一种基于隶属度加权的雷达目标分类方法技术

本发明专利技术公开了一种基于隶属度加权的雷达目标分类方法，涉及雷达技术领域，该方法综合运用基于模糊模式识别和基于知识的模式识别方法开展窄带雷达的目标分类，基于先验知识完成隶属度函数的建模和权重系数优化之后，可基于隶属度加权来进行雷达目标分类，克服了现有利用频谱信息进行目标分类的缺陷，且建模完成后可固化到雷达处理组件中，可在每个雷达帧时间内完成目标分类，实现探到即完成分类，分类准确率和效率较高。准确率和效率较高。准确率和效率较高。

【技术实现步骤摘要】
一种基于隶属度加权的雷达目标分类方法


[0001]本专利技术涉及雷达
，尤其是一种基于隶属度加权的雷达目标分类方法。

技术介绍

[0002]雷达探测空域内，通常存在多类目标，以边防雷达为例，主要监视的目标类型包括人员、车辆、无人机三类。雷达目标分类是指利用先验知识，分析每一类目标的典型特征，再由雷达的探测信息来推断目标所从属的类别。在工程上，采取何种侦察打击策略主要取决于目标类别，雷达探测具有大空域、距离远、高数据率、全天候、全天时、多目标跟踪、探测精度高的优势，基于雷达的优势能力开发目标分类功能，快速、准确识别目标类别，具有重要现实意义，也是研究热点。
[0003]传统的雷达目标分类与识别方法包括四类：(1)基于目标运动的回波起伏和调制频谱特性的目标识别，(2)基于极点分布的目标识别，(3)基于高分辨力雷达成像的目标识别，(4)基于极化特征的目标识别。目前广泛应用的雷达属于窄带雷达，可在频谱中获得的信息有限，难以对目标进行成像识别，且人员、车辆、无人机三类目标的回波起伏和调制频谱特性、极点分布特性、极化特征并不明确、可靠，因此基于传统方法难以开展窄带雷达的目标分类识别。

