基于iMMFA模型的雷达高分辨距离像的目标识别方法技术

本发明专利技术属于雷达技术领域，公开了一种基于iMMFA模型的雷达高分辨距离像的目标识别方法，用于提高雷达的分类性能，降低模型求解复杂度。该方法包括：获取M个类别的目标的雷达高分辨距离像；对每个雷达高分辨距离像进行特征提取；构建iMMFA模型；设定iMMFA模型的各参数的初始值，按照Gibbs采样规则，经过I0次迭代的预热过程后，分别保存T0次各参数的采样值；确定最终的FA模型、最终的TSB-DPM模型和最终的LVSVM分类器，从而组成最终的iMMFA模型；获取测试目标的雷达高分辨距离像，对测试目标的雷达高分辨距离像进行特征提取；根据测试隐变量的聚类标号，确定测试目标所属的目标类型。

【技术实现步骤摘要】

本专利技术属于雷达
，尤其涉及一种基于无限最大边界因子分析 iMMFA(infinite max-margin factor analysis)模型的雷达高分辨距离像HRRP的目标识 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(High-resolution range profile)是由宽带雷达信号获取的目标体上各散射点回波 的矢量和所组成的。它反映了目标体上各散射点沿雷达视线的分布情况，包含了目标的重 要结构特征，被广泛应用于雷达目标识别领域。由于目标具有姿态敏感性，同一目标的HRRP 具有多模分布特性，尤其是随着目标库的增大，训练样本个数也会随之增加，数据分布也变 得更加复杂。多模分布数据的分类界面往往是高度非线性的，需要采用非线性分类器对其 分类。 核方法分类器作为一种常用的非线性分类器，是将原始空间线性不可分的数据映 射成为高维空间中线性可分的数据，然后进行线性分类。然而核方法分类器面临核函数选 择以及核参数选择的问题，且当训练样本数过大时，核方法分类器的计算比较复杂。另外， 若使用所有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，而且容 易忽视样本的内在结构，不利于分类。 混合专家模型将数据集划分成若干子集，然后在各个子集上分别训练简单的分类 器，最终构造全局非线性的复杂分类器，称为有限混合专家模型。混合专家模型的提出，避 免了复杂分类器的设计，从而大大简化了分类器设计的复杂度。然而这类模型存在两个缺 点：一是模型选择问题，即如何选择样本聚类个数是非常困难的；二是样本集的聚类过程 是无监督的，独立于后端的分类器任务，从而较难保证每个聚类中数据的可分性，影响全局 的分类性能。
技术实现思路
针对上述现有技术的缺点，本专利技术的目的在于提出一种基于iMMFA模型的雷达高 分辨距离像的目标识别方法，用于提高雷达的分类性能，降低模型求解复杂度。 本专利技术中提出iMMFA是将FA模型、TSB-DPM模型以及LVSVM统一在贝叶斯框架下 进行联合求解，其中，LVSVM(Latent variable SVM，将隐变量SVM)作为分类器，见. Bayesian Analysis，2011，vol. 6 (I)，1-24]，引入 FA 模型和 TSB-DPM 模型（截断 Stick-breaking 构 造的 Dirichlet process mixture model)，见. Bayesian Analysis，2006，vol.I (I)， 121-144]，来实现。 为达到上述目的，本专利技术的实施例采用如下技术方案予以实现。 ，包括以下步骤： 步骤1，获取M个类别的目标的雷达高分辨距离像，其中，每个类别的目标对应多 个雷达高分辨距离像； 步骤2,对M个类别的目标的每个雷达高分辨距离像进行特征提取，得到M个类别 的目标的每个雷达高分辨距离像的功率谱特征Xn，将M个类别的目标的所有雷达高分辨距 离像的功率谱特征组成功率谱特征集X ; 步骤3,将FA模型、TSB-DPM模型和LVSVM分类器进行顺序组合，构建iMMFA模 型，其中，iMMFA模型的所有参数包含所述FA模型的参数、所述TSB-DPM模型的参数和所述 LVSVM分类器的参数；并根据所述iMMFA模型和所述功率谱特征集X得到M个类别的目标 的每个雷达高分辨距离像的功率谱特征的隐变量的概率密度函数pf，以及所述iMMFA模型 的各参数的联合条件后验分布Pu; 步骤4,根据贝叶斯公式和所述iMMFA模型的各参数的联合条件后验分布Pu，分别 得到所述iMMFA模型的各参数的条件后验分布； 步骤5,设定所述iMMFA模型的各参数的初始值，根据各参数在步骤4中对应的条 件后验分布，按照Gibbs采样对设定初始值的各参数依次进行I。次循环采样，I。为自然数； 从第1。+1次开始每间隔Sp次保存所述iMMFA模型的各参数的采样值一次，分别保存T。次 各参数的采样值； 步骤6,根据所述iMMFA模型的各参数的T。次的采样值，确定最终的FA模型、最终 的TSB-DPM模型和最终的LVSVM分类器，从而组成最终的iMMFA模型； 步骤7,获取测试目标的雷达高分辨距离像，对所述测试目标的雷达高分辨距离像 进行特征提取，得到所述测试目标的雷达高分辨距离像的功率谱特征$，根据所述功率谱 特征t，采用所述最终的FA模型得到所述功率谱特征f对应的测试隐变量I的条件后验分 布，并采用所述最终的TSB-DPM模型得到所述测试隐变量I对应的聚类标号的条件后验分 布！； 步骤8,确定所述测试隐变量i的条件后验分布和所述测试隐变量I对应的聚类 标号I的条件后验分布，并结合步骤5中保存的T。次各参数的采样值，利用Gibbs采样技术 对所述测试隐变量f和所述测试隐变量I对应的聚类标号《进行T。次采样，得到T。个测试 隐变量s'= 以及T。个测试隐变量f的聚类标号I ,从而得到T。个测试隐变量 对应的T。个概率密度函数值 步骤9,预先设定拒判门限Th，将所述T。个概率密度函数值分别与预先设定 的拒判门限Th进行比较，若大于所述拒判门限T ^勺概率密度函数值的个数大于T。/2个，则 根据所述测试隐变量f的聚类标号，将所述测试隐变量i依次输入其所属聚类对应的1个 LVSVM分类器中，最终得到所述测试目标的目标类别标号，根据所述目标类别标号确定所述 测试目标所属的目标类型； 若小于所述拒判门限Th的概率密度函数值的个数小于T。/2个，则将所述测试目标 视为库外样本，进行丢弃。 本专利技术技术方案的特点和进一步的改进为： (一）步骤3中将FA模型、TSB-DPM模型和LVSVM分类器进行顺序组合，构建iMMFA 模型具体包括： (1)设定FA模型： 其中，Xn表示第η个雷达高分辨距离像的功率谱特征，其维度为L ;sn表示雷达高 分辨距离像的功率谱特征\所对应的隐变量，其维度为B ; ε "表示高斯噪声；dlk表示FA模 型中加载矩阵D的第1行第k列元素 ；a lk是d lk先验分布的协方差精度，k = 1，2, 3……B ; Snk表示第η个雷达高分辨距离像的功率谱特征X n所对应的隐变量s n的第k个元素 ；β ,是 snk先验分布的协方差精度，η = 1，2, 3. ... N，N表示功率谱特征集X中功率谱特征个数；γ 1 是FA模型中高斯噪声第1行先验分布的精度，1 = 1，2, 3……L 表示d lk的协方差精 度a lk的先验分布Gamma分布的超参数；c。，d。表示s nk的协方差精度β k的先验分布Gamma 分布的超参数；e。，f。表示γ 1的先验分布Gamma分布的超参数； (2)利用FA模型将功率谱特征集X映射到隐空间，得到雷达高分辨距离像的功率 谱特征集的隐变量集S ; (3)设定 TSB-DPM 模型： (a)在TSB-DPM模型中设定雷达高分辨距离像的功率谱特征集的隐变量集S的最 大聚类个数为C，每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布； (b)设定 TSB本文档来自技高网...

