一种基于支持向量机的雷达距离模糊点迹分类方法

1.本发明涉及雷达信号处理技术领域，具体涉及一种基于支持向量机的雷达距离模糊点迹分类方法。


背景技术：

2.雷达是可以利用电磁波对空间内目标进行探测的电子装备。脉冲雷达属于雷达的一种体制，其通过发射一定时长的脉冲信号进行目标探测。当脉冲雷达对同一探测区域连续发射多个脉冲信号时，脉冲雷达可能会接收到超出最大不模糊距离的目标的回波，这些目标回波被雷达信号处理后检测到的点迹是距离模糊的，这些点迹被称为距离模糊点迹。距离模糊是指在脉冲雷达中，当目标离雷达的距离大于当前发射脉冲的脉冲重复周期所对应的最大距离时，目标回波在本发射脉冲的接收周期内不会被接收到，而会在后续发射脉冲的接收期间接收到，此时测得的目标距离为非真实距离，称为距离模糊。例如雷达发射第一个脉冲信号被目标后向散射后在第二个发射脉冲的接收期间被接收到，这类距离模糊点迹为一次距离模糊点迹；以此类推，若在第d个发射脉冲的接收期间被接收到，被称为d-1次距离模糊点迹，其中d表示雷达发射的脉冲数。
3.雷达接收机接收到的回波数据中包含着距离未模糊的目标回波和距离模糊的目标回波。通过雷达目标检测算法对雷达回波数据处理后得到的雷达检测点迹数据中会出现距离模糊的目标点迹，但是这些距离模糊的目标点迹往往不是感兴趣的，而且会对雷达目标跟踪环节造成很大干扰。因此，需要对雷达检测点迹数据中的所有点迹进行是否属于距离模糊点迹的判别，以达到通过抑制距离模糊的点迹改善雷达目标跟踪性能的目的。目前使用的距离模糊点迹分类方法是通过计算相邻脉冲的幅值差和硬门限判决实现的，然而由于雷达目标的散射截面积的动态范围很大，所以这种硬门限判决的距离模糊点迹分类方法的准确率不高，继而导致大量的距离模糊点迹进入到雷达目标跟踪环节，严重影响了雷达目标的跟踪性能。


技术实现要素：

4.本发明的目的是提供一种基于支持向量机的雷达距离模糊点迹分类方法，以解决现有的硬门限判决的距离模糊点迹分类方法的准确率不高的问题，从而提高对距离模糊点迹分类的准确率。
5.本发明的目的是通过以下技术手段实现的，一种基于支持向量机的雷达距离模糊点迹分类方法，包括以下步骤：
6.s1，接受雷达探测区域内所有物体散射形成的雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，并对雷达回波复数据处理得到雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1，其中k表示雷达数据包含的距离单元数量，表示第k个距离单元的n个脉冲回波组成的列向量，m表示雷达检测点迹的数量，dm,m＝1,2,...,m表示第m个雷达点迹所处的距离单元编号；
[0007]
s2，根据s1中雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1和雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m；
[0008]
s3，构建输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹类别的二分类支持向量机，并利用s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m训练二分类支持向量机；
[0009]
s4，根据s3得到的输出为雷达检测点迹类别的二分类支持向量机，应用于雷达信号处理中的雷达检测点迹预处理环节，判断雷达检测点迹是否属于距离模糊点迹，进而提升雷达对距离模糊点迹的抑制性能。
[0010]
所述s2中，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m方法为，
[0011]
s01：根据s1中雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1，从雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k中按照索引k＝dm，m＝1,2,...,m取出所有雷达检测点迹所处距离单元的回波复数据wn×m＝[w1,w2,...,wm]n×m，其中wm＝z
dm
，m＝1,2,...,m，wm表示第m个雷达检测点迹的n个脉冲复数据组成的列向量；
[0012]
s02：根据雷达检测点迹所处距离单元的回波复数据wn×m＝[w1,w2,...,wm]n×m，通过rm＝20
×
log
10
(|wm|),m＝1,2,...,m得到雷达检测点迹所处距离单元的对数幅度数据rn×m＝[r1,r2,...,rm]n×m，其中rm＝20
