一种基于多雷达信息的真假弹头目标识别方法技术

本发明专利技术属于雷达目标识别方法技术领域，涉及一种基于多雷达信息的真假弹头目标识别方法。本发明专利技术根据真假弹头目标在不同雷达探测系统下获取的特征的不同，以及两类目标在飞行过程中所体现出的固有的特性变化的不同；首先从窄带雷达获取的目标RCS数据中提取目标RCS方差、样本极差、变异系数等8种特征；再从宽带雷达获取的目标一维像回波数据中提取目标散射点个数、长度等5种特征；随后分别统计13种特征各自的目标样本分布；最终将测试样本在13种特征上的独立识别结果进行综合判别输出，实现多雷达信息的真假弹头目标识别。

A true and false warhead target recognition method based on multi radar information

The invention belongs to the technical field of radar target identification methods, and relates to a true and false bullet target recognition method based on multi radar information. According to the characteristics of real warhead target in different radar detection system to obtain the different change characteristics of natural and two kinds of target reflected during the flight of the 8 different kinds of feature extraction; RCS variance, sample deviation and coefficient of variation RCS data is first obtained from narrowband radar target; one obtained from the wideband radar again as in echo data extraction of scattering point number and length of 5 characters; then statistical characteristics of 13 kinds of respective target sample distribution; will test samples in 13 independent recognition of the characteristics of the results of comprehensive evaluation of output, to achieve true warhead Target Recognition Radar information.

