【技术实现步骤摘要】
本专利技术涉及点迹处理，尤其涉及一种基于tensorflow架构的超低功耗微控制器点迹凝聚方法。
技术介绍
1、在二次雷达点迹处理过程中，对来自fpga译码数据的点迹凝聚处理过程一直以来都是重点和难点问题，其最大困难在于目标回波中存在的大量地、海杂波和有源电磁干扰，这通常导致严重的点迹分裂和虚警问题，从而极大影响目标点迹精度和稳定性，受限于平台对雷达重量和尺寸的要求，这一问题在装有相控阵天线的机载二次雷达中尤其明显。传统点迹凝聚一般采用质心法，即以接收的信号幅度为权重，通过加权平均计算点迹群方位和距离的质量中心，该算法计算简单，且计算中考虑信号幅度，在一定程度上能较好反应目标的真实位置，但由于该算法信任所有点迹群内的点，易受虚假点迹影响。近年来，随着人工智能技术的发展，机器学习等先进算法被广泛引用到各个领域。聚类分析是无监督学习中重要的数据挖掘方法，该算法对数据信息不要求有任何的先验和假设，仅利用样本对象的“相似度”就可完成对数据集的分类工作，具有无监督性、高效性以及自适应性等优势，能够有效提高点迹凝聚效果，减少点迹分裂和虚警问题。然而，这类机器学习算法往往需要消耗较大计算量和功耗，且c语言面向过程的特性使得这类算法在以ppc、dsp芯片为主的低功耗嵌入式雷达硬件平台中开发十分困难，这些综合因素导致其在对雷达译码数据的点迹凝聚处理过程中难以得到广泛应用。
2、现有的点迹凝聚技术主要问题在于：
3、(1)对于传统质心凝聚算法，当目标所处背景环境复杂时，目标回波中将存在大量地、海杂波和有源电磁干扰，这通常导致
4、(2)对于聚类分析这类先进的机器学习算法，虽然在一定程度上能够解决传统质心凝聚算法中出现的点迹分裂和虚警问题，但其复杂的算法和较高的计算量也极大地限制了其工程应用范围，同时也对以c语言为主的嵌入式软件开发提出了更高要求。
技术实现思路
1、鉴于此，本专利技术提供一种基于tensorflow架构的超低功耗微控制器点迹凝聚方法。
2、本专利技术公开了一种基于tensorflow架构的超低功耗微控制器点迹凝聚方法，其包括：
3、步骤1：获取不同机动目标的二次雷达原始译码数据以及标效数据并对其进行关联，形成样本数据；
4、步骤2：通过rc低通滤波器首先对目标点迹群中的点迹以及点迹对应的和幅度进行过滤，滤除由环境和硬件设备带来的高频噪声，同时收缩点迹群范围；再将点迹方位、距离和幅度数据输入三维k-means聚类模型，通过k-means算法，以实现对真实点迹群和由干扰形成的点迹群的精确分类以及点迹群中心的计算；
5、步骤3：tensorflow liter转换器将基于tensorflow架构的点迹凝聚模型转换为tensorflow lite模型，该tensorflow lite模型能在装有文件管理系统的嵌入式设备中直接运行，最后利用unix工具将tensorflow lite模型直接转换为可包含在嵌入式应用程序中的c语言源文件；将基于tensorflow架构的点迹凝聚模型转换为tensorflow lite模型的过程中，采用量化优化转换模型。
6、进一步地，所述步骤1包括：
7、步骤11：采集模型数据：分别采集不同机动目标的二次雷达原始译码数据以及标效数据；
8、步骤12：关联目标数据：依据目标代码或s模式地址关联二次雷达原始译码数据和标效数据；依据时间特性关联同一目标在同一时刻下的二次雷达原始译码数据和标效数据，形成样本数据，对时间不一致的数据进行补偿处理。
9、进一步地，标效数据包括ads-b和gps数据；原始译码数据携带信息包括和通道幅度、差通道幅度、控制通道幅度、符号位、波位号、时间、目标代码和目标距离；标效数据携带的ads-b和gps数据信息包括身份码、目标代码、时间、目标距离、方位和高度。
10、进一步地，所述步骤2包括：
11、步骤21：rc低通滤波处理：对二次雷达译码数据中的和幅度、差幅度、目标距离和目标方位进行rc低通滤波处理；通过和通道幅度、差通道幅度、符号位、波位号以及查询oba表进行计算获得目标方位信息；
12、步骤22：数据的归一化与偏置权重：对不同种类数据进行归一化处理，以避免由量纲导致的较大数据对较小数据特征的掩盖；对目标方位数据添加偏置权重，以放大目标方位数据特征；
