CN111830501A - Hrrp历史特征辅助的信号模糊数据关联方法及系统 - Google Patents

Abstract

本发明属于雷达信号处理技术领域，特别涉及一种HRRP历史特征辅助的信号模糊数据关联方法及系统，针对在杂波密度大且目标航迹发生交叉时的数据关联问题，通过对目标HRRP数据进行特征提取，有效降低HRRP数据的姿态、幅度、时移敏感性；利用航迹起始数据的特征构建初始特征样本库和利用历史时刻数据的特征构建历史特征样本库，根据目标特征的取值区间化的特征，利用区间熵权法计算特征权重，通过计算量测与目标的模糊隶属度构建模糊矩阵，在最大隶属度原则的基础上实现模糊数据关联。本发明能够提升信号数据关联分析性能和精确度，能够有效避免航迹误跟、漏跟或错跟等情形，在目标跟踪识别等雷达信号处理领域具有较好地应用前景。

Description

HRRP历史特征辅助的信号模糊数据关联方法及系统

技术领域

本发明属于雷达信号处理技术领域，特别涉及一种HRRP历史特征辅助的信号模糊数据关联方法及系统。

背景技术

随着通信、雷达以及干扰技术的发展和应用，电磁环境日益复杂，再加上背景噪声和观测误差的影响，使观测数据模糊性和不确定性凸显，影响了最近邻数据关联、概率数据关联、联合概率数据关联以及多假设跟踪等传统数据关联算法的关联性能。模糊数学是一种有效处理模糊性、不确定性数据的数学工具。现有研究中，基于模糊逻辑的模拟标准关联度量的数据关联、引入远近距公共观测影响因子重建模糊矩阵、基于模糊关系聚类的多目标数据关联，在航迹交叉和杂波密度大的场景下，易出现航迹误跟和漏跟问题。由于雷达除了能够探测目标的方位、距离、速度等运动参数，还可以获取目标散射截面积、高分辨一维距离像(High Resolution one-dimensional Range Profile,HRRP)以及二维图像等非运动参数。将非运动参数用于辅助数据关联，可以有效提高算法的关联性能。例如，将目标距离、方位、雷达散射截面积模糊融合实现数据关联，将目标的HRRP特征结合深度学习用于目标识别、利用HRRP的姿态敏感性，对目标姿态角实时估计后与目标位置信息融合等。但以上方案依赖目标姿态角，当航迹交叉时会出现目标错跟问题，影响数据关联分析精确度和效率。

发明内容

为此，本发明提供一种HRRP历史特征辅助的信号模糊数据关联方法及系统，针对杂波密度大且航迹交叉时数据关联问题，利用航迹起始的HRRP提取特征构建初始特征样本库并实时更新，利用历史时刻的特征修正当前时刻的关联结果，提升信号数据关联分析性能，具有较好的应用前景。

