方格坐标容差识别算法_梁洁.pdf

总第345期1引言九九方格坐标13是多个国家各军种使用的对空情报和目标指示的方格网坐标。它根据地理坐标绘制，由大、中、小方格组成。根据需要，还可以将小方格继续细分，并以此类推直到达到精度要求。在对空情报的传递过程中，若情报以自动化的方式在网络中传播，基本不需要考虑坐标误差的问题。但若采用人工保底手段以标图、报读的方式进行情报传递，则需要考虑误差允许范围，通常误差的允许范围为编码的最后一位方格坐标（比如九九方格坐标，则其误差范围为1个小方格）。进而，在相关技能的训练过程中，同样需要考虑误差。传统的训练模式是利用人工经验对误差进行实时判别。这种考核方式需要一对一的实时进行，效率低且错误率高。在当前语音、图像识别高度发展的科技背景下410，利用智能化手段1115实施训练，必须建立可行的识别算法。2方格坐标编码2.1方格坐标方格坐标按其编码规则由一个大方格和若干循环嵌套的九宫方格构成。图1为一个大方格的示意图，每个大方格按照“#”等分为9个中方格（由细实线围成），每个中方格再同样划分为小方格（由虚线围成），以此类推，可以根据精度需求，继续细分。大方格编码按照先纵后横的规则构成，通常为4位，图1中大方格编码为8910，前两位为纵码89，后两位为横码10。相邻纵码在纵向依次加1，相邻横码在横向依次加1。中方格、小方格、小小方格均为1位非0数字。收稿日期：2022年9月8日，修回日期：2022年10月13日作者简介：梁洁，女，博士，讲师，研究方向：情报处理，信息融合。赵成斌，男，硕士，讲师，研究方向：情报处理，信息融合。徐晓波，男，硕士，讲师，研究方向：情报处理，信息融合。方格坐标容差识别算法梁洁赵成斌徐晓波（91206部队青岛266108）摘要为解决方格坐标情报传递人工训练中误差识别的问题，提出容差识别算法。由于方格坐标无法直观计算估计值误差，算法对方格坐标进行编码转化，通过计算转化编码误差进行正误判定。实例证明，算法能够有效判别估计值是否在标准值的误差允许范围之内，为实现智能化训练提供依据。关键词方格坐标；容差；识别算法；人工训练中图分类号TN955DOI：10.3969/j.issn.1672-9730.2023.03.036Grid Coordinate Tolerance Recognition AlgorithmLIANG JieZHAO ChengbinXU Xiaobo（No.91206 Troops of PLA，Qingdao266108）AbstractIn order to solve the problem of error identification in manual training of grid coordinate information transmission，atolerance identification algorithm is proposed.Because the square coordinates cannot directly calculate the estimation error，the proposed algorithm first encodes and converts the square coordinates，and then determines if the error is correct by calculating the transformed coding error.Examples show that the proposed algorithm can effectively judge whether the estimated value is located withinthe allowable error range of the standard value，which provides a foundation for realizing intelligent mutual training.Key Wordsgrid coordinate，tolerance error，recognition algorithm，manual trainingClass NumberTN955舰 船 电 子 工 程Ship Electronic Engineering总第 345 期2023 年第 3 期Vol.43 No.3174舰 船 电 子 工 程2023 年第 3 期图1大中小方格示意图2.2方格坐标误差范围在方格坐标的人工训练科目中，若最后一位小方格为估计值，则其误差允许范围为1个单位小方格。如图 2 所示。以目标所在小方格（以“”标记）为中心，其周围8个小方格（以网格标记）均为估值允许范围。图2方格坐标的误差范围示意图3编码转化按照方格坐标的编码规则，定义任意点P的方格坐标为GP(gpz,gph,sp1,sp2,spn)，其中，gpz为纵码，gph为横码，spi(i=1,2,n)为第i层小方格编码，且2in。3.1编码转化规则设 首 方 格（左 上 第 一 个 大 方 格）坐 标 为B0(g0z,g0h)，其中，g0z为首方格纵码，g0h为首方格横码。对 于 任 意 一 点 P，假 设 其 方 格 坐 标 为GP(gpz,gph,sp1,sp2,spn)，转化后坐标为CP(cpz,cph)。定义：方格转换函数f(x)，对于任意1x9且x为整数，有：f(x)=|11,x=112,x=213,x=323,x=433,x=532,x=631,x=721,x=822,x=9（1）对于点P的第i层小方格编码spi，f(spi)将其映射为一个二元数组，代表这个小方格在上一级方格中的纵、横坐标位置。