一種基于常規雷達的炮彈目標識別方法
【專利摘要】本發明屬于雷達【技術領域】，具體的說是涉及一種基于常規雷達的炮彈目標識別方法。本發明公開了一種基于低分辨率雷達炮彈目標的有效識別算法，利用目標軌跡信息，采用改進的人工蜂群支持向量機算法進行炮彈目標進行識別?？朔说头直媛世走_特征數據少、分辨率低和對炮彈等小目標識別效果差等缺陷，提高了常規雷達對炮彈目標的識別率。本發明的有益效果為，有效解決了低分辨率雷達識別率低的問題，能夠快速、高效的對迫擊炮、榴彈炮和火箭炮等運動目標的分類識別。本發明尤其適用于常規雷達的炮彈目標識別。
【專利說明】一種基于常規雷達的炮彈目標識別方法
【技術領域】
[0001] 本發明屬于雷達【技術領域】，具體的說是涉及一種基于常規雷達的炮彈目標識別方 法。
【背景技術】
[0002] 雷達目標識別是根據目標的后向電磁散射來鑒別目標。當雷達帶寬足夠寬時，目 標后向電磁散射包含了目標的形狀、大小、結構等特征信息，這是雷達目標識別的依據（Li HJ,Wang YDIMatching Score Properties Between Range Profile of High-Resolution Radar Target [J]lIEEE Trans AP, 1996,44(4) :444-453.)。常規雷達（低分辨雷達）一般 不具備徑向上和橫向上的高分辨能力，其所能揭示的目標的信息非常有限，基于寬帶雷達 目標識別的思想和方法很難用于常規雷達的目標分類和識別。因此，基于低分辨雷達的目 標特征描述、提取和分類等方面的研究是雷達目標識別一個重要研究方向，具有廣泛的應 用前景。
[0003] 目前，在低分辨條件下對目標進行精細識別是一個廣泛存在的技術難題。在低分 辨率雷達這一方面國防科技大學ATR國家重點實驗室做了比較多的研究，但是主要是針對 飛機目標，并且主要利用飛機目標的回波信號進行處理和識別，對于炮彈目標并不適用。
[0004] 對目標進行分類識別時，SVM具有較高的推廣能力。但是，對于不同的具體數據，利 用SVM方法進行分類識別，模型參數的選擇對分類結果有顯著的影響。因此，對于在常規雷 達進行目標識別時候，應該選擇最優參數，以提高雷達目標識別率。但是，通過大量實驗研 究發現目前常規采用的遺傳算法、群蟻算法等往往只能達到局部最優，難以實現全局最優。
【發明內容】
[0005] 本發明所要解決的，就是針對上述問題，提出一種基于低分辨率雷達炮彈目標的 有效識別算法，利用目標軌跡信息，采用改進的人工蜂群支持向量機算法進行炮彈目標進 行識別。
[0006] 本發明解決上述技術問題所采用的技術方案是：一種基于常規雷達的炮彈目標識 別方法，其特征在于，包括以下步驟：
[0007] a.構建特征樣本：針對迫擊炮、榴彈炮、火箭炮在內的m個已知炮彈類別，利用炮 彈的運行軌跡仿真數據構建特征樣本；
[0008] b.獲取支持向量機參數：使用上述構建的特征樣本訓練支持向量機，獲取最優的 支持向量機參數；
[0009] c.構建炮彈目標識別數據庫：使用上述獲取的支持向量機參數對特征樣本進行 訓練，構建炮彈目標識別數據庫，并生成支持向量機分類器；
[0010] d.目標識別：識別時，將常規雷達采集的數據進行均值濾波處理后，輸入到炮彈 目標識別數據庫中，根據支持向量機分類器的輸出，實現對炮彈目標的識別。
[0011] 具體的，所述步驟a中，針對m個已知炮彈類別，采用炮彈剛體六自由度彈道模型， 炮彈每隔一度射角仿真一條軌跡，使用龍格庫塔算法對每條軌跡進行解方程獲取炮彈的 特征樣本Si = [Sl，s2,. . . sn]，下標i表示樣本目標數，i為正整數；下標η表示特征序列， Ν > 7,特征樣本中至少包括：總體速度V、高度Ζ、彈道曲線斜率Θ、水平方向速度Vxy、垂直 方向速度v z、垂直方向加速度az和水平方向加速度axy。
[0012] 具體的，所述步驟b為采用人工蜂群算法對支持向量機參數進行優化，具體流程 為：
