一种基于多传感器的导弹目标类型识别方法技术

本发明专利技术公开了一种基于多传感器的导弹目标类型识别方法，包括以下步骤：1)使用传感器采集导弹目标数据，然后根据多个传感器采集的导弹目标数据，构建训练样本矩阵和测试样本矩阵；2)对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度；3)根据奇异值分解得到的样本矩阵生成分类模型，所述分类模型由线性变换矩阵和分类中心向量组组成；4)对待分类的样本进行投影预处理得到待分类样本向量，计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离，将距离最近的一组作为类型识别结果。本发明专利技术能利用多传感器生成的高维样本数据进行兼顾效率与准确率的导弹目标类型识别。

【技术实现步骤摘要】
一种基于多传感器的导弹目标类型识别方法
本专利技术涉及舰船作战系统技术，尤其涉及一种基于多传感器的导弹目标类型识别方法。
技术介绍
在舰船对空自防御作战中，不同类型来袭导弹的飞行速度、入射角度和末端机动方式都有所不同，因此需针对不同类型的导弹采取不同的防御作战方案。对来袭导弹目标类型进行识别可以提高防御作战的针对性。舰船对空自防御系统对于导弹目标类型识别准确率的要求正在提高。传统的，使用单一信息来源辅助进行识别的方法已经不能满足作战使用的需要，而利用多传感器进行多源信息融合，实现对导弹目标类型的准确识别已成为当前的研究热点。但是，多传感器产生的数据维度较高，这些数据中不仅包含了导弹目标特征信息，还夹杂着冗余和不相关的信息。在高维空间中，不同样本间距离的可区分度随着样本数据维数的增加而降低，高维度样本数据不仅带来了分类计算复杂度的指数级增长，维度和维度之间的冗余和不相关信息还降低了分类算法的准确率。因此，直接利用多传感器产生的数据对导弹目标类型进行识别的效果欠佳。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种基于多传感器的导弹目标类型识别方法，利用多传感器生成的高维样本数据进行兼顾效率与准确率的导弹目标类型识别。本专利技术解决其技术问题所采用的技术方案是：一种基于多传感器的导弹目标类型识别方法，包括以下步骤：1)使用传感器采集导弹目标数据，然后根据多个传感器采集的导弹目标数据，构建训练样本矩阵和测试样本矩阵；训练样本矩阵和测试样本矩阵的组成结构相同，矩阵的每一行代表一种导弹目标特征，每一列表示一个导弹目标样本；2)对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度；3)根据奇异值分解得到的样本矩阵生成分类模型，所述分类模型由线性变换矩阵和分类中心向量组组成；4)对待分类的样本进行投影预处理得到待分类样本向量，计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离，将距离最近的一组作为类型识别结果。按上述方案，所述步骤1)中传感器包括雷达探测系统和电子侦察探测系统。按上述方案，所述步骤2)对训练样本矩阵进行奇异值分解之前，还包括对训练样本矩阵的归一化处理步骤，具体如下：对原训练样本矩阵A按行对每个特征进行归一化处理得到样本矩阵X，矩阵X每个元素xijk的计算公式为：其中，aijk为原训练样本矩阵的样本值，min为样本值中的最小值，max为样本值中的最大值，k为该特征的权值，由专家系统或该领域的专家评分给出。按上述方案，所述步骤2)中对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度的具体步骤如下：2.1)对样本矩阵X进行奇异值分解，对矩阵X分解后，得到三个矩阵：U、S和VT，其公式：X＝USVT；其中，分解后的矩阵U为特征矩阵，用于反映特征之间的关系，即特征之间的相关性，每一行代表一个特征；矩阵VT为样本矩阵，用于反映样本之间的关系，即样本之间的相关性，每一列代表一个样本；奇异值矩阵S用于反映数据对象的重要性；2.2)利用奇异值矩阵S来确定保留阶数d：其中，R为S矩阵中非零奇异值的个数，xij为S的元素即根据需要用d个特征就能描述大于t比例的信息量，则矩阵U保留d行、矩阵S保留d个奇异值，矩阵VT保留d列，得到的为降维后的矩阵，d为降维后的维度；即按上述方案，所述线性变换矩阵为由降维后的Ud和Sd组成的线性变换矩阵UdSd-1，用于将待识别样本向量投影到低维空间。按上述方案，所述分类中心向量组pi；利用降维后的VdT矩阵，可以得到分类中心向量组pi，VdT中的每个列向量用pik表示，i＝1,2,…,c；k＝1,2,…,n；其中，c为样本的类别数，n为每个类别的样本数；pi计算公式如下：按上述方案，步骤4)具体如下：4.1)设融合后的待分类样本向量为y对待分类样本进行归一化处理；4.2)利用分类模型中的线性变换矩阵UdSd-1，对待分类样本向量y进行线性变换，将其投影到低维空间，得到线性变换后的待分类样本向量y’。y′＝yUdSd-14.3)计算降维后的待分类样本向量与分类中心向量组中各分量之间的余弦距离，得到c个值，分类结果按大小排列，结果最大的值对应的类即为分类识别结果，余弦距离的计算采用以下公式：其中，||·||表示求2范数。本专利技术产生的有益效果是：利用矩阵奇异值分解的思想构建分类模型，基于奇异值分解后各矩阵的物理涵义，通过数据降维显著削弱了高维样本数据中的冗余和不相关信息对分类识别造成的负面影响，提高了导弹目标类型识别的准确率。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术实施例的方法流程图；图2是本专利技术实施例的样本导弹类型分类示意图；图3是本专利技术实施例的样本矩阵组成图；图4是本专利技术实施例的降维过程中特征提取示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术的技术方案包括以下三个步骤：一、根据多个传感器采集到的导弹目标数据，产生训练样本数据和测试样本数据。以一个本专利技术方法的具体实施为例，首先，根据公开资料，收集11种型号的飞行目标资料。然后，根据导弹飞行速度划分为2个大类：亚音速导弹和超音速导弹，再对每一大类进一步细分，具体归类如图2所示。将以下6种导弹归类为亚音速导弹。美国“捕鲸叉”；美国AGM-109“战斧”(TALCM)；俄罗斯“白蛇-E”；欧洲“海鸥”；日本ASM-1；俄罗斯Kh-31P“氪”。将以下5种导弹归类为超音速导弹。日本12SSM；美国AGM-88“哈姆”(HARM)；俄罗斯Kh-55A/B；俄罗斯Kh-101；印度“布拉莫斯”。传感器为雷达探测系统和电子侦察探测系统。传感器产生的数据包括雷达探测目标数据和电子侦察目标数据。可从雷达获取的目标特征为：目标高度(km)、飞行速度(m/s)、方位角、方位角速度、高低角、高低角速度、目标航向等。可从电子侦察探测系统获取的特征为：辐射频率(MHz)、信号种类、信号载频、信号脉宽、信号重复频率、信号机构等。电子侦察参数编码规则：分别以数字1,2,3,4表示脉冲波、连续波、干扰波和干扰杂波等4种信号种类；分别以数字1,2,3表示单一频、分集频和捷变频等3种信号载频；分别以数字1,2,表示单一和变化等2种信号脉宽；分别以数字1,2,3,4表示单一、按组随机跳变、PD体制重频和PD体制高重频等4种信号重复频率；分别以数字1,2,3表示二次雷达应答、指令信号和脉内调制等3种信号结构。以亚音速导弹“捕鲸叉”为例，以每个特征的上下界的算术平均值为中心，根据3σ法则生成的一部分样本如表1所示。以第一个样本为例，其中一部分特征如下：目标高度为22.47；飞行速度为75.3；电子侦查的信号种类为第2种(连续波)。表1样本示例特征样本1样本2样本3样本4样本5目标高度22.4732.6636.2937.4035.31飞行速度75.3085.7471.4368.8397.43方位角169.2581.37168.09200.19152.57方位角速度4.654.684.734.584.47高低角140.38166.59124.8084.9本文档来自技高网...

