一种基于RCS滑动排列熵的空间目标识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于RCS滑动排列熵的空间目标识别方法，包括：对获取的待识别目标的RCS序列进行加权中心平滑滤波得到滤波后RCS序列；对滤波后RCS序列采用滑动计算方式计算排列熵熵值得到RCS序列排列熵曲线；计算待识别目标的RCS序列的均值和方差并计算RCS序列排列熵曲线的均值和最大变化幅值，得到待识别目标的四个特征数据；将这四个特征数据输入预先训练完成的识别模型中，得到待识别目标的类别；类别包括稳姿目标或非稳姿目标；其中，识别模型是利用已知类别的若干目标的四个特征数据对多核支持向量机模型进行训练得到的。本发明专利技术首次提出使用排列熵计算方法来提取RCS目标特性，可有效区分非稳姿目标和稳姿目标。可有效区分非稳姿目标和稳姿目标。可有效区分非稳姿目标和稳姿目标。

【技术实现步骤摘要】
一种基于RCS滑动排列熵的空间目标识别方法和装置


[0001]本专利技术属于空间目标识别领域，具体涉及一种基于RCS滑动排列熵的空间目标识别方法和装置。

技术介绍

[0002]随着现代科技的快速发展，空中以及太空中都充斥着已知的各类型飞行器。如在特定区域空域不仅存在大量的飞机目标，同时还存在导弹、无人机、太空气球等诸多目标。而在太空中，不仅有大量的卫星和航天器，同时还存在有火箭箭体、失控卫星、空间碎片等各类目标。截止2022年12月，美国联盟太空作战中心所属的SPACE
‑
TRACK网站公布的可跟踪在轨空间目标总数已经超过26000个，空间目标数量的急剧增长使得飞行器的安全形势日益严峻。要保障飞行器飞行安全，必须实时感知空间目标态势，并对目标属性和当前状态进行有效识别和确认，才能采取规避或防御措施。目标特征提取是进行目标识别的首要步骤，如何提取能够反映目标属性的高区分度特征是目标识别领域中的重难点问题。
[0003]目前，用于空间目标识别的特征主要有弹道特征、RCS特征、微动特征、图像特征、极化特征、质阻比特征、红外辐射特征等。其中，RCS特征是应用范围最广、工程使用最为成熟的方法之一。当空间目标沿轨道运行的时候，其姿态是保持稳定的，由于雷达与其相对视线角发生变化，而导致RCS值发生缓慢变化。因此，RCS值的变化规律反映了目标形体结构的物理特性，使用RCS数据可获取目标位置特征参数、散布特征参数、分布特征参数、相关特征参数等。
[0004]其中，RCS位置特征参数描述了目标RCS时间序列的平均位置和特定位置，常用的有均值、中值、平均中值比、极大值和极小值等。散布特征参数描述了目标RCS时间序列在整个实数轴上的离散程度，主要有极差、方差、均方差、标准均差以及变异系数等。分布特征参数描述了目标RCS统计分布的总体密度函数的图形特征，它包括分布密度函数、累计分布函数、标准偏度系数（密度函数不对称性测量）和标准峰度系数（密度函数的峰度偏离标准正态分布峰值的程度），是以正态分布的概率密度为参照，表示RCS序列密度函数的对称性和峰值大小的测度。相关特征参数有自相关函数、线性相关系数、线性时关系数等。其中，自相关函数反映了随机过程在不同时刻的状态之间的联系，线性相关系数给出了各RCS值之间的相依性测度，线性时关系数则表示了目标RCS与时间之间线性相依关系的强弱。
[0005]在目标识别实际应用场景中，位置特征参数、散布特征参数等使用较为广泛。这些基于统计的特征参数能从整体上反映目标的尺寸大小、整体结构、散射特性等，是识别目标属性的重要手段之一。但随着各种隐身以及其它伪装对抗技术的快速发展，基于RCS统计特征的目标识别方法极易受到干扰，且会受测量误差影响，在实际应用的效果欠佳，甚至在很多时候出现失效，因此，亟需寻找能够克服这些缺点的新目标特征和识别方法。

