基于MMFA模型的雷达高分辨率距离像目标识别方法技术

本发明专利技术公开了一种基于MMFA模型的雷达HRRP的目标识别方法，主要解决现有技术求解复杂度大、分类和拒判性能差的问题。其实现步骤为：1，提取雷达HRRP数据特征得到功率谱特征集；2，构建MMFA模型，得出功率谱特征的概率密度函数及各参数联合条件后验分布；3，推导各参数的条件后验分布；4，对各参数进行I0次循环采样；5，保存T0次测试阶段所需参数的采样结果；6，通过FA模型得到测试雷达HRRP的功率谱特征的隐变量，并计算其概率密度值，判断测试雷达HRRP是否为库外样本：若为库外样本，则拒判；否则，将隐变量带入分类器判定目标类别，输出类别标号。本发明专利技术复杂度小，识别和拒判性能高，可用于对雷达目标的识别。

【技术实现步骤摘要】
基于MMFA模型的雷达高分辨率距离像目标识别方法
本专利技术属于雷达
，涉及雷达目标识别方法，尤其涉及一种基于最大边界因子分析MMFA模型的雷达高分辨距离像目标识别方法，用于对飞机，车辆等目标进行识别。
技术介绍
雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像HRRP是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。传统模型的原始空间维数过高，会导致计算的复杂性并增加参数估计的难度。若使用原始维数雷达高分辨距离像数据来训练一个分类器，会增加分类器的训练复杂度，并且容易忽视样本的内在结构，从而降低分类器的性能。常用的数据降维方法有线性降维方法，如主成分分析PCA，因子分析FA等以及非线性降维方法，如t-SNE，局部线性嵌入LLE等。然而这些方法均为无监督模型，用这些方法所提取的特征不一定适合后端的分类任务。线性判别分析LDA是一种常用的有监督降维方法，然而LDA要求各类数据均为高斯分布且具有相同的协方差矩阵，这在实际应用中是很难满足的。其中，降维方法t-SNE见【L.MaatenandG.Hinton,Visualizingdatausingt-SNE,TheJournalofMachineLearningResearch9(1)(2008)2579-2605.】
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于MMFA模型的雷达高分辨率距离像目标识别方法，以降低模型求解复杂度，提高分类性能。为达到上述目的，本专利技术的技术方案包括以下步骤：(1)雷达接收M类的雷达目标高分辨距离像HRRP，并将属于这M类的目标雷达高分辨距离像称为库内样本，将不属于这M类的目标雷达高分辨距离像称为库外样本；(2)对雷达接收的M类雷达目标高分辨距离像进行特征提取，得到每个雷达高分辨距离像的功率谱特征xn，将得到的M类的每个雷达目标高分辨距离像的功率谱特征xn组成功率谱特征集X＝[x1,x2,x3,...,xn,...,xN],n＝1,2,3,...,N,N表示功率谱特征集X中功率谱特征个数；(3)将因子分析FA模型和隐变量支持向量机LVSVM分类器相结合，构建最大边界因子分析MMFA模型；(4)利用最大边界因子分析MMFA模型和功率谱特征集X，得出雷达高分辨距离像的功率谱特征的概率密度函数pf、最大边界因子分析MMFA模型各个参数的联合条件后验分布pU并设定拒判门限Th；(5)根据贝叶斯公式和(4)中最大边界因子分析MMFA模型各个参数的联合条件后验分布pU，得出各个参数的条件后验分布：第n个雷达高分辨距离像的功率谱特征的隐变量sn对应的第m个隐变量支持向量机LVSVM分类器的隐变量λnm的条件后验分布因子分析FA模型中的加载矩阵D的每一列dk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn的隐变量sn的第k个元素snk的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的条件后验分布因子分析FA模型中的加载矩阵D的每一列dk的协方差精度αk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn对应的隐变量sn的第k个元素snk的协方差βk的条件后验分布因子分析FA模型中高斯噪声的协方差精度σε的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的协方差精度σm的条件后验分布其中，k＝1,2,...,B，B表示加载矩阵D的总列数；m＝1,2,...,M，M表示目标类别个数；IP表示P阶的单位阵；IB+1表示B+1阶的单位阵；P表示功率谱特征集的维数；(6)初始化各参数、设定循环采样次数并采样。