【技术保护点】
基于iMMFA模型的雷达高分辨距离像的目标识别方法，其特征在于，包括以下步骤：步骤1，获取M个类别的目标的雷达高分辨距离像，其中，每个类别的目标对应多个雷达高分辨距离像；步骤2，对M个类别的目标的每个雷达高分辨距离像进行特征提取，得到M个类别的目标的每个雷达高分辨距离像的功率谱特征xn，将M个类别的目标的所有雷达高分辨距离像的功率谱特征组成功率谱特征集X；步骤3，将FA模型、TSB)DPM模型和LVSVM分类器进行顺序组合，构建iMMFA模型，其中，iMMFA模型的所有参数包含所述FA模型的参数、所述TSB)DPM模型的参数和所述LVSVM分类器的参数；并根据所述iMMFA模型和所述功率谱特征集X得到M个类别的目标的每个雷达高分辨距离像的功率谱特征的隐变量的概率密度函数pf，以及所述iMMFA模型的各参数的联合条件后验分布pU；步骤4，根据贝叶斯公式和所述iMMFA模型的各参数的联合条件后验分布pU，分别得到所述iMMFA模型的各参数的条件后验分布；步骤5，设定所述iMMFA模型的各参数的初始值，根据各参数在步骤4中对应的条件后验分布，按照Gibbs采样对设定初始值的各参数依次进行I0次循环采样，I0为自然数；从第I0+1次开始，每间隔Sp次保存所述iMMFA模型的各参数的采样值一次，分别保存T0次各参数的采样值；步骤6，根据所述iMMFA模型的各参数的T0次的采样值，确定最终的FA模型、最终的TSB)DPM模型和最终的LVSVM分类器，从而组成最终的iMMFA模型；步骤7，获取测试目标的雷达高分辨距离像，对所述测试目标的雷达高分辨距离像进行特征提取，得到所述测试目标的雷达高分辨距离像的功率谱特征根据所述功率谱特征采用所述FA模型得到所述功率谱特征对应的测试隐变量的条件后验分布，并采用所述TSB)DPM模型得到所述测试隐变量对应的聚类标号的条件后验分布；步骤8，根据所述测试隐变量的条件后验分布和所述测试隐变量对应的聚类标号的条件后验分布，并结合步骤5中保存的T0次各参数的采样值，利用Gibbs采样技术对所述测试隐变量和所述测试隐变量对应的聚类标号进行T0次采样，得到T0个测试隐变量以及T0个测试隐变量的聚类标号从而得到T0个测试隐变量对应的T0个概率密度函数值步骤9，预先设定拒判门限Th，将所述T0个概率密度函数值分别与所述拒判门限Th进行比较，若小于所述拒判门限Th的概率密度函数值的个数大于T0/2个，则根据所述测试隐变量的聚类标号，将所述测试隐变量依次输入其所属聚类对应的M个LVSVM分类器中，最终得到所述测试目标的目标类别标号，根据所述目标类别标号确定所述测试目标所属的目标类型；若小于所述拒判门限Th的概率密度函数值的个数小于T0/2个，则将所述测试目标视为库外样本，进行丢弃。...

【技术特征摘要】

【专利技术属性】
技术研发人员：陈渤，丁艳华，张学锋，
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