[0013] bl.獲取人工蜂群算法初始化參數X，具體為首先運用公式ch1+1 = 4 · · (1-ch) ;1 = 1，2產生Logistic混沛序列，其中ch為0到1的隨機數，且 ch 關 0· 25, 0· 5 和 0· 75,然后 X = Nch+CH · (Mch-Nch)，其中 CH = [ch" ch2]，Nch = 0· 01，Mch -^11 -^12 = 500，X表示為矩陣形式為X= 2 = 21 ，即(xn，xi2)是一個二維向量，其 _XlOO_ _-^1001 -^1002 _ 中χη對應支持向量機的懲罰參數c，xi2對應支持向量機的核函數參數g ;取最大迭代次數 MaxCN為50、并指定用于判斷個體是否陷入停滯的控制參數lim的值為30 ;構建訓練樣本， 具體為：在特征樣本集Si中每隔五度射角選出一個樣本構建訓練樣本集5V下標j表示訓 練樣本數，j為正整數；特征樣本集Si中減去訓練樣本集h后剩下的樣本作為識別測試數 據；
[0014] b2.將步驟bl中構建的訓練樣本數據隨機分為K組，分別用每一組子集數據做支 持向量機一次驗證集，其余K-1組子集數據作為訓練集，得到K個模型；
[0015] b3.用步驟bl中得到的支持向量機參數X分別計算K個模型的交叉驗證平均識別 1 . 概率Ι/fi，計算其適應度= ^ + / 選擇最大適應度對應的最優解Xb，Xi在最優解
[H4 乂 處任一維度進行變異X' ij = xbj+R · (xbj-xkj)，其中，xbj表示當前最優解xb的第j維分量； xw為個體Xk的第j維分量；j，k均隨機選擇，且k尹b ;R為[-1，1]間的隨機數；X' υ表 示新產生的個體第j維分量，其對應的新個體記為X' i ;再次計算變異后的適應度，和變異 前適應度比較，如增加則更新，否則保持原值，即& = ;
[Λ? j JKAi) ^ J\Ai)
[0016] b4.根據\的適應度函數fitp計算\的選擇概率6 = 片，；靠近最優解的 解更容易被選中，某個解被選中后繼續進行和步驟b3相同的變異操作，記錄其未更新次數 { 〇，/{X：)<f(X；); tria^ - [trial + hf (Xf-) > /(X; )
[0017] b5.判斷是否存在連續lim次迭代都沒有更新的個體，若存在，則產生一個新解代 替原來的陷入局部最優的解，具體方法為A = X^+Φ X (Xmax_Xmin);其中，Φ表示區間[0， 1]內的隨機數，Xmax和X min是解空間的上、下邊界；
[0018] b6.判斷是否達到最大迭代次數MaxCN，若是，則輸出當前記錄的最優解作為支持 向量機最優參數，若否，則回到步驟b2。
[0019] 具體的，步驟C中，根據特征樣本31，設（Si，yi)為訓練樣本，其中y表示對目標的 編號，取值-1或者+1 ;將步驟b中獲得的最優懲罰因子C和核函數參數g代入支持向量 機，其中核函數采用公式K(Si，Sj) = eXp{-g| ISi-Sjl |2}，其中sjPSj表示第i、j個特征 樣本；設超平面ω · s+b = 0,選擇最優超平面轉化為最小化公式Φ(?,幻=|||?112+^￡在 8?^[(ωτφ (Si))+b]彡1-ξρ ξ?彡0，i = 1，2,…，η其中，ω為超平面的法向量， c為懲罰因子，b為偏置，ζ為松弛變量；引入Lagrange函數，讓二次規劃問題轉化 成對偶問題，即為求maxQ(?)=Za,-Σμ.,λ1# j j=l ^ /=1 /=1 j=l =1，2，...，1，％彡0;可以得最優解：a* = (<<，...，〇T;最優權值向量： '=?勺>Λ(Α);最優偏置；從而可構建支持向量機分類 i-i 器函數為：
[0020] /(.v)-sgnS(w，5) + bi} = sgn；^i//'_v//C(5/,5) + b"} 〇 Μ
[0021] 本發明的有益效果為，有效解決了低分辨率雷達識別率低的問題，能夠快速、高 效的對迫擊炮、榴彈炮和火箭炮等運動目標的分類識別，同時還考慮了實戰情況下雷達分 辨率，測量精度誤差等影響，通過對多個目標的仿真數據進行識別，識別率總體達到百分之 九十左右。
【專利附圖】
【附圖說明】
[0022] 圖1為總體識別流程圖；
[0023] 圖2為沒改進的人工蜂群算法進行參數優化時候的搜索效果曲線圖；
[0024] 圖3為改進后人工蜂群算法進行參數優化時候的搜索效果曲線圖。
【具體實施方式】
[0025] 下面結合附圖和實施例，詳細描述本發明的技術方案：
