[发明专利]一种基于模糊C均值点迹分簇方法

说明书

本发明属于雷达跟踪系统；类似系统技术领域，公开了一种基于模糊C均值点迹分簇方法，测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵U_t；进行解模糊；估计集群的完整性；更新分簇矩阵U_t+1和集群的中心v_i；用矩阵范数比较U_t和U_t+1；如果||U_t+1‑U_t||≤ε，停止。否则，令t＝t+1进行新一轮更新；最后根据分簇矩阵解模糊测量值。本发明为了找到初始目标中心，考虑了预测定位和测量率。同时，在FCM算法的迭代过程中考虑了聚类的完整性。与传统方法相比，本发明具有更好的鲁棒性和有效性，可用于将雷达探测到的多机动目标进行正确的分簇，从而更好地对目标进行跟踪。

技术领域

本发明属于雷达跟踪系统；类似系统技术领域，尤其涉及一种基于模糊C均值(Fuzzy C-means算法简称FCM算法)点迹分簇方法、雷达多机动目标检测系统。

背景技术

目前，业内常用的现有技术是这样的：雷达多机动目标的检测一直是一个具有挑战性的问题，因为目标的数量是未知的和时变的。由于以前雷达的分辨率较低，目标只出现在单个分辨率单元中；随着现代雷达分辨率的提高，雷达波束可以从飞机多个反射点上都采集到测量值，即一个目标多个测量值。具有多个检测的目标称为“扩展目标”或“扩展对象”，在这种情况下，目标不再被归类为一个点目标，被表示为一个扩展目标。直接使用现有的目标跟踪算法跟踪“扩展目标”会产生大量重复航迹。因此针对扩展目标的跟踪问题，提出了许多理论模型和跟踪算法。现有技术一提出一种基于距离的分区方法，经过实测数据测试后，证明了算法的可行性；但其分区的数目随着目标数目的增加而迅速增长，这将消耗大量的计算时间，使得扩展目标跟踪过程变得难以计算。现有技术二给出一种基于谱聚类技术的有效分区方法，利用高斯核密度分析技术从测量集中消除杂波测量，减少了计算负担，但很难在跟踪过程之前准确估计目标的数量，分区结果也依赖于集群参数的选择。现有技术三所提的方法在杂乱的情况下效果很好，但仅仅是通过交叉航迹和分离航迹来检验的。因此，有必要在各种情况下对扩展目标进行杂波分区。综上所述，当目标比较密集的时候，多个目标的测量值会相距比较近，在分簇时候可能被分为一簇，在估计目标数量与估计目标参数时都会产生较大误差。如在机场附近，目标十分密集，同时飞机会做一系列转弯、爬升等机动运动。再加上附近电磁干扰产生的虚警测量值，上述算法难以满足要求。

综上所述，现有技术存在的问题是：当目标比较密集的时候，多个目标的测量值会相距比较近，在分簇时候可能被分为一簇，在估计目标数量与估计目标参数时产生较大误差，不同目标测量值可能分到不同簇内，导致跟踪效果较差；密集扩展目标的情况下，跟踪效果较差。

解决上述技术问题的难度和意义：难度在于借助跟踪算法中可知的目标信息来改进分簇算法，即将目标预测位置、检测率与测量值分布作为先验知识参与测量值的分簇。在使用改进的分簇算法之后，即使若干目标相距较近，由于使用了各个目标的先验信息，不同目标测量值会被分到不同的簇内。

发明内容

针对现有技术存在的问题，本发明提供了一种基于模糊C均值点迹分簇方法。

本发明是这样实现的，一种基于模糊C均值点迹分簇方法，所述基于模糊C均值点迹分簇方法包括：测量值分组；去除杂波；估计组中目标的数量；选择初始中心；计算隶属度矩阵U_t；进行解模糊；估计集群的完整性；更新分簇矩阵U_t+1和集群的中心v_i；用矩阵范数比较U_t和U_t+1；如果||U_t+1-U_t||≤ε，停止；否则，令t＝t+1进行新一轮更新；根据分簇矩阵解模糊测量值。

进一步，所述基于模糊C均值点迹分簇方法包括以下步骤：