本發(fā)明屬于雷達(dá)目標(biāo)識別方法技術(shù)領(lǐng)域，涉及利用多雷達(dá)探測結(jié)果對炮彈類目標(biāo)進(jìn)行識別的方法，尤其涉及真假彈頭類目標(biāo)的識別方法。

背景技術(shù)：

在現(xiàn)代戰(zhàn)場中，彈道導(dǎo)彈是具有極強(qiáng)遠(yuǎn)程打擊能力的威懾性武器，其在飛行過程中會釋放出大量誘餌目標(biāo)來對敵方防御系統(tǒng)進(jìn)行干擾。因此，能夠?qū)崿F(xiàn)在目標(biāo)飛行中段從大量誘餌中正確辨別出真實彈頭目標(biāo)，是防御系統(tǒng)實施有效攔截的前提條件。

目前，雷達(dá)技術(shù)是針對遠(yuǎn)場目標(biāo)進(jìn)行探測和識別最為有效的技術(shù)手段之一。由于低分辨雷達(dá)獲取的目標(biāo)信息量少，而高分辨雷達(dá)探測距離不足，因此，從實際需求出發(fā)，利用兩類雷達(dá)的優(yōu)點(diǎn)，專門針對真假彈頭目標(biāo)識別問題研究多雷達(dá)特征綜合識別方法具有重要軍事意義。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于基于現(xiàn)役窄帶雷達(dá)及寬帶雷達(dá)獲取的目標(biāo)各類信息數(shù)據(jù)，提供一種基于多雷達(dá)信息的真假彈頭目標(biāo)綜合識別方法。

本發(fā)明的技術(shù)方案為：

本發(fā)明根據(jù)真假彈頭目標(biāo)在不同雷達(dá)探測系統(tǒng)下獲取的特征的不同，以及兩類目標(biāo)在飛行過程中所體現(xiàn)出的固有的特性變化的不同；首先從窄帶雷達(dá)獲取的目標(biāo)RCS數(shù)據(jù)中提取目標(biāo)RCS方差、樣本極差、變異系數(shù)等8種特征；再從寬帶雷達(dá)獲取的目標(biāo)一維像回波數(shù)據(jù)中提取目標(biāo)散射點(diǎn)個數(shù)、長度等5種特征；隨后分別統(tǒng)計13種特征各自的目標(biāo)樣本分布；最終將測試樣本在13種特征上的獨(dú)立識別結(jié)果進(jìn)行綜合判別輸出，實現(xiàn)多雷達(dá)信息的真假彈頭目標(biāo)識別。

如圖1所示，一種基于多雷達(dá)信息的真假彈頭目標(biāo)識別方法，其特征在于，包括以下步驟：

S1、由窄帶雷達(dá)探測獲得真實彈頭及誘餌目標(biāo)在飛行過程中的RCS值，將每連續(xù)n個采樣時刻的值構(gòu)成一個RCS序列；將所述RCS序列隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

S2、根據(jù)S1得到的RCS序列，對每個目標(biāo)的每個序列分別提取目標(biāo)的窄帶統(tǒng)計特征，包括RCS序列的均值樣本方差s、r階中心矩B_r、樣本極差Δd、變異系數(shù)C_v、偏態(tài)系數(shù)C_s、靜態(tài)系數(shù)C_e和樣本中位數(shù)R_m，將所述的8種窄帶統(tǒng)計特征分別記為f¹，f²，…，f⁸，其中代表類別標(biāo)號為t的目標(biāo)在第j段RCS采樣序列中提取出的fⁱ特征的值，N_t為目標(biāo)t的RCS采樣序列總數(shù)；設(shè)定t＝0為誘餌目標(biāo)，t＝1為真實目標(biāo)；

S3、由寬帶雷達(dá)獲取各目標(biāo)在飛行過程中的一維距離像數(shù)據(jù)，將所述一維距離像數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；對每幅一維距離像提取目標(biāo)散射點(diǎn)空域特征，包括目標(biāo)強(qiáng)散射點(diǎn)中心個數(shù)NS、目標(biāo)徑向長度L、去尺度結(jié)構(gòu)特征目標(biāo)距離域結(jié)構(gòu)特征R_first和R_last，所述的5種寬帶特征分別記為f⁹，f¹⁰，…，f¹³，其中代表類別標(biāo)號為t的目標(biāo)在第j幅一維距離像數(shù)據(jù)中提取出的fⁱ特征的值，N_t為目標(biāo)t的一維距離像總數(shù)；