×
log
10
(|wm|),m＝1,2,...,m，rm表示第m个雷达检测点迹所处距离单元的n个脉冲的对数幅度组成的列向量。
[0013]
所述s3中，训练二分类支持向量机的方法为，
[0014]
s001：设置二分类支持向量机的核函数为径向基函数，输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹的类别标签；
[0015]
s002：将s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m随机划分为训练数据集和验证数据集两部分，得到训练数据集和验证数据集和验证数据集h是训练数据集的数目，g是验证数据集的数目，表示对m和h的乘积进行向下取整运算；
[0016]
s003：根据s2中雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m，得到训练数据集对应的标签向量和验证数据集对应的标签向量其中表示训练数据集中第m个距离单元的点迹的类别标签，如果该点迹属于距离模糊点迹，则类别标签值为1，反之则为-1；表示验证数据集中第n个距离单元的点迹的类别标签；
[0017]
s004：利用s002中的训练数据集及其对应的s003中的训练数据集标签向量训练s001中的二分类支持向量机；
[0018]
s005：将s002中的验证数据集输入到s004得到的支持向量机中，得到验证数据集通过该支持向量机预测的类别标签
[0019]
s006：通过对比s005中的和s003中的验证数据集标签向量计算验证数据集在s004得到的支持向量机上的准确率计算验证数据集在s004得到的支持向量机上的准确率表示计算和在相同距离单元位置值相等的个数；
[0020]
s007：判断训练循环标志q是否小于最大循环次数p：如果小于p，则q＝q+1，转到s002；否则选择aq,q＝1,2,...,p中最大值对应的支持向量机，作为最终得到的用于雷达距离模糊点迹分类的支持向量机。
[0021]
所述距离模糊点迹的类别标签是1，距离未模糊点迹的类别标签是-1，设置训练循环标志q＝1，最大循环次数p＝10。
[0022]
所述s004中，二分类支持向量机的训练算法为序列最小优化算法。
[0023]
所述s002中，将雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m沿着距离维按照h:g的比例随机划分为训练数据集和验证数据集两部分，其中h+g＝1,h＞g。
[0024]
所述s1中，通过雷达恒虚警率检测方法，对雷达回波复数据处理得到雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1。
[0025]
本发明的有益效果在于：采用了支持向量机对雷达距离模糊点迹进行分类，相比较于现有的基于硬门限判决的分类方法，提高了对雷达距离模糊点迹分类的准确度，应用于雷达信号处理中的检测点迹预处理环节，有效抑制雷达距离模糊点迹，改善雷达对感兴趣目标的跟踪性能。
附图说明
[0026]
图1为本发明流程示意图；
[0027]
图2为本发明仿真数据对比图。
[0028]
以下将结合附图及实施例对本发明做进一步详细说明。
具体实施方式
[0029]
【实施例1】
[0030]
如图1所示，一种基于支持向量机的雷达距离模糊点迹分类方法，包括以下步骤：
[0031]
s1，接受雷达探测区域内所有物体散射形成的雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，并对雷达回波复数据处理得到雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1，其中k表示雷达数据包含的距离单元数量，表示第k个距离单元的n个脉冲回波组成的列向量，m表示雷达检测点迹的数量，dm,m＝1,2,...,m表示第m个雷达点迹所处的距离单元编号；
[0032]
s2，根据s1中雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1和雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m；
[0033]
s3，构建输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹类别的二分类支持向量机，并利用s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m训练二分类支持向量机；
[0034]
