本发明属于雷达目标识别方法技术领域，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。
背景技术：
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。
技术实现要素：
本发明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。
本发明的技术方案为：
本发明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}＝m
L＝Δd×(km-k1)
Rfirst＝r1/NS
Rlast＝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。
本发明的有益效果为，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为本发明的真假弹头雷达目标识别方法流程图。
具体实施方式
发明内容部分已经对本发明的技术方案做了详细描述，下面通过仿真方法，对本发明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维像数据。则对每条飞行轨迹都可以得到一组RCS采样序列和一维像序列数据。从每类目标的100组仿真数据中随机选择50组作为训练数据集，剩余50组作为测试数据集。
将每连续n＝20个采样时刻(一段采样窗中)的RCS值构成一个RCS序列，统计每个序列中的目标窄带统计特征：
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。这8种窄带特征分别记为f1，f2，…，f8，代表目标t(t＝0为虚假目标，t＝1为真实目标)在第j个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。
对目标的每幅宽带一维像数据{a(1),a(2),…,a(256)}，找到一维像数据中的最大幅度值采用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}，这些波峰点即为目标散射中心。提取该幅一维像的目标散射点空域特征：
NS＝count{kj|x(kj)>amax/2}＝m
L＝Δd×(km-k1)
Rfirst＝r1/NS
Rlast＝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。将这5种宽带一维像特征分别记为f9，f10，…，f13。
对训练数据集进行上述特征提取后得到共13维窄带和宽带特征集：
针对每一种特征fi(即F中的每一列数据独立统计所有目标训练样本在该维特征上的样本分布置信度参数包括：
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：
其中，N为训练样本总数，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；D为划分的特征分布区间数目，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，则代表当样本特征值位于第d个分区时该样本可能对应的类别标号，代表当样本特征值位于第d个分区时该样本类别标号为的可信度。第d个分区的区间范围定义为
针对上述13维特征，每一维特征都会统计得到一组样本分布置信度参数。
对于测试集中的每一个待测试样本，同样提取其13维的窄带和宽带特征y＝{y1,y2,…,y13}，针对每一维特征yi，i＝1,2,…,13独立进行类别初步判断。首先由第i维特征的分布置信度参数θi确定该特征值所属分布区间编号随后由所属区间编号pi得到在第i维特征上该样本的类别判别值为：即以第i维特征为依据判断该样本所属目标类别为且该判别结果的可信度为
对13维特征独立判断可得到13组初步判别结果{V1,V2,…,V13}，采用综合判决算法对着13个独立判别结果进行融合。首先忽略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。
最后，确定待测试样本的类别号k根据融合分值C确定，k＝1代表当前待识别样本为真实弹头，k＝0代表则待识别样本为虚假目标。
采用仿真数据验证本发明的真假弹头雷达目标识别方法的正确识别率。仿真产生了1类真实弹头目标和包括碎片、重诱饵、轻诱饵在内的3类虚假目标在飞行过程中的窄带和宽带数据，将仿真数据随机分为训练数据集和测试数据集。则对测试数据集中的真实弹头目标正确识别率为98.5％，对虚假目标的正确识别率为99.0％，平均正确识别率为98.75％。