S4、根據(jù)步驟S2和步驟S3將得到的訓(xùn)練數(shù)據(jù)集提取到的特征共13種，針對每一種特征fⁱ，獨(dú)立統(tǒng)計所有目標(biāo)樣本在該維特征上的樣本分布置信度參數(shù)θⁱ，包括特征最小值特征最大值統(tǒng)計區(qū)間步長類別分布矢量類別分布置信度矢量

S5、對某待測試目標(biāo)的雷達(dá)數(shù)據(jù)，利用S2和S3所述提取目標(biāo)窄帶及寬帶特征值{yⁱ|i＝1,2,…,13}，對每一維特征值yⁱ，由S4所述對應(yīng)特征的樣本分布置信度參數(shù)θⁱ來對目標(biāo)類別進(jìn)行初步判斷，得到判別值其中為由特征yⁱ判斷出的當(dāng)前測試目標(biāo)的類別標(biāo)號，為該判別結(jié)果的置信度；

S6、采用綜合判決算法對S5所述13個獨(dú)立判別結(jié)果{V¹,V²,…,V¹³}進(jìn)行融合，計算最終的分類融合分值C，根據(jù)融合分值C確定待測試樣本的類別號k，若C>0.5則當(dāng)前待識別樣本為真實彈頭k＝1，若C≤0.5則待識別樣本為虛假目標(biāo)k＝0。

進(jìn)一步的，步驟S1中所述n＝20。

進(jìn)一步的，步驟S2中所述提取各RCS序列的目標(biāo)窄帶統(tǒng)計特征，具體方法如下：

其中：x_k為當(dāng)前RCS序列中第k個RCS采樣值，k＝1,2,…,n，為RCS序列均值，s為樣本方差，B_r為r階中心矩，r＝3，Δd為樣本極差、C_v為變異系數(shù)、C_s為偏態(tài)系數(shù)、C_e為靜態(tài)系數(shù)，樣本中位數(shù)R_m是將n個RCS采樣值按從小到大重新排序后取處于中間位置的數(shù)值；所述8種窄帶特征分別記為f¹，f²，…，f⁸。

進(jìn)一步的，步驟S3中所述提取一維距離像中目標(biāo)的散射點(diǎn)空域特征，具體方法如下：

S31、根據(jù)寬帶雷達(dá)獲取各目標(biāo)在飛行過程中的一維距離像數(shù)據(jù)，一幅距離像幅度數(shù)據(jù)記為{a(1),a(2),…,a(M)}，其中，M＝256為該一維像的采樣點(diǎn)個數(shù)，則找到其最大幅度值采用5個點(diǎn)的峰值檢測窗口在一維像數(shù)據(jù)上滑動檢測，記錄所有值大于a_max/2的波峰點(diǎn)位置{k_j|j＝1,2,...,m；m≤M}，這些波峰點(diǎn)即為目標(biāo)散射中心；

S32、提取目標(biāo)散射點(diǎn)空域特征：

NS＝count{k_j|x(k_j)>a_max/2}＝m

L＝Δd×(k_m-k₁)

R_first＝r₁/NS

R_last＝r₂/NS

其中：Δd為雷達(dá)距離分辨率，r₁為第一個散射中心與最強(qiáng)散射中心的距離，r₂為最后一個散射中心與最強(qiáng)散射中心的距離，NS為目標(biāo)強(qiáng)散射點(diǎn)中心個數(shù)，L為目標(biāo)徑向長度、未去尺度結(jié)構(gòu)特征、R_first和R_last為目標(biāo)距離域結(jié)構(gòu)特征。所述5種寬帶一維像特征分別記為f⁹，f¹⁰，…，f¹³。

進(jìn)一步的，步驟S4中所述樣本在特征fⁱ上的分布置信度參數(shù)θⁱ的統(tǒng)計方法如下：

訓(xùn)練樣本集中所有樣本提取到的特征fⁱ記為其中N＝N₁+N₀，N₀為非彈頭目標(biāo)的訓(xùn)練樣本總數(shù)，N₁為真實彈頭目標(biāo)的訓(xùn)練樣本總數(shù)；

