《高頻地波雷達遠端航跡起始方法和裝置》是哈爾濱工業大學於2011年7月11日申請的專利,該專利的申請號為2011101961093,公布號為CN102880909A,授權公布日為2013年1月16日,發明人是權太范、許榮慶、周共建、馬子龍、張慶祥、趙彬。
《高頻地波雷達遠端航跡起始方法和裝置》提供了一種高頻地波雷達遠端航跡起始方法,包括以下步驟:提取點跡的特徵值,特徵值包括徑向速度大小及其變化率、航速大小及其變化率、RCS大小及其變化率、以及信雜比大小及其變化率;將特徵值中的每一個劃分為多個區間;構造高頻地波雷達遠端航跡起始的知識庫;根據知識庫計算點跡對於航跡起始的置信度;以及根據累計的總的置信度大小及其變化率來判定是否需要航跡起始,其中,如果總的置信度大小和其變化率超過預定門限值,則進行航跡起始。此外,該發明還提供了一種高頻地波雷達遠端航跡起始裝置。
2016年12月7日,《高頻地波雷達遠端航跡起始方法和裝置》獲得第十八屆中國專利優秀獎。
(概述圖為《高頻地波雷達遠端航跡起始方法和裝置》摘要附圖)
基本介紹
- 中文名:高頻地波雷達遠端航跡起始方法和裝置
- 公布號:CN102880909A
- 授權日:2013年1月16日
- 申請號:2011101961093
- 申請日:2011年7月11日
- 申請人:哈爾濱工業大學
- 地址:黑龍江省哈爾濱市工業大學電信院電子所
- 發明人:權太范、許榮慶、周共建、馬子龍、張慶祥、趙彬
- Int.Cl.:G06N5/04(2006.01)I
- 代理機構:北京德恆律師事務所
- 代理人:陸鑫、高雪琴
- 類別:發明專利
專利背景,發明內容,專利目的,技術方案,改善效果,附圖說明,技術領域,權利要求,實施方式,榮譽表彰,
專利背景
高頻地波雷達利用高頻波段垂直極化電磁波沿海洋表面的繞射傳播原理,對海上艦船目標和飛行目標可實現幾百公里的超視距探測。高頻地波雷達工作在頻率十分擁擠、電磁環境極其複雜的短波段,其探測性能易受電磁環境變化的影響。在複雜電磁環境下高頻地波雷達難以保證目標點跡的連續性,同時較低的方位解析度導致遠距離上檢測點跡的高度分散和跳變,嚴重影響高頻地波雷達遠端超視距航跡的形成。
在複雜的電磁環下,傳統的、嚴格的航跡起始數學公式方法難以解決高頻地波雷達遠端超視距航跡起始問題,其主要原因是傳統的航跡起始中的關聯波門大小和準則本身具有很強的模糊性:①波門大小(界線)的模糊性。大的波門有利於航跡起始,但產生大量的虛假航跡的起始;小的波門有利於降低虛假航跡的起始,但會引起真航跡的丟失。另一方面,在高頻地波雷達系統中由於目標運動模型不準確而導致的預測值(即波門中心)本身的不準確和測量值誤差,因而航跡關聯的波門中心位置也是模糊的。②航跡起始準則的不確定性,即初始航跡何時起始(決策)是典型的模糊問題。從廣義上講,航跡起始準則也是一種多因素決策處理,而且航跡起始準則並沒有明確的界限。
對於複雜問題的處理中,基於人的經驗知識的智慧型化推理方法是極為有效的方法。因此有必要把高頻地波雷達遠端超視距航跡起始問題歸結為時變不確定信息的綜合決策推理系統設計問題,構造一個具有學習、推理、專家功能的高智慧型化的遠端超視距航跡起始知識推理網路來,解決傳統的航跡起始方法難以形成高頻地波雷達遠端超視距航跡的問題。
發明內容
專利目的
《高頻地波雷達遠端航跡起始方法和裝置》目的是針對高頻地波雷達遠端超視距航跡難以形成的問題,提供一種航跡起始知識推理網路方法,主要包括高頻地波雷達遠端超視距點跡分布特徵的提取、遠端超視距航跡起始知識庫、遠端超視距航跡起始知識推理算法網路。該發明中超視距航跡主要指200公里以外的航跡。
技術方案
《高頻地波雷達遠端航跡起始方法和裝置》提供了一種高頻地波雷達遠端航跡起始方法,包括以下步驟:提取點跡的特徵值,特徵值包括徑向速度大小及其變化率、航速大小及其變化率、RCS大小及其變化率、以及信雜比大小及其變化率;將特徵值進行模糊化處理;構造高頻地波雷達遠端航跡起始的知識庫;根據知識庫計算點跡對於航跡起始的置信度;以及根據累計的總的置信度大小及其變化率來判定是否需要航跡起始,其中,如果總的置信度超過預定門限值且每個算得的置信度呈遞增趨勢,則進行航跡起始。其中,模糊化處理即將特徵值中的每一個分量劃分為多個區間。