按照本发明所提供的设计方案，一种HRRP历史特征辅助的信号模糊数据关联方法，包含如下内容：

获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，假设雷达信号为步进频率雷达，依据步进频率雷达启示频率、步进频率、目标分散点相对雷达径向距离和速度、及步进频率雷达一组脉冲信号脉冲数来获取目标信号的HRRP表示；针对HRRP表示，通过对目标HRRP特征提取，获取时刻k时目标信号HRRP特征向量。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，区间熵权法获取权重过程中，首先将样本库中不同目标不同特征取值范围曲建华，通过计算区间信息熵来获取特征权重，其中，区间信息熵通过不同目标特征取值区间内出现概率的对数来获取，以衡量特征的不确定性和区间模糊性。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，通过衡量量测与特征样本库中目标或虚警的特征相似程度来获取量测与目标的模糊隶属度，构建初始特征样本库的模糊矩阵。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，基于最大隶属度原则进行模糊数据关联性分析，关联原则包含：一个量测最多只能与一个目标进行关联；目标与其模糊隶属度最大的量测进行关联，如果多个目标的最大模糊隶属度量测为同一量测，则该量测与模糊隶属度最大的目标进行关联，然后去除该量测，对剩余目标重新关联模糊隶属度最大的量测，直到目标完成数据关联。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，根据经验值选取历史特征信息的历史时刻长度，将该历史时刻长度的历史时刻特征构成历史特征样本库，并利用区间熵权法获取历史特征权重，结合历史时刻特征对当前时刻关联的时间影响因子获取量测与历史时刻样本库中目标的模糊隶属度，构建历史特征样本库的模糊矩阵；对初始特征样本库的模糊矩阵和历史特征样本库的模糊矩阵进行加权求和，获取最终用于数据关联的模糊矩阵。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，最终用于数据关联的模糊矩阵M_F表示为：M_F＝l₁M+l₂M_h，其中，M为初始特征样本库模糊矩阵，M_h为历史特征样本库模糊矩阵，两者权重l₁+l₂＝1。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，对当前时刻的关联量测进行可靠性分析，以更新初始特征样本库。

作为本发明HRRP历史特征辅助的信号模糊数据关联方法，进一步地，通过设定更新阈值，若目标关联滤波结果与其一步状态预测距离小于更新阈值时，则判定当前时刻关联滤波结果可靠，更新初始特征样本库。

进一步地，本发明还提供一种HRRP历史特征辅助的信号模糊数据关联系统，包含：信号特征处理模块、样本库构建模块和信号数据关联分析模块，其中，

信号特征处理模块，用于获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

样本库构建模块，用于针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

信号数据关联分析模块，用于依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

本发明的有益效果：

本发明针对在杂波密度大且目标航迹发生交叉时的数据关联问题，通过对目标HRRP数据进行特征提取，有效降低HRRP数据的姿态、幅度、时移敏感性；利用航迹起始数据的特征构建初始特征样本库和利用历史时刻数据的特征构建历史特征样本库，根据目标特征的取值区间化的特征，利用区间熵权法计算特征权重，通过计算量测与目标的模糊隶属度构建模糊矩阵，在最大隶属度原则的基础上实现模糊数据关联，提升信号数据关联分析性能和精确度，能够有效避免航迹误跟、漏跟或错跟等情形，在目标跟踪识别等雷达信号处理领域具有较好地应用前景。

附图说明：

图1为实施例中HRRP历史特征辅助的信号模糊数据关联方法流程示意图；

图2为实施例中关联滤波过程示意；

图3为实施例中模数数据关联算法流程示意；

图4为实施例中目标运动轨迹和杂波分布示意；

图5为实施例中目标位置误差的RMSE示意；

图6为实施例中RMSE随杂波个数的变化曲线示意；

图7为实施例中运行时间随杂波个数的变化曲线示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

针对杂波密度大且航迹交叉时的数据关联问题，本发明实施例，参见图1所示，提供一种HRRP历史特征辅助的信号模糊数据关联方法，包含如下内容：

S101、获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

S102、针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

S103、依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

针对在杂波密度大且目标航迹发生交叉时的数据关联问题，通过对目标HRRP数据进行特征提取，有效降低HRRP数据的姿态、幅度、时移敏感性；利用航迹起始数据的特征构建初始特征样本库和利用历史时刻数据的特征构建历史特征样本库；根据目标特征的取值区间化的特征，利用区间熵权法计算特征权重，通过计算量测与目标的模糊隶属度构建模糊矩阵，依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，实现模糊数据关联，提升信号数据关联分析性能和精确度。

假设区域内存在N个目标，任意时刻k可观测到M_k个量测。则在时刻k时，可通过有效的关联手段从M_k个量测中得到N个目标的关联量测。目标状态转移方程可表示为：

x(k|k-1)＝F(k|k-1)*x(k-1)+u(k) (1)

