一種雷達(dá)組網(wǎng)識(shí)別目標(biāo)方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及雷達(dá)技術(shù)領(lǐng)域，尤其涉及一種雷達(dá)組網(wǎng)識(shí)別目標(biāo)方法。
【背景技術(shù)】
[0002] 現(xiàn)代戰(zhàn)場環(huán)境日益復(fù)雜，在各種干擾存在的情況下，雷達(dá)回波得到的目標(biāo)量測(cè)信 息不確定性大，很難滿足作戰(zhàn)系統(tǒng)目標(biāo)識(shí)別的需求。為此，現(xiàn)有技術(shù)中出現(xiàn)了基于雷達(dá)組網(wǎng) 的目標(biāo)融合識(shí)別方法。這種方法使用多個(gè)雷達(dá)同時(shí)對(duì)一個(gè)目標(biāo)進(jìn)行探測(cè)，并將探測(cè)結(jié)果進(jìn) 行融合，從而得出精確度優(yōu)于單個(gè)雷達(dá)的測(cè)量結(jié)果。這種雷達(dá)組網(wǎng)有助于增強(qiáng)系統(tǒng)的抗干 擾能力和環(huán)境適應(yīng)能力，提高了目標(biāo)識(shí)別的可信度及準(zhǔn)確性，為作戰(zhàn)指揮輔助決策提供了 重要依據(jù)。
[0003] 雷達(dá)組網(wǎng)探測(cè)目標(biāo)方法的核心技術(shù)在于目標(biāo)融合識(shí)別，即指利用多個(gè)傳感器得到 關(guān)于目標(biāo)屬性的數(shù)據(jù)并將這些數(shù)據(jù)進(jìn)行融合，從而進(jìn)行目標(biāo)身份屬性判別的過程。根據(jù)信 息的抽象層次，目標(biāo)融合識(shí)別可分為數(shù)據(jù)層融合、特征層融合和決策層融合。數(shù)據(jù)層融合直 接融合來自多個(gè)傳感器的原始觀測(cè)信息，在融合的數(shù)據(jù)中進(jìn)行特征提取并進(jìn)行分類，從而 得到目標(biāo)的類別，具有較高的信息利用率。但數(shù)據(jù)層融合處理的信息量大，抗干擾能力差， 且其僅對(duì)產(chǎn)生同類觀測(cè)的傳感器是適用的。決策層融合是較高層次的融合，因高層次融合 的信息量小，且實(shí)現(xiàn)難度相對(duì)較小，所以目前目標(biāo)識(shí)別大都采用此方法。但決策層融合損失 了大量的特征信息，在量測(cè)數(shù)據(jù)受到干擾時(shí)，識(shí)別可信度降低。特征層融合屬于中間層次， 既保留了足夠數(shù)量的重要信息，又實(shí)現(xiàn)了客觀的信息壓縮。
[0004] 目前，在現(xiàn)有技術(shù)中，利用特征層融合進(jìn)行目標(biāo)識(shí)別的有關(guān)技術(shù)還處于空白狀態(tài)。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明要解決的技術(shù)問題是:針對(duì)上述現(xiàn)有技術(shù)的不足，提供一種雷達(dá)組網(wǎng)識(shí)別 目標(biāo)方法，該方法將特征層融合技術(shù)應(yīng)用于雷達(dá)組網(wǎng)的目標(biāo)識(shí)別過程中，提高了識(shí)別系統(tǒng) 的抗干擾能力，降低了識(shí)別難度，提高了識(shí)別準(zhǔn)確度，識(shí)別過程更加簡單可靠。
[0006 ]為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是： 一種雷達(dá)組網(wǎng)識(shí)別目標(biāo)方法，該方法使用s個(gè)雷達(dá)分別對(duì)探測(cè)目標(biāo)的η個(gè)屬性進(jìn)行測(cè) 量，形成s組雷達(dá)測(cè)量數(shù)據(jù)，并將探測(cè)目標(biāo)歸于m種可能目標(biāo)中的一種，其中每種可能目標(biāo)的 每一個(gè)屬性均具有特定的取值范圍；具體步驟包括： (a) 獲得測(cè)量數(shù)據(jù)； (b) 