其中,計算的步驟進一步包括:使用航跡起始知識推理算法網路計算點跡對於航跡起始的置信度。
其中,航跡起始知識推理算法網路包括:模糊化處理層,用於計算特徵值的每一個的隸屬度函式;航跡起始知識層,用於計算知識庫中每條知識的適用度(ActivityIntensity,指網路的每個節點模擬一個知識的程度);歸一化層,用於計算適用度的歸一化值;知識推理輸出層,用於計算每條知識的輸出;以及輸出層,用於計算點跡的置信度並進行輸出。
其中,模糊化處理隸屬度區間的個數為3個到5個。這裡區間可以分為3,4,5或更多。也有去7個、8個的。但一般取3-5左右。
其中,航跡起始知識推理算法網路是用基於M估計的魯棒學習訓練指標函式進行學習訓練形成的。
此外,《高頻地波雷達遠端航跡起始方法和裝置》還提供了一種一種高頻地波雷達遠端航跡起始裝置,包括:特徵值提取模組,用於提取點跡的特徵值,特徵值包括徑向速度大小及其變化率、航速大小及其變化率、RCS大小及其變化率、以及信雜比大小及其變化率;區間劃分模組,用於將特徵值中的每一個劃分為多個區間;知識庫構造模組,用於構造高頻地波雷達遠端航跡起始的知識庫;置信度計算模組,用於根據知識庫計算點跡對於航跡起始的置信度;以及判定模組,用於根據累計的總的置信度大小及其變化率來判定是否需要航跡起始,其中,如果總的置信度超過預定門限值且每個算得的置信度呈遞增趨勢,則進行航跡起始。
其中,置信度計算模組使用航跡起始知識推理算法網路計算點跡對於航跡起始的置信度。
其中,航跡起始知識推理算法網路包括:模糊化處理層,用於計算特徵值的每一個的隸屬度函式;航跡起始知識層,用於計算知識庫中每條知識的適用度;歸一化層,用於計算適用度的歸一化值;知識推理輸出層,用於計算每條知識的輸出;以及輸出層,用於計算點跡的置信度並進行輸出。
其中,模糊化處理隸屬度區間的個數為3個到5個。
其中,航跡起始知識推理算法網路是用基於M估計的魯棒學習訓練指標函式進行學習訓練形成的。
改善效果
1)《高頻地波雷達遠端航跡起始方法和裝置》不同於傳統的航跡起始方法,把高頻地波雷達遠端超視距航跡起始看作是點跡集合的模糊信息處理過程問題,把航跡起始問題轉化為不確定點跡的置信度計算,並基於這種觀點提供了遠端超視距航跡起始知識推理算法網路。
2)該發明點跡特徵提取,從變數的大小和變化率較全面描述了該點跡的動態特徵和點跡的屬性特徵。其中,徑向速度大小與變化率反映了距離維的點跡特徵;航速大小與變化率反映了點跡的擺動分布情況;RCS大小與變化量反映了該點跡的回波強度和目標姿態的變化;信雜比大小與變化率反映了當前的高頻地波雷達工作電磁環境。上述四組變數從變數的大小和變化率兩方面較全面描述了該點跡的動態特徵和點跡的屬性特徵,從而可建立航跡起始的知識庫。
3)該發明的高頻地波雷達遠端超視距航跡起始知識推理算法網路通過神經網路、模糊推理和專家系統集成和融合,充分體現了三大智慧型處理技術的四補,即結構互補,功能互補,算法互補、層次互補。如圖4所示,在結構上具有功能互補、結構互補、過程互補、算法互補的四互補結構特徵,同時該結構具有通用逼近性,以任意的逼近精度逼近任意的一個非線性函式,學習訓練數據。
4)該發明對高頻地波雷達遠端超視距航跡起始具有明顯的效果。
附圖說明
圖1示出了根據《高頻地波雷達遠端航跡起始方法和裝置》的多模型四邊形隸屬度函式圖,說明該發明採用的四邊形隸屬度函式有利於實現不同模糊變數的描述,即多模型隸屬度函式;
圖2示出了根據該發明的遠端超視距航跡起始知識推理算法網路結構,說明由三大智慧型技術集成和融合構成的該發明遠端超視距航跡起始知識推理算法網路結構;
圖3示出了根據該發明的信雜比模糊語言隸屬度函式,用以說明點跡特徵的模糊語言區域劃分問題;
