一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法
【專(zhuān)利摘要】本發(fā)明屬于雷達(dá)【技術(shù)領(lǐng)域】，具體的說(shuō)是涉及一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法。本發(fā)明公開(kāi)了一種基于低分辨率雷達(dá)炮彈目標(biāo)的有效識(shí)別算法，利用目標(biāo)軌跡信息，采用改進(jìn)的人工蜂群支持向量機(jī)算法進(jìn)行炮彈目標(biāo)進(jìn)行識(shí)別?？朔说头直媛世走_(dá)特征數(shù)據(jù)少、分辨率低和對(duì)炮彈等小目標(biāo)識(shí)別效果差等缺陷，提高了常規(guī)雷達(dá)對(duì)炮彈目標(biāo)的識(shí)別率。本發(fā)明的有益效果為，有效解決了低分辨率雷達(dá)識(shí)別率低的問(wèn)題，能夠快速、高效的對(duì)迫擊炮、榴彈炮和火箭炮等運(yùn)動(dòng)目標(biāo)的分類(lèi)識(shí)別。本發(fā)明尤其適用于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別。
【專(zhuān)利說(shuō)明】一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)【技術(shù)領(lǐng)域】，具體的說(shuō)是涉及一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方 法。

【背景技術(shù)】
[0002] 雷達(dá)目標(biāo)識(shí)別是根據(jù)目標(biāo)的后向電磁散射來(lái)鑒別目標(biāo)。當(dāng)雷達(dá)帶寬足夠?qū)挄r(shí)，目 標(biāo)后向電磁散射包含了目標(biāo)的形狀、大小、結(jié)構(gòu)等特征信息，這是雷達(dá)目標(biāo)識(shí)別的依據(jù)（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(guī)雷達(dá)（低分辨雷達(dá)）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(biāo)的信息非常有限，基于寬帶雷達(dá) 目標(biāo)識(shí)別的思想和方法很難用于常規(guī)雷達(dá)的目標(biāo)分類(lèi)和識(shí)別。因此，基于低分辨雷達(dá)的目 標(biāo)特征描述、提取和分類(lèi)等方面的研究是雷達(dá)目標(biāo)識(shí)別一個(gè)重要研究方向，具有廣泛的應(yīng) 用前景。
[0003] 目前，在低分辨條件下對(duì)目標(biāo)進(jìn)行精細(xì)識(shí)別是一個(gè)廣泛存在的技術(shù)難題。在低分 辨率雷達(dá)這一方面國(guó)防科技大學(xué)ATR國(guó)家重點(diǎn)實(shí)驗(yàn)室做了比較多的研究，但是主要是針對(duì) 飛機(jī)目標(biāo)，并且主要利用飛機(jī)目標(biāo)的回波信號(hào)進(jìn)行處理和識(shí)別，對(duì)于炮彈目標(biāo)并不適用。
[0004] 對(duì)目標(biāo)進(jìn)行分類(lèi)識(shí)別時(shí)，SVM具有較高的推廣能力。但是，對(duì)于不同的具體數(shù)據(jù)，利 用SVM方法進(jìn)行分類(lèi)識(shí)別，模型參數(shù)的選擇對(duì)分類(lèi)結(jié)果有顯著的影響。因此，對(duì)于在常規(guī)雷 達(dá)進(jìn)行目標(biāo)識(shí)別時(shí)候，應(yīng)該選擇最優(yōu)參數(shù)，以提高雷達(dá)目標(biāo)識(shí)別率。但是，通過(guò)大量實(shí)驗(yàn)研 究發(fā)現(xiàn)目前常規(guī)采用的遺傳算法、群蟻算法等往往只能達(dá)到局部最優(yōu)，難以實(shí)現(xiàn)全局最優(yōu)。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的，就是針對(duì)上述問(wèn)題，提出一種基于低分辨率雷達(dá)炮彈目標(biāo)的 有效識(shí)別算法，利用目標(biāo)軌跡信息，采用改進(jìn)的人工蜂群支持向量機(jī)算法進(jìn)行炮彈目標(biāo)進(jìn) 行識(shí)別。
