[發明專利]低先驗信息條件下的多功能雷達行為辨識與快速預測方法

在審

• 申請號: 201710584262.0
• 申請日: 2017-07-18
• 公開（公告）號: CN107390189A
• 公開（公告）日: 2017-11-24
• 發明（設計）人: 趙鋒;歐健;艾小鋒;劉進;楊建華;吳其華;李永禎;肖順平
• 申請（專利權）人: 中國人民解放軍國防科學技術大學
• 主分類號: G01S7/38
• 分類號: G01S7/38;G01S7/02
• 代理公司: 北京慧泉知識產權代理有限公司11232
• 代理人: 王順榮,唐愛華

1.一種低先驗信息條件下的多功能雷達行為辨識與快速預測方法，其特征在于：該方法包括如下步驟：

步驟一：建立MFR的PSR模型；

非受控系統的PSR模型可表示為一個四元組<O,h,e,p(e|h)>：

O為觀測空間，一個包含所有觀測值的有限離散集合，一個觀測o∈O；h為經歷，指從初始時刻開始并止于當前時刻的觀測序列，h＝o₁o₂…o_t；e為事件，指在經歷之后的觀測序列，e＝o_t+1o_t+2…；對于線性PSR模型，若所有事件的概率均可由一組事件概率的線性組合表示，則稱這組事件為核心事件(Core Events)，Q＝{q₁,q₂,…,q_|Q|}；p(e|h)為給定經歷h條件下事件e發生的概率；

MFR雷達字序列用PSR模型表示：

設全部雷達字的有限集為W，每個雷達短語由n個雷達字串聯而成，那么t時刻的觀測o_t為一個n個雷達字的短序列，觀測空間O＝Wⁿ；事件e為當前時刻的觀測o_t，核心事件集Q為該工作模式下的雷達短語集合；設寄存器位數為m，則記憶為經歷h中所有長度不大于m的后綴的集合；

因此，在經歷h條件下發生事件e的概率p(e|h)為：

p(e|h)＝p(e＝o_t|h＝o₁o₂…o_t-1) (1)

核心事件Q＝{q₁,q₂,…,q_|Q|}的概率分布為：

p(Q|h)＝[p(q₁|h),p(q₂|h),…,p(q_|Q||h)]^T (2)

根據Q的定義，任何觀測發生的概率均可由p(Q|h)的線性組合來表示，故存在m_o使得

p(o|h)＝p^T(Q|h)m_o(3)

令當得到新的觀測o后，p(Q|h)將更新為：

p(Q|ho)=pT(Q|h)MoQpT(Q|h)mo---(4)]]>

上面出現的條件概率所表示的意義有所不同：h與l均屬于經歷，o和q均為事件，當“|”兩側為同一類符號時，條件概率表示觀測概率，如p(l|h)和p(o|q)，反之則表示轉移概率，如p(q|h)；

步驟二：進行PSR模型訓練；

首先利用字符串處理工具對訓練雷達字序列S進行預處理；計算噪聲閾值并濾除噪聲；尋找線性無關向量，最終提取出核心事件集Q和界標集L；

步驟三：進行MFR工作模式識別；

先利用上述PSR模型計算各工作模式條件下觀測的預測狀態分布p(o_t+1|h_t,λ＝i)，再進一步估計對應工作模式的后驗概率p(λ＝i|h_t)；

步驟四：進行MFR信號快速預測。

2.根據權利要求1所述的低先驗信息條件下的多功能雷達行為辨識與快速預測方法，其特征在于：所述步驟四進行MFR信號快速預測，具體過程如下：

Step1：初始化，即單步預測；根據前面得到的工作模式概率分布結果，

可算得單步預測概率；

對每個可能的o_t∈O，有

p(ot+1|ht)=Σi=1|λ|[p(ot+1|ht,λ=i)·p(λ=i|ht)]---(23)]]>

其中p(o_t+1|h_t,λ＝i)由(14)求出，p(λ＝i|h_t)由(17)得到；因此，單步預測MAP估計結果為：

(o^t+1)MAP=arg(maxot+1∈O(p(ot+1|ht)))---(24)]]>

因此對于任意工作模式λ＝i，根據(5)和(9)可得

pT(Q|hto^t+1,λ=i)=pT(Q|ht,λ=i)MQo^t+1|λpT(Q|ht,λ=i)mo^t+1|λ,i=1,2,...,|λ|---(25)]]>

p(o^t+1|ht,λ=i)=pT(Q|ht,λ=i)·mo^t+1|λ,i=1,2,...,|λ|---(26)]]>

Step2：k步迭代預測；將已經求出的預測結果用于下一步的預測，再迭代這一過程至所需步數；

對于已完成的前k-1步預測結果的序列有

pT(Q|hto^t+1o^t+2...o^t+k-1,λ=i)=pT(Q|hto^t+1o^t+2...o^t+k-2,λ=i)MQo^t+k-1|λpT(Q|hto^t+1o^t+2...o^t+k-2,λ=i)mo^t+k-1|λ,i=1,2,...,|λ|---(27)]]>

p(ot+k|hto^t+1o^t+2...o^t+k-1,λ=i)=pT(Q|hto^t+1o^t+2...o^t+k-1,λ=i)·mo^t+k|λ,i=1,2,...,|λ|---(28)]]>

所以

p(ot+k|hto^t+1o^t+2...o^t+k-1)=Σλ=i|λ|[p(ot+k|hto^t+1o^t+2...o^t+k-1,λ=i)·p(λ=i|hto^t+1o^t+2...o^t+k-1)]---(29)]]>

其中，λ代表t時刻的工作模式，是由t之前的經歷估計的，與其后的觀測無關，

因此可認為

p(λ=i|hto^t+1o^t+2...o^t+k-1)=p(λ=i|ht)---(30)]]>

由于

p(o^t+1o^t+2...o^t+k-1ot+k|ht)=Πκ=2kp(ot+κ|hto^t+1o^t+2...o^t+κ-1)·p(o^t+1|ht)---(31)]]>

因此

p(ot+k|ht)=p(o^t+1o^t+2...o^t+k-1ot+k|ht)Σot+k∈Op(o^t+1o^t+2...o^t+k-1o^t+k|ht)---(32)]]>

得到

(o^t+k)MAP=arg(maxot+k∈O(p(ot+k|ht)))---(33)]]>

迭代(26)至(32)這一過程至所需的步數，即可實現MFR信號的多步預測。