー・シェーファー理論に基づく確信度計算を行っている
ので、次の（ａ）〜（ｃ）のような効果もある。
れば、比較照合処理により、特徴抽出処理で抽出された
狭帯域信号とカタログの対応する狭帯域信号との比較照
合を行い、その比較照合結果に基づき、確信度演算処理
により、デンプスター・シェーファーの理論に基づき、
目標に対応付けられた複数の狭帯域信号の確信度の合成
を行うようにしている。そのため、誤探知、誤統合、カ
タログデータの不備、探知ラインの欠落等があっても、
大きな確信度値が得られ、それによって目標類別精度を
向上できる。さらに、本発明では、比較照合処理におい
て、割り当てた確信度を肯定の確信度として用い、照合
に用いる周波数の平均値、標準偏差値等の情報をカタロ
グに含まれる狭帯域信号に対応する数に制限し、確信度
演算処理において、肯定と不明のみを用いたデンプスタ
ー・シェーファー理論に基づく確信度計算を行っている
ので、次の（ａ）〜（ｃ）のような効果もある。
【００１４】（ａ） デンプスター・シェーファー理論
において設定が困難な確信度の値が容易に設定できる。 （ｂ） 確信度を肯定と不明に関する量と見なすことに
より、情報の欠落による確信度が低下するという相関処
理に特有の問題が解決できる。 （ｃ） 入力情報をカタログに含まれる狭帯域信号に対
応する数に制限することで、情報が多ければ多いほど確
信度が上昇してしまう（即ち、限りなく１に近づく）と
いう、肯定と不明のみを用いたデンプスター・シェーフ
ァー理論固有の問題が解決できる。
において設定が困難な確信度の値が容易に設定できる。 （ｂ） 確信度を肯定と不明に関する量と見なすことに
より、情報の欠落による確信度が低下するという相関処
理に特有の問題が解決できる。 （ｃ） 入力情報をカタログに含まれる狭帯域信号に対
応する数に制限することで、情報が多ければ多いほど確
信度が上昇してしまう（即ち、限りなく１に近づく）と
いう、肯定と不明のみを用いたデンプスター・シェーフ
ァー理論固有の問題が解決できる。
【図１】本発明の実施例を示す目標自動類別装置の機能
ブロック図である。
ブロック図である。
【図２】従来の目標自動類別方法の説明図である。
【図３】図２中のカタログ照合処理の説明図である。
【図４】本発明の実施例の概念を説明するための説明図
である。
である。
１１ 特徴抽出手段 １２ 比較照合手段 １３ 記憶手段 １４ 確信度演算手段 １５ 目標選択手段 １６ 表示手段
Claims (1)
- 【請求項１】 目標の周波数情報から複数の狭帯域信号
の特徴情報を抽出する特徴抽出処理と、 前記特徴抽出処理によって抽出された複数の狭帯域信号
から、カタログに属する前記目標の各狭帯域信号に最も
近い平均周波数値を持つ該抽出された狭帯域信号を１つ
選定し、この狭帯域信号の平均値ｆ及び標準偏差値σ
と、該カタログに属する目標の狭帯域信号の周波数Ｆ及
び周波数変化幅ｄＦとを比較照合し、肯定の確信度ｃ ｉ
（ｉ＝１，２，…，ｎ）を割り当てると共に、不明の確
信度を（１−ｃ ｉ ）で割り当てる比較照合処理と、 前記カタログに属する全ての狭帯域信号に関する前記肯
定の確信度ｃ 1 ，ｃ 2 ，…，ｃ n を ｃ＝１−（１−ｃ 1 ）・（１−ｃ 2 ）・…・（１−ｃ n ） にて合成して前記目標に対する確信度ｃを計算する確信
度演算処理とを実行して、 前記目標の自動類別を行うことを特徴とする目標自動類
別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3001533A JP2693647B2 (ja) | 1991-01-10 | 1991-01-10 | 目標自動類別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3001533A JP2693647B2 (ja) | 1991-01-10 | 1991-01-10 | 目標自動類別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04235372A JPH04235372A (ja) | 1992-08-24 |
| JP2693647B2 true JP2693647B2 (ja) | 1997-12-24 |
Family
ID=11504160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3001533A Expired - Fee Related JP2693647B2 (ja) | 1991-01-10 | 1991-01-10 | 目標自動類別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2693647B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2731791B2 (ja) * | 1995-02-07 | 1998-03-25 | 防衛庁技術研究本部長 | 目標自動類識別方法 |
| JP2776781B2 (ja) * | 1995-12-12 | 1998-07-16 | 防衛庁技術研究本部長 | 多目標信号自動分離方式 |
| JP2823045B2 (ja) * | 1996-06-14 | 1998-11-11 | 防衛庁技術研究本部長 | 目標運動解析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62134583A (ja) * | 1985-12-09 | 1987-06-17 | Toshiba Corp | 目標識別装置 |
| JPH0831037B2 (ja) * | 1986-07-18 | 1996-03-27 | 株式会社日立製作所 | 知識ベースを用いた推論方法 |
-
1991
- 1991-01-10 JP JP3001533A patent/JP2693647B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04235372A (ja) | 1992-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635657B (zh) | 目标跟踪方法、装置、设备及存储介质 | |
| US11244199B2 (en) | User identity determining method, apparatus, and device | |
| JPH0355869B2 (ja) | ||
| JPWO2004079658A1 (ja) | 生体画像照合装置およびその照合方法 | |
| US20110317882A1 (en) | Biometric matching method and apparatus | |
| CN114398521B (zh) | 设备类型确定方法和获取异常设备的数据处理系统 | |
| JP2693647B2 (ja) | 目標自動類別方法 | |
| Bayasi et al. | Continual-GEN: Continual Group ensembling for domain-agnostic skin lesion classification | |
| US11580721B2 (en) | Information processing apparatus, control method, and program | |
| CN108122002A (zh) | 训练样本获取方法和装置 | |
| CN111091022A (zh) | 机器视觉的效能评估方法与系统 | |
| JPH0511037A (ja) | 目標自動類識別方法 | |
| CN117671312A (zh) | 物品识别方法、装置、电子设备及计算机可读存储介质 | |
| JP2840823B2 (ja) | 目標自動類別識別装置 | |
| JP2983080B2 (ja) | 物体認識処理方法 | |
| CN113071438B (zh) | 控制指令的生成方法和装置、存储介质、电子设备 | |
| US11869492B2 (en) | Anomaly detection system and method using noise signal and adversarial neural network | |
| JP2784513B2 (ja) | 目標自動類別・識別方法 | |
| JP5424576B2 (ja) | 適合領域検出装置 | |
| JPH08220210A (ja) | 目標自動類識別方法 | |
| EP3021230A2 (en) | Computing apparatus, computing method and computer program product | |
| JPH1185300A (ja) | ベクトル規格化装置 | |
| JPH08211151A (ja) | 目標自動類識別方法 | |
| JPH0668241A (ja) | 指紋識別装置 | |
| JPH04220579A (ja) | データ統合化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19970826 |
|
| LAPS | Cancellation because of no payment of annual fees |