根據(jù)測(cè)量數(shù)據(jù)計(jì)算每一個(gè)屬性的信息增益； (c) 將具有最大信息增益的屬性作為分類屬性，并根據(jù)分類屬性計(jì)算每組雷達(dá)測(cè)量數(shù) 據(jù)對(duì)每個(gè)可能目標(biāo)的隸屬度，進(jìn)而根據(jù)隸屬度判定探測(cè)目標(biāo)的所屬類別； (d) 忽略已選取的分類屬性，對(duì)剩余屬性重復(fù)步驟(b)到步驟(c)的操作，直至將探測(cè)目 標(biāo)歸結(jié)為唯一可能，該唯一可能即為對(duì)探測(cè)目標(biāo)的識(shí)別結(jié)果。
[0007]具體地，信息增益按照式（1)計(jì)算：
其中，Gain(Ck)表示第k個(gè)屬性的信息增益，I為對(duì)探測(cè)目標(biāo)進(jìn)行識(shí)別的信息熵，E(Ck) 為利用Ck劃分當(dāng)前數(shù)據(jù)集合所需要的信息熵； 式(1)中的I按照式(2)計(jì)算：
[0008] 具體地，隸屬度按照式(6)計(jì)算：
[0009] 進(jìn)一步地，根據(jù)隸屬度判定探測(cè)目標(biāo)的所屬類別的依據(jù)為： 當(dāng)紳:;/擇〇時(shí)，判定探測(cè)目標(biāo)為類別4;當(dāng)邱滅<0時(shí)，判定探測(cè)目標(biāo)不是類別今，而 是其它類別。
[0010] 本方法的原理可以簡述如下： 一組雷達(dá)的量測(cè)數(shù)據(jù)可以表示為一個(gè)多維數(shù)組立=1,%-辦），其中每個(gè)數(shù)據(jù) 都是某個(gè)屬性變量下的相應(yīng)取值，那么數(shù)組的維數(shù)由屬性變量的個(gè)數(shù)決定。 對(duì)同一目標(biāo)觀測(cè)，設(shè)雷達(dá)組網(wǎng)由S部雷達(dá)構(gòu)成，要求每部雷達(dá)產(chǎn)生的量測(cè)數(shù)據(jù)維數(shù)相同，都 為《維量測(cè)數(shù)據(jù)。表示成矩陣形式，可以得到5組$維量測(cè)數(shù)據(jù)z_。
[0011] 假設(shè)有?種可能的目標(biāo)類別{%%、編::，對(duì)于量測(cè)數(shù)據(jù)集合各》，完全未知其類 另Ο，因此認(rèn)為其屬于任何一類的可能性均等，則對(duì)數(shù)據(jù)集合分類所需的信息熵為〃-01。祕(mì)I)。 依據(jù)目標(biāo)數(shù)據(jù)庫中已積累的數(shù)據(jù)，給出各類目標(biāo)關(guān)于不同屬性變量的量值及波動(dòng)范 圍。設(shè)一個(gè)屬性變量為，目標(biāo)類別 偏差分別為·^和※，取4:=? -吟，2 %。則目標(biāo):4 (:)=v2,):關(guān)于屬性'的取 值范圍是j:_。
[0012] 假設(shè).4表示全體目標(biāo)類別，這里取
? = 1,2，'，-;允。貝IJ全體目標(biāo)A關(guān)于屬性4的取值范圍是
[0013] 若屬性變量％(fc=i義…4被選為分類屬性，那么利用4劃分當(dāng)前數(shù)據(jù)集合所需要 的信息熵為
式中，Μ (λ J)是在分類特征氣下，對(duì)第C組量測(cè)數(shù)據(jù)與目標(biāo)類別斗之間距離的描述。
[0014] (W)越小，表示第:f組量測(cè)數(shù)據(jù)屬于目標(biāo)類別今的可能性越大;越大，表 示第組量測(cè)數(shù)據(jù)屬于目標(biāo)類別4的可能性越小。每組量測(cè)數(shù)據(jù)以不同的可能性屬于不同 的類別。
[0015]若屬性變量·^為分類屬性，此時(shí)狀態(tài)的混亂程度用信息熵來度量。對(duì)K (U)歸一化 后，計(jì)算其熵值，即為利用&劃分第C組量測(cè)數(shù)據(jù)的信息熵，該熵值表示分類后第〖組量測(cè)數(shù) 據(jù)的不確定性。對(duì)￡組量測(cè)數(shù)據(jù)的信息熵求和，得到利用^劃分當(dāng)前量測(cè)數(shù)據(jù)集合的信息熵 。若分類后，數(shù)值較小，則表示利用劃分當(dāng)前量測(cè)數(shù)據(jù)集合后，該狀態(tài)下的混 亂程度較小，量測(cè)數(shù)據(jù)相對(duì)確定的屬于某個(gè)類別。這正是分類識(shí)別要達(dá)到的目的。