【技术实现步骤摘要】
一种基于多雷达信息的真假弹头目标识别方法
本专利技术属于雷达目标识别方法
，涉及利用多雷达探测结果对炮弹类目标进行识别的方法，尤其涉及真假弹头类目标的识别方法。
技术介绍
在现代战场中，弹道导弹是具有极强远程打击能力的威慑性武器，其在飞行过程中会释放出大量诱饵目标来对敌方防御系统进行干扰。因此，能够实现在目标飞行中段从大量诱饵中正确辨别出真实弹头目标，是防御系统实施有效拦截的前提条件。目前，雷达技术是针对远场目标进行探测和识别最为有效的技术手段之一。由于低分辨雷达获取的目标信息量少，而高分辨雷达探测距离不足，因此，从实际需求出发，利用两类雷达的优点，专门针对真假弹头目标识别问题研究多雷达特征综合识别方法具有重要军事意义。
技术实现思路
本专利技术的目的在于基于现役窄带雷达及宽带雷达获取的目标各类信息数据，提供一种基于多雷达信息的真假弹头目标综合识别方法。本专利技术的技术方案为：本专利技术根据真假弹头目标在不同雷达探测系统下获取的特征的不同，以及两类目标在飞行过程中所体现出的固有的特性变化的不同；首先从窄带雷达获取的目标RCS数据中提取目标RCS方差、样本极差、变异系数等8种特征；再从宽带雷达获取的目标一维像回波数据中提取目标散射点个数、长度等5种特征；随后分别统计13种特征各自的目标样本分布；最终将测试样本在13种特征上的独立识别结果进行综合判别输出，实现多雷达信息的真假弹头目标识别。如图1所示，一种基于多雷达信息的真假弹头目标识别方法，其特征在于，包括以下步骤：S1、由窄带雷达探测获得真实弹头及诱饵目标在飞行过程中的RCS值，将每连续n个采样时刻的值构成一个RCS序列；将所述RCS序列随机分为训练数据集和测试数据集；S2、根据S1得到的RCS序列，对每个目标的每个序列分别提取目标的窄带统计特征，包括RCS序列的均值样本方差s、r阶中心矩Br、样本极差Δd、变异系数Cv、偏态系数Cs、静态系数Ce和样本中位数Rm，将所述的8种窄带统计特征分别记为f1，f2，…，f8，其中代表类别标号为t的目标在第j段RCS采样序列中提取出的fi特征的值，Nt为目标t的RCS采样序列总数；设定t＝0为诱饵目标，t＝1为真实目标；S3、由宽带雷达获取各目标在飞行过程中的一维距离像数据，将所述一维距离像数据随机分为训练数据集和测试数据集；对每幅一维距离像提取目标散射点空域特征，包括目标强散射点中心个数NS、目标径向长度L、去尺度结构特征目标距离域结构特征Rfirst和Rlast，所述的5种宽带特征分别记为f9，f10，…，f13，其中代表类别标号为t的目标在第j幅一维距离像数据中提取出的fi特征的值，Nt为目标t的一维距离像总数；S4、根据步骤S2和步骤S3将得到的训练数据集提取到的特征共13种，针对每一种特征fi，独立统计所有目标样本在该维特征上的样本分布置信度参数θi，包括特征最小值特征最大值统计区间步长类别分布矢量类别分布置信度矢量S5、对某待测试目标的雷达数据，利用S2和S3所述提取目标窄带及宽带特征值{yi|i＝1,2,…,13}，对每一维特征值yi，由S4所述对应特征的样本分布置信度参数θi来对目标类别进行初步判断，得到判别值其中为由特征yi判断出的当前测试目标的类别标号，为该判别结果的置信度；S6、采用综合判决算法对S5所述13个独立判别结果{V1,V2,…,V13}进行融合，计算最终的分类融合分值C，根据融合分值C确定待测试样本的类别号k，若C>0.5则当前待识别样本为真实弹头k＝1，若C≤0.5则待识别样本为虚假目标k＝0。进一步的，步骤S1中所述n＝20。进一步的，步骤S2中所述提取各RCS序列的目标窄带统计特征，具体方法如下：其中：xk为当前RCS序列中第k个RCS采样值，k＝1,2,…,n，为RCS序列均值，s为样本方差，Br为r阶中心矩，r＝3，Δd为样本极差、Cv为变异系数、Cs为偏态系数、Ce为静态系数，样本中位数Rm是将n个RCS采样值按从小到大重新排序后取处于中间位置的数值；所述8种窄带特征分别记为f1，f2，…，f8。进一步的，步骤S3中所述提取一维距离像中目标的散射点空域特征，具体方法如下：S31、根据宽带雷达获取各目标在飞行过程中的一维距离像数据，一幅距离像幅度数据记为{a(1),a(2),…,a(M)}，其中，M＝256为该一维像的采样点个数，则找到其最大幅度值采用5个点的峰值检测窗口在一维像数据上滑动检测，记录所有值大于amax/2的波峰点位置{kj|j＝1,2,...,m；m≤M}，这些波峰点即为目标散射中心；S32、提取目标散射点空域特征：NS＝count{kj|x(kj)>amax/2}＝mL＝Δd×(km-k1)Rfirst＝r1/NSRlast＝r2/NS其中：Δd为雷达距离分辨率，r1为第一个散射中心与最强散射中心的距离，r2为最后一个散射中心与最强散射中心的距离，NS为目标强散射点中心个数，L为目标径向长度、未去尺度结构特征、Rfirst和Rlast为目标距离域结构特征。所述5种宽带一维像特征分别记为f9，f10，…，f13。进一步的，步骤S4中所述样本在特征fi上的分布置信度参数θi的统计方法如下：训练样本集中所有样本提取到的特征fi记为其中N＝N1+N0，N0为非弹头目标的训练样本总数，N1为真实弹头目标的训练样本总数；特征最小值：特征最大值：统计区间步长：类别分布矢量：类别分布置信度矢量：其中，D为划分的区间数目，D＝20；为在特征fi上特征值位于第d个分区的非弹头目标的样本数，为在特征fi上特征值位于第d个分区的真实弹头目标的样本数，第d个分区的区间范围为进一步的，步骤S5中所述对某待测试样本的每一维特征数据{yi|i＝1,2,…,13}进行类别初步判断的方法如下：对第i维特征值yi，由S4所述分布置信度参数θi确定该特征值所属分布区间编号则由第i维特征得到该样本的类别判别值为：进一步的，步骤S6中所述利用13个独立特征判别结果{V1,V2,…,V13}进行最终分类融合，首先将忽略13个分类结果中置信度小于0.5的值，即：然后计算最终分类融合分值：其中，代表统计13个独立判别结果中置信度为0的特征个数。本专利技术的有益效果为，通过利用真假弹头目标在飞行过程中反映的雷达特性的不同，从窄带雷达获取的RCS数据中提取了RCS序列特征，从宽带雷达获取的一维像数据中提取了目标散射点空域特征，设计了针对每维特征独立进行的训练和识别方法。同时，充分利用了窄带雷达和宽带雷达的互补性，将两种雷达的独立特征识别结果进行综合判别输出，有效实现了基于多雷达信息的真假弹头目标识别。对仿真数据进行识别测试，正确识别率达到98.75％。附图说明图1为本专利技术的真假弹头雷达目标识别方法流程图。具体实施方式
技术实现思路
部分已经对本专利技术的技术方案做了详细描述，下面通过仿真方法，对本专利技术的具体流程进行详细说明：采用STK软件仿真真实弹头目标和虚假弹头目标的飞行轨迹，每类目标都通过随机设置初始发射参数的方式各产生100条飞行轨迹；使用FEKO软件计算真假弹头目标的RCS值，每类目标的每条轨迹和RCS值都按照某一个型号的雷达的具体工作参数添加系统误差，同时按100Hz的频率仿真计算其飞行过程中的一本文档来自技高网...

