一种基于模糊C均值点迹分簇方法技术

本发明专利技术属于雷达跟踪系统；类似系统技术领域，公开了一种基于模糊C均值点迹分簇方法，测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵Ut；进行解模糊；估计集群的完整性；更新分簇矩阵Ut+1和集群的中心vi；用矩阵范数比较Ut和Ut+1；如果||Ut+1‑Ut||≤ε，停止。否则，令t＝t+1进行新一轮更新；最后根据分簇矩阵解模糊测量值。本发明专利技术为了找到初始目标中心，考虑了预测定位和测量率。同时，在FCM算法的迭代过程中考虑了聚类的完整性。与传统方法相比，本发明专利技术具有更好的鲁棒性和有效性，可用于将雷达探测到的多机动目标进行正确的分簇，从而更好地对目标进行跟踪。

【技术实现步骤摘要】
一种基于模糊C均值点迹分簇方法
本专利技术属于雷达跟踪系统；类似系统
，尤其涉及一种基于模糊C均值(FuzzyC-means算法简称FCM算法)点迹分簇方法、雷达多机动目标检测系统。
技术介绍
目前，业内常用的现有技术是这样的：雷达多机动目标的检测一直是一个具有挑战性的问题，因为目标的数量是未知的和时变的。由于以前雷达的分辨率较低，目标只出现在单个分辨率单元中；随着现代雷达分辨率的提高，雷达波束可以从飞机多个反射点上都采集到测量值，即一个目标多个测量值。具有多个检测的目标称为“扩展目标”或“扩展对象”，在这种情况下，目标不再被归类为一个点目标，被表示为一个扩展目标。直接使用现有的目标跟踪算法跟踪“扩展目标”会产生大量重复航迹。因此针对扩展目标的跟踪问题，提出了许多理论模型和跟踪算法。现有技术一提出一种基于距离的分区方法，经过实测数据测试后，证明了算法的可行性；但其分区的数目随着目标数目的增加而迅速增长，这将消耗大量的计算时间，使得扩展目标跟踪过程变得难以计算。现有技术二给出一种基于谱聚类技术的有效分区方法，利用高斯核密度分析技术从测量集中消除杂波测量，减少了计算负担，但很难在跟踪过程之前准确估计目标的数量，分区结果也依赖于集群参数的选择。现有技术三所提的方法在杂乱的情况下效果很好，但仅仅是通过交叉航迹和分离航迹来检验的。因此，有必要在各种情况下对扩展目标进行杂波分区。综上所述，当目标比较密集的时候，多个目标的测量值会相距比较近，在分簇时候可能被分为一簇，在估计目标数量与估计目标参数时都会产生较大误差。如在机场附近，目标十分密集，同时飞机会做一系列转弯、爬升等机动运动。再加上附近电磁干扰产生的虚警测量值，上述算法难以满足要求。综上所述，现有技术存在的问题是：当目标比较密集的时候，多个目标的测量值会相距比较近，在分簇时候可能被分为一簇，在估计目标数量与估计目标参数时产生较大误差，不同目标测量值可能分到不同簇内，导致跟踪效果较差；密集扩展目标的情况下，跟踪效果较差。解决上述技术问题的难度和意义：难度在于借助跟踪算法中可知的目标信息来改进分簇算法，即将目标预测位置、检测率与测量值分布作为先验知识参与测量值的分簇。在使用改进的分簇算法之后，即使若干目标相距较近，由于使用了各个目标的先验信息，不同目标测量值会被分到不同的簇内。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于模糊C均值点迹分簇方法。本专利技术是这样实现的，一种基于模糊C均值点迹分簇方法，所述基于模糊C均值点迹分簇方法包括：测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵Ut；进行解模糊；估计集群的完整性；更新分簇矩阵Ut+1和集群的中心vi；用矩阵范数比较Ut和Ut+1；如果||Ut+1-Ut||≤ε，停止；否则，令t＝t+1进行新一轮更新；根据分簇矩阵解模糊测量值。