技术实现思路

[0004]本专利技术人针对上述问题及技术需求，提出了一种基于隶属度加权的雷达目标分类方法，本专利技术的技术方案如下：
[0005]一种基于隶属度加权的雷达目标分类方法，该方法包括：
[0006]获取待分类目标的特征信息，特征信息包括待分类目标的各个特征类型对应的信息；
[0007]将待分类目标的特征信息代入综合隶属度函数中，综合隶属度函数是根据先验知识对雷达获取到的各个特征类型对应的隶属度函数集合按照各自对应的权重系数进行加权得到的函数，每个特征类型对应的隶属度函数集合包括各个候选分类结果的当前特征类型的隶属度函数；
[0008]基于综合隶属度函数中隶属度值最大的候选分类结果得到待分类目标的目标分类结果。
[0009]其进一步的技术方案为，该方法还包括：
[0010]根据雷达的先验知识确定各个候选分类结果的各个特征类型的典型值范围；
[0011]确定每个候选分类结果的每个特征类型对应的隶属度函数得到各个特征类型对应的隶属度函数集合，每个候选分类结果的特征类型的典型值范围代入对应的隶属度函数后的隶属度值达到预定阈值；
[0012]利用初始的权重系数对各个特征类型对应的隶属度函数集合进行线性加权，并基于预定权重优化算法进行权重优化确定各个特征类型对应的权重系数。
[0013]其进一步的技术方案为，各个特征类型对应的初始的权重系数相等，则基于预定权重优化算法进行权重优化确定各个特征类型对应的权重系数，包括：
[0014]针对每个候选分类结果分别生成若干个随机样本，每个随机样本包括当前的候选分类结果的各个特征类型的随机值；
[0015]对于每个候选分类结果，将针对候选分类结果的各个随机样本代入当前迭代的权重系数构建的综合隶属度函数中，将隶属度值最大的候选分类结果作为样本分类结果，并确定针对所有随机样本得到的样本分类结果为候选分类结果的比例为候选分类结果的分类正确率；
[0016]若存在至少一个候选分类结果的分类正确率未达到对应的正确率阈值，则基于预定权重优化算法调整各个特征类型对应的权重系数；
[0017]若针对每个候选分类结果的分类正确率都达到对应的正确率阈值，则得到各个特征类型对应的权重系数。
[0018]其进一步的技术方案为，预定权重优化算法包括模拟退火算法、遗传算法和群智能算法中的至少一种。
[0019]其进一步的技术方案为，雷达获取到的特征类型包括速度、加速度、距离、高度以及雷达截面积RCS中的至少两种，同一个特征类型对应的隶属度函数集合中的隶属度函数均属于同一个隶属度函数类型。
[0020]其进一步的技术方案为，隶属度函数类型包括偏小型、中间型和偏大型，同一个特征类型对应的隶属度函数集合中的各个隶属度函数相同或不同。
[0021]其进一步的技术方案为，各个隶属度函数集合中使用到的隶属度函数包括S形隶属函数、高斯型隶属函数、广义钟形隶属函数、π型隶属函数、梯形隶属函数、三角形隶属函数中的至少一种。
[0022]其进一步的技术方案为，基于综合隶属度函数中隶属度值最大的候选分类结果得到待分类目标的目标分类结果，包括：
[0023]确定综合隶属度函数中隶属度值最大的候选分类结果为待分类目标的单次分类结果，确定待分类目标的若干次独立的单次分类结果中占比最高的单次分类结果为待分类目标的目标分类结果。
[0024]本专利技术的有益技术效果是：
[0025]本申请公开了一种基于隶属度加权的雷达目标分类方法，该方法考虑到窄带雷达可获得的目标特征信息包括距离、RCS、速度、加速度、方位角、俯仰角信息，且这些信息的先验知识易于获取，工程需求是基于雷达只对目标进行分类，而无需对同一类别目标做更精细的型号识别，因此本申请综合运用基于模糊模式识别和基于知识的模式识别方法开展窄带雷达的目标分类，克服了现有利用频谱信息进行目标分类的缺陷，基于先验知识完成隶属度函数的建模和权重系数优化之后，可固化到雷达处理组件中，可在每个雷达帧时间内完成目标分类，实现探到即完成分类，分类准确率和效率较高。
[0026]本申请的方法对窄带雷达是通用的，且所提出的权重系数优化流程是一个通用框架，可选择不同的智能算法，通用性强。而且，可灵活调整特征类型，如提炼雷达回波频谱特征，实现更多类别目标的分类，可扩展性和灵活性更强。在判定目标分类结果时，使用多次分类结果中占比最高的类别作为最终分类结果，由于雷达的探测存在一定误差，允许存在
少量因探测误差导致单次分类错误的情况发生，容错性能好。
附图说明
[0027]图1是本申请的雷达目标分类方法的方法流程图。
[0028]图2是本申请的雷达目标分类方法中确定各个特征类型对应的权重系数的流程示意图。
[0029]图3是在一个实例中，特征类型速度对应的隶属度函数集合f(v)中包含的人员、车辆、无人机的速度的隶属度函数。
[0030]图4是在一个实例中，特征类型距离对应的隶属度函数集合f(R)中包含的人员、车辆、无人机的距离的隶属度函数。
[0031]图5是在一个实例中，特征类型高度对应的隶属度函数集合f(H)中包含的人员、车辆、无人机的高度的隶属度函数。
[0032]图6是在一个实例中，特征类型RCS对应的隶属度函数集合f(RCS)中包含的人员、车辆、无人机的RCS的隶属度函数。
[0033]图7是在一个实例中，特征类型加速度对应的隶属度函数集合f(a)中包含的人员、车辆、无人机的加速度的隶属度函数。
具体实施方式
[0034]下面结合附图对本专利技术的具体实施方式做进一步说明。
[0035]本申请公开了一种基于隶属度加权的雷达目标分类方法，请参考图1，该方法包括如下步骤：
[0036]1、获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隶属度加权的雷达目标分类方法，其特征在于，所述方法包括：获取待分类目标的特征信息，所述特征信息包括所述待分类目标的各个特征类型对应的信息；将所述待分类目标的特征信息代入综合隶属度函数中，所述综合隶属度函数是根据先验知识对雷达获取到的各个特征类型对应的隶属度函数集合按照各自对应的权重系数进行加权得到的函数，每个特征类型对应的隶属度函数集合包括各个候选分类结果的当前特征类型的隶属度函数；基于所述综合隶属度函数中隶属度值最大的候选分类结果得到所述待分类目标的目标分类结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述雷达的先验知识确定各个候选分类结果的各个特征类型的典型值范围；确定每个候选分类结果的每个特征类型对应的隶属度函数得到各个特征类型对应的隶属度函数集合，每个候选分类结果的特征类型的典型值范围代入对应的隶属度函数后的隶属度值达到预定阈值；利用初始的权重系数对各个特征类型对应的隶属度函数集合进行线性加权，并基于预定权重优化算法进行权重优化确定各个特征类型对应的权重系数。3.根据权利要求2所述的方法，其特征在于，各个特征类型对应的初始的权重系数相等，则所述基于预定权重优化算法进行权重优化确定各个特征类型对应的权重系数，包括：针对每个候选分类结果分别生成若干个随机样本，每个随机样本包括当前的候选分类结果的各个特征类型的随机值；对于每个候选分类结果，将针对所述候选分类结果的各个随机样本代入当前迭代的权重系数构建的综合隶属度函数中，将隶属度值最大的候选分类结果作为样...

【专利技术属性】
技术研发人员：陈建平，王鹏轩，尤立志，王德奇，汪子涵，胡晓伟，
申请(专利权)人：无锡市雷华科技有限公司，
类型：发明
国别省市：