[发明专利]一种面向雷达信号数据的移动对象检测方法

说明书

本发明公开了一种面向雷达信号数据的移动对象检测方法，步骤为：1)根据信息熵原理计算每个维度的信息熵，选择信息熵较大的维度进行后续聚类；2)通过k‑距离方法计算DBScan的聚类参数；3)基于选取的聚类特征和计算出的聚类参数对信号数据进行聚类；4)基于ARIMA方法对信号的方向角时序信息进行异常检测，为每个聚类建立候选异常点集合；5)根据步骤4)检测出的候选异常点集合，对聚类中的元素进行调整或对信号的方向角数据进行调整。本发明根据聚类及异常检测理论从信号数据和方向数据两个方面对雷达信号中潜藏的移动对象(飞机、船只)进行了检测及修正，为后续移动对象行为模式的分析打下坚实基础。

技术领域

本发明属于计算机信息处理技术领域，涉及到一种面向雷达信号数据的移动对象检测方法。

背景技术

通常情况下，信号分析人员需要对大量的信号数据进行分选，将那些属于同一个信号源的信号进行归类并在此基础上对信号源的行为特征进行分析。为了对信号源的行为特征有正确的分析，信号分选结果需要有较高的准确度，不然后续的分析任务全都会建立在一个错误的基础上。近些年得益于技术发展，很多信号采集系统能够自动识别并归类一些信号，但是这些系统只能对信号属性非常接近的信号进行归类并在信号表中以唯一的一行记录标识该信号源，如果信号的属性值出现较大的波动就会将其识别为另外一个信号源发出的信号。如此一来信号表中的一条记录就不能完全代表一个信号源，我们需要借助聚类方法将这些散落的“信号源”进行归类。

由于信号属性值相差较多采集系统才将其识别为多个信号源发出的信号，所以单纯地通过信号属性对其聚类只能粗略过滤信号、减少数量，并不能有效地保证聚类结果的准确性。为了提高聚类结果的准确性，我们借助了信号的方向数据。通过检测一个聚类中信号的方向角变化是否连贯来修正聚类结果，以提高信号源检测的准确性。在这里一个信号源有可能是一架飞机或一艘轮船，因此本发明旨在通过雷达信号数据对这些移动对象进行精确检测，为后续分析人员的分析提供坚实基础。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供了一种面向雷达信号数据的移动对象检测方法，根据聚类及异常检测理论从信号数据和方向数据两个方面对雷达信号中潜藏的移动对象(飞机、船只)进行了检测及修正，为后续移动对象行为模式的分析打下坚实基础。

一种面向雷达信号数据的移动对象检测方法，包括以下步骤：

步骤1)：从雷达信号数据中选取聚类特征：首先利用直方图方法计算雷达信号数据点中每个维度出现的频率，然后根据信息熵原理计算每个维度的信息熵，选择信息熵较大的维度作为聚类特征来进行后续聚类；

步骤2)：计算DBScan的聚类参数：在步骤1)所选聚类特征的基础上，计算每个信号数据点与其他信号数据点之间的距离并对计算结果进行升序排序，得到与信号数据点相同数量的升序数据集，然后基于k-距离原则选取出每个升序数据集中的固定排序位置中的值并进行升序排序，得到k-距离值序列，同时将固定排序位置的序号作为DBScan聚类参数的min_samples参数；然后根据k-距离值序列绘制k-距离曲线图，并以图中曲线斜率变化最大处的y值作为DBScan聚类参数的Eps值；

步骤3)：聚类：基于选取的聚类特征和计算出的聚类参数对信号数据点进行聚类；

步骤4)：候选异常点检测：根据步骤3)得到的聚类结果，查找每个聚类中所有信号数据点在雷达信号数据中记录的方向角信息，并根据时间戳属性进行升序排列，然后基于ARIMA方法模拟方向角时间序列，最后通过残差进行异常点检测，为每个聚类建立候选异常点集合；

步骤5)：评估候选异常点：根据步骤4)检测出的候选异常点集合，对聚类中的元素进行调整或对信号数据点的方向角数据进行调整。

所述的一种面向雷达信号数据的移动对象检测方法，所述步骤1)包括以下步骤：

步骤1.1)：利用直方图方法计算雷达信号数据点中每个维度出现的频率；