基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

doi:10.16183/j.cnki.jsjtu.2019.09.011

上海交通大学学报 ›› 2019, Vol. 53 ›› Issue (9): 1091-1099.doi: 10.16183/j.cnki.jsjtu.2019.09.011

基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

王江卓1,徐文聪1,李建勋1,贺丰收2,曹兰英2,缪礼锋2

1. 上海交通大学自动化系，上海 200240； 2. 中航工业雷华电子技术研究所，江苏无锡 214063

发布日期:2019-10-11
通讯作者: 李建勋，男，教授，博士生导师，电话(Tel.): 021-34204305；E-mail：lijx@sjtu.edu.cn.
作者简介:王江卓（1993-），男，河北省石家庄市人，硕士生，主要研究方向为模式识别与智能系统.
基金资助:
装备预研领域基金项目(61404130103)，2015 中航工业产学研专项，国家自然科学基金 (61673265)，国家重点基础研究发展计划(6133190302)资助项目

Dot-Track Association Algorithm for Radar Electronic Support Measurement Systems Based on Support Vector Machine

WANG Jiangzhuo 1,XU Wencong 1,LI Jianxun 1,HE Fengshou 2,CAO Lanying 2,MIAO Lifeng 2

1. Department of Automation, Shanghai Jiao Tong University, Shanghai 200240, China; 2. AVIC Leihua Electronic Technology Research Institute, Wuxi 214063, Jiangsu, China

Published:2019-10-11

摘要/Abstract

摘要： 概率数据关联是多源信息融合算法中的关键问题，本文主要对基于雷达和电子支援措施(ESM)双传感器融合的数据关联问题展开研究.由于雷达和ESM传感器方位角数据分布近似相同，可以通过对ESM数据的分析得到判别函数，使用相应的判决规则对点迹和航迹进行关联，这本质上可以看作是一个模式识别问题.本文考虑到支持向量机(SVM)模型在模式分类中的良好表现，建立了基于SVM的雷达ESM系统的点迹-航迹关联模型，使用ESM传感器航迹数据训练SVM模型，对雷达点迹数据进行分类，获得关联结果.最终模拟结果表明：与经典的多假设跟踪算法相比，所提出的算法可有效提高关联准确率.

关键词: 雷达；电子支援措施(ESM)；航迹关联；支持向量机(SVM)

Abstract: Probabilistic data association is an important issue in multi-source information fusion algorithms. The data association problem based on radar and electronic support measurement (ESM) sensors is mainly discussed in this paper. As the azimuthal data of radar and ESM sensors have approximately the same distribution, the discriminant function can be obtained through the analysis of ESM data, and the corresponding decision rules can be used to associate the dots and tracks. The association issue can be essentially regarded as a pattern recognition problem. In this paper, considering the good performance of support vector machine(SVM) in pattern classification, we establish a dotting and tracking association model for radar ESM systems based on SVM algorithm. We train the SVM model with ESM data, and classify the radar data to acquire association result. Finally, the simulation results show that the association accuracy can be effectively improved compared with the classical multiple hypothesis tracking algorithm.

Key words: radar; electronic support measurement (ESM); tracking association; support vector machine (SVM)

中图分类号:

TP 301

王江卓,徐文聪,李建勋,贺丰收,曹兰英,缪礼锋. 基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法[J]. 上海交通大学学报, 2019, 53(9): 1091-1099.

WANG Jiangzhuo,XU Wencong,LI Jianxun,HE Fengshou,CAO Lanying,MIAO Lifeng. Dot-Track Association Algorithm for Radar Electronic Support Measurement Systems Based on Support Vector Machine[J]. Journal of Shanghai Jiaotong University, 2019, 53(9): 1091-1099.