进一步，所述基于模糊C均值点迹分簇方法包括以下步骤：(1)测量值分组，有Nk个航迹存在于第k帧，产生有可能重合的Nk个椭圆区域；一个测量值同时存在于两个椭圆波门内，将两个椭圆波门对应的目标放在一组；Nk个波门内的测量值集合为S1,S2,…,SNk，若有下式成立，则认为第i个目标和第j个目标分为一组；(2)去除杂波；(3)估计一组中的测量值来自于多少个目标；(4)选择初始中心，预测位置与测量值很好吻合，则预测的位置是优化的初始中心，否则，选择新的初始中心；(5)计算隶属矩阵Ut；(6)根据隶属矩阵，将每个组里测量值分配到相应的集群Ai，进行解模糊；(7)估计集群的完整性，在一个集群中由一个目标生成的测量值和目标生成的所有测量值被放入集群；(8)更新隶属矩阵Ut+1和集群的中心vi；(9)用矩阵范数比较Ut和Ut+1；||Ut+1-Ut||≤ε，停止。否则，令t＝t+1并转到(6)；(10)根据隶属矩阵Ut+1解模糊测量值，得到分簇结果Ai。所述去除杂波进一步包括：(1)某一簇中有m个测量值pk1，pk2，…，pkm，使用欧几里德距离来估计每一对测量值之间的差异，核密度估计函数如下所示：其中σ是归一化常数；接着将核密度估计函数与密度门限τk相对比，如果f(pki)大于τk，则测量值由目标产生，否则认为它是虚警将此测量值移除；(2)更新整个监测区域的密度门限τk，使用最近K帧的虚警率来估计杂波密度门限τk，最近K帧的虚警个数是cl1，cl2，…，clK，虚警在整个监测区域内均匀分布，虚警率为：其中参数R表示雷达的威力半径；密度监测门限为：虚警率FA和密度检测门限τk是正相关的。进一步，所述(3)估计组中目标数量的具体包括：一个组内目标数c的可能值为c1,c2,...,cm且c1≤c2≤...≤cm，目标预测位置的数量为c0，目标数量等于ci的概率估计为：其中，ci为目标的个数，c0为预测位置的数量；P(ci)不大于常阈值，则舍掉ci。进一步，所述(4)选择初始中心的具体包括：(1)计算预测位置的核密度估计值：其中，p′ki为目标预测位置，pkj为目标的测量值，m为测量值的个数，σ是归一化常数；第i个目标的密度阈值τi′为：其中，σ′是一个归一化常数，γi为目标的测量率；当大于τi′时，预测的位置与测量值相吻合，预测的位置就是优化的初始中心；(2)得到所有的初始中心：有c0个预测位置与测量值相吻合；如果c0等于ci，则c0个预测位置就直接为初始中心；如果c0比ci大，则去掉核密度估计值和密度阈值之间的差值最小的预测位置，直到预测位置的数量等于ci，保留下的预测位置就为初始中心；如果c0小于ci，则需要ci-c0个新初始中心；考虑两个因素的目标函数被定义为：其中，参数cn表示当前初始中心数目，pkj为目标的测量值，vj为当前初始中心；最大的测量值作为初始中心，重复这个过程直到cn等于ci。进一步，所述(7)估计集群的完整性的具体包括：(1)估计集群的紧凑性Ci：其中，pkj为目标的测量值，vi为初始中心，Ai是包含有模糊化后分配到集群中的数据点的子集，|Ai|表示Ai的大小，Ai定义：ui表示在vi与集群|Ai|中每个测量值之间的平均距离：(2)估计集群的纯度Pi：其中，参数tij用来评估vi和与vi最近的vk三点的空间关系：(3)变量Ri用来估计集群中目标的适应度：其中，γj为目标的测量率，γmin、γmax是目标测量率中最小值和最大值；如果|Ai|比预期测量值的数量小，得到大的Ri，第i个集群的完整性定义为：其中，Ri为集群中目标的适应度，Ci集群的紧凑性，Pi为集群的纯度。本专利技术的另一目的在于提供一种应用所述基于模糊C均值分簇方法的雷达多机动目标检测系统。综上所述，本专利技术的优点及积极效果为：本专利技术从测量值分簇算法入手，现有算法中分簇算法与目标跟踪相互独立，将目标分簇与目标跟踪结合起来做到信息与特征共享，更好地完成分簇，将相互临近但是属于不同目标的测量值放入不同的簇中。测量值在分簇时将分簇与跟踪结合起来，将目标跟踪算法中得到的预测位置作为分簇起始值，同时将目标跟踪算法估计得到的目标检测率、测量值空间分布等信息用在分簇算法中。本专利技术使用FCM算法与优化算法相结合的策略来做目标测量值分类，每个测量值属于每个目标是用一个概率值来表示的，并非K-means中本文档来自技高网...

