[发明专利]一种基于硬件的复合抗干扰数据关联方法

权利要求书

1.一种基于硬件的复合制导抗干扰数据关联方法，其特征在于：该方法具体步骤如下：

步骤一：数据准备

从外界环境读取传感器获得的实时信息，包括目标距离、速度、加速度、俯仰角、方向角以及各角加速度，这些信息被抽象成为对目标观测的点集，也称样本集；

步骤二：初值计算

根据模糊聚类算法对于聚类中心的公式:

vi=Σj=1nuijmxjΣj=1nuijm]]>

计算样本集的初始聚类中心；式中符号说明如下：x_j为数据集X={x₁,x₂,...,x_n}中的样本点，v={v₁,v₂,...v_c}为c个聚类中心，u_ij表示第j个样本点属于第i类的隶属度；

并按照模糊隶属度矩阵的约束条件:

u_ij∈[0,1]，Σi=1cuij=1]]>

随机给出初始隶属度矩阵，之后计算新型距离参数，设定迭代阈值；式中u_ij表示第j个样本点属于第i类的隶属度；

步骤三：新型距离的计算

将样本点与聚类中心的欧氏距离进行非线性映射，将欧氏距离转化为平坦的新型距离，从而平滑外界噪声、虚警目标和噪声对数据关联结果的影响；公式如下：

d(xp,xq)=1-exp(-β||xp-xq||2)]]>

β=nΣj=1n||xj-x‾||2]]>

式中符号说明如下：x_p与x_q为样本集X={x₁,x₂,...,x_n}中不同的样本点，d(x_p,x_q)表示两个样本点之间的新型距离，β为新型距离辅助参数，n为样本集的样本总数量，表示样本集X={x₁,x₂,...,x_n}的均值；

步骤四：模糊隶属度矩阵的计算

模糊隶属度为每个样本点分配了隶属于某一类的程度，反映了不同量测结果更可能来自于哪一个量测目标，因此利用新型距离矩阵：

uij=[1-exp(-β||xj-vi||2)]-1m-1Σi=1c[1-exp(-β||xj-vi||2)]-1m-1]]>

更新样本点对不同聚类的隶属度矩阵，也即更新了数据关联结果；

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，x_j为数据集X={x₁,x₂，...,x_n}中的样本点，v_i表示第i个聚类中心，m为模糊因子；

步骤五：指数权值因子的运算

指数形式的权值因子变化灵敏，借此赋予每个样本点不同的指数权值；给远距离的离群噪声点逐渐变小的权值，可以有效抑制噪声点对聚类中心计算过程中的影；随着迭代的进行，权值将不断自动调整，最终趋于稳定；指数权值因子的迭代公式如下：

etj=Πj=1n{[Σi=1cuijm[1-exp(-β||xj-vi||2)]]1n}Σi=1cuijm[1-exp(-β||xj-vi||2)]]]>

式中符号说明如下：表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子；

步骤六：聚类中心的计算

结合模糊隶属度矩阵，指数权值因子以及新型距离，计算样本点集的聚类中心，也即复合制导量测目标的中心：

vi=Σj=1netjuijmexp(-β||xj-vi||2)xjΣj=1netjuijmexp(-β||xj-vi||2)]]>

式中符号说明如下：v_i表示第i个聚类中心，表示赋予样本点x_j的指数权值因子，u_ij表示第j个样本点属于第i类的隶属度，v_i表示第i个聚类中心，n为样本集的样本总数量，β为新型距离辅助参数，m为模糊因子；

此步为后续航迹融合提供目标状态信息，经过新型距离的平滑和指数权值因子的加权，即便有大噪声目标点的干扰，聚类中心依然能够真实反映量测目标的真实矢量；

步骤七：迭代收敛判断

计算成本函数L：

L=Σi=1cΣj=1nuijmdij2]]>

式中符号说明如下：u_ij表示第j个样本点属于第i类的隶属度，表示样本点x_i与x_j之间的新型距离的平方；

并对前后两次成本函数做差：

L(k)-L(k-1)

如果差值小于预先设定的阈值，则算法完成运算，输出模糊隶属度矩阵和聚类中心；如果差值不小于预先设定的阈值，则返回步骤三。