[发明专利]一种基于常规雷达的炮弹目标识别方法

摘要

本发明属于雷达技术领域，具体的说是涉及一种基于常规雷达的炮弹目标识别方法。本发明公开了一种基于低分辨率雷达炮弹目标的有效识别算法，利用目标轨迹信息，采用改进的人工蜂群支持向量机算法进行炮弹目标进行识别。克服了低分辨率雷达特征数据少、分辨率低和对炮弹等小目标识别效果差等缺陷，提高了常规雷达对炮弹目标的识别率。本发明的有益效果为，有效解决了低分辨率雷达识别率低的问题，能够快速、高效的对迫击炮、榴弹炮和火箭炮等运动目标的分类识别。本发明尤其适用于常规雷达的炮弹目标识别。

主权项

一种基于常规雷达的炮弹目标识别方法，其特征在于，包括以下步骤：a.构建特征样本：针对迫击炮、榴弹炮、火箭炮在内的m个已知炮弹类别，利用炮弹的运行轨迹仿真数据构建特征样本；具体为：针对m个已知炮弹类别，采用炮弹刚体六自由度弹道模型，炮弹每隔一度射角仿真一条轨迹，使用龙格库塔算法对每条轨迹进行解方程获取炮弹的特征样本S_i＝[s₁,s₂,...s_n]，下标i表示样本目标数，i为正整数；下标n表示特征序列，n≥7，特征样本中至少包括：总体速度v、高度Z、弹道曲线斜率θ、水平方向速度v_xy、垂直方向速度v_z、垂直方向加速度a_z和水平方向加速度a_xy；b.获取支持向量机参数：使用上述构建的特征样本训练支持向量机，获取最优的支持向量机参数；具体包括以下步骤：b1.获取人工蜂群算法初始化参数X，具体为首先运用公式ch_l+1＝4·ch_l·(1‑ch_l)；l＝1,2产生Logistic混沌序列，其中ch_l为0到1的随机数，且ch_l≠0.25,0.5和0.75，然后X＝N^ch+CH·(M^ch‑N^ch)，其中CH＝[ch₁,ch₂]，N^ch＝0.01，M^ch＝500，X表示为矩阵形式为即X_i＝(x_i1,x_i2)是一个二维向量，其中x_i1对应支持向量机的惩罚参数c，x_i2对应支持向量机的核函数参数g；取最大迭代次数MaxCN为50、并指定用于判断个体是否陷入停滞的控制参数lim的值为30；构建训练样本，具体为：在特征样本集S_i中每隔五度射角选出一个样本构建训练样本集y_j，下标j表示训练样本数，j为正整数；特征样本集S_i中减去训练样本集y_j后剩下的样本作为识别测试数据；b2.将步骤b1中构建的训练样本数据随机分为K组，分别用每一组子集数据做支持向量机一次验证集，其余K‑1组子集数据作为训练集，得到K个模型；b3.用步骤b1中得到的支持向量机参数X分别计算K个模型的交叉验证平均识别概率1/f_i，计算其适应度选择最大适应度对应的最优解X_b，X_i在最优解处任一维度进行变异x'_ij＝x_bj+R·(x_bj‑x_kj)，其中，x_bj表示当前最优解X_b的第j维分量；x_kj为个体X_k的第j维分量；j,k均随机选择，且k≠b；R为[‑1，1]间的随机数；x′_ij表示新产生的 个体第j维分量，其对应的新个体记为X′_i；再次计算变异后的适应度，和变异前适应度比较，如增加则更新，否则保持原值；b4.根据X_i的适应度函数fit_i，计算X_i的选择概率靠近最优解的解更容易被选中，某个解被选中后继续进行和步骤b3相同的变异操作，记录其未更新次数b5.判断是否存在连续lim次迭代都没有更新的个体，若存在，则产生一个新解代替原来的陷入局部最优的解，具体方法为：X_i＝X_min+φ×(X_max‑X_min)；其中，φ表示区间[0，1]内的随机数，X_max和X_min是解空间的上、下边界；b6.判断是否达到最大迭代次数MaxCN，若是，则输出当前记录的最优解作为支持向量机最优参数，若否，则回到步骤b2；c.构建炮弹目标识别数据库：使用上述获取的支持向量机参数对特征样本进行训练，构建炮弹目标识别数据库，并生成支持向量机分类器；d.目标识别：识别时，将常规雷达采集的目标运行轨迹数据进行均值滤波处理后，输入到炮弹目标识别数据库中，根据支持向量机分类器的输出，实现对炮弹目标的识别。