其中，F(k|k-1)为目标从时刻k-1到时刻k的状态转移矩阵；x(k|k-1)为目标从时刻k-1到时刻k的一步预测状态；x(k-1)为目标在时刻k-1时的状态；u(k)为目标运动过程中的激励噪声。

目标的观测方程为：

z(k)＝H(k)*x(k)+v(k) (2)

其中，H(k)为观测方程；z(k)为目标在时刻k时的观测状态；v(k)为目标在时刻k时的观测噪声。

作为本发明实施例中HRRP历史特征辅助的信号模糊数据关联方法，进一步地，假设雷达信号为步进频率雷达，依据步进频率雷达启示频率、步进频率、目标分散点相对雷达径向距离和速度、及步进频率雷达一组脉冲信号脉冲数来获取目标信号的HRRP表示；针对HRRP表示，通过对目标HRRP特征提取，获取时刻k时目标信号HRRP特征向量。

目标的HRRP数据包含丰富的目标信息，比如目标的回波强度、形状、尺寸以及姿态等信息。但由于其对姿态、幅度和时移的敏感性导致不能直接使用HRRP辅助目标的数据关联，需要对其进行特征提取，得到敏感性低的特征构成特征向量，辅助实现数据关联。步进频率雷达中，目标的HRRP可表示为：

其中，f₀为步进频率雷达的起始频率；Δf为步进频率；R、v分别为目标散射点相对雷达的径向距离和径向速度；N_s为步进频率雷达一组脉冲信号的脉冲数。通过对目标HRRP特征提取，可以得到对目标姿态、幅度和时移敏感性低的中心矩、统计学以及其他特征，比如一阶中心矩c₁、二阶中心矩c₂、均值c₃、标准差c₄、方差c₅、偏度系数c₆、峰度系数c₇、散射点数c₈、距离像起伏c₉、单位距离像起伏c₁₀、径向长度c₁₁和径向能量c₁₂等特征。中心矩特征、散射点数具有时移不变性，降低了HRRP对时移的敏感性；径向长度降低了HRRP对幅度的敏感性；统计学特征通过对HRRP进行统计处理，距离像起伏、单位距离像起伏和径向能量对数据一次处理，弱化了HRRP对姿态、幅度和时移的敏感性。在时刻k时，将目标HRRP数据提取到的特征组成特征向量：

C_i k＝c_1,i k,c_2,i k,…c_12,i k (4)

针对目标特征取值区间化、不是具体数值的特点，本发明实施例中利用区间熵权法确定目标的特征权重。进一步地，区间熵权法获取权重过程中，首先将样本库中不同目标不同特征取值范围曲建华，通过计算区间信息熵来获取特征权重，其中，区间信息熵通过不同目标特征取值区间内出现概率的对数来获取，以衡量特征的不确定性和区间模糊性。

假设航迹起始已经完成，实时进行数据关联时，目标缺少先验知识，可利用航迹起始中目标关联量测的HRRP提取特征构建初始特征样本库Γ。通过将Γ中不同目标不同特征的取值范围区间化，计算区间信息熵，进而得到特征权重。针对Γ中的一个特征F_e，通过式(5)将不同目标的特征取值区间化，

其中，L(·)表示集合中满足条件的元素个数；P_d为目标的发现概率；F_e ²和F_e ¹为目标特征的取值区间上下限。则不同目标的特征取值区间为：

量测可能是虚警，通过计算可得到虚警的特征取值区间[F_e,N+1 ¹；F_e,N+1 ²]。

区间信息熵可表示为在不同目标特征取值区间内出现概率的对数。通过衡量特征的不确定性和区间模糊性，即区间信息熵，表示特征对于目标的区分度大小。

其中，s为特征F_e的区间信息熵。为充分体现不同特征对于目标的区分程度，特征的熵权重可表示为：

其中，w_i代表第i个特征的权重，

作为本发明实施例中的HRRP历史特征辅助的信号模糊数据关联方法，进一步地，通过衡量量测与特征样本库中目标或虚警的特征相似程度来获取量测与目标的模糊隶属度，构建初始特征样本库的模糊矩阵。