【技术保护点】
一种基于多雷达信息的真假弹头目标识别方法，其特征在于，包括以下步骤：S1、由窄带雷达探测获得真实弹头及诱饵目标在飞行过程中的RCS值，将每连续n个采样时刻的值构成一个RCS序列；将所述RCS序列随机分为训练数据集和测试数据集；S2、根据S1得到的RCS序列，对每个目标的每个序列分别提取目标的窄带统计特征，包括RCS序列的均值

【技术特征摘要】
1.一种基于多雷达信息的真假弹头目标识别方法，其特征在于，包括以下步骤：S1、由窄带雷达探测获得真实弹头及诱饵目标在飞行过程中的RCS值，将每连续n个采样时刻的值构成一个RCS序列；将所述RCS序列随机分为训练数据集和测试数据集；S2、根据S1得到的RCS序列，对每个目标的每个序列分别提取目标的窄带统计特征，包括RCS序列的均值样本方差s、r阶中心矩Br、样本极差△d、变异系数Cv、偏态系数Cs、静态系数Ce和样本中位数Rm，将所述的8种窄带统计特征分别记为f1，f2，…，f8，其中代表类别标号为t的目标在第j段RCS采样序列中提取出的fi特征的值，Nt为目标t的RCS采样序列总数；设定t＝0为诱饵目标，t＝1为真实目标；S3、由宽带雷达获取各目标在飞行过程中的一维距离像数据，将所述一维距离像数据随机分为训练数据集和测试数据集；对每幅一维距离像提取目标散射点空域特征，包括目标强散射点中心个数NS、目标径向长度L、去尺度结构特征目标距离域结构特征Rfirst和Rlast，所述的5种宽带特征分别记为f9，f10，…，f13，其中代表类别标号为t的目标在第j幅一维距离像数据中提取出的fi特征的值，Nt为目标t的一维距离像总数；S4、根据步骤S2和步骤S3将得到的训练数据集提取到的特征共13种，针对每一种特征fi，独立统计所有目标样本在该维特征上的样本分布置信度参数θi，包括特征最小值特征最大值统计区间步长类别分布矢量类别分布置信度矢量S5、对某待测试目标的雷达数据，利用S2和S3所述提取目标窄带及宽带特征值{yi|i＝1,2,…,13}，对每一维特征值yi，由S4所述对应特征的样本分布置信度参数θi来对目标类别进行初步判断，得到判别值其中为由特征yi判断出的当前测试目标的类别标号，为该判别结果的置信度；S6、采用综合判决算法对S5所述13个独立判别结果{V1,V2,…,V13}进行融合，计算最终的分类融合分值C，根据融合分值C确定待测试样本的类别号k，若C>0.5则当前待识别样本为真实弹头k＝1，若C≤0.5则待识别样本为虚假目标k＝0。2.根据权利要求1所述的一种基于多雷达信息的真假弹头目标识别方法，其特征在于，步骤S1中所述n＝20。3.根据权利要求2所述的一种基于多雷达信息的真假弹头目标识别方法，其特征在于，步骤S2中所述提取各RCS序列的目标窄带统计特征，具体方法如下：

【专利技术属性】
技术研发人员：廖阔，周代英，张瑛，沈晓峰，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51