[0006] 本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案是：一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí) 別方法，其特征在于，包括以下步驟：
[0007] a.構(gòu)建特征樣本：針對(duì)迫擊炮、榴彈炮、火箭炮在內(nèi)的m個(gè)已知炮彈類(lèi)別，利用炮 彈的運(yùn)行軌跡仿真數(shù)據(jù)構(gòu)建特征樣本；
[0008] b.獲取支持向量機(jī)參數(shù)：使用上述構(gòu)建的特征樣本訓(xùn)練支持向量機(jī)，獲取最優(yōu)的 支持向量機(jī)參數(shù)；
[0009] c.構(gòu)建炮彈目標(biāo)識(shí)別數(shù)據(jù)庫(kù)：使用上述獲取的支持向量機(jī)參數(shù)對(duì)特征樣本進(jìn)行 訓(xùn)練，構(gòu)建炮彈目標(biāo)識(shí)別數(shù)據(jù)庫(kù)，并生成支持向量機(jī)分類(lèi)器；
[0010] d.目標(biāo)識(shí)別：識(shí)別時(shí)，將常規(guī)雷達(dá)采集的數(shù)據(jù)進(jìn)行均值濾波處理后，輸入到炮彈 目標(biāo)識(shí)別數(shù)據(jù)庫(kù)中，根據(jù)支持向量機(jī)分類(lèi)器的輸出，實(shí)現(xiàn)對(duì)炮彈目標(biāo)的識(shí)別。
[0011] 具體的，所述步驟a中，針對(duì)m個(gè)已知炮彈類(lèi)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(kù)塔算法對(duì)每條軌跡進(jìn)行解方程獲取炮彈的 特征樣本Si = [Sl，s2,. . . sn]，下標(biāo)i表示樣本目標(biāo)數(shù)，i為正整數(shù)；下標(biāo)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(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，具體流程 為：
[0013] bl.獲取人工蜂群算法初始化參數(shù)X，具體為首先運(yùn)用公式ch1+1 = 4 · · (1-ch) ;1 = 1，2產(chǎn)生Logistic混沛序列，其中ch為0到1的隨機(jī)數(shù)，且 ch 關(guān) 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(gè)二維向量，其 _XlOO_ _-^1001 -^1002 _ 中χη對(duì)應(yīng)支持向量機(jī)的懲罰參數(shù)c，xi2對(duì)應(yīng)支持向量機(jī)的核函數(shù)參數(shù)g ;取最大迭代次數(shù) MaxCN為50、并指定用于判斷個(gè)體是否陷入停滯的控制參數(shù)lim的值為30 ;構(gòu)建訓(xùn)練樣本， 具體為：在特征樣本集Si中每隔五度射角選出一個(gè)樣本構(gòu)建訓(xùn)練樣本集5V下標(biāo)j表示訓(xùn) 練樣本數(shù)，j為正整數(shù)；特征樣本集Si中減去訓(xùn)練樣本集h后剩下的樣本作為識(shí)別測(cè)試數(shù) 據(jù)；
[0014] b2.將步驟bl中構(gòu)建的訓(xùn)練樣本數(shù)據(jù)隨機(jī)分為K組，分別用每一組子集數(shù)據(jù)做支 持向量機(jī)一次驗(yàn)證集，其余K-1組子集數(shù)據(jù)作為訓(xùn)練集，得到K個(gè)模型；