【技术保护点】
一种基于多传感器的导弹目标类型识别方法，其特征在于，包括以下步骤：1)使用传感器采集导弹目标数据，然后根据多个传感器采集的导弹目标数据，构建训练样本矩阵和测试样本矩阵；训练样本矩阵和测试样本矩阵的组成结构相同，矩阵的每一行代表一种导弹目标特征，每一列表示一个导弹目标样本；2)对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度；3)根据奇异值分解得到的样本矩阵生成分类模型，所述分类模型由线性变换矩阵和分类中心向量组共同组成；4)对待分类的样本进行投影预处理得到待分类样本向量，计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离，将距离最近的一组作为类型识别结果。

【技术特征摘要】
1.一种基于多传感器的导弹目标类型识别方法，其特征在于，包括以下步骤：1)使用传感器采集导弹目标数据，然后根据多个传感器采集的导弹目标数据，构建训练样本矩阵和测试样本矩阵；训练样本矩阵和测试样本矩阵的组成结构相同，矩阵的每一行代表一种导弹目标特征，每一列表示一个导弹目标样本；2)对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度；3)根据奇异值分解得到的样本矩阵生成分类模型，所述分类模型由线性变换矩阵和分类中心向量组共同组成；4)对待分类的样本进行投影预处理得到待分类样本向量，计算该向量与步骤3)得到的分类中心向量组中的每个分量的余弦距离，将距离最近的一组作为类型识别结果。2.根据权利要求1所述的基于多传感器的导弹目标类型识别方法，其特征在于，所述步骤1)中传感器包括雷达探测系统和电子侦察探测系统。3.根据权利要求1所述的基于多传感器的导弹目标类型识别方法，其特征在于，所述步骤2)对训练样本矩阵进行奇异值分解之前，还包括对训练样本矩阵的归一化处理步骤，具体如下：对原训练样本矩阵A按行对每个特征进行归一化处理得到样本矩阵X，矩阵X每个元素xijk的计算公式为：其中，aijk为原训练样本矩阵的样本值，min为样本值中的最小值，max为样本值中的最大值，k为该特征的权值，由专家系统评分给出。4.根据权利要求1所述的基于多传感器的导弹目标类型识别方法，其特征在于，所述步骤2)中对训练样本矩阵进行奇异值分解，根据奇异值的贡献率确定降维维度的具体步骤如下：2.1)对样本矩阵X进行奇异值分解，对矩阵X分解后，得到三个矩阵：U、S和VT，其公式：X＝USVT；其中，分解后的矩阵U为特征矩阵，用于反映特征之间的关系，即特征之间的相关性，每一行代表一个特征；矩阵VT为样本矩阵，用于反映样本之间的关系，即样本之间的相关性，...

【专利技术属性】
技术研发人员：郑冕，黄坤，杨子晨，胡洋，吕遐东，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：湖北,42