一种基于多雷达信息的真假弹头目标识别方法与流程

技术特征：

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B_r、样本极差△d、变异系数C_v、偏态系数C_s、静态系数C_e和样本中位数R_m，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，N_t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R_first和R_last，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，N_t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：

$\stackrel{\‾}{x}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_k$

$s=\sqrt{\frac{1}{n-1}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2}$

$B_r=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^r$

$\mathrm{\Δ}d=\underset{1\≤k\≤n}{max}\left\{x_k\right\}-\underset{1\≤k\≤n}{min}\left\{x_k\right\}$

$C_v=\frac{s}{\stackrel{\‾}{x}}$

$C_s=\frac{n}{(n-1)(n-2)}\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^3}{s^3},n\≤30$

$C_e=\frac{n^2-2n+3}{(n-1)(n-2)(n-3)}\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^4}{s^4}-\frac{3(2n-3)}{n(n-1)(n-2)(n-3)}\frac{{\[\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_k-\stackrel{\‾}{x})}^2\]}^2}{s^4},n\≤30$

$R_m=x_{pos\left(\frac{n}{2}\right)}$

其中：x_k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，B_r为r阶中心矩，r＝3，△d为样本极差、C_v为变异系数、C_s为偏态系数、C_e为静态系数，样本中位数R_m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。

4.根据权利要求3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a_max/2的波峰点位置{k_j|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{k_j|x(k_j)>a_max/2}＝m

L＝△d×(k_m-k₁)

$\stackrel{\‾}{A}=\[\underset{k=k_1}{\overset{k_m}{\mathrm{\Σ}}}|x\left(k\right)/(k-k_1+1)|\]/a_{max}$

R_first＝r₁/NS

R_last＝r₂/NS

其中：△d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、A未去尺度结构特征、R_first和R_last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。

5.根据权利要求4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

6.根据权利要求5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：

7.根据权利要求6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。