【技术保护点】
1.一种基于模糊C均值点迹分簇方法，其特征在于，所述基于模糊C均值点迹分簇方法包括：测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵Ut；进行解模糊；估计集群的完整性；更新分簇矩阵Ut+1和集群的中心vi；用矩阵范数比较Ut和Ut+1；如果||Ut+1‑Ut||≤ε，停止；否则，令t＝t+1进行新一轮更新；根据分簇矩阵解模糊测量值。

【技术特征摘要】
1.一种基于模糊C均值点迹分簇方法，其特征在于，所述基于模糊C均值点迹分簇方法包括：测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵Ut；进行解模糊；估计集群的完整性；更新分簇矩阵Ut+1和集群的中心vi；用矩阵范数比较Ut和Ut+1；如果||Ut+1-Ut||≤ε，停止；否则，令t＝t+1进行新一轮更新；根据分簇矩阵解模糊测量值。2.如权利要求1所述的基于模糊C均值点迹分簇方法，其特征在于，所述基于模糊C均值分簇方法包括以下步骤：(1)测量值分组，有Nk个航迹存在于第k帧，产生有可能重合的Nk个椭圆区域；一个测量值同时存在于两个椭圆波门内，将两个椭圆波门对应的目标放在一组；Nk个波门内的测量值集合为S1,S2,…,SNk，若有下式成立，则认为第i个目标和第j个目标分为一组；(2)去除杂波；(3)估计一组中的测量值来自于多少个目标；(4)选择初始中心，预测位置与测量值很好吻合，则预测的位置是优化的初始中心，否则，选择新的初始中心；(5)计算隶属矩阵Ut；(6)根据隶属矩阵，将每个组里测量值分配到相应的集群Ai，进行解模糊；(7)估计集群的完整性，在一个集群中由一个目标生成的测量值和目标生成的所有测量值被放入集群；(8)更新隶属矩阵Ut+1和集群的中心vi；(9)用矩阵范数比较Ut和Ut+1；||Ut+1-Ut||≤ε，停止；否则，令t＝t+1并转到(6)；(10)根据隶属矩阵Ut+1解模糊测量值，得到分簇结果Ai。3.如权利要求2所述的基于模糊C均值点迹分簇方法，其特征在于，所述去除杂波进一步包括：(1)某一簇中有m个测量值pk1，pk2，…，pkm，使用欧几里德距离来估计每一对测量值之间的差异，核密度估计函数如下所示：其中σ是归一化常数；接着将核密度估计函数与密度门限τk相对比，如果f(pki)大于τk，则测量值由目标产生，否则认为它是虚警将此测量值移除；(2)更新整个监测区域的密度门限τk，使用最近K帧的虚警率来估计杂波密度门限τk，最近K帧的虚警个数是cl1，cl2，…，clK，虚警在整个监测区域内均匀分布，虚警率为：其中参数R表示雷达的威力半径；密度监测门限为：虚警率FA和密度检测门限τk是正相关的。...

【专利技术属性】
技术研发人员：许录平，阎博，滕欣进，丁智青，许娜，杨升，李沐青，孙志峰，周钇辛，吕鹏飞，
申请(专利权)人：西安电子科技大学，南京长江电子信息产业集团有限公司，
类型：发明
国别省市：陕西,61