[发明专利]基于多指标决策的单目标仿真航迹跟踪难度检测方法

权利要求书

1.一种基于多指标决策的单目标仿真航迹跟踪难度检测方法，其特征在于，首先采用多个单运动模型组合的方法生成仿真航迹，然后使用CS和CV模型组合的交互多模型滤波方法对不同运动参数下的单运动模型进行追踪，得到跟踪结果的全局平均RMSE和全局最大RMSE性能指标值；再采用模糊处理得到隶属度函数值，建立得到单运动模型的运动参数-难度系数的对应函数集合；再根据不同的性能指标类型，选择对应的方法实现了从单模型到多模型的难度综合；最后通过样本学习实现了对生成航迹难度优化，从而得到了航迹的最终的跟踪难度；

所述方法具体包括如下步骤：

步骤A，使用多个单运动模型构成基准库的基础模型组，对于每个单运动模型设定其生成参数，得到一个具体的运动模块，通过组合多个运动模块生成一条仿真航迹；

步骤B，使用单个运动模型形成简单航迹，通过模糊化方法将其性能指标值转化成为跟踪难度值，模糊集合通过这样的形式表示：假设定义在某一域U上的模糊集F，约定其隶属度函数值u(x)在[0,1]上选取，于是，我们利用元素数对的描述方法来表示集合中的元素，其形式为(x,u(x))，利用这样的方式将域中的模糊变量转换成为离散的点集，该跟踪难度值取决于参数α，α的大小会影响单运动模型生成航迹的跟踪难度，将其在足够大的取值区间α_i,i＝1,2,3...N等步长划分，在设定的场景环境下，其跟踪滤波得到的指定性能指标值设为函数f(α_i),i＝1,2,3...N的函数值，则有最大值f_max＝max(f(α_i)),i＝1,2,3...N，得到隶属度为于是就得到了对应的模糊集合U＝{(α_i,u(α_i))},i＝1,2,3...N；

步骤C：基于步骤B得到的模糊集合，采用最小二乘法得到对应单模型的难度函数，通过给不同指标意义下的模型函数赋权值就得到最后的单模型对应的难度函数集合；

步骤D，根据不同的指标类型，选取合适的综合方法对难度进行综合；

步骤E：使用样本学习的方法进行优化，通过对样本集合的处理，得到不同模型个数对应的优化难度函数值，表示为集合其中：表示航迹的运动模块个数以及对应的平均优化函数值，拟合得到对应的优化难度函数为g(n)≈λn+η，进而得到航迹的最终的跟踪难度u_op＝u_finalg(n)。

2.根据权利要求1所述的方法，其特征是，所述的步骤C，具体包括：

步骤C1：通过最小二乘法拟合上述模糊集合，取φ为进行拟合的多项式空间φ＝span(1,α,...αⁿ)，其中：1,α,...αⁿ，是多项式空间上的线性无关组，则最小二乘意义下的拟合函数为其中：分别代表对应线性无关组的系数，得到最小二乘意义下的s^*(α)在给定定义域中求取其最大值s_max对数值进行归一化，则最后得到第k个指标下的难度函数表示为其中：s^*(α)是拟合得到的函数，s_max是拟合函数在定义域区间内的最大值；

步骤C2：通过对每个指标赋予权值，构建出单模型函数的整个难度函数集合，对于选定的K个指标，都按照上述的方法来构造对应的难度函数f_k(α)，k＝1,2...K，通过每一个指标对应的权重值κ_k来进行综合，有约束在综合评定模型的难度时，根据评价者的实际需要来设定合理的权值，综上得到单运动模块的难度函数集，