基于粒子群K均值聚类的空中目标识别

王少蕾，陈维义

(海军工程大学兵器工程系，湖北武汉430033)

0 引言

在未来海战中，来自空中的威胁日益突出，舰艇编队需要对空中威胁目标进行快速识别，从而为下一步进行威胁判断和火力分配的决策提供依据。文献［1］提出基于支持向量机对合成孔径雷达目标成像描述实现目标识别;Wang［2］等实现了基于图像时间序列的目标识别;张静［3］等提出基于证据理论的SAR图像融合识别方法;Sanderson和 Gibbins［4］利用统计方法实现了在复杂条件下的目标分类。这些方法大多是利用分析传感器成像技术实现目标识别的，还有一些方法是通过各种传感器探测获得各目标的运动特性、飞行参数以及辐射特性等，利用相关算法建立目标分类识别模型，快速地达到类型识别的目的，如文献［5］提出一种基于D-S证据理论的空中目标识别方法;万树平［6］利用Vague集多传感器信息融合实现目标识别;文献［7］提出基于贝叶斯网络的多传感器目标识别。本文引入一种基于主成分分析的改进粒子群K均值群聚类算法(PCA-PSO-K)来解决目标识别问题，利用主成分分析方法将待聚类样本(即目标运动特征值)降维投影到特征空间，分析提取样本的重要特征，以改善粒子群聚类的性能，可以比较简单快速地实现来袭目标的分类识别。

1 目标类型划分及特征指标的确定

1.1 空袭目标类型划分

根据来袭目标的飞行特征和威胁程度的差异，一般可分为以下几类［8］:第1类为战术弹道导弹(TBM);第2类为飞航式反舰导弹;第3类为各类作战支援飞机;第4类为主战飞机，指各种歼击机、轰炸机、歼击轰炸机等;第5类为各类直升机等。……