6a)分别对因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、隐变量支持向量机LVSVM分类器系数w、雷达高分辨距离像的功率谱特征的隐变量S对应的隐变量支持向量机LVSVM分类器的隐变量λ以及FA模型中高斯噪声的方差精度σε进行初始化；6b)根据初始化参数在(5)中对应的条件后验分布，按照Gibbs采样方法对初始化的参数依次进行I0次的循环采样，I0为自然数；(7)从第I0+1次开始每间隔SP次保存因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、以及隐变量支持向量机LVSVM分类器系数w，总共保存T0次参数的采样结果，完成高分辨距离像数据HRRP的样本训练，得到训练的因子分析FA模型和训练的隐变量支持向量机LVSVM分类器；(8)对测试雷达高分辨距离像进行特征提取，得到测试雷达高分辨距离像的功率谱特征通过FA模型得到测试隐变量计算测试雷达高分辨距离像的功率谱特征的概率密度函数值p′f；(9)将计算得出的功率谱特征的隐变量概率密度函数值p′f与预先设定的拒判门限Th进行比较，根据保存T0次模型参数的采样结果，比较功率谱特征的概率密度函数值p′f与拒判门限Th的大小，得到测试雷达高分辨距离像的T0次比较结果，对T0次比较结果采用投票法则，若出现p′f≤Th结果的概率不小0.5，测试雷达高分辨距离像为库外样本，则拒判，即不给定目标类别号并结束测试阶段；若否，则执行步骤(10)；(10)将测试隐变量依次输入其所属聚类对应的M个训练的LVSVM分类器中，即:将(8)中得到的测试隐变量以及(7)中保存的LVSVM分类器的系数w代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号本专利技术与现有方法相比具有以下优点：1)与复杂分类器相比，本专利技术采用FA模型大大降低原始数据的维数，简化分类器设计，同时，消除了冗余数据，提高了分类性能。2)与现有方法相比，本专利技术采用LVSVM作为分类器，可以通过Gibbs采样算法对参数进行估计，大大简化了求解复杂度。3)本专利技术的MMFA模型采用FA模型将原始数据映射到隐空间，通过对数据潜在结构的挖掘，实现对数据的非线性分类并提高识别性能。4)本专利技术的MMFA模型利用FA模型的观测似然函数和LVSVM的最大边缘约束条件，将FA模型以及LVSVM统一在一个贝叶斯框架下，使隐变量的监督预测工作更加可分和合理。5)本专利技术的MMFA模型可以实现拒判功能，当观测目标不属于模板库内的任一目标类别时，需要能够对该库外目标进行拒判，MMFA模型就可以实现对库外样本的拒判。附图说明下面结合附图和具体实施方式对本专利技术做进一步说明。图1是本专利技术的实现流程图；图2是本专利技术与现有两种方法在不同特征维数下对三类飞机的识别结果图；图3是本专利技术与现有两种方法的接收机工作特性ROC曲线对比图。具体实施方式本专利技术中提出MMFA是将FA模型、LVSVM统一在贝叶斯框架下进行联合求解，其中，将LVSVM(LatentvariableSVM，隐变量SVM)作为分类器，见[PolsonN.G.,ScottS.L..Dataaugmentationforsupportvectormachines[J].BayesianAnalysis,2011,vol.6(1),1-24]，引入FA模型来实现。参照图1，本专利技术的具体实现包括两部分：训练阶段和测试阶段。其中本文档来自技高网...

【技术保护点】
一种基于最大边界因子分析MMFA模型的雷达高分辨率距离像的目标识别方法，包括以下步骤：(1)雷达接收M类的雷达目标高分辨距离像HRRP，并将属于这M类的目标雷达高分辨距离像称为库内样本，将不属于这M类的目标雷达高分辨距离像称为库外样本；(2)对雷达接收的M类雷达目标高分辨距离像进行特征提取，得到每个雷达高分辨距离像的功率谱特征xn，将得到的M类的每个雷达目标高分辨距离像的功率谱特征xn组成功率谱特征集X＝[x1,x2,x3,...,xn,...,xN],n＝1,2,3,...,N,N表示功率谱特征集X中功率谱特征个数；(3)将因子分析FA模型和隐变量支持向量机LVSVM分类器相结合，构建最大边界因子分析MMFA模型；(4)利用最大边界因子分析MMFA模型和功率谱特征集X，得出雷达高分辨距离像的功率谱特征的概率密度函数pf、最大边界因子分析MMFA模型各个参数的联合条件后验分布pU并设定拒判门限Th；(5)根据贝叶斯公式和(4)中最大边界因子分析MMFA模型各个参数的联合条件后验分布pU，得出各个参数的条件后验分布：第n个雷达高分辨距离像的功率谱特征的隐变量sn对应的第m个隐变量支持向量机LVSVM分类器的隐变量λnm的条件后验分布符合高斯分布的参数的条件后验分布如下：因子分析FA模型中的加载矩阵D的每一列dk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn的隐变量sn的第k个元素snk