圖4示出了根據該發明的遠端超視距航跡起始知識推理算法網路結構特徵圖,用以說明《高頻地波雷達遠端航跡起始方法和裝置》的遠端超視距航跡起始知識推理算法網路結構特徵;
圖5示出了根據該發明實施例的高頻地波雷達遠端航跡起始方法的流程圖。
技術領域
《高頻地波雷達遠端航跡起始方法和裝置》總體上涉及雷達領域,更具體地,涉及一種高頻地波雷達遠端航跡起始方法和裝置。
權利要求
1.一種高頻地波雷達遠端航跡起始方法,其特徵在於,包括以下步驟:提取點跡的特徵值,所述特徵值包括徑向速度大小及其變化率、航速大小及其變化率、RCS大小及其變化率、以及信雜比大小及其變化率;對所述特徵值中的每一個分量進行模糊化處理;構造高頻地波雷達遠端航跡起始的知識庫;根據所述知識庫計算所述點跡對於航跡起始的置信度;以及根據累計的總的置信度大小及其變化率來判定是否需要航跡起始,其中,如果所述總的置信度大小和其變化率超過各自的預定門限值,則進行航跡起始。
2.根據權利要求1所述的方法,其特徵在於,所述計算的步驟進一步包括:使用航跡起始知識推理算法網路計算所述點跡對於航跡起始的置信度。
3.根據權利要求2所述的方法,其特徵在於,所述航跡起始知識推理算法網路包括:模糊化處理層,用於計算所述特徵值的每一個的隸屬度函式;航跡起始知識層,用於計算所述知識庫中每條知識的適用度;歸一化層,用於計算所述適用度的歸一化值;知識推理輸出層,用於計算所述每條知識的輸出;以及輸出層,用於計算所述點跡的置信度並進行輸出。
4.根據權利要求1所述的方法,其特徵在於,所述模糊化處理用於將所述特徵值中的每一個分量劃分為多個區間,所述多個區間的個數為3到5個。
5.根據權利要求1所述的方法,其特徵在於,所述航跡起始知識推理算法網路是用基於M估計的魯棒學習訓練指標函式進行學習訓練形成的。
6.一種高頻地波雷達遠端航跡起始裝置,其特徵在於,包括:特徵值提取模組,用於提取點跡的特徵值,所述特徵值包括徑向速度大小及其變化率、航速大小及其變化率、RCS大小及其變化率、以及信雜比大小及其變化率;模糊化模組,用於對所述特徵值中的每一個分量進行模糊化處理;知識庫構造模組,用於構造高頻地波雷達遠端航跡起始的知識庫;置信度計算模組,用於根據所述知識庫計算所述點跡對於航跡起始的置信度;以及判定模組,用於根據累計的總的置信度大小及其變化率來判定是否需要航跡起始,其中,如果所述總的置信度大小和其變化率超過各自的預定門限值,則進行航跡起始。
7.根據權利要求6所述的裝置,其特徵在於,所述置信度計算模組使用航跡起始知識推理算法網路計算所述點跡對於航跡起始的置信度。
8.根據權利要求6所述的裝置,其特徵在於,所述航跡起始知識推理算法網路包括:模糊化處理層,用於計算所述特徵值的每一個的隸屬度函式;航跡起始知識層,用於計算所述知識庫中每條知識的適用度;歸一化層,用於計算所述適用度的歸一化值;知識推理輸出層,用於計算所述每條知識的輸出;以及輸出層,用於計算所述點跡的置信度並進行輸出。
9.根據權利要求6所述的裝置,其特徵在於,所述多個區間的個數為3到5個。
10.根據權利要求6所述的裝置,其特徵在於,所述航跡起始知識推理算法網路是用基於M估計的魯棒學習訓練指標函式進行學習訓練形成的。
實施方式
如圖5所示,《高頻地波雷達遠端航跡起始方法和裝置》基本原理首先是依據高頻地波雷達遠端超視距點跡分布強突變性、非均勻性、不連續性以及不確定性特徵,提取點跡的徑向速度大小與變化率,航速大小(指航跡起始前關聯的兩個點跡間的速度)與變化率,RCS大小與變化量、信雜比大小與變化率等8個動態特徵變數,並以上述8個動態特徵變數作為知識的前提部分,構造航跡起始知識庫,然後用航跡起始知識推理算法網路計算出該點跡對航跡起始的置信度,最終根據累計的總的置信度大小和變化率來判定是否要航跡起始。即,如果點跡序列的總置信度遞增而且超過給定的門限值,那么航跡起始,否則即使達到門限值但置信度遞減,那么暫不起始航跡或廢棄航跡起始。