[0026] 如圖1所示，本發明的方法包括以下步驟：
[0027] ( -）產生仿真數據。對于迫擊炮、槽彈炮、火箭炮采用炮彈剛體六自由度彈道模 型，使用龍格庫塔算法進行解方程，炮彈的初始運動參數按其典型值設定，假設大氣狀態為 1標準大氣壓，風速為〇,步長h為0. 05s。計算出迫擊炮、榴彈炮、火箭炮在不同發射角度下 的炮彈飛行的彈道坐標、速度和姿態角度。
[0028] 對于迫擊炮、榴彈炮、火箭炮都采用以上參數模型，對于不同炮彈設定相應的具體 參數就可得到不同情況下各種炮彈的彈道數據。按照炮位偵察校射雷達探測的要求、在規 定的彈道弧段上采集空間點數據，就可獲得仿真的雷達采集數據.在求解彈道方程時，將 彈道條件、氣象條件、地理條件等參數在一定范圍內按照均勻分布進行隨機取值.根據隨 機取得的參數值，采集到目標距離R，方位角A，俯仰角E等數據然后根據公式，就可得到對 應第i個目標的訓練樣本Si = [Sl，s2,. . . sn]，其中[Sl，s2,. . . sn]分別對應炮彈的總體速 度v、高度Z、彈道曲線斜率Θ、水平方向速度Vxy、垂直方向速度^，垂直方向加速度az，水 平方向加速度a xy等特征，η為特征數目。
[0029] (二）運用改進的人工蜂群算法對支持向量機參數進行優化；炮彈每隔一度射角 仿真一條軌跡，每隔五度選出來一條軌跡進行建庫訓練，設Si為第i個目標樣本，并且分別 對其編號 yi，（Si>yi)表示其訓練樣本。利用這些訓練樣本對支持向量機算法進行交叉驗證， 并且使用改進的人工蜂群算法對使支持向量機分類準確率最高的參數c和g進行搜索；具 體為：
[0030] 1.獲取人工蜂群算法初始化參數X，具體為首先運用公式ch1+1 = 4 ?chi · α-chj ; 1 = 1，2產生Logistic混沌序列，其中chi為0到1的隨機數，且chi關0. 25, 0. 5和0. 75， 然后 X = Neh+CH · (Meh-Neh)，其中 CH =[咖，ch2]，Neh = 0· 01，Meh = 500, X 表示為矩陣形式 % -? 為x= 2 = 21 22 ，即Xi = (xn, xi2)是一個二維向量，其中χη對應支持向量機的 --? --* ?·? _^100_ _X1001 ^1002 _ 懲罰參數C，xi2對應支持向量機的核函數參數g ;取最大迭代次數MaxCN為50、并指定偵察 蜂用于判斷個體是否陷入停滯的控制參數lim的值為30。同時，每隔五度選取迫擊炮、榴彈 炮和火箭炮的數據，提取其高度、速度、加速度、彈道斜率、水平速度、垂直方向速度、彈道傾 角等特征，作為支持向量機訓練數據，其余的作為識別測試數據。
[0031] 2.運用炮彈數據隨機分為k組，將每個子集數據分別做支持向量機一次驗證集， 其余k-Ι組子集數據作為訓練集，這樣得到k個模型，用這k個模型最終的驗證集的分類準 確率的平均來計算人工蜂群的適應度。
[0032] 3.運用步驟一產生的支持向量機參數集代入步驟二，分別計算其交叉驗證平均識 別概率，從而得fi。根據（3)計算其適應度，選擇最大適應度對應的最優解X b，Xi在最優解 處任一維度利用（1)式進行變異，然后利用式（2)對其更新。
[0033] X' ij = xbJ+RX (xbJ-Xkj) (1)
[0034] 其中，表示最優解Xb的第j維分量；xw為個體X k的第j維分量；j，k均隨機選 擇，且k尹b;R為[_1，1]間的隨機數；X' ^表示新產生的第j維分量，其對應的新個體記 為r i。 _5] vf，/(幻</w ⑵
[0036] 4.跟隨蜂在當前最優解附近作局部搜索，跟隨蜂依據概率從種群中選擇部分適應 度值較好的解根據式（3)計算\的適應度函數fitp再利用式（4)計算\的選擇概率 Pi?？拷顑灲獾牡胤礁怕瘦^大，概率大的解更容易被選中，選中的解繼續進行和步驟三相 同的的變異操作。并用式（5)記錄其未更新次數triali。
[0037] Μ =1+7' ' ~ α(3) 1Η4 /<0 (4)
[0039] 其中，&是解Xi對應的被優化的目標函數f (XJ的函數值的倒數，即支持向量機交 叉驗證概率的倒數，fib是解\對應的函數值變換后的適應度函數值。 ,,? 0, f(X'.)<f(X.)