令mpi=f(spi)1，npi=f(spi)2，则有：|gpz=gpz-g0zgph=gpz-g0zcpz=gpz3n+i=1nmpi3n-icph=gph3n+i=1nnpi3n-i（2）3.2误差评判规则对于方格坐标系中某点P，若其标准坐标值为GP(gpz,gph,sp1,sp2,spn)，工 作 训 练 实 时 读 值 为Gsp(gpsz,gpsh,sps1,sps2,spsn)，判定Gsp是否在允许误差 范 围 内 的 方 法 即 评 判Gsp是 否 在 以GP(gpz,gph,sp1,sp2,spn)为中心的 8 个小方格内。在原方格坐标体系中，这种评判显然是无法直接实现的，将其放入转化坐标系，即可简单实现。按照 3.1节中所述编码转化规则，计算GP和Gsp的转化坐标CP(cpz,cph)和Csp(cpsz,cpsh)，要满足 1个小方格的误差，即需要同时满足两者转化坐标横码、纵码的差值均不超过1。即：|cpsz=|cpsz-cpz1cpsh=|cpsh-cph1（3）4算法流程算法的实现过程如图3所示。Step 1输入点P的标准坐标值GP和估计值Gsp，比较两者是否一致。如果一致，则直接判定Gsp正确，否则转入Step 2。Step 2根据3.1节中的编码转化规则，计算标准坐标值GP和估计值Gsp的转化坐标CP和Csp。Step3计算转化坐标CP和Csp的差值(cpsz,cpsh)；若横纵码差值均不大于1，则判定估计值正175总第345期确，否则判定估计值错误。图3算法的实现流程5实例以n=2的 九 九 方 格 为 例，首 方 格 坐 标B0(16,38)，点 P的标准坐标值为GP(18,40,3,3)，其中最后一位小方格为估值。现有 4 个读数G1p(18,41,2,2)，G2p(18,41,1,1)，G3p(17,41,7,7)，G4p(17,40,5,6)，分别判定其是否满足误差要求。标准坐标与读数之间的实际位置相对关系如图4所示，其中为标准坐标的位置，所标示的点分别代表了G1p、G2p、G3p、G4p四个估计值的实际坐标位置。图4点P的标准坐标位置和估读实际位置示意图表1为算法流程中计算出的各个关键过程参的数值，并给出了算法判定的估计值正误判定。表1不同读数的过程参数值GPG1pG2pG3pG4p方格坐标（18，40，3，3）（18，41，2，2）（18，41，1，1）（17，41，7，7）（17，40，5，6）转化坐标（22，30）（22，35）（22，31）（21，31）（21，29）差值（0，0）（0，5）（0，1）（1，1）（1，1）正误比较图4估计值的实际坐标位置，可以看出，点位于误差范围之内（1个小方格），判定结果与表1一致。由此可知，算法能够有效判别估计值是否在标准值的误差允许范围之内，算法有效。6结语将智能手段引入实际训练，帮助有效提高训练效率，减少人工误差是目前我们探索和研究的一个方向。本文拟以有效的算法为桥梁，过渡到机器代替部分重复性的人工训练工作，逐步提高训练的智能化水平。参 考 文 献1刘铭，高尚，刘毅静.防空中目标数据的坐标转换算法研究 J.弹箭与制导学报，2001，21（4）：73-75.2白晶，杨广厅，李子杰.一种分布式雷达网中的航迹关联方法 J.无线电工程，2020，50（4）：309-312.3卫青春，赵华敏，陈镜.目标航迹的快速起始 J.无线电程，2013，43（1）：18-21.4梁宝华.基于容差计算的非完备信息系统属性约简算法 J.计算机应用与软件，2017，34（4）：209-304.5王囡，侯志强，赵梦琦，等.结合边缘检测的语义分割算法.计算机工程，2021，47（7）：257-265.6刘华春.卷积神经网络在车牌识别中的应用研究 J.计算机技术与发展，2019，29（4）：134-138.7白琮，黄玲，陈佳楠，等.面向大规模图像分类的深度卷积 神 经 网 络 优 化J.软 件 学 报，2018，29（4）：1029-1038.8Mubin N A，Nadarajoo E，Shafri H Z M，et al.Young andmature oil palm tree detection and counting using convolutional neural network deep learning method J.International Journal of Remote Sensing，2019，40（19）：7500-7515.9屈薇.基于深度学习的图像识别算法研究 J.数字技术与应用，2019，37（9）：121-122.10罗嗣卿，张志超，岳琪.基于改进SEGNET模型的图像语义分割 J.计算机工程，2021，47（4）：256-261.11罗岑弘，张滨.静态图像区域特征角度信息配准仿真研究 J.计算机仿真，2018，35（4）：196-199.12贾棋，高新凯，罗钟铉.基于几何关系约束的特征点匹配算法计算机 J.计算机辅助设计与图形学学报，2015，27（8）：1388-1397.13张勇，王志锋，马文.基于改进SIFT 特征点匹配的图像拼接算法研究 J.微电子学与计算机，2016，33（3）：60-64.14宋铁成.图像局部特征的提取与描述方法研究 D.成都：电子科技大学，2016：15-22.15冯配云.计算机在图像区域特征描述和测量中的应用J.自动化与仪器仪表，2018（7）：160-162.梁洁等：方格坐标容差识别算法176