所述的高頻地波雷達遠端超視距航跡起始知識庫知識是由8輸入(徑向速度大小與變化率,航速大小與變化率,RCS大小與變化量、信雜比大小與變化率)和一個輸出(置信度)組成。知識的前提條件是根據關聯點跡的信息(8個變數)的模糊變數,結論(輸出)是該點跡對航跡起始置信度。即輸出表示的是該點跡對於遠端超視距航跡起始的一種貢獻的大小。點跡的置信度越大,該點跡對航跡起始的貢獻越大。引入點跡的置信度計算概念有利於處理不確定的點跡信息的處理。
知識庫中,每一條知識表示為:
![](/img/4/f24/wZ2NnLmJWNlRWMxEWOkFWZ5IjY3QTZkNGO2UDZ4ADMlVmNmNzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
![](/img/2/266/wZ2NnL0QTMklDO3gDNhJGN0cTMyEzMjVjZxMzM2YGOycTOlV2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
![](/img/4/a0e/wZ2NnL3UTZ0ImZxQjMzIWMxATYwMGMxYDOlFWMyMmMhNmNhF2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中,Ai1和Ai2分別表示輸入變數xi的大小和其變化率的模糊值;為點跡的置信度O的模糊值。
所述的參量的模糊化採用多結構四邊形隸屬度函式。令模糊集A的四邊形隸屬函式是R上的一個連續函式其定義為
![](/img/c/508/wZ2NnLlVzY5kTNxgDO5MjNlRDMzMTMwQDO4UWOjRjMkNTOyEzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中,a≤b≤c≤d,0≤H≤1,0≤I(x)≤1是[a,b]上的一個非減函式,0≤D(x)≤1是(c,d)上的一個非增函式,如圖1,當模糊集A為標準模糊集(即H=1)時,其隸屬度函式可以簡單地記為uA(x;a,b,c,d)。該多結構形隸屬度函式,可根據不同的參數構造梯形隸屬度函式、三角形隸屬度函式、高斯型隸屬度函式、鐘型隸屬度函式、單點隸屬度函式等。
所述的高頻地波雷達遠端超視距航跡起知識推理算法網路結構,如圖2所示,由神經網路、模糊推理和專家系統的三大智慧型信息處理技術集成和融合構成,具有5層節點,輸入是點跡的8個特徵值,輸出是該點跡的置信度,取值範圍為[0,1]。
所述的高頻地波雷達遠端超視距航跡起始知識推理算法網路各層名稱與功能如下:
第一層:模糊化處理層,計算8個輸入變數的隸屬度函式。
第二層:航跡起始知識層,計算每條知識的適用度。
第三層:歸一化層,計算適用度的歸一化值。
第四層:知識推理的輸出層,計算每一條規則知識的輸出。若第k條規則知識的後件(結論)是rk(k=1,2,…,N),則第四層第k個節點的輸出為
![](/img/a/b46/wZ2NnLkNDM2gjMwUjNmJmY3IjYmdTYmRWOxczYkRjNykTNwM2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中
表示第k條知識的適用度歸一化值。
![](/img/1/1aa/wZ2NnLhZDO1IGO0YWMhZjZ2kDM1MmYzEmZ0EDZ1IDZzMWZiJzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
第五層:輸出層,基於專家系統的去模糊化置信度輸出層:計算點跡置信度的輸出,即
![](/img/1/d62/wZ2NnLiRTNjFGNzYDO5U2YmZjM4YTZiR2N3UWN3gTYmNDO0gzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中,Wk為對第k個知識的加權。