特征最小值：

特征最大值：

統(tǒng)計區(qū)間步長：

類別分布矢量：

類別分布置信度矢量：

其中，D為劃分的區(qū)間數(shù)目，D＝20；為在特征fⁱ上特征值位于第d個分區(qū)的非彈頭目標(biāo)的樣本數(shù)，為在特征fⁱ上特征值位于第d個分區(qū)的真實彈頭目標(biāo)的樣本數(shù)，第d個分區(qū)的區(qū)間范圍為

進(jìn)一步的，步驟S5中所述對某待測試樣本的每一維特征數(shù)據(jù){yⁱ|i＝1,2,…,13}進(jìn)行類別初步判斷的方法如下：

對第i維特征值yⁱ，由S4所述分布置信度參數(shù)θⁱ確定該特征值所屬分布區(qū)間編號則由第i維特征得到該樣本的類別判別值為：

進(jìn)一步的，步驟S6中所述利用13個獨(dú)立特征判別結(jié)果{V¹,V²,…,V¹³}進(jìn)行最終分類融合，首先將忽略13個分類結(jié)果中置信度小于0.5的值，即：

然后計算最終分類融合分值：

其中，代表統(tǒng)計13個獨(dú)立判別結(jié)果中置信度為0的特征個數(shù)。

本發(fā)明的有益效果為，通過利用真假彈頭目標(biāo)在飛行過程中反映的雷達(dá)特性的不同，從窄帶雷達(dá)獲取的RCS數(shù)據(jù)中提取了RCS序列特征，從寬帶雷達(dá)獲取的一維像數(shù)據(jù)中提取了目標(biāo)散射點(diǎn)空域特征，設(shè)計了針對每維特征獨(dú)立進(jìn)行的訓(xùn)練和識別方法。同時，充分利用了窄帶雷達(dá)和寬帶雷達(dá)的互補(bǔ)性，將兩種雷達(dá)的獨(dú)立特征識別結(jié)果進(jìn)行綜合判別輸出，有效實現(xiàn)了基于多雷達(dá)信息的真假彈頭目標(biāo)識別。對仿真數(shù)據(jù)進(jìn)行識別測試，正確識別率達(dá)到98.75％。

附圖說明

圖1為本發(fā)明的真假彈頭雷達(dá)目標(biāo)識別方法流程圖。

具體實施方式

發(fā)明內(nèi)容部分已經(jīng)對本發(fā)明的技術(shù)方案做了詳細(xì)描述，下面通過仿真方法，對本發(fā)明的具體流程進(jìn)行詳細(xì)說明：

采用STK軟件仿真真實彈頭目標(biāo)和虛假彈頭目標(biāo)的飛行軌跡，每類目標(biāo)都通過隨機(jī)設(shè)置初始發(fā)射參數(shù)的方式各產(chǎn)生100條飛行軌跡；使用FEKO軟件計算真假彈頭目標(biāo)的RCS值，每類目標(biāo)的每條軌跡和RCS值都按照某一個型號的雷達(dá)的具體工作參數(shù)添加系統(tǒng)誤差，同時按100Hz的頻率仿真計算其飛行過程中的一維像數(shù)據(jù)。則對每條飛行軌跡都可以得到一組RCS采樣序列和一維像序列數(shù)據(jù)。從每類目標(biāo)的100組仿真數(shù)據(jù)中隨機(jī)選擇50組作為訓(xùn)練數(shù)據(jù)集，剩余50組作為測試數(shù)據(jù)集。

將每連續(xù)n＝20個采樣時刻(一段采樣窗中)的RCS值構(gòu)成一個RCS序列，統(tǒng)計每個序列中的目標(biāo)窄帶統(tǒng)計特征：

其中：x_k為當(dāng)前RCS序列中第k個RCS采樣值，k＝1,2,…,n，為RCS序列均值，s為樣本方差，B_r為r階中心矩(r＝3)，Δd為樣本極差、C_v為變異系數(shù)、C_s為偏態(tài)系數(shù)、C_e為靜態(tài)系數(shù)，樣本中位數(shù)R_m是將n個RCS采樣值按從小到大重新排序后取處于中間位置的數(shù)值。這8種窄帶特征分別記為f¹，f²，…，f⁸，代表目標(biāo)t(t＝0為虛假目標(biāo)，t＝1為真實目標(biāo))在第j個RCS采樣序列中提取出的fⁱ特征的值，N_t為目標(biāo)t的RCS采樣序列總數(shù)。

