基于dpKMMDP模型的雷达目标识别方法技术

本发明专利技术提出了一种基于dpKMMDP模型的雷达目标识别方法，用于解决现有基于分类器模型的雷达目标识别方法中存在的识别率较低的技术问题。实现步骤为：1.提取雷达SAR图像训练样本集X；2.计算训练样本集的核函数矩阵G；3.构建dpKMMDP模型，并计算模型中各参数的联合条件后验分布；4.计算各参数的条件后验分布；5.设定各参数的初始值；6.各参数进行循环采样，保存T0次测试阶段所需参数的采样结果；7.提取测试样本集并计算测试样本集的隐变量集8.将隐变量集代入LVSVM分类器计算测试样本的目标类别标号并输出。本发明专利技术能实现对复杂非线性可分雷达SAR图像数据的分类，用于对雷达目标的识别。

【技术实现步骤摘要】

本专利技术属于雷达
，涉及一种基于分类器模型的雷达目标识别方法，具体涉及一种基于dpKMMDP模型的雷达目标识别方法，可用于对雷达SAR图像的飞机、军舰和坦克等进行识别。
技术介绍
雷达目标识别是雷达采用的一种技术手段，用来辨认其搜索体积内已被发现的目标，其原理就是利用目标的雷达回波信号，实现对目标类型的判定。随着飞机、军舰和坦克这些战争武器装备的多样化发展，雷达目标识别所面临的挑战也越来越严峻。合成孔径雷达(SAR)是一种二维相干成像雷达，具有高分辨率，与传统的可见光、红外遥感不同，SAR具有全天候、全天时、方位敏感性小而且能穿透地物的特点，为SAR目标识别提供了有力支持。20世纪50年代以来，随着雷达成像技术的不断成熟，成像分辨率不断提高，通过SAR图像进行自动目标识别(ATR)受到越来越广泛的关注。现有的SAR ATR方法通常采取美国林肯实验室提出的三级处理流程。即首先从整个SAR图像中提取感兴趣区域ROIs；再对该区域进行预处理，剔除非目标区域；最后使用目标区域进行目标分类识别。根据对目标区域分类识别所采取方法的不同，可将SAR ATR方法分为三类：基于模板匹配的方法、基于压缩感知的方法和基于分类器模型的方法。基于模板匹配的方法从已标记的训练图像构建一系列参考图像即模板，将测试图像与模板分别进行匹配，归到与之最相近的模板所在类别中，由于存储的模板数量和维数一般较大，这种方法复杂度较高；基于压缩感知的方法构建过完备库，计算测试样本在训练样本上的稀疏表示，进行图像重构并按重构误差最小准则进行分类识别，但该方法的识别率很大程度上会由于SAR图像中噪声或遮挡物的影响而下降；基于分类器模型的方法首先对目标区域切片进行特征提取得到训练样本集和测试样本集，通过带有标号的训练样本构建分类器模型并进行参数计算，然后将无标号的测试样本输入到分类器模型中计算类别标号，完成目标识别，基于分类器模型的目标识别方法有较好的鲁棒性和较高的识别率，应用越来越广泛。例如基于核的最大边界判别投影模型(KMMDP)的目标识别方法，将基于核的投影模型和隐变量支持向量机分类器相结合，构建了在贝叶斯框架下将判别子空间和分类器一同学习出来的非线性分类模型，得到了较高的识别率。但是这类方法通常构建分类器模型的理论推导和计算较复杂，对于样本数较多且分布复杂的数据，若将所有训练样本用来训练一个单一的分类器，会进一步增加分类器的训练复杂度，且因为忽视样本的内在非线性结构导致分类性能的下降。因此人们提出了混合专家(ME)系统，即利用聚类的方法将训练样本集划分为多个训练样本子集，并在每个子集上单独训练结构较简单的分类器，降低了分类器模型的复杂度。但是这种系统采用的传统聚类方法如K-means需要人为确定子集(聚类)个数，并且每个子集的产生独立于后端的分类任务，较难保证每个子集中数据的可分性，从而影响全局的分类性能，反而导致识别率的降低。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于dpKMMDP模型的雷达目标识别方法，通过将狄利克雷过程DP混合模型、基于核的投影模型和隐变量支持向量机分类器相结合，构建dpKMMDP模型，实现对雷达目标的识别，用于解决现有基于分类器模型的雷达目标识别方法中存在的识别率较低的技术问题。为实现上述目的，本专利技术采取的技术方案为：一种基于dpKMMDP模型的雷达目标识别方法，包括以下步骤：(1)从SAR图像中提取感兴趣区域ROIs并对其进行预处理，得到D类目标区域切片，再对各个目标区域切片进行特征提取，得到训练样本集X＝{x1,x2,...xn,...,xN本文档来自技高网...