如式(4)可見,所述的高頻地波雷達遠端超視距航跡起始知識推理網路輸出(決策)採用基於知識庫規則排序的加權合成算法,即並不是把所有的規則知識同等對待,而是對規則知識進行重要性的排序來確定合成算法的加權係數。
所述的遠端超視距航跡起始知識推理算法網路的學習訓練算法採用魯棒學習訓練算法,即訓練誤差指標函式不再是誤差的二次函式,而是採用滿足M估計的指標函式ψ(e)。以往網路學習訓練算法採用誤差的平方函式,這種學習訓練算法可以看作是一種最小二乘估計,即一種估計誤差信號的平均功率最小的一種線性估計,因而魯棒特性很差,對野值十分敏感。
假設遠端超視距航跡起始知識推理算法網路共有L層,第K層有#(K)個節點。用(K,i)表示第K層第i個節點,用表示該節點的節點函式,則節點的點輸出和節點函式表示為:
![](/img/b/0e3/wZ2NnL0QWZ5EmZklTMwczYjZmMzMzY4IDOiVWN2Y2YxYzMmZ2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中a,b,c,…為預先給定的該節點的參數序列。
然後設計訓練指標函式。假設給定P組訓練樣本,則第p組(1≤p≤P)的訓練誤差為:
![](/img/4/fc8/wZ2NnLhJGN2ATYlRjNzATZ1EDMiVmYzITMwImNjVmN0kzMhF2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中ρ為任意給定的函式,限於平方函式,Tm,p表示第p組數據第m個分量的期望輸出值,表示第p組數據第m個分量的實際輸出。那么總的誤差為
![](/img/5/298/wZ2NnLyQTZ3IzMmhTY4AjYjhjZxUjNlFjN4YTZ5ADM4EWZiR2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
上述ρ(e)滿足如下M估計的要求:
根據上述指標函式進行訓練。先計算對於第p組輸入數據和每個節點輸出O的誤差率對於節點(L,i)的誤差率
可由下式算出:
![](/img/9/c53/wZ2NnL4cTY0gzN2QjY1ATZ3ETNxcDZ1IWOzIjYwAzM4kDOiZ2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
![](/img/8/b69/wZ2NnL4QTMmFmZ2UmZlJmNjFjNhNjNkNmZlJGM5IDO1M2NzIzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中,ψ(e)=ρ·(e)。
對於內部節點(L,i)誤差率可以表示為:
![](/img/c/ce8/wZ2NnLwEGN4EGM5YjM0ETNjNmMwYWZ4IGOkJWO2YmY5ITZxE2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
其中,1≤K≤L-1。
內部節點的誤差率可以表示為下一層節點的誤差率的線性組合。因此對於所有的1≤K≤L和1≤i≤#(K),可以由(9)式得到
。
![](/img/5/6c4/wZ2NnL5UWN4MTZ0kzN5QTOyU2YkNzN2MGO5gDO1AjZ1ADNmF2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
整個訓練過程和BP網路學習訓練算法基本相同,但《高頻地波雷達遠端航跡起始方法和裝置》的學習訓練算法中輸出層的輸出不再是像傳統的學習訓練算法那樣誤差的線性函式,而是對大誤差(對野值)具有魯棒(限幅)特性的非線性函式。
如圖5所示,下面詳細介紹根據該發明的高頻地波雷達遠端航跡起始方法的實施例。
步驟501提取點跡特徵值