参考文献

［1］麦新晨, 杨明, 王春香, 等. 一种基于多传感器融合的车辆检测与跟踪方法［J］. 上海交通大学学报, 2011, 45(7): 1012-1016.
MAI Xinchen, YANG Ming, WANG Chunxiang, et al. Multi-sensor fusion based vehicle detection and tracking method［J］. Journal of Shanghai Jiao Tong University, 2011, 45(7): 1012-1016.
［2］VO B N, VO B T, HOANG H G. An efficient implementation of the generalized labeled multi-Bernou-lli filter［J］. IEEE Transactions on Signal Processing, 2017, 65(8): 1975-1987.
［3］高萌. 雷达航迹处理算法及仿真平台设计与实现［D］. 西安: 西安电子科技大学, 2015.
GAO Meng. Algorithm on radar track processing and design and implementation of simulation platform［D］. Xi’an: Xidian University, 2015.
［4］SINGER R A, STEIN J J. An optimal tracking filter for processing sensor data of imprecisely determined origin in surveillance systems［C］//IEEE Conference on Decision and Control. Miami Beach, FL, USA: IEEE, 1971: 171-175.
［5］FORTMANN T E, BAR-SHALOM Y, SCHEFFE M. Sonar tracking of multiple targets using joint probabilistic data association［J］. IEEE Journal of Oceanic Engineering, 1983, 8(3): 173-184.
［6］BAR-SHALOM Y, TSE E. Tracking in a cluttered environment with probabilistic data association［J］. Automatica, 1975, 11(5): 451-460.
［7］REID D B. An algorithm for tracking multiple targets［J］. IEEE Transactions on Automatic Control, 1979, 24(6): 843-854.
［8］MAHLER R P S. Multitarget Bayes filtering via first-order multitarget moments［J］. IEEE Transactions on Aerospace and Electronic Systems, 2003, 39(4): 1152-1178.
［9］MAHLER R. PHD filters of higher order in target number［J］. IEEE Transactions on Aerospace and Electronic Systems, 2007, 43(4): 1523-1543.
［10］LI W, LEUNG H, ZHOU Y F. Space-time registration of radar and ESM using unscented Kalman filter［J］. IEEE Transactions on Aerospace and Electronic Systems, 2004, 40(3): 824-836.
［11］TRUNK G V, WILSON J D. Association of DF bearing measurements with radar tracks［J］. IEEE Transactions on Aerospace and Electronic Systems, 1987, 23 (4): 438-447.
［12］王国宏. 雷达/ESM模糊相关算法［J］. 电子对抗, 1995(4): 1-8.
WANG Guohong. Radar/ESM fuzzy correlation algorithm［J］. Electronic Warfare, 1995(4): 1-8.
［13］WANG G H, HE Y, SHEN N, et al. A new radar-ESM correlation algorithm in multisensor data fusion［C］//Proceedings of International Radar Conference. Beijing, China: IEEE, 1996: 747-750.
［14］王国宏, 何友. 基于贝努里分布参数检验的雷达与ESM航迹相关决策方法［J］. 控制与决策, 1998, 13(1): 39-43.
WANG Guohong, HE You. Correlation of ESM track with radar tracks based on Bernoulli parameter testing［J］. Control and Decision, 1998, 13(1): 39-43.
［15］关欣, 彭彬彬, 衣晓. 基于区间重合度的雷达与ESM航迹关联算法［J］. 雷达科学与技术, 2017, 15(1): 61-67.
GUAN Xin, PENG Binbin, YI Xiao. Track asso-ciation algorithm of radar and ESM based on interval overlap ratio［J］. Radar Science and Technology, 2017, 15(1): 61-67.
［16］彭彬彬, 关欣. 基于空间分布信息的雷达与ESM航迹灰色关联算法［J］. 电光与控制, 2017, 24(6): 34-38.
PENG Binbin, GUAN Xin. Gray track correlation algorithm of radar and ESM based on spatial distribution information［J］. Electronics Optics & Control, 2017, 24(6): 34-38.
［17］BURGES C J C. A tutorial on support vector machines for pattern recognition［J］. Data Mining and Knowledge Discovery, 1998, 2(2): 121-167.

编辑推荐 0

Metrics

阅读次数

全文

710

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	710

来源	本网站	其他网站

次数	299	411
比例	42%	58%

摘要

1406

最新录用	在线预览	正式出版

0	0	1406

来源	本网站	其他网站

次数	877	529
比例	62%	38%

[1]	黄炫圭. 小边概率条件下较小植入团的算法[J]. 上海交通大学学报（自然版）, 2017, 51(10): 1202-1206.
[2]	王军1,2，李建勋1，韩山3，王兴2. 一种效能评估中缺失数据的填充方法[J]. 上海交通大学学报（自然版）, 2017, 51(2): 180-.
[3]	靳阳,蔡小娟,李国强. 良结构下推系统的表达能力[J]. 上海交通大学学报（自然版）, 2015, 49(08): 1084-1089.
[4]	方鹏亚，常新龙，胡宽，张晓军. 基于区间不确定性的多学科可靠性设计[J]. 上海交通大学学报（自然版）, 2014, 48(10): 1451-1456.
[5]	邹志文，李桥，寇爱军. 传感器网络空间关键字近似Top-k查询算法[J]. 上海交通大学学报（自然版）, 2014, 48(10): 1457-1460.
[6]	袁鑫攀1,盛鑫海1,龙军2,张祖平2,桂卫华2. 基于连接位Minwise Hash的三者相似性估计算法[J]. 上海交通大学学报（自然版）, 2014, 48(07): 936-941.
[7]	刘天堂, 江志斌, 胡鸿韬, 刘冉. 加强的混合遗传算法求解能力约束弧路径问题[J]. 上海交通大学学报（自然版）, 2013, 47(04): 619-625.
[8]	黎渊1, 蒋江2, 张民选1, 魏少军3 . 基于模拟退火算法的浮点转定点自动位宽优化工具[J]. 上海交通大学学报（自然版）, 2013, 47(01): 76-80.
[9]	刘天堂, 江志斌, 耿娜, 刘冉, 刘树军. 带有异质固定车队的能力约束弧路径问题[J]. 上海交通大学学报（自然版）, 2012, 46(11): 1759-1763.
[10]	姜梦稚1, 2, 赵风景2. 基于可计算函数的C模型互模拟性质[J]. 上海交通大学学报（自然版）, 2012, 46(04): 620-623.
[11]	朱伟a, 徐克林a, 周炳海a, 许金超b. 基于贪婪启发式的多期多目标动态网络选址[J]. 上海交通大学学报（自然版）, 2012, 46(02): 269-275.
[12]	曾敏,骆源. F2上两类向量深度的分布[J]. 上海交通大学学报（自然版）, 2008, 42(12): 2060-2064.
[13]	朱奕,杨根科,潘常春. 基于阈值深度优先策略求解非对称旅行商问题的混合分枝定界算法[J]. 上海交通大学学报（自然版）, 2008, 42(10): 1665-1668.
[14]	张民，戚正伟，董笑菊. 活性细胞膜计算的可执行性描述与实现[J]. 上海交通大学学报（自然版）, 2008, 42(10): 1635-1639.
[15]	方鹏亚，常新龙，胡宽，张有宏. 基于渐近松弛的协同优化方法[J]. 上海交通大学学报（自然版）, 2013, 47(12): 1896-1901.

基于支持向量机的雷达电子支援措施系统点迹-航迹关联算法

Dot-Track Association Algorithm for Radar Electronic Support Measurement Systems Based on Support Vector Machine

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐 0

Metrics

本文评价