【技术保护点】
一种基于dpKMMDP模型的雷达目标识别方法，包括以下步骤：(1)从SAR图像中提取感兴趣区域ROIs并对其进行预处理，得到D类目标区域切片，再对各个目标区域切片进行特征提取，得到训练样本集X＝{x1,x2,...xn,...,xN}，并通过y＝{y1,y2,...,yn,...,yN}记录训练样本集X中每一个训练样本的类别标号，其中，yn∈{1,2,...,D}表示xn所对应的类别标号，n＝1,2,...,N，N表示训练样本集X中样本的总个数；(2)利用核方法将训练样本集X映射到核空间F，得到核空间F中的训练样本集Φ(X)，并通过Φ(X)计算训练样本的核函数矩阵G；(3)将狄利克雷过程DP混合模型、基于核的投影模型和隐变量支持向量机分类器相结合，构建dpKMMDP模型，并计算该模型中各个参数的联合条件后验分布其中：{μc,Σc}为第c个聚类的聚类分布参数，c＝1,2,...,C，C表示总聚类个数，Wc＝[ωc,1,ωc,2,...,ωc,m,...,ωc,D]表示第c个聚类中隐变量支持向量机分类器的权系数矩阵，ωc,m表示第m个隐变量支持向量机分类器的权系数向量，m＝1,2,...,D，D表示雷达目标种类个数，Ψc＝[ψc,1,ψc,2,...,ψc,k,...,ψc,K]表示第c个聚类中dpKMMDP模型的投影矩阵，ψc,k为投影矩阵Ψc的第k列向量，k＝1,2,...,K，K表示投影矩阵Ψc中列向量的总个数，Z＝[z1,z2,...,zn,...,zN]表示雷达SAR图像训练样本集的隐变量集，zn表示第n个隐变量，h＝[h1,h2,....,hn,....,hN]表示样本聚类标记，υ＝[υ1,υ2,...,υc,...,υC]表示基于Stick‑breaking构造的狄利克雷过程DP混合模型的参数，c＝1,2,...,C，C为聚类总个数；(4)根据贝叶斯公式和dpKMMDP模型中各个参数的联合条件后验分布计算参数各自对应的条件后验分布；(5)设定dpKMMDP模型中各个参数的联合条件后验分布中各个参数的初始值：设ωc,m的初始值为一个服从N(0,1)分布的K+1维的随机向量，设ωc,m的协方差精度βc,m的初始值为一个服从Ga(103,1)分布的随机数，设Ψc的初始值为一个服从N(0,1)分布的M×K维的随机矩阵，M为核空间维度，设协方差精度向量κc,k的初始值为一个全部是1的K维向量，设Z的初始值为一个服从N(0,1)分布的K×N维的随机矩阵，设{μc,Σc}的初始值为一个服从Normal‑Wishart分布NW({μc,Σc}|μ0,W0,ν0,β0)的随机矩阵，其中μ0＝0,W0＝10‑5I,ν0＝K+1,β0＝10‑3，设聚集参数α的初始值为一个服从Ga(1,10‑10)分布的随机数，其中N(·)表示高斯分布、Ga(·)表示Gamma分布、NW(·)表示Normal‑Wishart分布；(6)根据步骤(4)计算的参数各自对应的条件后验分布，按照Gibbs采样方法，对步骤(5)中设定有初始值的参数依次进行循环采样，在Burn‑in后，每间隔SP次保存参数{μc,Σc}、Ψc和Wc的采样结果，共保存T0次；(7)从SAR图像中提取感兴趣区域ROIs并对其进行预处理，得到目标区域切片，再对各个目标区域切片进行特征提取，得到测试样本集将该测试样本集映射到核空间，得到核空间F中的训练样本集并通过计算测试样本的核函数矩阵(8)根据测试样本的核函数矩阵及步骤(6)中保存的T0次参数{μc,Σc}、Ψc和Wc的采样结果，计算测试隐变量集(9)将步骤(8)计算出的测试隐变量集和步骤(6)中保存的T0次参数Wc的采样结果，代入到隐变量支持向量机分类器的判别公式中，得到测试SAR图像目标切片的目标类别标号并输出。...

【技术特征摘要】
1.一种基于dpKMMDP模型的雷达目标识别方法，包括以下步骤：(1)从SAR图像中提取感兴趣区域ROIs并对其进行预...

【专利技术属性】
技术研发人员：陈渤，李晨阳，文伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61