[0015] b3.用步驟bl中得到的支持向量機(jī)參數(shù)X分別計(jì)算K個(gè)模型的交叉驗(yàn)證平均識(shí)別 1 . 概率Ι/fi，計(jì)算其適應(yīng)度= ^ + / 選擇最大適應(yīng)度對(duì)應(yīng)的最優(yōu)解Xb，Xi在最優(yōu)解
[H4 乂 處任一維度進(jìn)行變異X' ij = xbj+R · (xbj-xkj)，其中，xbj表示當(dāng)前最優(yōu)解xb的第j維分量； xw為個(gè)體Xk的第j維分量；j，k均隨機(jī)選擇，且k尹b ;R為[-1，1]間的隨機(jī)數(shù)；X' υ表 示新產(chǎn)生的個(gè)體第j維分量，其對(duì)應(yīng)的新個(gè)體記為X' i ;再次計(jì)算變異后的適應(yīng)度，和變異 前適應(yīng)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(jù)\的適應(yīng)度函數(shù)fitp計(jì)算\的選擇概率6 = 片，；靠近最優(yōu)解的 解更容易被選中，某個(gè)解被選中后繼續(xù)進(jìn)行和步驟b3相同的變異操作，記錄其未更新次數(shù) { 〇，/{X：)<f(X；); tria^ - [trial + hf (Xf-) > /(X; )
[0017] b5.判斷是否存在連續(xù)lim次迭代都沒(méi)有更新的個(gè)體，若存在，則產(chǎn)生一個(gè)新解代 替原來(lái)的陷入局部最優(yōu)的解，具體方法為A = X^+Φ X (Xmax_Xmin);其中，Φ表示區(qū)間[0， 1]內(nèi)的隨機(jī)數(shù)，Xmax和X min是解空間的上、下邊界；
[0018] b6.判斷是否達(dá)到最大迭代次數(shù)MaxCN，若是，則輸出當(dāng)前記錄的最優(yōu)解作為支持 向量機(jī)最優(yōu)參數(shù)，若否，則回到步驟b2。
[0019] 具體的，步驟C中，根據(jù)特征樣本31，設(shè)（Si，yi)為訓(xùn)練樣本，其中y表示對(duì)目標(biāo)的 編號(hào)，取值-1或者+1 ;將步驟b中獲得的最優(yōu)懲罰因子C和核函數(shù)參數(shù)g代入支持向量 機(jī)，其中核函數(shù)采用公式K(Si，Sj) = eXp{-g| ISi-Sjl |2}，其中sjPSj表示第i、j個(gè)特征 樣本；設(shè)超平面ω · s+b = 0,選擇最優(yōu)超平面轉(zhuǎn)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(shù)，讓二次規(guī)劃問(wèn)題轉(zhuǎn)化 成對(duì)偶問(wèn)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(yōu)解：a* = (<<，...，〇T;最優(yōu)權(quán)值向量： '=?勺>Λ(Α);最優(yōu)偏置；從而可構(gòu)建支持向量機(jī)分類(lèi) i-i 器函數(shù)為：
[0020] /(.v)-sgnS(w，5) + bi} = sgn；^i//'_v//C(5/,5) + b"} 〇 Μ
[0021] 本發(fā)明的有益效果為，有效解決了低分辨率雷達(dá)識(shí)別率低的問(wèn)題，能夠快速、高 效的對(duì)迫擊炮、榴彈炮和火箭炮等運(yùn)動(dòng)目標(biāo)的分類(lèi)識(shí)別，同時(shí)還考慮了實(shí)戰(zhàn)情況下雷達(dá)分 辨率，測(cè)量精度誤差等影響，通過(guò)對(duì)多個(gè)目標(biāo)的仿真數(shù)據(jù)進(jìn)行識(shí)別，識(shí)別率總體達(dá)到百分之 九十左右。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0022] 圖1為總體識(shí)別流程圖；
[0023] 圖2為沒(méi)改進(jìn)的人工蜂群算法進(jìn)行參數(shù)優(yōu)化時(shí)候的搜索效果曲線圖；
