[发明专利]一种基于SVM的炮位侦校雷达目标分类识别算法

说明书

本发明涉及一种基于SVM的炮位侦校雷达目标分类识别算法，包括如下步骤：S1，目标特征提取：从目标回波中分别提取目标的RCS特征和微动特征，并构建联合特征向量；S2，SVM分类器训练：将构建的联合特征向量作为SVM分类器的训练输入，训练后得到分类器参数；S3，SVM分类器测试：将待测试弹道测量数据中的跟踪帧作为测试样本，通过S2中训练好的SVM分类器，对所有跟踪帧的置信度进行固定门限检测，若过门限的跟踪帧个数超过本次弹道跟踪点迹的50％，判定本次弹道跟踪目标为155mm榴弹；否则，判定为122mm火箭弹。本发明可解决155mm榴弹与122mm火箭弹通过弹道特征无法进行有效识别分类的问题。

技术领域

本发明涉及雷达信号处理领域，尤其涉及一种基于SVM的炮位侦校雷达目标分类识别算法。

背景技术

在作战中，炮位侦校雷达的目标是各种类型的炮弹，由于不同类型目标的攻击性、威胁程度不同，对其采取的打击手段也不同，实时地识别探测到的目标类型，才能保证指挥机构对战场态势正确、精准的感知，因此能实时的精确的区分各类目标、确定火炮类型是很有必要的。

目前炮位侦校雷达主要通过目标的弹道特征对将火炮类型分类为榴弹炮、迫击炮、火箭炮等。但由于155mm榴弹与122mm火箭弹的弹道特征近似从而难以进行有效识别分类，因此需要研究新的识别方法解决这个问题。

发明内容

为解决现有的技术问题，本发明提供了一种基于SVM的炮位侦校雷达目标分类识别算法。

本发明的具体内容如下：一种基于SVM的炮位侦校雷达目标分类识别算法，包括如下步骤：

S1，目标特征提取：从目标回波中分别提取目标的RCS特征和微动特征，并构建联合特征向量；

S2，SVM分类器训练：将构建的联合特征向量作为SVM分类器的训练输入，训练后得到分类器参数；

S3，SVM分类器测试：将待测试弹道测量数据中的跟踪帧作为测试样本，通过S2中训练好的SVM分类器，对所有跟踪帧的置信度进行固定门限检测，若过门限的跟踪帧个数超过本次弹道跟踪点迹的50％，判定本次弹道跟踪目标为155mm榴弹；否则，判定为122mm火箭弹。

进一步的，S1中，提取目标的RCS特征包括提取目标的均值、方差、极差、变异系数、偏度系数、峰度系数，

设目标回波序列为x(n)＝{x₁,x₂,…,x_N}，N为一个相参处理周期内的脉冲总数，各个特征参数计算公式如下：

均值：

标准差：

极差：

X_maxmin＝max{x(n)}-min{x(n)}

变异系数：

偏度系数：

峰度系数：

进一步的，提取目标的频谱熵作为微动特征，频谱熵计算方法为：

其中，X_k为x(n)经过傅里叶变换得到的能量谱。

进一步的，S2中，SVM分类器训练步骤包括：

S21，提取待训练样本特征向量，各特征提取计算方法如S1；