s4，根据s3得到的输出为雷达检测点迹类别的二分类支持向量机，应用于雷达信号处理中的雷达检测点迹预处理环节，判断雷达检测点迹是否属于距离模糊点迹，进而提升雷达对距离模糊点迹的抑制性能。
[0035]
s1，通过雷达发射机连续发射n个脉冲信号，利用雷达接收机接收经过雷达探测区域内所有目的散射形成的雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，通过目标检测算法，对雷达回波数据进行处理，得到雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1，雷达检测点迹数据中包含着多次距离模糊点迹数据和距离未模糊点迹数据，最终需要将模糊点迹数据识别出。
[0036]
s2，通过s1中雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1和雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m；
[0037]
s3，构建二分类支持向量机，并利用s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m训练二分类支持向量机；
[0038]
s4，利用s3中训练出的二分类支持向量机，对收到的雷达信号进行雷达检测点迹预处理，从而从雷达检测点迹数据中判断哪些属于距离模糊点迹，哪些属于距离未模糊点迹数据，达到提升雷达对距离模糊点迹的抑制性能的目的。
[0039]
【实施例2】
[0040]
在实施例1的基础上，所述s2中，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m方法为，
[0041]
s01：根据s1中雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1，从雷达多脉冲回波复数据zn×k＝[z1,z2,...,zk]n×k中按照索引k＝dm，m＝1,2,...,m取出所有雷达检测点迹所处距离单元的回波复数据wn×m＝[w1,w2,...,wm]n×m，其中m＝1,2,...,m，wm表示第m个雷达检测点迹的n个脉冲复数据组成的列向量；
[0042]
s02：根据雷达检测点迹所处距离单元的回波复数据wn×m＝[w1,w2,...,wm]n×m，通过rm＝20
×
log
10
(|wm|),m＝1,2,...,m得到雷达检测点迹所处距离单元的对数幅度数据rn×m＝[r1,r2,...,rm]n×m，其中rm＝20
×
log
10
(|wm|),m＝1,2,...,m，rm表示第m个雷达检测点迹所处距离单元的n个脉冲的对数幅度组成的列向量。
[0043]
所述s3中，训练二分类支持向量机的方法为，
[0044]
s001：设置二分类支持向量机的核函数为径向基函数，输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹的类别标签；
[0045]
s002：将s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m随机划分为训练数据集和验证数据集两部分，得到训练数据集
和验证数据集和验证数据集h是训练数据集的数目，g是验证数据集的数目，表示对m和h的乘积进行向下取整运算；
[0046]
s003：根据s2中雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m，得到训练数据集对应的标签向量和验证数据集对应的标签向量其中表示训练数据集中第m个距离单元的点迹的类别标签，如果该点迹属于距离模糊点迹，则类别标签值为1，反之则为-1；表示验证数据集中第n个距离单元的点迹的类别标签；
[0047]
s004：利用s002中的训练数据集及其对应的s003中的训练数据集标签向量训练s001中的二分类支持向量机；
[0048]
s005：将s002中的验证数据集输入到s004得到的支持向量机中，得到验证数据集通过该支持向量机预测的类别标签
[0049]
s006：通过对比s005中的和s003中的验证数据集标签向量计算验证数据集在s004得到的支持向量机上的准确率计算验证数据集在s004得到的支持向量机上的准确率表示计算和在相同距离单元位置值相等的个数；
[0050]
s007：判断训练循环标志q是否小于最大循环次数p：如果小于p，则q＝q+1，转到s002；否则选择aq,q＝1,2,...,p中最大值对应的支持向量机，作为最终得到的用于雷达距离模糊点迹分类的支持向量机。
[0051]