[0024] 圖3為改進(jìn)后人工蜂群算法進(jìn)行參數(shù)優(yōu)化時(shí)候的搜索效果曲線圖。

【具體實(shí)施方式】
[0025] 下面結(jié)合附圖和實(shí)施例，詳細(xì)描述本發(fā)明的技術(shù)方案：
[0026] 如圖1所示，本發(fā)明的方法包括以下步驟：
[0027] ( -）產(chǎn)生仿真數(shù)據(jù)。對(duì)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(kù)塔算法進(jìn)行解方程，炮彈的初始運(yùn)動(dòng)參數(shù)按其典型值設(shè)定，假設(shè)大氣狀態(tài)為 1標(biāo)準(zhǔn)大氣壓，風(fēng)速為〇,步長(zhǎng)h為0. 05s。計(jì)算出迫擊炮、榴彈炮、火箭炮在不同發(fā)射角度下 的炮彈飛行的彈道坐標(biāo)、速度和姿態(tài)角度。
[0028] 對(duì)于迫擊炮、榴彈炮、火箭炮都采用以上參數(shù)模型，對(duì)于不同炮彈設(shè)定相應(yīng)的具體 參數(shù)就可得到不同情況下各種炮彈的彈道數(shù)據(jù)。按照炮位偵察校射雷達(dá)探測(cè)的要求、在規(guī) 定的彈道弧段上采集空間點(diǎn)數(shù)據(jù)，就可獲得仿真的雷達(dá)采集數(shù)據(jù).在求解彈道方程時(shí)，將 彈道條件、氣象條件、地理?xiàng)l件等參數(shù)在一定范圍內(nèi)按照均勻分布進(jìn)行隨機(jī)取值.根據(jù)隨 機(jī)取得的參數(shù)值，采集到目標(biāo)距離R，方位角A，俯仰角E等數(shù)據(jù)然后根據(jù)公式，就可得到對(duì) 應(yīng)第i個(gè)目標(biāo)的訓(xùn)練樣本Si = [Sl，s2,. . . sn]，其中[Sl，s2,. . . sn]分別對(duì)應(yīng)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(shù)目。
[0029] (二）運(yùn)用改進(jìn)的人工蜂群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化；炮彈每隔一度射角 仿真一條軌跡，每隔五度選出來(lái)一條軌跡進(jìn)行建庫(kù)訓(xùn)練，設(shè)Si為第i個(gè)目標(biāo)樣本，并且分別 對(duì)其編號(hào) yi，（Si>yi)表示其訓(xùn)練樣本。利用這些訓(xùn)練樣本對(duì)支持向量機(jī)算法進(jìn)行交叉驗(yàn)證， 并且使用改進(jìn)的人工蜂群算法對(duì)使支持向量機(jī)分類(lèi)準(zhǔn)確率最高的參數(shù)c和g進(jìn)行搜索；具 體為：
[0030] 1.獲取人工蜂群算法初始化參數(shù)X，具體為首先運(yùn)用公式ch1+1 = 4 ?chi · α-chj ; 1 = 1，2產(chǎn)生Logistic混沌序列，其中chi為0到1的隨機(jī)數(shù)，且chi關(guān)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(gè)二維向量，其中χη對(duì)應(yīng)支持向量機(jī)的 --? --* ?·? _^100_ _X1001 ^1002 _ 懲罰參數(shù)C，xi2對(duì)應(yīng)支持向量機(jī)的核函數(shù)參數(shù)g ;取最大迭代次數(shù)MaxCN為50、并指定偵察 蜂用于判斷個(gè)體是否陷入停滯的控制參數(shù)lim的值為30。同時(shí)，每隔五度選取迫擊炮、榴彈 炮和火箭炮的數(shù)據(jù)，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(jī)訓(xùn)練數(shù)據(jù)，其余的作為識(shí)別測(cè)試數(shù)據(jù)。