数据关联的核心问题是使关联量测与目标真实位置的误差最小化。模糊数据关联中模糊隶属度大小可描述量测与目标的隶属程度，模糊隶属度越大，量测源于目标的可能性越大，则误差越小，反之误差越大。

量测Z_i与目标j的特征所属关系矩阵需要满足两个条件：

其中，R1和R2代表条件1和条件2；F_e,j ²和F_e,j ¹为目标j的特征取值区间上下限；

为量测Z_i的特征取值；Z_ix,Z_iy为量测Z_i的位置坐标；X_jx,X_jy为目标j的预测位置；g_j为目标j的波门大小。

则量测与目标或虚警的特征所属关系矩阵为：

其中，

通过衡量量测与特征样本库中目标或虚警的特征相似程度来求解模糊隶属度，则模糊隶属度函数为：

其中，Υ(f_m,Zi,Γ_j,m)是衡量量测Z_i与Γ中目标j的第m个特征的离散度的函数，离散度越大代表量测与目标的模糊隶属度越低，反之越高。在时刻k通过求解所有量测与目标的模糊隶属度可构建模糊矩阵：

进一步地，本发明实施例中，在模糊矩阵的基础上，基于最大隶属度原则进行关联性分析。其关联原则可设计为：一个量测最多只能与一个目标进行关联；目标与其模糊隶属度最大的量测进行关联，如果多个目标的最大模糊隶属度量测为同一量测，则该量测与模糊隶属度最大的目标进行关联，然后去除该量测，对剩余目标重新关联模糊隶属度最大的量测，直到目标完成数据关联。通过卡尔曼滤波减小观测噪声引起的误差，计算过程如图2所示。

高分辨一维距离像对目标姿态、幅度、时移存在敏感性，导致不同时间同一目标获得的HRRP差异较大或不同时间不同目标的HRRP相似程度较高，易出现目标错跟现象。笔者针对该问题提出两个解决方法：实时更新初始特征样本库和特征权重；利用目标HRRP历史时刻特征构建历史特征样本库，修正模糊矩阵。作为本发明实施例中的HRRP历史特征辅助的信号模糊数据关联方法，进一步地，对当前时刻的关联量测进行可靠性分析，以更新初始特征样本库。进一步地，通过设定更新阈值，若目标关联滤波结果与其一步状态预测距离小于更新阈值时，则判定当前时刻关联滤波结果可靠，更新初始特征样本库。

由于航迹起始的数据是有限长的，其中不能包含目标所有的姿态和状态信息，因此Γ对于初始的数据关联是有效的，一段时间后，由于目标姿态状态的改变，Γ缺失目标的状态信息，导致关联性能下降。因此笔者提出实时更新初始特征样本库Γ和特征权重。目标的关联滤波结果与其一步状态预测的距离小于阈值时，即满足式(13)，认为该时刻的关联滤波结果可靠，可用于更新目标的Γ。

其中，ξ为Γ的更新阈值。若该时刻的关联滤波结果可靠，则该历史特征的可靠度为1，否则为b。更新Γ后，计算式(5)-(8)更新特征权重。

作为本发明实施例中的HRRP历史特征辅助的信号模糊数据关联方法，进一步地，根据经验值选取历史特征信息的历史时刻长度，将该历史时刻长度的历史时刻特征构成历史特征样本库，并利用区间熵权法获取历史特征权重，结合历史时刻特征对当前时刻关联的时间影响因子获取量测与历史时刻样本库中目标的模糊隶属度，构建历史特征样本库的模糊矩阵；对初始特征样本库的模糊矩阵和历史特征样本库的模糊矩阵进行加权求和，获取最终用于数据关联的模糊矩阵。进一步地，最终用于数据关联的模糊矩阵M_F表示为：M_F＝l₁M+l₂M_h，其中，M为初始特征样本库模糊矩阵，M_h为历史特征样本库模糊矩阵，两者权重l₁+l₂＝1。

