本發(fā)明涉及雷達信號識別，具體地涉及一種基于混淆矩陣的目標層次化識別方法以及一種基于混淆矩陣的目標層次化識別裝置。

背景技術：

1、隨著機器學習和人工智能的迅速發(fā)展，分類模型成為了解決多目標識別任務的重要工具，混淆矩陣則用于評價分類模型的精度，將模型的分類結果顯示在一個矩陣里，將模型的預測結果和實際標簽進行對比。

2、目標識別混淆是指在目標分類過程中由于目標之間的相似性，可能將目標1識別成目標2，也可能會將某些本應屬于不同類別的目標錯誤地分類到同一類別，造成目標識別混淆的原因較多，為了解決該技術問題，通過對混淆矩陣進行分析和模型改進，以解決目標識別混淆的技術問題。然而在實際應用過程中，技術人員發(fā)現(xiàn)現(xiàn)有技術至少存在如下技術問題：

3、在現(xiàn)有的分類模型中，當分類類別較少時，其目標分類效果較好，但當目標存在類別不確定、特征難提取及噪聲數(shù)據(jù)多等情況時，識別效果欠佳。例如針對雷達信號，其具有信噪比低、數(shù)據(jù)采集難度大、回波信息中干擾較大、回波信息特征提取難度大等特點，對大大增加了多目標識別難度，無法通過常規(guī)模型優(yōu)化方法解決目標混淆問題，因此無法滿足實際需求。

技術實現(xiàn)思路

1、為了克服現(xiàn)有技術中存在的上述技術問題，本發(fā)明實施例提供一種基于混淆矩陣的目標層次化識別方法以及識別裝置，通過對傳統(tǒng)的目標識別方法進行改進，利用混淆矩陣生成帶自環(huán)的有向圖進行目標標簽之間的混淆區(qū)分和識別，從而有效提高了對雷達信號的二次識別的精確性。

2、為了實現(xiàn)上述目的，本發(fā)明實施例提供一種基于混淆矩陣的目標層次化識別方法，所述方法包括：確定待識別雷達信號的混淆矩陣；基于混淆矩陣生成帶自環(huán)有向初始圖；對所述帶自環(huán)有向初始圖進行雙向邊處理，生成處理后圖模型；基于所述處理后圖模型生成初始正確分類列表；對所述處理后圖模型進行去自環(huán)處理，生成無自環(huán)無向圖；基于所述無自環(huán)無向圖和所述初始正確分類列表對所述待識別雷達信號執(zhí)行多目標二次識別操作，生成對應的識別結果。

3、優(yōu)選地，所述基于混淆矩陣生成帶自環(huán)有向初始圖，包括：從所述混淆矩陣中獲取每個待識別雷達信號的目標標簽，基于所述目標標簽生成頂點集合；從所述混淆矩陣中獲取存在混淆的混淆目標對，基于所述混淆目標對確定有向邊集合；基于所述混淆目標對確定對應的混淆權值集合；基于所述頂點集合、所述有向邊集合和所述混淆權值集合生成對應的帶自環(huán)有向初始圖。

4、優(yōu)選地，所述對所述帶自環(huán)有向初始圖進行雙向邊處理，生成處理后圖模型，包括：對所述帶自環(huán)有向初始圖中的雙向邊執(zhí)行單向邊映射處理，生成第一處理后圖；基于所述混淆權值集合對所述第一處理后圖進行優(yōu)化處理，生成處理后圖模型。

5、優(yōu)選地，所述對所述帶自環(huán)有向初始圖中的雙向邊執(zhí)行單向邊映射處理，生成第一處理后圖，包括：基于所述混淆權值集合獲取與所述混淆目標對對應的權值對；基于所述權值對和預設經驗閾值判斷所述混淆目標對是否符合預設單邊要求；若是，基于所述混淆目標對生成單向邊，基于所述權值對生成所述單向邊的單向權值，基于所述單向邊和所述單向權值對所述帶自環(huán)有向初始圖進行調整，生成第一調整圖；否則，從所述帶自環(huán)有向初始圖中刪除與所述混淆目標對對應的雙向邊，生成第二調整圖；將所述第一調整圖或所述第二調整圖作為第一處理后圖。

6、優(yōu)選地，所述基于所述無自環(huán)無向圖和所述初始正確分類列表對所述待識別雷達信號執(zhí)行多目標二次識別操作，生成對應的識別結果，包括：確定所述無自環(huán)無向圖中任一頂點的相鄰點；基于每個頂點的相鄰點確定所有頂點的度數(shù)，根據(jù)所有頂點的度數(shù)大小生成度數(shù)由大到小順序排列的頂點集合；基于所述初始正確分類列表依次對所述頂點集合中的每個頂點執(zhí)行頂點分析處理，生成處理結果；基于所述處理結果對所述初始正確分類列表進行更新，生成針對所述待識別雷達信號的識別結果。

7、優(yōu)選地，所述基于所述初始正確分類列表依次對所述頂點集合中的每個頂點執(zhí)行頂點分析處理，生成處理結果，包括：依次獲取當前頂點的相鄰點；獲取所述相鄰點的間接相鄰點；判斷當前頂點與所述間接相鄰點是否相鄰；若是，生成當前頂點的第一正確分類值；否則，獲取所有與所述相鄰點相鄰的點之間的邊權值，判斷當前頂點與所述相鄰點之間的邊權值是否大于其余邊權值；?若是，生成當前頂點的第二正確分類值；否則，生成當前頂點的第三正確分類值；將所述第一正確分類值或所述第二正確分類值或所述第三正確分類值確定為處理結果。