13、步骤23：聚类模型的建立与计算：在tensorflow架构中，选择k-means作为聚类模型，将同一目标经过滤波处理的和幅度值、目标方位以及目标距离作为数据输入k-means模型；k-means模型通过不断迭代，区分真实目标点迹群和由干扰产生的目标点迹群，并通过真实目标点迹群计算点迹中心。
14、进一步地，所述步骤21包括：
15、输入滤波器的首个数据x1的前值y0取当前数据类型中所有数据，即x1～xn，的平均值；当前数据类型为和幅度或者差幅度或者目标距离或者目标方位；
16、rc低通滤波完整计算公式为：
17、
18、其中，ts为低通滤波器的采样时间，fc为低通滤波器的采样频率，xn为输入滤波器的第n个数据，yn-1为xn的计算输入前值，yn为xn+1的计算输入前值。
19、进一步地，所述步骤23包括：
20、将经过归一化和偏置处理的译码数据送至三维k-means模型，通过k-means模型对译码数据进行分类，并计算分类后的簇中心，然后选取点迹最多的簇的中心作为整个译码数据的点迹群中心，最后将计算出的点迹群中心的方位和距离反归一化处理，得到真实的目标方位和距离。
21、进一步地，所述步骤2之后，还包括：
22、将k-means聚类得到的点迹群中心与该目标的标效数据进行对比，并采用轮廓系数作为聚类效果的评价指标，若凝聚的点迹效果不满足要求，则修改三维k-means聚类模型参数，直到获得满足要求的基于tensorflow架构的点迹凝聚模型。
23、进一步地，所述轮廓系数的计算式为：
24、
25、其中，a(i)为i向量到同一簇内其它点不相似程度的平均值，b(i)为i向量到其他簇的平均不相似程度的最小值，i代表点迹群中的第i个点，s(i)表示第i个点的轮廓系数。
26、由于采用了上述技术方案，本专利技术具有如下的优点：
27、(1)针对传统质心点迹凝聚算法存在的点迹分裂和虚警问题，本专利技术采用rc低通滤波和三维k-means聚类算法来实现点迹凝聚处理。通过rc低通滤波器先对目标点迹群中的点迹以及该点迹对应的和幅度进行过滤，滤除高频噪声并同时收缩点迹群范围；再通过k-means算法实现对真实点迹群和由干扰形成的点迹群的精确分类，以及点迹群中心的计算；
28、(2)为充分利用硬件的浮点和矩阵运算，降低算法的运算时间和硬件功耗，同本文档来自技高网...
【技术保护点】
1.一种基于TensorFlow架构的超低功耗微控制器点迹凝聚方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
3.根据权利要求1或2所述的方法，其特征在于，标效数据包括ADS-B和GPS数据；原始译码数据携带信息包括和通道幅度、差通道幅度、控制通道幅度、符号位、波位号、时间、目标代码和目标距离；标效数据携带的ADS-B和GPS数据信息包括身份码、目标代码、时间、目标距离、方位和高度。
4.根据权利要求3所述的方法，其特征在于，所述步骤2包括：
5.根据权利要求4所述的方法，其特征在于，所述步骤21包括：
6.根据权利要求4所述的方法，其特征在于，所述步骤23包括：
7.根据权利要求1所述的方法，其特征在于，所述步骤2之后，还包括：
8.根据权利要求7所述的方法，其特征在于，所述轮廓系数的计算式为：
【技术特征摘要】
1.一种基于tensorflow架构的超低功耗微控制器点迹凝聚方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：
3.根据权利要求1或2所述的方法，其特征在于，标效数据包括ads-b和gps数据；原始译码数据携带信息包括和通道幅度、差通道幅度、控制通道幅度、符号位、波位号、时间、目标代码和目标距离；标效数据携带的ads-b和gps数据信息包括身份码、目标...
【专利技术属性】
技术研发人员：王爱国，张坤，吴兵，胡鑫，谈生进，
申请(专利权)人：四川九洲空管科技有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。