CN109613526A - 一种基于支持向量机的点迹过滤方法 - Google Patents

Abstract

本发明涉及一种基于支持向量机的点迹过滤方法，属雷达数据处理技术领域。它包括四个步骤，充分利用支持向量机SVM实现对样本集的多维特征联合分类、对SVM点迹分类器进行训练、使用训练好的SVM点迹分类器，得到各点迹的点迹得分；对各点迹的点迹得分进行归一化得到点迹质量，将各点迹的点迹质量与质量门限进行对比、点迹质量过门限判别；操作简单方便，有效剔除杂波点迹，降低由杂波引起的虚警，提高雷达的点迹精度、航迹的滤波质量和精度,点迹过滤效果好。解决了传统点迹检测方式没有经过有效的点迹过滤处理，难以有效检测出目标信号与复杂地理环境产生的杂波信号，导致降低雷达对复杂地理环境所产生杂波、目标信号探测性能的问题。

Description

一种基于支持向量机的点迹过滤方法

技术领域

本发明涉及一种基于支持向量机的点迹过滤方法，属雷达数据处理技术领域。

背景技术

在雷达***的终端数据处理中，点迹检测关系到雷达最终的点迹精度、航迹的滤波质量和精度。传统的点迹检测没有经过有效的点迹过滤处理，由复杂的地理环境所产生地大量杂波信号使得传统的点迹检测方式难以有效地检测出目标信号与复杂地理环境所产生的杂波信号，从而大大降低雷达对目标的探测性能。因此，十分有必要研发一种可对样本集进行多维特征联合分类，挖掘目标与杂波点迹的内在差异，有效剔除杂波点迹，降低由杂波引起的虚警，提高雷达的点迹精度、航迹的滤波质量和精度的基于支持向量机的点迹过滤方法。

发明内容

本发明的目的是，针对上述现有技术的不足，提供一种操作简单方便，可靠实现对样本集的多维特征联合分类，有效剔除杂波点迹，降低由杂波引起的虚警，提高雷达的点迹精度、航迹的滤波质量和精度的基于支持向量机的点迹过滤方法；解决传统的点迹检测没有经过有效的点迹过滤处理，难以有效地检测出目标信号与复杂地理环境所产生的杂波信号，降低雷达对复杂地理环境所产生杂波信号及目标信号探测性能的问题。

本发明是通过如下技术方案来实现上述目的的：

一种基于支持向量机的点迹过滤方法，其特征在于：它包括如下步骤：（支持向量机SVM，以下简称SVM）

步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析，提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数；

步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练，得到训练好的SVM点迹分类器；

步骤三、使用训练好的SVM点迹分类器，针对提取的多维特征参数，对新的实测点迹进行点迹分类，得到各点迹的点迹得分；

步骤四、对各点迹的点迹得分进行归一化得到点迹质量，将各点迹的点迹质量与质量门限进行对比，大于该门限的点迹保留，否则进行过滤删除，从而剔除被确认为杂波的点迹，保证点迹质量，提高雷达探测精度。

本发明与现有技术相比的有益效果在于：

该基于支持向量机的点迹过滤方法，充分利用支持向量机SVM的分析数据、识别模式、对数据的分类分析和回归分析特性，通过监督学习产生本发明点迹过滤方法的四个步骤，操作简单方便，实施真实可靠，实现对样本集的多维特征联合分类，有效剔除杂波点迹，降低由杂波引起的虚警，提高了雷达的点迹精度、航迹的滤波质量和精度，及雷达对复杂地理环境所产生杂波信号及目标信号的探测性能。该基于支持向量机的点迹过滤方法，能够有效地滤除80%以上的杂波信号，同时保证96%以上的目标信号被保留，解决了传统的点迹检测没有经过有效的点迹过滤处理，由复杂地理环境所产生的大量杂波信号使得传统的点迹检测方式难以有效地检测出目标信号及复杂地理环境所产生的杂波信号，导致降低雷达对复杂地理环境所产生杂波信号、目标信号探测性能的问题。

附图说明

图1为一种基于支持向量机的点迹过滤方法的SVM超平面分类示意图；

图2为一种基于支持向量机的点迹过滤方法的归一化点迹质量示意图；

图3为一种基于支持向量机的点迹过滤方法的SVM点迹过滤流程图；

图4为一种基于支持向量机的点迹过滤方法的目标距离直方图；

图5为一种基于支持向量机的点迹过滤方法的杂波距离直方图；

图6为一种基于支持向量机的点迹过滤方法的目标-杂波距离展宽直方图；

图7为一种基于支持向量机的点迹过滤方法的目标-杂波回波个数直方图；

图8为一种基于支持向量机的点迹过滤方法的SVM训练样本集示意图；

图9为一种基于支持向量机的点迹过滤方法的SVM点迹分类结果示意图。

具体实施方式

下面结合附图对该基于支持向量机的点迹过滤方法的实施方式作进一步详细说明（参见图1～9）：

一种基于支持向量机的点迹过滤方法，其特征在于：它包括如下步骤：

步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析，提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数；