[0040] trial =\ (5)
[0041] 5.偵查蜂檢查是否存在連續lim次迭代都沒有更新的個體，若存在則按式（6)產
[0042] 生一個新解代替原來的陷入局部最優的解。
[0043] Χ? = Χηι?"+ΦΧ(Χ"χ-Χηι?") (6)
[0044] 式中，Φ表示區間[0，1]內的隨機數，Xmax和Xmin是解空間的上、下邊界。
[0045] 6.記錄到目前為止的最優解。
[0046] 7.判斷是否達到最大迭代次數MaxCN，若滿足，則輸出支持向量機最優參數，否則 轉到步驟2。
[0047] 8.最大交叉驗證概率最大時候可能對于多組最優解，選擇最優參數對中懲罰因子 最小的解作為支持向量機的最優解
[0048](三）運用優化后的支持向量機進行建庫訓練和炮彈目標識別 [0049] 迫擊炮、榴彈炮和火箭炮每隔五度選出來一條軌跡進行建庫訓練，每隔一度產生 一條軌跡用來進行識別。提取炮彈目標的高度、總體速度、水平速度、垂直方向速度、軌跡彈 道斜率、加速度等屬性集作為支持向量機的訓練樣本，第i個目標數據記為Si，設（Si，yi)為 訓練樣本，其中y表示對目標的編號，取值-1或者+1。首先對兩個目標進行分類，每兩個目 標進行組合分類后再進行投票就可以完成多目標的支持向量機分類。
[0050] 由改進的人工蜂群算法搜索到對于本系統的最優參數c為2. 168, g為25. 324。把 最優懲罰因子c和核函數參數g代入支持向量機，核函數采用公式（7)
[0051] K(Si，Sj) = exp{_g| ISi-Sj! |2} (7),
[0052] 設超平面ω · S+b = 0,選擇最優超平面轉化為最小化公式（8)
【權利要求】
1. 一種基于常規雷達的炮彈目標識別方法，其特征在于，包括以下步驟： a. 構建特征樣本：針對迫擊炮、榴彈炮、火箭炮在內的m個已知炮彈類別，利用炮彈的 運行軌跡仿真數據構建特征樣本； b. 獲取支持向量機參數：使用上述構建的特征樣本訓練支持向量機，獲取最優的支持 向量機參數； c. 構建炮彈目標識別數據庫：使用上述獲取的支持向量機參數對特征樣本進行訓練， 構建炮彈目標識別數據庫，并生成支持向量機分類器； d. 目標識別：識別時，將常規雷達采集的目標運行軌跡數據進行均值濾波處理后，輸 入到炮彈目標識別數據庫中，根據支持向量機分類器的輸出，實現對炮彈目標的識別。
2. 根據權利要求1所述的一種基于常規雷達的炮彈目標識別方法，其特征在于，所 述步驟a中，針對m個已知炮彈類別，采用炮彈剛體六自由度彈道模型，炮彈每隔一度射 角仿真一條軌跡，使用龍格庫塔算法對每條軌跡進行解方程獲取炮彈的特征樣本& = [Sl，s2,... sn]，下標i表示樣本目標數，i為正整數；下標η表示特征序列，N彡7,特征樣本 中至少包括：總體速度ν、高度Ζ、彈道曲線斜率Θ、水平方向速度 Vxy、垂直方向速度^、垂直 方向加速度az和水平方向加速度axy。
3. 根據權利要求2所述的一種基于常規雷達的炮彈目標識別方法，其特征在于，所述 步驟b為采用人工蜂群算法對支持向量機參數進行優化，具體流程為： bl.獲取人工蜂群算法初始化參數X，具體為首先運用公式ch1+1 = 4 · eh · (1-ctO ;1 =1，2產生Logistic混沌序列，其中ch為0到1的隨機數，且ch關0. 25, 0. 5和0. 75， 然后 X = Neh+CH · (Meh-Neh)，其中 CH =[咖，ch2]，Neh = 0· 01，Meh = 500, X 表示為矩陣形式