技术实现思路

[0006]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于RCS滑动排列熵的
空间目标识别方法、装置、电子设备和存储介质。本专利技术要解决的技术问题通过以下技术方案实现：第一方面，本专利技术实施例提供了一种基于RCS滑动排列熵的空间目标识别方法，所述方法包括：对获取的待识别目标的RCS序列进行加权中心平滑滤波，得到滤波后RCS序列；对所述滤波后RCS序列采用滑动计算方式计算排列熵熵值，得到RCS序列排列熵曲线；计算所述待识别目标的RCS序列的均值和方差，并计算所述RCS序列排列熵曲线的均值和最大变化幅值，得到待识别目标的四个特征数据；将所述待识别目标的四个特征数据输入预先训练完成的识别模型中，得到所述待识别目标的类别；所述类别包括稳姿目标或非稳姿目标；其中，所述识别模型是利用已知类别的若干目标的四个特征数据对多核支持向量机模型进行训练得到的。
[0007]在本专利技术的一个实施例中，对获取的待识别目标的RCS序列进行加权中心平滑滤波时采用的公式，包括：；其中，表示窗口内待识别目标的RCS序列值；表示加权中心平滑滤波后的值；表示加权系数，且；表示窗口尺度。
[0008]在本专利技术的一个实施例中，对所述滤波后RCS序列采用滑动计算方式计算排列熵熵值，得到RCS序列排列熵曲线时采用的公式，包括：；其中，表示计算的排列熵熵值；表示待计算RCS序列的窗口长度；表示嵌入矩阵维数；表示时间延迟；表示排列熵计算映射。
[0009]在本专利技术的一个实施例中，计算所述待识别目标的RCS序列的均值和方差，并计算所述RCS序列排列熵曲线的均值和最大变化幅值时采用的公式，包括：；；；；
其中，表示所述待识别目标的RCS序列的长度；表示所述RCS序列排列熵曲线的数值个数；表示所述待识别目标的RCS序列的均值；表示所述待识别目标的RCS序列的方差；表示所述RCS序列排列熵曲线中第个数值；表示所述RCS序列排列熵曲线的均值；和分别表示所述RCS序列排列熵曲线中的最大幅值和最小幅值；表示所述RCS序列排列熵曲线的最大变化幅值。
[0010]在本专利技术的一个实施例中，所述多核支持向量机模型为基于线性核函数、高斯核函数、高斯径向基核函数的三核支持向量机模型。
[0011]在本专利技术的一个实施例中，所述将所述待识别目标的四个特征数据输入预先训练完成的识别模型中，得到所述待识别目标的类别，包括：将所述待识别目标的四个特征数据输入预先训练完成的识别模型中，得到不同核的支持向量机输出的二分类结果；将所述不同核的支持向量机输出的二分类结果利用投票方式进行融合，得到所述待识别目标的类别。
[0012]在本专利技术的一个实施例中，将所述不同核的支持向量机输出的二分类结果利用投票方式进行融合时采用的公式，包括：；其中，表示不同核的支持向量机输出的二分类结果中第一类别的个数；表示不同核的支持向量机输出的二分类结果中第二类别的个数；所述第一类别为稳姿目标或非稳姿目标之一，所述第二类别为稳姿目标或非稳姿目标之另一。
[0013]第二方面，本专利技术实施例提供了一种基于RCS滑动排列熵的空间目标识别装置，所述装置包括：RCS序列滤波模块，用于对获取的待识别目标的RCS序列进行加权中心平滑滤波，得到滤波后RCS序列；排列熵计算模块，用于对所述滤波后RCS序列采用滑动计算方式计算排列熵熵值，得到RCS序列排列熵曲线；特征数据计算模块，用于计算所述待识别目标的RCS序列的均值和方差，并计算所述RCS序列排列熵曲线的均值和最大变化幅值，得到待识别目标的四个特征数据；目标识别模块，用于将所述待识别目标的四个特征数据输入预先训练完成的识别模型中，得到所述待识别目标的类别；所述类别包括稳姿目标或非稳姿目标；其中，所述识别模型是利用已知类别的若干目标的四个特征数据对多核支持向量机模型进行训练得到的。
[0014]第三方面，本专利技术实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序时，实现本专利技术实施例所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RCS滑动排列熵的空间目标识别方法，其特征在于，包括：对获取的待识别目标的RCS序列进行加权中心平滑滤波，得到滤波后RCS序列；对所述滤波后RCS序列采用滑动计算方式计算排列熵熵值，得到RCS序列排列熵曲线；计算所述待识别目标的RCS序列的均值和方差，并计算所述RCS序列排列熵曲线的均值和最大变化幅值，得到待识别目标的四个特征数据；将所述待识别目标的四个特征数据输入预先训练完成的识别模型中，得到所述待识别目标的类别；所述类别包括稳姿目标或非稳姿目标；其中，所述识别模型是利用已知类别的若干目标的四个特征数据对多核支持向量机模型进行训练得到的。2.根据权利要求1所述的基于RCS滑动排列熵的空间目标识别方法，其特征在于，对获取的待识别目标的RCS序列进行加权中心平滑滤波时采用的公式，包括：；其中，表示窗口内待识别目标的RCS序列值；表示加权中心平滑滤波后的值；表示加权系数，且；表示窗口尺度。3.根据权利要求2所述的基于RCS滑动排列熵的空间目标识别方法，其特征在于，对所述滤波后RCS序列采用滑动计算方式计算排列熵熵值，得到RCS序列排列熵曲线时采用的公式，包括：；其中，表示计算的排列熵熵值；表示待计算RCS序列的窗口长度；表示嵌入矩阵维数；表示时间延迟；表示排列熵计算映射。4.根据权利要求3所述的基于RCS滑动排列熵的空间目标识别方法，其特征在于，计算所述待识别目标的RCS序列的均值和方差，并计算所述RCS序列排列熵曲线的均值和最大变化幅值时采用的公式，包括：；；；；其中，表示所述待识别目标的RCS序列的长度；表示所述RCS序列排列熵曲线的数值
个数；表示所述待识别目标的RCS序列的均值；表示所述待识别目标的RCS序列的方差；表示所述RCS序列排列熵曲线中第个数值；表示所述RCS序列排列熵曲线的均值；和分别表示所述RCS序列排列熵曲线中的最大幅值和最小幅值；表示所述RCS序列排列熵曲线的最大变化幅值。5.根据权利要求4所述的基于RCS滑动排列熵的空间目标识别方法，其特征在于，所述多核支持向量机模型为基于线性核函数、高斯核函数、高斯径向基核函数的三核支持向量机模型。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：葛鹏岳，杜新鹏，王玉哓，张天天，闫靖仁，陈东，程蒙江川，王立志，
申请(专利权)人：中国人民解放军三二零三五部队，
类型：发明
国别省市：