训练样本集：通过点迹特征和经验信息，将采集的点迹数据进行类别标识，目标点迹标记为1，杂波点迹标记为-1，分别选取1000个目标点迹和1000个杂波点迹，组成训练样本集；

特征参数分析提取：对训练样本集样本点迹的特征参数进行分析，提取点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为多维特征参数。

步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练，得到训练好的SVM点迹分类器；

分类器训练：利用SVM算法，使用带有类别标识的训练样本集和选择的特征参数对SVM点迹分类器进行训练，产生支持向量机分类超平面，即SVM超平面系数（如图1所示）。

步骤三、使用训练好的SVM点迹分类器，针对提取的多维特征参数，对新的实测点迹进行点迹分类，得到各点迹的点迹得分；

步骤四、对各点迹的点迹得分进行归一化得到点迹质量，将各点迹的点迹质量与质量门限进行对比，大于该门限的点迹保留，否则进行过滤删除，从而剔除被确认为杂波的点迹，保证点迹质量，提高雷达探测精度。

点迹质量计算：让待分类点迹数据通过分类器，得到各点迹的点迹得分，将各点迹得分进行归一化得到点迹质量，归一化点迹质量（如图2所示），其归一化函数为

点迹过滤：将各点迹的点迹质量与质量门限进行对比，大于该门限的点迹保留，否则进行过滤删除。点迹过滤流程：挑选训练样本集——特征参数提取——SVM分类器训练——点迹质量计算及归一化——是否过门限——是——保留——否——过滤删除（如图3所示）。

具体实施例

一种基于支持向量机的点迹过滤方法，通过以下实施例进一步说明：

实施例：

（1）在经过点迹凝聚处理后形成初始点迹，并结合终端航迹数据进行点迹过滤对比分析。通过利用终端航迹信息与凝聚后初始点迹相关，分别得到2719个目标点迹和39216个杂波点迹；

（2）对点迹数据的距离特征进行分析，结果显示目标主要分布在50公里以外，而杂波主要分别在50公里以内，目标和杂波的距离分布（如图4、图5所示）；对点迹数据的距离展宽特征进行分析，结果显示目标的距离展宽比较平稳，保持在75米附近，杂波的距离展宽变化较大，目标和杂波的距离展宽分布（如图6所示），图6中对信噪比采用的压缩方式为107以下的值保留不变，107以上的值则采用自定义压缩方式；对点迹数据的回波个数特征进行分析，结果显示目标的回波个数明显多于杂波的回波个数，目标和杂波的回波个数分布（如图7所示）。通过对点迹特征的提取和分析，确定点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度等信息作为点迹的多维特征参数。

（3）分别从2719个目标点迹和39216个杂波点迹中随机选择不同距离、不同波位的1000个样本作为训练样本集，对支持向量机SVM分类器进行训练，选择的训练样本集(如图8所示)；

（4）利用训练好的SVM分类器对实测数据进行点迹分类过滤(如图9所示)。

实施例结果及分析：

实测数据点迹分类结果如图8所示，点迹分类判别结果如表1所示。

表1 点迹分类判决结果

该基于支持向量机的点迹过滤方法，针对地面P波段预警雷达，提取了7种分类特征，充分利用支持向量机SVM对目标与杂波进行分类，挖掘目标与杂波点迹的内在差异，实现了在较小目标损失情况下，剔除大量杂波虚警点的目的，降低由杂波引起的虚警，提高了雷达对复杂地理环境所产生杂波信号目标的探测性能。

以上所述只是本发明的较佳实施例而已，上述举例说明不对本发明的实质内容作任何形式上的限制，所属技术领域的普通技术人员在阅读了本说明书后，依据本发明的技术实质，对以上具体实施方式所做的任何简单修改及变形，以及可能利用上述揭示的技术内容加以变更或修饰为等同变化的等效实施例，均仍属于本发明技术方案的范围内，而不背离本发明的技术和范围。

Claims (1)

1.一种基于支持向量机的点迹过滤方法，其特征在于：它包括如下步骤：

步骤一、利用支持向量机SVM算法对训练样本集的样本点迹的特征进行分析，提取样本点迹的距离、俯仰角、信噪比、距离展宽、方位展宽、回波个数、幅度信息作为分类器的多维特征参数；

步骤二、通过有类别标识的训练样本对SVM点迹分类器进行训练，得到训练好的SVM点迹分类器；

步骤三、使用训练好的SVM点迹分类器，针对提取的多维特征参数，对新的实测点迹进行点迹分类，得到各点迹的点迹得分；

步骤四、对各点迹的点迹得分进行归一化得到点迹质量，将各点迹的点迹质量与质量门限进行对比，大于该门限的点迹保留，否则进行过滤删除，从而剔除被确认为杂波的点迹，保证点迹质量，提高雷达探测精度。