[0031] 2.運(yùn)用炮彈數(shù)據(jù)隨機(jī)分為k組，將每個(gè)子集數(shù)據(jù)分別做支持向量機(jī)一次驗(yàn)證集， 其余k-Ι組子集數(shù)據(jù)作為訓(xùn)練集，這樣得到k個(gè)模型，用這k個(gè)模型最終的驗(yàn)證集的分類(lèi)準(zhǔn) 確率的平均來(lái)計(jì)算人工蜂群的適應(yīng)度。
[0032] 3.運(yùn)用步驟一產(chǎn)生的支持向量機(jī)參數(shù)集代入步驟二，分別計(jì)算其交叉驗(yàn)證平均識(shí) 別概率，從而得fi。根據(jù)（3)計(jì)算其適應(yīng)度，選擇最大適應(yīng)度對(duì)應(yīng)的最優(yōu)解X b，Xi在最優(yōu)解 處任一維度利用（1)式進(jìn)行變異，然后利用式（2)對(duì)其更新。
[0033] X' ij = xbJ+RX (xbJ-Xkj) (1)
[0034] 其中，表示最優(yōu)解Xb的第j維分量；xw為個(gè)體X k的第j維分量；j，k均隨機(jī)選 擇，且k尹b;R為[_1，1]間的隨機(jī)數(shù)；X' ^表示新產(chǎn)生的第j維分量，其對(duì)應(yīng)的新個(gè)體記 為r i。 _5] vf，/(幻</w ⑵
[0036] 4.跟隨蜂在當(dāng)前最優(yōu)解附近作局部搜索，跟隨蜂依據(jù)概率從種群中選擇部分適應(yīng) 度值較好的解根據(jù)式（3)計(jì)算\的適應(yīng)度函數(shù)fitp再利用式（4)計(jì)算\的選擇概率 Pi?？拷顑?yōu)解的地方概率較大，概率大的解更容易被選中，選中的解繼續(xù)進(jìn)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(shù)triali。
[0037] Μ =1+7' ' ~ α(3) 1Η4 /<0 (4)
[0039] 其中，&是解Xi對(duì)應(yīng)的被優(yōu)化的目標(biāo)函數(shù)f (XJ的函數(shù)值的倒數(shù)，即支持向量機(jī)交 叉驗(yàn)證概率的倒數(shù)，fib是解\對(duì)應(yīng)的函數(shù)值變換后的適應(yīng)度函數(shù)值。 ,,? 0, f(X'.)<f(X.)
[0040] trial =\ (5)
[0041] 5.偵查蜂檢查是否存在連續(xù)lim次迭代都沒(méi)有更新的個(gè)體，若存在則按式（6)產(chǎn)
[0042] 生一個(gè)新解代替原來(lái)的陷入局部最優(yōu)的解。
[0043] Χ? = Χηι?"+ΦΧ(Χ"χ-Χηι?") (6)
[0044] 式中，Φ表示區(qū)間[0，1]內(nèi)的隨機(jī)數(shù)，Xmax和Xmin是解空間的上、下邊界。
[0045] 6.記錄到目前為止的最優(yōu)解。
[0046] 7.判斷是否達(dá)到最大迭代次數(shù)MaxCN，若滿(mǎn)足，則輸出支持向量機(jī)最優(yōu)參數(shù)，否則 轉(zhuǎn)到步驟2。
[0047] 8.最大交叉驗(yàn)證概率最大時(shí)候可能對(duì)于多組最優(yōu)解，選擇最優(yōu)參數(shù)對(duì)中懲罰因子 最小的解作為支持向量機(jī)的最優(yōu)解
[0048](三）運(yùn)用優(yōu)化后的支持向量機(jī)進(jìn)行建庫(kù)訓(xùn)練和炮彈目標(biāo)識(shí)別 [0049] 迫擊炮、榴彈炮和火箭炮每隔五度選出來(lái)一條軌跡進(jìn)行建庫(kù)訓(xùn)練，每隔一度產(chǎn)生 一條軌跡用來(lái)進(jìn)行識(shí)別。提取炮彈目標(biāo)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(jī)的訓(xùn)練樣本，第i個(gè)目標(biāo)數(shù)據(jù)記為Si，設(shè)（Si，yi)為 訓(xùn)練樣本，其中y表示對(duì)目標(biāo)的編號(hào)，取值-1或者+1。首先對(duì)兩個(gè)目標(biāo)進(jìn)行分類(lèi)，每?jī)蓚€(gè)目 標(biāo)進(jìn)行組合分類(lèi)后再進(jìn)行投票就可以完成多目標(biāo)的支持向量機(jī)分類(lèi)。