對目標(biāo)的每幅寬帶一維像數(shù)據(jù){a(1),a(2),…,a(256)}，找到一維像數(shù)據(jù)中的最大幅度值采用5個點(diǎn)的峰值檢測窗口在一維像數(shù)據(jù)上滑動檢測，記錄所有值大于a_max/2的波峰點(diǎn)位置{k_j|j＝1,2,...,m}，這些波峰點(diǎn)即為目標(biāo)散射中心。提取該幅一維像的目標(biāo)散射點(diǎn)空域特征：

NS＝count{k_j|x(k_j)>a_max/2}＝m

L＝Δd×(k_m-k₁)

R_first＝r₁/NS

R_last＝r₂/NS

其中：Δd為雷達(dá)距離分辨率，r₁為第一個散射中心與最強(qiáng)散射中心的距離，r₂為最后一個散射中心與最強(qiáng)散射中心的距離，NS為目標(biāo)強(qiáng)散射點(diǎn)中心個數(shù)，L為目標(biāo)徑向長度、未去尺度結(jié)構(gòu)特征、R_first和R_last為目標(biāo)距離域結(jié)構(gòu)特征。將這5種寬帶一維像特征分別記為f⁹，f¹⁰，…，f¹³。

對訓(xùn)練數(shù)據(jù)集進(jìn)行上述特征提取后得到共13維窄帶和寬帶特征集：

針對每一種特征fⁱ(即F中的每一列數(shù)據(jù)獨(dú)立統(tǒng)計所有目標(biāo)訓(xùn)練樣本在該維特征上的樣本分布置信度參數(shù)包括：

特征最小值：

特征最大值：

統(tǒng)計區(qū)間步長：

類別分布矢量：

類別分布置信度矢量：

其中，N為訓(xùn)練樣本總數(shù)，N＝N₁+N₀，N₀為非彈頭目標(biāo)的訓(xùn)練樣本總數(shù)，N₁為真實彈頭目標(biāo)的訓(xùn)練樣本總數(shù)；D為劃分的特征分布區(qū)間數(shù)目，D＝20；為在特征fⁱ上特征值位于第d個分區(qū)的非彈頭目標(biāo)的樣本數(shù)，為在特征fⁱ上特征值位于第d個分區(qū)的真實彈頭目標(biāo)的樣本數(shù)，則代表當(dāng)樣本特征值位于第d個分區(qū)時該樣本可能對應(yīng)的類別標(biāo)號，代表當(dāng)樣本特征值位于第d個分區(qū)時該樣本類別標(biāo)號為的可信度。第d個分區(qū)的區(qū)間范圍定義為

針對上述13維特征，每一維特征都會統(tǒng)計得到一組樣本分布置信度參數(shù)。

對于測試集中的每一個待測試樣本，同樣提取其13維的窄帶和寬帶特征y＝{y¹,y²,…,y¹³}，針對每一維特征yⁱ，i＝1,2,…,13獨(dú)立進(jìn)行類別初步判斷。首先由第i維特征的分布置信度參數(shù)θⁱ確定該特征值所屬分布區(qū)間編號隨后由所屬區(qū)間編號pⁱ得到在第i維特征上該樣本的類別判別值為：即以第i維特征為依據(jù)判斷該樣本所屬目標(biāo)類別為且該判別結(jié)果的可信度為

對13維特征獨(dú)立判斷可得到13組初步判別結(jié)果{V¹,V²,…,V¹³}，采用綜合判決算法對著13個獨(dú)立判別結(jié)果進(jìn)行融合。首先忽略13個分類結(jié)果中置信度小于0.5的值，即：然后計算最終分類融合分值：其中，代表統(tǒng)計13個獨(dú)立判別結(jié)果中置信度為0的特征個數(shù)。

最后，確定待測試樣本的類別號k根據(jù)融合分值C確定，k＝1代表當(dāng)前待識別樣本為真實彈頭，k＝0代表則待識別樣本為虛假目標(biāo)。

采用仿真數(shù)據(jù)驗證本發(fā)明的真假彈頭雷達(dá)目標(biāo)識別方法的正確識別率。仿真產(chǎn)生了1類真實彈頭目標(biāo)和包括碎片、重誘餌、輕誘餌在內(nèi)的3類虛假目標(biāo)在飛行過程中的窄帶和寬帶數(shù)據(jù)，將仿真數(shù)據(jù)隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。則對測試數(shù)據(jù)集中的真實彈頭目標(biāo)正確識別率為98.5％，對虛假目標(biāo)的正確識別率為99.0％，平均正確識別率為98.75％。