根據經預處理(可以看作是粗關聯處理)得到的點跡,從第三點開始計算該點跡的8個參數量:徑向速度大小與變化率,航速大小(指航跡起始前關聯的兩個點跡間的速度)與變化率,RCS大小與變化量、信雜比大小與變化率。
步驟503設定多模型四邊形隸屬度函式參數設定
下面各參數區間表示中,括弧[a,b,c,d]的四個變數,分別對應圖1所示的四邊形隸屬度函式uA(x;a,b,c,d)的四個參數a,b,c,d。在下面參數中,徑向速度、航速單位為節,RCS、信雜比單位為分貝。
(1)徑向速度與變化率
徑向速度大小:大[50,40,35,25];一般[25,20,15,10];小[15,10,5,1]
徑向速度變化率:很大[15,10,10,5];大[10,6,6,3];一般[5,3,3,1];小[3,2,2,1];很小[2,1,1,0]。
(2)航速(指兩個點跡間距離)與變化率
航速大小:大[50,40,35,25];一般[30,25,20,15];小[20,15,10,5]
航速變化率:很大[25,20,20,15];大[16,10,10,6];一般[8,5,5,2];小[5,3,3,2];很小[4,2,2,0]。
(3)RCS與變化量
RCS大小:大[45,40,30,25];一般[25,20,15,10];小[20,15,10,5]
RCS變化率:很大[20,15,15,10];大[15,10,10,5];一般[8,5,5,2];小[5,3,3,1];很小[2,1,1,0]。
(4)信雜比與變化率
信雜比:大[50,40,35,25];一般[30,25,20,15];小[25,20,15,10]
信雜比變化率:很大[30,25,25,20];大[25,20,20,15];一般[20,15,15,10];小[15,10,10,5];很小[10,5,5,0]。
(5)置信度
極大[0.95,1,1,0.95];很大[0.7,0.85,0.85,0.7];大[0.6,0.7,0.7,0.6];一般[0,6,0.5,0.5.5,0.6];小[0,4,0.3,0.3,0.4];很小[0.1,0.2,0,2,0.1];極小[0,0.1,0.1,0]。
根據實際情況,可設定不同的模糊語言區間。《高頻地波雷達遠端航跡起始方法和裝置》中,如信雜比大小分為大、一般、小三個區間,也可以如圖3所示,設定很大、大、一般、小、很小五個區間。模糊語言區域的密集劃分有利於系統的逼近性,但帶來知識庫的龐大和推理網路算法的複雜性。
步驟505構造高頻地波雷達遠端超視距航跡起始知識庫。表1給出了知識庫的範例。
表1航跡起始知識庫範例
知識號 | 前提條件(IF) | 結論(THEN) | |||||||
徑向速度大小 | 徑向速度變率 | 航速大小 | 航速變化率 | RCS大小 | RCS變化率 | SCR大小 | SCR變化率 | 置信度 | |
X11 | X12 | X21 | X22 | X31 | X32 | X41 | X42 | 0 | |
1 | 小 | 很大 | 大 | 很大 | 小 | 很大 | 小 | 很大 | 極小 |
2 | 小 | 大 | 大 | 大 | 小 | 大 | 小 | 大 | 很小 |
3 | 小 | 一般 | 大 | 一般 | 小 | 一般 | 小 | 一般 | 小 |
4 | 小 | 小 | 大 | 小 | 小 | 小 | 小 | 小 | 一般 |
5 | 大 | 很小 | 小 | 很小 | 大 | 很小 | 大 | 很小 | 極大 |
6 | 大 | 小 | 小 | 小 | 大 | 小 | 大 | 小 | 很大 |
7 | 大 | 一般 | 小 | 一般 | 大 | 一般 | 大 | 一般 | 大 |
8 | 大 | 大 | 大 | 大 | 大 | 大 | 大 | 大 | 一般 |
9 | 大 | 很小 | 一般 | 很小 | 一般 | 很小 | 一般 | 很小 | 大 |
10 | 大 | 小 | 一般 | 小 | 一般 | 小 | 一般 | 小 | 一般 |
