[發明專利]一種基于決策加權融合的雷達炮彈目標識別方法

有效

• 申請號: 201410395000.6
• 申請日: 2014-08-12
• 公開（公告）號: CN104215935A
• 公開（公告）日: 2014-12-17
• 發明（設計）人: 廖闊;賈繼超;譚發曾;劉萍;周長喜;黃健;余為知;馮婧
• 申請（專利權）人: 電子科技大學
• 主分類號: G01S7/02
• 分類號: G01S7/02
• 代理公司: 成都宏順專利代理事務所(普通合伙) 51227
• 代理人: 李玉興

1.一種基于決策加權融合的雷達炮彈目標識別方法，其特征在于，包括如下步驟:

S1、由雷達探測獲得各目標在飛行過程中的RCS序列和位置序列構成軌跡序列，將所述軌跡序列隨機分為訓練數據集、測試數據集和待識別目標數據集，其中，一個RCS序列由連續的n個采樣時刻的RCS值構成，所述位置序列由連續的n個采樣時刻的距離R，方位角A和俯仰角E構成，1≤n≤N，N為測試樣本總數，10＜N≤20；

S2、根據S1所述位置序列提取采樣時刻i的目標j的運動特征，所述運動特征包括目標j飛行速度V_i，目標j飛行高度Z_i，目標j垂直方向加速度，目標j水平方向加速度和目標j軌跡曲率θ_i，將所述運動特征構成五維的目標j運動特征矢量集X，其中，j＝1,2,…,M，i＝1,2,…,N，M為目標類別數；

S3、統計出S1所述一個RCS序列的均值RM，方差RD和最大值R_max構成三維的RCS特征矢量集Y＝{y_j(i-n)|j＝1,2,…,M；i＝1,2,…,N}，其中，yj(i-n)=[yj(i-n)1,yj(i-n)2,yj(i-n)3]T,]]>特征分別對應目標j在第(i-n)個采樣窗中的RCS均值RM_(i-n)、方差RD_(i-n)、最大值Rmax_(i-n)，所述第(i-n)個采樣窗為連續n個采樣時刻構成，所述所述RD(i-n)=Σk=0k=n-1(Rcs(i-n)+k-RM(i-n))2n,]]>所述Rmax(i-n)=maxk=0n-1(Rcs(i-n)+k),]]>k為第(i-n)個采樣窗中的第k個采樣數據；

S4、對S2所述目標j運動特征矢量集X中的訓練數據采用經典決策樹算法(Classification?And?Regression?Tree，CART)進行分類訓練，生成分類決策樹(Decision?Tree，DT)；

S5、利用S4所述決策樹DT對S1所述測試數據集中的各目標的各運動特征矢量樣本x_i進行分類識別，輸出識別結果為一個五維矢量所述x_i為第i個采樣時刻的各目標的運動特征矢量，所述中有且僅有一個非零元素，所述非零元素編號即對應為識別出的目標類別號，所述非零元素等于1；

S6、利用S4所得分類決策樹對S1所述測試數據集進行目標分類，統計所述分類決策樹分類器的分類結果置信度其中，表示分類決策樹分類器給出識別結果為目標j時的分類置信度，[*]^T表示轉置；

S7、用S3所述RCS特征矢量集Y構成支持向量機的訓練樣本集(y_i,z_i)，對所述訓練樣本集(y_i,z_i)中的訓練數據采用一對一非線性支持向量機進行分類訓練，得到最優分類器函數g(y)=sgn{(ω*y)+b*}=sgn{Σj=1laj*zjK(yj,y)+b*},]]>其中，所述向量機選用的核函數為z_i為樣本矢量集y_i的目標編號，b^*為偏置向量，δ為核函數參數，a拉格朗日乘子，sgn(*)是符號函數；

S8、利用S7所述最優分類器函數g(y)對測試數據集中各目標的各RCS特征矢量樣本Y進行分類識別，輸出判別結果為

S9、根據S6所述C^tree和S8所述統計出基于RCS特征的支持向量機分類器的分類結果置信度Csvm=[c1svm,c2svm,c3svm,...,cjsvm,...,cMsvm]T,]]>其中，代表支持向量機分類器給出識別結果為目標j時的分類置信度；

S10、對S8所述的和S9所述的C^svm進行加權融合，得到某個樣本的類別加權分Fi=Fi1Fi2Fi3...Fij...FiM=Ctree·fitree+Csvm·fisvm=c1tree·fi1tree+c1svm·fi1svmc2tree·fi2tree+c2svm·fi2svmc3tree·fi3tree+c3svm·fi3svm...cjtree·fijtree+cjsvm·fijsvm...cMtree·fiMtree+cMsvm·fiMsvm,]]>最后確定待識別樣本的類別號為即M個加權分中分值最大的那個類別。