對應支持向量機的 懲罰參數c，xi2對應支持向量機的核函數參數g ;取最大迭代次數MaxCN為50、并指定用于 判斷個體是否陷入停滯的控制參數lim的值為30 ;構建訓練樣本，具體為：在特征樣本集Si 中每隔五度射角選出一個樣本構建訓練樣本集y」，下標j表示訓練樣本數，j為正整數；特 征樣本集Si中減去訓練樣本集h后剩下的樣本作為識別測試數據； b2.將步驟bl中構建的訓練樣本數據隨機分為K組，分別用每一組子集數據做支持向 量機一次驗證集，其余K-1組子集數據作為訓練集，得到K個模型； b3.用步驟bl中得到的支持向量機參數X分別計算K個模型的交叉驗證平均識別概率 Ι/fi，計算其適應度x = < 1 + / f _ ，選擇最大適應度對應的最優解xb，Xi在最優解處任 h，.i，' 一維度進行變異X' ij = xw+R · (xw-xkj)，其中，xw表示當前最優解Xb的第j維分量；x w為 個體Xk的第j維分量；j，k均隨機選擇，且k尹b ;R為[-1，1]間的隨機數；X' υ表示新產 生的個體第j維分量，其對應的新個體記為Γ i ;再次計算變異后的適應度，和變異前適應 度比較，如增加則更新，否則保持原值，即 b4.根據Xi的適應度函數fit,，計算Xi的選擇概率^ = 汾，；靠近最優解的解更容 易被選中，某個解被選中后繼續進行和步驟b3相同的變異操作，記錄其未更新次數/nW,.= { 〇，/(《')</(1,). [trial+ \,/{Χ])>/{Χ,) ' b5.判斷是否存在連續lim次迭代都沒有更新的個體，若存在，則產生一個新解代替原 來的陷入局部最優的解，具體方法為：Xi = Χ_+Φ X (Xmax_Xmin);其中，Φ表示區間[〇, 1]內 的隨機數，Xmax和Xmin是解空間的上、下邊界； b6.判斷是否達到最大迭代次數MaxCN，若是，則輸出當前記錄的最優解作為支持向量 機最優參數，若否，則回到步驟b2。
4.根據權利要求3所述的一種基于常規雷達的炮彈目標識別方法，其特征在于， 步驟c中，根據特征樣本Sy設（Si>yi)為訓練樣本，其中y表示對目標的編號，取值-1 或者+1 ;將步驟b中獲得的最優懲罰因子c和核函數參數g代入支持向量機，其中核 函數采用公式K (Si, Sj) = exp {-g I I Si_Sj I 12}，其中Si和Sj表示第i、j個特征樣本； 設超平面ω · S+b = 0,選擇最優超平面轉化為最小化公式Φ(β^) = 4?ΜΙ2+^￡^ ; 8?^[(ωτφ (Si))+b]彡1-ξρ ξ?彡0，i = 1，2,…，η其中，ω為超平面的法向量， c為懲罰因子，b為偏置，ζ為松弛變量；引入Lagrange函數，讓二次規劃問題轉化 I I / / ! 成對偶問題，即為求maxQ⑷=Σα-K.(s"s'.,) ;j j-l Z i-l J-l j-l =1，2，...，1，％彡0;可以得最優解：a* = (<<，...，〇T;最優權值向量： l l w=;最優偏置：^=x -Σ^/[(^/，民）；從而可構建支持向量機分類器 函數為： /(.S·) = sgn\((0 S) + b*| ^sgn ￡7^yjK{Sj,S) + b，l 〇 M
【文檔編號】G01S7/02GK104122530SQ201410341144
【公開日】2014年10月29日 申請日期:2014年7月17日 優先權日:2014年7月17日
【發明者】周代英, 賈繼超, 田兵兵, 譚敏潔, 譚發曾, 余為知, 黃健 申請人:電子科技大學
專業數控銑床產品供應商
20年生產經驗，實力工廠，精工品質，質量有保障