[0016]利用屬性變量k作為分類屬性，對(duì)當(dāng)前分支節(jié)點(diǎn)數(shù)據(jù)集合進(jìn)行分類，所得的信息 增益為?^'Η(Α) = /-取Ci)，即為分類后信息熵的減少量。通過計(jì)算每一個(gè)屬性變量 的信息增益，將具有最大信息增益的屬性作為分類屬性，對(duì)當(dāng)前節(jié)點(diǎn)數(shù)據(jù)集合進(jìn)行分類。 [00 17]若屬性變量q:(fc = 1,3，-為分類屬性，則第價(jià)=1:,?% U j的隸屬度為
其中，步(抑為第:t組量測(cè)數(shù)據(jù)與目標(biāo)類別4的關(guān)聯(lián)系數(shù)，為第，組 量測(cè)數(shù)據(jù)與全體目標(biāo)類別的關(guān)聯(lián)系數(shù)，|為|為目標(biāo)類別4的寬度。
[0018] 科紐：1表示了在當(dāng)前分類屬性下，第I組量測(cè)數(shù)據(jù)所觀測(cè)目標(biāo)屬于目標(biāo)類別4的 程度。當(dāng)邱時(shí)，判定所觀測(cè)目標(biāo)為目標(biāo)類別4;當(dāng)邱<:Q時(shí)，判定所觀測(cè)目標(biāo)不是 目標(biāo)類別4,而是其它類別。
[0019] 令:?為第|組量測(cè)數(shù)據(jù)的權(quán)重，它表示對(duì)第|組量測(cè)數(shù)據(jù)的信任程度。則判定第I:組 量測(cè)數(shù)據(jù)是目標(biāo)類別4的可信度就可以定義為
[0020] 對(duì)量測(cè)數(shù)據(jù)集合進(jìn)行分類識(shí)別，判定識(shí)別結(jié)果為4的可信度為
樣，正確識(shí)別結(jié)果的可信度越高，就表示準(zhǔn)確性越高。若無事先說明，可以認(rèn)為各雷達(dá)的量 測(cè)數(shù)據(jù)權(quán)重相同，即取。
[0021] 基于以上原理，本方法的分類規(guī)則可以描述如下： (1) 由目標(biāo)數(shù)據(jù)庫給出各類別目標(biāo)關(guān)于不同屬性的量值及波動(dòng)范圍，各類別直接構(gòu)成 類決策樹的葉節(jié)點(diǎn)； (2) 以全體量測(cè)數(shù)據(jù)集合創(chuàng)建第一個(gè)節(jié)點(diǎn)，即根節(jié)點(diǎn)； (3) 選取具有最大信息增益的屬性作為分類屬性，一旦一個(gè)屬性變量在某節(jié)點(diǎn)處被選 為分類屬性，在該節(jié)點(diǎn)的任何后代上，選擇分類屬性時(shí)就不考慮該屬性變量； (4) 根據(jù)1??對(duì)當(dāng)前分支節(jié)點(diǎn)數(shù)據(jù)集合進(jìn)行分類，產(chǎn)生類決策樹的分支； (5) 當(dāng)不同類別目標(biāo)在同一屬性變量上特性相近時(shí)，可能產(chǎn)生一組數(shù)據(jù)同時(shí)屬于多類 別目標(biāo)的情況；由于雷達(dá)量測(cè)數(shù)據(jù)存在干擾，可能產(chǎn)生一組數(shù)據(jù)不屬于任何類別的情況；以 上情況可歸納為分類結(jié)果沒有唯一確定；也就是說，經(jīng)過一級(jí)分類不能得到識(shí)別結(jié)果；此 時(shí)，將分類結(jié)果不唯一的量測(cè)數(shù)據(jù)組再次進(jìn)行下一級(jí)分類，重復(fù)(3)、（4)過程，直到滿足停 止分類的條件； (6) 若某組量測(cè)數(shù)據(jù)中某個(gè)屬性對(duì)應(yīng)的值空缺，在選擇分類屬性時(shí)，只計(jì)算非空屬性值 分類所需的信息熵，忽略空缺值對(duì)分類屬性的熵值的影響;對(duì)含有空缺值的數(shù)據(jù)進(jìn)行分類 時(shí)，若該