的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的条件后验分布符合Gamma分布的参数的条件后验分布如下：因子分析FA模型中的加载矩阵D的每一列dk的协方差精度αk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn对应的隐变量sn的第k个元素snk的协方差βk的条件后验分布因子分析FA模型中高斯噪声的协方差精度σε的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的协方差精度σm的条件后验分布其中，k＝1,2,...,B，B表示加载矩阵D的总列数；m＝1,2,...,M，M表示目标类别个数；IP表示P阶的单位阵；IB+1表示B+1阶的单位阵；P表示功率谱特征集的维数；(6)初始化各参数、设定循环采样次数并采样。6a)分别对因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、隐变量支持向量机LVSVM分类器系数w、雷达高分辨距离像的功率谱特征的隐变量S对应的隐变量支持向量机LVSVM分类器的隐变量λ以及FA模型中高斯噪声的方差精度σε进行初始化；6b)根据初始化参数在(5)中对应的条件后验分布，按照Gibbs采样方法对初始化的参数依次进行I0次的循环采样，I0为自然数；(7)从第I0+1次开始每间隔SP次保存因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、以及隐变量支持向量机LVSVM分类器系数w，总共保存T0次参数的采样结果，完成高分辨距离像数据HRRP的样本训练，得到训练的因子分析FA模型和训练的隐变量支持向量机LVSVM分类器；(8)对测试雷达高分辨距离像进行特征提取，得到测试雷达高分辨距离像的功率谱特征通过FA模型得到测试隐变量计算测试雷达高分辨距离像的功率谱特征的概率密度函数值p′f；(9)将计算得出的功率谱特征的隐变量概率密度函数值p′f与预先设定的拒判门限Th进行比较，根据保存T0次模型参数的采样结果，比较功率谱特征的概率密度函数值p′f与拒判门限Th的大小，得到测试雷达高分辨距离像的T0次比较结果，对T0次比较结果采用投票法则，若出现p′f≤Th结果的概率不小0.5，测试雷达高分辨距离像为库外样本，则拒判，即不给定目标类别号并结束测试阶段；若否，则执行步骤(10)；(10)将测试隐变量依次输入其所属聚类对应的M个训练的LVSVM分类器中，即:将(8)中得到的测试隐变量以及(7)中保存的LVSVM分类器的系数w代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号...

【技术特征摘要】
1.一种基于最大边界因子分析MMFA模型的雷达高分辨率距离像的目标识别方法，包括以下步骤：(1)雷达接收M个类别的雷达目标高分辨距离像HRRP，并将属于这M类的目标雷达高分辨距离像称为库内样本，将不属于这M类的目标雷达高分辨距离像称为库外样本；(2)对雷达接收的M类雷达目标高分辨距离像进行特征提取，得到每个雷达高分辨距离像的功率谱特征xn，将得到的M类的每个雷达目标高分辨距离像的功率谱特征xn组成功率谱特征集X＝[x1,x2,x3,...,xn,...,xN],n＝1,2,3,...,N,N表示功率谱特征集X中功率谱特征个数；(3)将因子分析FA模型和隐变量支持向量机LVSVM分类器相结合，构建最大边界因子分析MMFA模型；(4)利用最大边界因子分析MMFA模型和功率谱特征集X，得出雷达高分辨距离像的功率谱特征的概率密度函数pf、最大边界因子分析MMFA模型各个参数的联合条件后验分布pU并设定拒判门限Th；(5)根据贝叶斯公式和(4)中最大边界因子分析MMFA模型各个参数的联合条件后验分布pU，得出各个参数的条件后验分布：第n个雷达高分辨距离像的功率谱特征的隐变量sn对应的第m个隐变量支持向量机LVSVM分类器的隐变量λnm的条件后验分布符合高斯分布的参数的条件后验分布如下：因子分析FA模型中的加载矩阵D的每一列dk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn的隐变量sn的第k个元素snk的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的条件后验分布符合Gamma分布的参数的条件后验分布如下：因子分析FA模型中的加载矩阵D的每一列dk的协方差精度αk的条件后验分布第n个雷达高分辨距离像的功率谱特征xn的隐变量sn的第k个元素snk的协方差βk的条件后验分布因子分析FA模型中高斯噪声的协方差精度σε的条件后验分布第m个隐变量支持向量机LVSVM分类器系数wm的协方差精度σm的条件后验分布其中，k＝1,2,...,B，B表示加载矩阵