[0050] 由改進(jìn)的人工蜂群算法搜索到對(duì)于本系統(tǒng)的最優(yōu)參數(shù)c為2. 168, g為25. 324。把 最優(yōu)懲罰因子c和核函數(shù)參數(shù)g代入支持向量機(jī)，核函數(shù)采用公式（7)
[0051] K(Si，Sj) = exp{_g| ISi-Sj! |2} (7),
[0052] 設(shè)超平面ω · S+b = 0,選擇最優(yōu)超平面轉(zhuǎn)化為最小化公式（8)

【權(quán)利要求】
1. 一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法，其特征在于，包括以下步驟： a. 構(gòu)建特征樣本：針對(duì)迫擊炮、榴彈炮、火箭炮在內(nèi)的m個(gè)已知炮彈類(lèi)別，利用炮彈的 運(yùn)行軌跡仿真數(shù)據(jù)構(gòu)建特征樣本； b. 獲取支持向量機(jī)參數(shù)：使用上述構(gòu)建的特征樣本訓(xùn)練支持向量機(jī)，獲取最優(yōu)的支持 向量機(jī)參數(shù)； c. 構(gòu)建炮彈目標(biāo)識(shí)別數(shù)據(jù)庫(kù)：使用上述獲取的支持向量機(jī)參數(shù)對(duì)特征樣本進(jìn)行訓(xùn)練， 構(gòu)建炮彈目標(biāo)識(shí)別數(shù)據(jù)庫(kù)，并生成支持向量機(jī)分類(lèi)器； d. 目標(biāo)識(shí)別：識(shí)別時(shí)，將常規(guī)雷達(dá)采集的目標(biāo)運(yùn)行軌跡數(shù)據(jù)進(jìn)行均值濾波處理后，輸 入到炮彈目標(biāo)識(shí)別數(shù)據(jù)庫(kù)中，根據(jù)支持向量機(jī)分類(lèi)器的輸出，實(shí)現(xiàn)對(duì)炮彈目標(biāo)的識(shí)別。
2. 根據(jù)權(quán)利要求1所述的一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法，其特征在于，所 述步驟a中，針對(duì)m個(gè)已知炮彈類(lèi)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(kù)塔算法對(duì)每條軌跡進(jìn)行解方程獲取炮彈的特征樣本& = [Sl，s2,... sn]，下標(biāo)i表示樣本目標(biāo)數(shù)，i為正整數(shù)；下標(biāo)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(jù)權(quán)利要求2所述的一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法，其特征在于，所述 步驟b為采用人工蜂群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，具體流程為： bl.獲取人工蜂群算法初始化參數(shù)X，具體為首先運(yùn)用公式ch1+1 = 4 · eh · (1-ctO ;1 =1，2產(chǎn)生Logistic混沌序列，其中ch為0到1的隨機(jī)數(shù)，且ch關(guān)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(duì)應(yīng)支持向量機(jī)的 懲罰參數(shù)c，xi2對(duì)應(yīng)支持向量機(jī)的核函數(shù)參數(shù)g ;取最大迭代次數(shù)MaxCN為50、并指定用于 判斷個(gè)體是否陷入停滯的控制參數(shù)lim的值為30 ;構(gòu)建訓(xùn)練樣本，具體為：在特征樣本集Si 中每隔五度射角選出一個(gè)樣本構(gòu)建訓(xùn)練樣本集y」，下標(biāo)j表示訓(xùn)練樣本數(shù)，j為正整數(shù)；特 征樣本集Si中減去訓(xùn)練樣本集h后剩下的樣本作為識(shí)別測(cè)試數(shù)據(jù)； b2.