目标历史时刻的特征信息对于计算模糊隶属度具有非常重要的作用，笔者提出了一种利用历史时刻的特征信息辅助目标数据关联的算法。历史时刻的长度过长会包含冗余信息，过短不能体现出目标短时间内的姿态状态变化，因此需根据经验值选取历史特征信息的时间长度L。将时间长度为L的历史时刻特征构成历史特征样本库Γ_h，通过式(5)-(8)得到历史特征权重W_h。由于长度为L的历史特征相对当前时刻特征相关度不同，时间越接近相关度越高。因此，时间长度为L的历史特征对当前时刻关联的时间影响因子为：

其中，

和

分别为第i个历史特征的时间相关度和可靠度。量测Z_i与Γ_h中目标j的模糊隶属度为：

其中，

是用来衡量量测Z_i与Γ_h中目标j的第m个特征的离散度的函数，是量测的特征相对于不同时间特征序列的差值的统计平均。则通过加权求和得到最终的模糊矩阵：

M_F＝l₁M+l₂M_h (16)

进一步地，基于上述的方法，本发明实施例还提供一种HRRP历史特征辅助的信号模糊数据关联系统，包含：信号特征处理模块、样本库构建模块和信号数据关联分析模块，其中，

信号特征处理模块，用于获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

样本库构建模块，用于针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

信号数据关联分析模块，用于依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

为验证本发明实施例中方案有效性，下面通过仿真数据做进一步解释说明：

基于以上实施例内容，仿真实验中基于HRRP历史特征辅助的模糊数据关联算法，参见图3所示，可设计为如下：

(1)获取观测数据，利用目标的航迹起始特征构建Γ，利用历史时刻特征构建历史特征样本库。

(2)采用区间熵权法计算初始特征权重和历史特征权重；通过计算得到历史时刻的时间影响因子A。

(3)计算目标与量测的模糊隶属度，分别得到初始模糊矩阵和历史模糊矩阵，通过加权求和得到最终的模糊矩阵。

(4)根据最大隶属度原则实现量测与目标的数据关联，然后滤波得到当前时刻关联结果。

(5)对当前时刻的关联量测进行可靠性分析，可靠则更新初始特征样本库和特征权重。

仿真场景及参数：仿真实验中在二维数据关联场景中设置三个匀速且航迹交叉的目标，杂波在目标周围均匀分布。场景仿真时间T＝100s，采样周期t＝1s，目标的检测概率P_d＝0.95，雷达观测距离误差为50米，角度误差为0.1弧度。目标运动轨迹和杂波分布如图4所示。实验仿真的环境平台参数如表1所示：

表1实验软硬件平台参数

为了对比基于特征辅助的模糊数据关联和基于历史特征辅助的模糊数据关联算法的关联性能，可选择均方根误差(Root Mean Square Error,RMSE)对关联结果进行性能评价。

其中，Δy为i时刻三个目标的真实位置值和关联位置值的误差均值。目标关联航迹的RMSE如图5所示，实验仿真前20s模拟仿真航迹起始过程，由图5中(a)x坐标、(b)y坐标可知，从t＝21s开始，三目标位置的x、y坐标的RMSE曲线逐渐下降呈收敛趋势，t＝100s时基于历史特征辅助的模糊数据关联算法的目标x位置坐标的RMSE比模糊数据关联算法的降低了12.58％，目标y位置坐标的RMSE降低了11.33％，关联性能得到提升。