D的总列数；m＝1,2,...,M，M表示目标类别个数；IP表示P阶的单位阵；IB+1表示B+1阶的单位阵；P表示功率谱特征集的维数；(6)初始化各参数、设定循环采样次数并采样：6a)分别对因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、隐变量支持向量机LVSVM分类器系数w、雷达高分辨距离像的功率谱特征的隐变量S对应的隐变量支持向量机LVSVM分类器的隐变量λ以及FA模型中高斯噪声的方差精度σε进行初始化；6b)根据初始化参数在(5)中对应的条件后验分布，按照Gibbs采样方法对初始化的参数依次进行I0次的循环采样，I0为自然数；(7)从第I0+1次开始每间隔SP次保存因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的隐变量S、以及隐变量支持向量机LVSVM分类器系数w，总共保存T0次参数的采样结果，完成高分辨距离像HRRP的样本训练，得到训练的因子分析FA模型和训练的隐变量支持向量机LVSVM分类器；(8)对测试雷达高分辨距离像进行特征提取，得到测试雷达高分辨距离像的功率谱特征通过FA模型得到测试隐变量计算测试雷达高分辨距离像的功率谱特征的概率密度函数值p′f；(9)将计算得出的功率谱特征的概率密度函数值p′f与预先设定的拒判门限Th进行比较，根据保存T0次模型参数的采样结果，比较功率谱特征的概率密度函数值p′f与拒判门限Th的大小，得到测试雷达高分辨距离像的T0次比较结果，对T0次比较结果采用投票法则，若出现p′f≤Th结果的概率不小于0.5，测试雷达高分辨距离像为库外样本，则拒判，即不给定目标类别号并结束测试阶段；若否，则执行步骤(10)；(10)将测试隐变量依次输入其所属聚类对应的M个训练的LVSVM分类器中，即:将(8)中得到的测试隐变量以及(7)中保存的LVSVM分类器的系数w代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号2.根据权利要求1所述的方法，其中步骤(3)所述的将因子分析FA模型和隐变量支持向量机LVSVM分类器相结合，构建最大边界因子分析MMFA模型，按如下步骤进行：3a)设定FA模型：其中,dk表示FA模型中加载矩阵D的第k列；αk是dk先验分布的协方差精度k＝1,2,3.....B，B表示加载矩阵D的总列数；snk表示第n个雷达高分辨距离像的功率谱特征的隐变量sn的第k个元素；βk是snk先验分布的协方差精度，n＝1,2,3....N，N表示功率谱特征集X中功率谱特征个数；σε是FA模型中高斯噪声先验分布的协方差精度；IP表示P阶的单位阵；P表示功率谱特征集的维数；3b)利用FA模型将功率谱特征集X映射到隐空间，得到隐变量集S；3c)设定LVSVM分类器：3c1)设定LVSVM分类器系数先验分布为高斯分布其中，w表示所有M个LVSVM分类器的系数m＝1,2,...,M，M表示目标类别个数；表示LVSVM分类器先验分布的协方差矩阵；IB+1表示B+1阶的单位阵；表示高斯分布；3c2)根据目标类别个数为M，采用一对多策略，即分别将M个类别中的一类目标看作正类目标，其它类别看作负类目标，分别训练每一个LVSVM分类器；3c3)将每个LVSVM分类器系数wm的先验分布代入到训练后的M个LVSVM分类器，得到每个LVSVM分类器的贝叶斯表达形式：其中，w表示所有M个LVSVM分类器的系数m＝1,2,...,M，M表示目标类别个数；λm表示雷达高分辨距离像的功率谱特征对应的第m个LVSVM分类器的隐变量；λnm表示第n个雷达高分辨距离像功率谱特征对应的第m个LVSVM分类器的隐变量且有ym表示雷达高分辨距离像的功率谱特征对应于第m个LVSVM的类别标号；ynm表示第n个雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号，若隐变量sn属于第m类目标，则ynm＝+1，否则ynm＝-1；表示第n个隐变量的增广向量；γ表示调和系数；σm表示第m个LVSVM分类器的系数wm的协方差精度；表示高斯分布；(·)T表示转置操作；IB+1表示B+1阶的单位阵，B表示加载矩阵D的总列数；a0,b0表示加载矩阵D的每一列dk的协方差精度αk的先验分布Gamma分布的超参数；c0,d0表示第n个雷达高分辨距离像的功率谱特征xn对应的隐变量sn的第k个元素snk的协方差精度βk的先验分布Gamma分布的超参数；g0,h0表示第m个隐变量支持向量机LVSVM分类器系数wm的协方差精度σm的先验分布Gamma分布的超参数；3d)将FA模型的隐变量S作为LVSVM的输入，将FA模型...

【专利技术属性】
技术研发人员：陈渤，丁艳华，张学峰，
申请(专利权)人：西安电子科技大学，西安中电科西电科大雷达技术协同创新研究院有限公司，
类型：发明
国别省市：陕西;61