將步驟bl中構(gòu)建的訓(xùn)練樣本數(shù)據(jù)隨機(jī)分為K組，分別用每一組子集數(shù)據(jù)做支持向 量機(jī)一次驗(yàn)證集，其余K-1組子集數(shù)據(jù)作為訓(xùn)練集，得到K個(gè)模型； b3.用步驟bl中得到的支持向量機(jī)參數(shù)X分別計(jì)算K個(gè)模型的交叉驗(yàn)證平均識(shí)別概率 Ι/fi，計(jì)算其適應(yīng)度x = < 1 + / f _ ，選擇最大適應(yīng)度對(duì)應(yīng)的最優(yōu)解xb，Xi在最優(yōu)解處任 h，.i，' 一維度進(jìn)行變異X' ij = xw+R · (xw-xkj)，其中，xw表示當(dāng)前最優(yōu)解Xb的第j維分量；x w為 個(gè)體Xk的第j維分量；j，k均隨機(jī)選擇，且k尹b ;R為[-1，1]間的隨機(jī)數(shù)；X' υ表示新產(chǎn) 生的個(gè)體第j維分量，其對(duì)應(yīng)的新個(gè)體記為Γ i ;再次計(jì)算變異后的適應(yīng)度，和變異前適應(yīng) 度比較，如增加則更新，否則保持原值，即 b4.根據(jù)Xi的適應(yīng)度函數(shù)fit,，計(jì)算Xi的選擇概率^ = 汾，；靠近最優(yōu)解的解更容 易被選中，某個(gè)解被選中后繼續(xù)進(jìn)行和步驟b3相同的變異操作，記錄其未更新次數(shù)/nW,.= { 〇，/(《')</(1,). [trial+ \,/{Χ])>/{Χ,) ' b5.判斷是否存在連續(xù)lim次迭代都沒(méi)有更新的個(gè)體，若存在，則產(chǎn)生一個(gè)新解代替原 來(lái)的陷入局部最優(yōu)的解，具體方法為：Xi = Χ_+Φ X (Xmax_Xmin);其中，Φ表示區(qū)間[〇, 1]內(nèi) 的隨機(jī)數(shù)，Xmax和Xmin是解空間的上、下邊界； b6.判斷是否達(dá)到最大迭代次數(shù)MaxCN，若是，則輸出當(dāng)前記錄的最優(yōu)解作為支持向量 機(jī)最優(yōu)參數(shù)，若否，則回到步驟b2。
4.根據(jù)權(quán)利要求3所述的一種基于常規(guī)雷達(dá)的炮彈目標(biāo)識(shí)別方法，其特征在于， 步驟c中，根據(jù)特征樣本Sy設(shè)（Si>yi)為訓(xùn)練樣本，其中y表示對(duì)目標(biāo)的編號(hào)，取值-1 或者+1 ;將步驟b中獲得的最優(yōu)懲罰因子c和核函數(shù)參數(shù)g代入支持向量機(jī)，其中核 函數(shù)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(gè)特征樣本； 設(shè)超平面ω · S+b = 0,選擇最優(yōu)超平面轉(zhuǎn)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(shù)，讓二次規(guī)劃問(wèn)題轉(zhuǎn)化 I I / / ! 成對(duì)偶問(wèn)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(yōu)解：a* = (<<，...，〇T;最優(yōu)權(quán)值向量： l l w=;最優(yōu)偏置：^=x -Σ^/[(^/，民）；從而可構(gòu)建支持向量機(jī)分類(lèi)器 函數(shù)為： /(.S·) = sgn\((0 S) + b*| ^sgn ￡7^yjK{Sj,S) + b，l 〇 M
【文檔編號(hào)】G01S7/02GK104122530SQ201410341144
【公開(kāi)日】2014年10月29日 申請(qǐng)日期:2014年7月17日 優(yōu)先權(quán)日:2014年7月17日
【發(fā)明者】周代英, 賈繼超, 田兵兵, 譚敏潔, 譚發(fā)曾, 余為知, 黃健 申請(qǐng)人:電子科技大學(xué)