所述距离模糊点迹的类别标签是1，距离未模糊点迹的类别标签是-1，设置训练循环标志q＝1，最大循环次数p＝10。
[0052]
所述s004中，二分类支持向量机的训练算法为序列最小优化算法。
[0053]
所述s002中，将雷达检测点迹所处距离单元的n个脉冲的对数幅度数据rn×m＝[r1,r2,...,rm]n×m沿着距离维按照h:g的比例随机划分为训练数据集和验证数据集两部分，其中h+g＝1,h＞g。
[0054]
所述s1中，通过雷达恒虚警率检测方法，对雷达回波复数据处理得到雷达检测点迹数据dm×1＝[d1,d2,...,dm]m×1。
[0055]
仿真参数
[0056]
利用matlab软件仿真雷达目标的回波复数据和雷达检测点迹数据，雷达检测点迹的类别标签数量是两类。实验仿真参数设置为脉冲数n＝6，距离未模糊点迹的数量为
10000，距离模糊点迹的数量为10000，距离模糊点迹中包含着一次距离模糊点迹数据为2000、两次距离模糊点迹数据为2000、三次距离模糊点迹数据为2000、四次距离模糊点迹数据为2000、五次距离模糊点迹数据为2000。总共随机仿真生成5个数据集评估本发明方法，同时采用分类准确率评估本发明方法的性能。
[0057]
2、仿真实验内容
[0058]
仿真实验中，分别使用现有的硬门限方法和本发明的估计法对雷达检测点迹数据进行分类，并画出采用本发明和现有方法得到的雷达检测点迹在不同数据集上的分类准确数量和分类准确率对应的条形图。
[0059]
实验结果如图2所示，其中横轴表示数据集编号，纵轴表示分类准确率。图2中黑色标记的条形图表示现有的硬门限方法，白色标记的条形图表示本发明方法。
[0060]
图2的第一组数据集中，通过硬门限法准确分类距离未模糊点迹和距离模糊点迹的数量为14423，通过本发明方法准确分类距离未模糊点迹和距离模糊点迹的数量为18686；第二组数据集中，通过硬门限法准确分类距离未模糊点迹和距离模糊点迹的数量为15923，通过本发明方法准确分类距离未模糊点迹和距离模糊点迹的数量为17921；第三组数据集中，通过硬门限法准确分类距离未模糊点迹和距离模糊点迹的数量为14753，通过本发明方法准确分类距离未模糊点迹和距离模糊点迹的数量为18442；第四组数据集中，通过硬门限法准确分类距离未模糊点迹和距离模糊点迹的数量为16440，通过本发明方法准确分类距离未模糊点迹和距离模糊点迹的数量为17994；第五组数据集中，通过硬门限法准确分类距离未模糊点迹和距离模糊点迹的数量为13007，通过本发明方法准确分类距离未模糊点迹和距离模糊点迹的数量为17400。从图2可见，对于雷达距离模糊点迹数据来说，本发明的分类准确率明显高于现有方法。

技术特征：
1.一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于包括以下步骤：s1，接受雷达探测区域内所有物体散射形成的雷达多脉冲回波复数据z
n
×
k
＝[z1,z2,...,z
k
]
n
×
k
，并对雷达回波复数据处理得到雷达检测点迹数据d
m
×1＝[d1,d2,...,d
m
]
m
×1，其中k表示雷达数据包含的距离单元数量，表示第k个距离单元的n个脉冲回波组成的列向量，m表示雷达检测点迹的数量，d
m
,m＝1,2,...,m表示第m个雷达点迹所处的距离单元编号；s2，根据s1中雷达检测点迹数据d
m
×1＝[d1,d2,...,d
m
]
m
×1和雷达多脉冲回波复数据z
n
×
k
＝[z1,z2,...,z
k
]
n
×
k
，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
；s3，构建输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹类别的二分类支持向量机，并利用s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
训练二分类支持向量机；s4，根据s3得到的输出为雷达检测点迹类别的二分类支持向量机，应用于雷达信号处理中的雷达检测点迹预处理环节，判断雷达检测点迹是否属于距离模糊点迹，进而提升雷达对距离模糊点迹的抑制性能。2.根据权利要求1所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述s2中，得到雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
方法为，s01：根据s1中雷达检测点迹数据d
m
×1＝[d1,d2,...,d
m
]
m
×1，从雷达多脉冲回波复数据z