8、相應的，本發(fā)明還提供一種基于混淆矩陣的目標層次化識別裝置，所述裝置包括：矩陣確定單元，用于確定待識別雷達信號的混淆矩陣；圖生成單元，用于基于混淆矩陣生成帶自環(huán)有向初始圖；第一處理單元，用于對所述帶自環(huán)有向初始圖進行雙向邊處理，生成處理后圖模型；表生成單元，用于基于所述處理后圖模型生成初始正確分類列表；第二處理單元，用于對所述處理后圖模型進行去自環(huán)處理，生成無自環(huán)無向圖；二次識別單元，用于基于所述無自環(huán)無向圖和所述初始正確分類列表對所述待識別雷達信號執(zhí)行多目標二次識別操作，生成對應的識別結果。

9、優(yōu)選地，所述圖生成單元具體用于：從所述混淆矩陣中獲取每個待識別雷達信號的目標標簽，基于所述目標標簽生成頂點集合；從所述混淆矩陣中獲取存在混淆的混淆目標對，基于所述混淆目標對確定有向邊集合；基于所述混淆目標對確定對應的混淆權值集合；基于所述頂點集合、所述有向邊集合和所述混淆權值集合生成對應的帶自環(huán)有向初始圖。

10、優(yōu)選地，所述第一處理單元具體用于：對所述帶自環(huán)有向初始圖中的雙向邊執(zhí)行單向邊映射處理，生成第一處理后圖；基于所述混淆權值集合對所述第一處理后圖進行優(yōu)化處理，生成處理后圖模型。

11、優(yōu)選地，所述二次識別單元具體用于：確定所述無自環(huán)無向圖中任一頂點的相鄰點；基于每個頂點的相鄰點確定所有頂點的度數(shù)，根據(jù)所有頂點的度數(shù)大小生成度數(shù)由大到小順序排列的頂點集合；基于所述初始正確分類列表依次對所述頂點集合中的每個頂點執(zhí)行頂點分析處理，生成處理結果；基于所述處理結果對所述初始正確分類列表進行更新，生成針對所述待識別雷達信號的識別結果。

12、通過本發(fā)明提供的技術方案，本發(fā)明至少具有如下技術效果：

13、通過對傳統(tǒng)方法進行改進，在現(xiàn)有技術中采用的混淆矩陣的基礎上，進一步對其進行圖處理，建立帶自環(huán)和有向的圖模型，并對目標標簽之間的相互關系進行優(yōu)化處理，從而實現(xiàn)更好的標簽區(qū)別效果，有效提高了目標的二次識別精確性，滿足了實際需求。

14、本發(fā)明實施例的其它特征和優(yōu)點將在隨后的具體實施方式部分予以詳細說明。

技術特征：

1.一種基于混淆矩陣的目標層次化識別方法，其特征在于，所述方法包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述基于混淆矩陣生成帶自環(huán)有向初始圖，包括：

3.根據(jù)權利要求2所述的方法，其特征在于，所述對所述帶自環(huán)有向初始圖進行雙向邊處理，生成處理后圖模型，包括：

4.根據(jù)權利要求3所述的方法，其特征在于，所述對所述帶自環(huán)有向初始圖中的雙向邊執(zhí)行單向邊映射處理，生成第一處理后圖，包括：

5.根據(jù)權利要求1所述的方法，其特征在于，所述基于所述無自環(huán)無向圖和所述初始正確分類列表對所述待識別雷達信號執(zhí)行多目標二次識別操作，生成對應的識別結果，包括：

6.根據(jù)權利要求5所述的方法，其特征在于，所述基于所述初始正確分類列表依次對所述頂點集合中的每個頂點執(zhí)行頂點分析處理，生成處理結果，包括：

7.一種基于混淆矩陣的目標層次化識別裝置，其特征在于，所述裝置包括：

8.根據(jù)權利要求7所述的裝置，其特征在于，所述圖生成單元具體用于：

9.根據(jù)權利要求8所述的裝置，其特征在于，所述第一處理單元具體用于：

10.根據(jù)權利要求7所述的裝置，其特征在于，所述二次識別單元具體用于：

技術總結
本發(fā)明涉及雷達信號識別技術領域，公開了一種基于混淆矩陣的目標層次化識別方法以及識別裝置，所述方法包括：確定待識別雷達信號的混淆矩陣；基于混淆矩陣生成帶自環(huán)有向初始圖；對所述帶自環(huán)有向初始圖進行雙向邊處理，生成處理后圖模型；基于所述處理后圖模型生成初始正確分類列表；對所述處理后圖模型進行去自環(huán)處理，生成無自環(huán)無向圖；基于所述無自環(huán)無向圖和所述初始正確分類列表對所述待識別雷達信號執(zhí)行多目標二次識別操作，生成對應的識別結果。通過對傳統(tǒng)的目標識別方法進行改進，利用混淆矩陣生成帶自環(huán)的有向圖進行目標標簽之間的混淆區(qū)分和識別，從而有效提高了二次識別的精確性。

技術研發(fā)人員：廖薇,郭麗姝,劉鵬飛
受保護的技術使用者：成都信息工程大學
技術研發(fā)日：
技術公布日：2025/1/2