为了测试算法在不同杂波密集程度下的关联性能，可使用杂波个数代替杂波密集程度，杂波个数越大，杂波密集程度越高；反之杂波密集程度越低。仿真环境相同，在不同杂波密集程度下，采用三目标x、y坐标误差均值的RMSE作为关联性能评价指标，性能对比如图6所示，算法运行时间如图7所示。由图6可知，杂波密集程度低或者高的场景下，基于历史特征辅助的模糊数据关联算法的RMSE均低于模糊数据关联算法，并且随着杂波密集程度的增大，模糊数据关联算法的RMSE总体呈增大趋势，基于历史特征辅助的模糊数据关联算法的RMSE增大趋势显著小于模糊数据关联算法。由图7可知，随着杂波密集程度的增大，两种算法的所需运行时间基本符合线性增长，且历史特征辅助的模糊数据关联算法运行时间略长约1.5秒。结合图6和7分析可知，杂波密度对模糊关联算法的关联性能影响比较大，引入HRRP历史特征用于辅助模糊数据关联，有效克服了杂波影响，提升了关联性能。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的系统，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的系统。

基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的系统。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和系统，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，包含如下内容：

获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

2.根据权利要求1所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，假设雷达信号为步进频率雷达，依据步进频率雷达启示频率、步进频率、目标分散点相对雷达径向距离和速度、及步进频率雷达一组脉冲信号脉冲数来获取目标信号的HRRP表示；针对HRRP表示，通过对目标HRRP特征提取，获取时刻k时目标信号HRRP特征向量。

3.根据权利要求1所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，区间熵权法获取权重过程中，首先将样本库中不同目标不同特征取值范围曲建华，通过计算区间信息熵来获取特征权重，其中，区间信息熵通过不同目标特征取值区间内出现概率的对数来获取，以衡量特征的不确定性和区间模糊性。

4.根据权利要求1所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，通过衡量量测与特征样本库中目标或虚警的特征相似程度来获取量测与目标的模糊隶属度，构建初始特征样本库的模糊矩阵。

5.根据权利要求1所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，基于最大隶属度原则进行模糊数据关联性分析，关联原则包含：一个量测最多只能与一个目标进行关联；目标与其模糊隶属度最大的量测进行关联，如果多个目标的最大模糊隶属度量测为同一量测，则该量测与模糊隶属度最大的目标进行关联，然后去除该量测，对剩余目标重新关联模糊隶属度最大的量测，直到目标完成数据关联。

6.根据权利要求4所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，根据经验值选取历史特征信息的历史时刻长度，将该历史时刻长度的历史时刻特征构成历史特征样本库，并利用区间熵权法获取历史特征权重，结合历史时刻特征对当前时刻关联的时间影响因子获取量测与历史时刻样本库中目标的模糊隶属度，构建历史特征样本库的模糊矩阵；对初始特征样本库的模糊矩阵和历史特征样本库的模糊矩阵进行加权求和，获取最终用于数据关联的模糊矩阵。

7.根据权利要求6所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，最终用于数据关联的模糊矩阵M_F表示为：M_F＝l₁M+l₂M_h，其中，M为初始特征样本库模糊矩阵，M_h为历史特征样本库模糊矩阵，两者权重l₁+l₂＝1。

8.根据权利要求1所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，对当前时刻的关联量测进行可靠性分析，以更新初始特征样本库。

9.根据权利要求1或8所述的HRRP历史特征辅助的信号模糊数据关联方法，其特征在于，通过设定更新阈值，若目标关联滤波结果与其一步状态预测距离小于更新阈值时，则判定当前时刻关联滤波结果可靠，更新初始特征样本库。

10.一种HRRP历史特征辅助的信号模糊数据关联系统，其特征在于，包含：信号特征处理模块、样本库构建模块和信号数据关联分析模块，其中，

信号特征处理模块，用于获取当前时刻目标观测数据，利用航迹起始中目标关联量测的HRRP特征构建初始特征样本库，并对其实施更新；

样本库构建模块，用于针对初始特征样本库，利用区间熵权法获取初始特征权重，并利用有限长度历史时刻的HRRP特征构建历史特征样本库；

信号数据关联分析模块，用于依据历史特征样本库修正当前时刻初始样本特征库模糊矩阵，得到目标信号当前模糊数据关联结果。

Images