n
×
k
＝[z1,z2,...,z
k
]
n
×
k
中按照索引k＝d
m
，m＝1,2,...,m取出所有雷达检测点迹所处距离单元的回波复数据w
n
×
m
＝[w1,w2,...,w
m
]
n
×
m
，其中w
m
表示第m个雷达检测点迹的n个脉冲复数据组成的列向量；s02：根据雷达检测点迹所处距离单元的回波复数据w
n
×
m
＝[w1,w2,...,w
m
]
n
×
m
，通过r
m
＝20
×
log
10
(|w
m
|),m＝1,2,...,m得到雷达检测点迹所处距离单元的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
，其中r
m
＝20
×
log
10
(|w
m
|),m＝1,2,...,m，r
m
表示第m个雷达检测点迹所处距离单元的n个脉冲的对数幅度组成的列向量。3.根据权利要求1所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述s3中，训练二分类支持向量机的方法为，s001：设置二分类支持向量机的核函数为径向基函数，输入为雷达检测点迹所处距离单元的n个脉冲的对数幅度数据，输出为雷达检测点迹的类别标签；s002：将s2中的雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
随机划分为训练数据集和验证数据集两部分，得到训练数据集和验证数据集和验证数据集h是训练数据集的数目，g是验证数据集的数目，表示对m和h的乘积进行向下取整运算；s003：根据s2中雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
，得到训练数据集对应的标签向量和验证数据集对应的标签向量
其中表示训练数据集中第m个距离单元的点迹的类别标签，如果该点迹属于距离模糊点迹，则类别标签值为1，反之则为-1；表示验证数据集中第n个距离单元的点迹的类别标签；s004：利用s002中的训练数据集及其对应的s003中的训练数据集标签向量训练s001中的二分类支持向量机；s005：将s002中的验证数据集输入到s004得到的支持向量机中，得到验证数据集通过该支持向量机预测的类别标签s006：通过对比s005中的和s003中的验证数据集标签向量计算验证数据集在s004得到的支持向量机上的准确率计算验证数据集在s004得到的支持向量机上的准确率表示计算和在相同距离单元位置值相等的个数；s007：判断训练循环标志q是否小于最大循环次数p：如果小于p，则q＝q+1，转到s002；否则选择a
q
,q＝1,2,...,p中最大值对应的支持向量机，作为最终得到的用于雷达距离模糊点迹分类的支持向量机。4.根据权利要求3所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述距离模糊点迹的类别标签是1，距离未模糊点迹的类别标签是-1，设置训练循环标志q＝1，最大循环次数p＝10。5.根据权利要求1所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述s004中，二分类支持向量机的训练算法为序列最小优化算法。6.根据权利要求3所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述s002中，将雷达检测点迹所处距离单元的n个脉冲的对数幅度数据r
n
×
m
＝[r1,r2,...,r
m
]
n
×
m
沿着距离维按照h:g的比例随机划分为训练数据集和验证数据集两部分，其中h+g＝1,h＞g。7.根据权利要求1所述的一种基于支持向量机的雷达距离模糊点迹分类方法，其特征在于：所述s1中，通过雷达恒虚警率检测方法，对雷达回波复数据处理得到雷达检测点迹数据d
m
×1＝[d1,d2,...,d
m
]
m
×1。

技术总结
本发明公开了一种基于支持向量机的雷达距离模糊点迹分类方法，包括接受雷达探测区域内所有物体散射形成的雷达多脉冲回波复数据，并对雷达回波复数据处理得到雷达检测点迹数据，根据雷达检测点迹数据和雷达多脉冲回波复数据，得到雷达检测点迹所处距离单元的N个脉冲的对数幅度数据；构建并训练二分类支持向量机；根据二分类支持向量机，应用于雷达信号处理中的雷达检测点迹预处理环节，判断雷达检测点迹是否属于距离模糊点迹，进而提升雷达对距离模糊点迹的抑制性能。离模糊点迹的抑制性能。离模糊点迹的抑制性能。


技术研发人员：薛健 朱圆玲 孙梦玲
受保护的技术使用者：西安邮电大学
技术研发日：2022.03.17
技术公布日：2022/5/25