11 | 大 | 一般 | 一般 | 一般 | 一般 | 一般 | 一般 | 一般 | 小 |
12 | 大 | 大 | 一般 | 大 | 一般 | 大 | 一般 | 大 | 很小 |
13 | 大 | 很小 | 一般 | 很小 | 一般 | 很小 | 小 | 很小 | 一般 |
14 | 大 | 小 | 一般 | 小 | 一般 | 小 | 小 | 小 | 小 |
15 | 大 | 一般 | 一般 | 一般 | 一般 | 一般 | 小 | 一般 | 很小 |
16 | 大 | 大 | 一般 | 大 | 一般 | 大 | 小 | 大 | 極小 |
17 | 大 | 很小 | 小 | 很小 | 大 | 很小 | 小 | 很小 | 小 |
18 | 大 | 小 | 小 | 小 | 大 | 小 | 小 | 小 | 很小 |
19 | 大 | 一般 | 小 | 一般 | 大 | 一般 | 小 | 一般 | 很小 |
20 | 大 | 大 | 大 | 大 | 大 | 大 | 小 | 大 | 極小 |
21 | 大 | 很小 | 小 | 很小 | 大 | 很小 | 一般 | 很小 | 大 |
22 | 大 | 小 | 小 | 小 | 大 | 小 | 一般 | 小 | 一般 |
23 | 大 | 一般 | 小 | 一般 | 大 | 一般 | 一般 | 一般 | 小 |
24 | 大 | 大 | 大 | 大 | 大 | 大 | 一般 | 大 | 很小 |
25 | 一般 | 很小 | 小 | 很小 | 大 | 很小 | 一般 | 很小 | 很大 |
26 | 一般 | 小 | 小 | 小 | 大 | 小 | 一般 | 小 | 大 |
27 | 一般 | 一般 | 小 | 一般 | 大 | 一般 | 一般 | 一般 | 一般 |
28 | 一般 | 大 | 大 | 大 | 大 | 大 | 一般 | 大 | 小 |
步驟506學習訓練步驟(未示出)
採用基於M估計的魯棒學習訓練指標函式,根據知識庫對推理算法網路進行學習訓練。
步驟507計算總的置信度和總的變化率
根據已學習訓練的遠端超視距航跡起始知識推理算法網路,先計算點跡的置信度,然後計算總的置信度。
設i時刻點跡的置信度Oi為,則K時刻總的置信度QK和變化率分別表示為
![](/img/f/ff5/wZ2NnL2QTZ3gzYwEmN4YmNjRzMwgDMwIWNzcTMwcjM0kTY3QzLhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
![](/img/c/e83/wZ2NnL1YGNxITZ1Q2M4kzMyEGO1cjMzUjZ1QTMlN2N5EmZiF2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
步驟509決策
設定遠端超視距航跡起始決策門限:置信度大小累計值門限O∑和點跡置信度大小變化率門限OΔ.
如滿足下面判決,則遠端超視距航跡起始,否則暫不起始航跡:
![](/img/d/a49/wZ2NnL4ImNmljMwYWOkZzMxUTZmBTMkJTMhVGO5EDMiVDZmN2LhxWdtJ3bm9SbvNmLz9mYlNmYu4GZj5yZtl2ai9yL6MHc0RHa.jpg)
上面論述了若干實施例的部件,使得該領域普通技術人員可以更好地理解《高頻地波雷達遠端航跡起始方法和裝置》的各個方面。該領域普通技術人員應該理解,可以很容易地使用該發明作為基礎來設計或更改其他用於達到與這裡所介紹實施例相同的目的和/或實現相同優點的處理和結構。該領域普通技術人員也應該意識到,這種等效構造並不背離該發明的精神和範圍,並且在不背離該發明的精神和範圍的情況下,可以進行多種變化、替換以及改變。
榮譽表彰
2016年12月7日,《高頻地波雷達遠端航跡起始方法和裝置》獲得第十八屆中國專利優秀獎。