基于卷积因子分析模型的雷达高分辨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卷积因子分析模型的雷达高分辨距离像目标识别方法，主要解决现有技术在小样本情况下目标识别性能较差的问题。其实现步骤为：1)分别对各类目标的雷达高分辨距离像按角域分帧并对各帧数据取模得到时域特征；2)对各帧数据进行预处理；3)分别对预处理后的各帧高分辨距离像构建卷积因子分析模型，并计算各模型参数的条件后验分布；4)对各参数初始化并进行I次迭代更新；5)对测试样本强度归一化，并与各帧平均像平移对齐；6)根据各帧卷积因子分析模型参数的后验均值计算该测试样本的帧概率密度函数值；7)找出最大概率密度函数值，判定测试样本的所属类别。本发明专利技术模型复杂度较小，可用于小样本情况下的雷达目标识别。

【技术实现步骤摘要】

本专利技术属于雷达
，涉及雷达目标识别方法，可用于对飞机目标的识别分类。
技术介绍
高分辨雷达通常工作在光学区，此时，距离分辨单元远小于目标尺寸，故可将目标看作多个散射点的集合。而高分辨距离像HRRP是宽带雷达目标散射点子回波沿雷达视线方向投影的叠加，包含有丰富的目标距离向几何结构信息，因此在目标识别领域得到了广泛的应用。基于贝叶斯理论的统计识别方法是以测试样本在各类别下的后验概率为依据确定其所属类别，被广泛地用于HRRP的识别。相关文献提出了多种利用统计建模进行目标识别的方法，包括自适应高斯AGC模型、伽马混合Gamma Mixture模型、伽马-高斯混合Gamma-Gaussian Mixture模型以及因子分析FA模型等。其中，Du L，Liu H和Bao Z在IEEE Trans.on S.P.上发表的Radar HRRP statistical recognition:parametric and model selection文章利用传统因子分析FA模型对高分辨距离像进行统计建模，在训练样本数充足时获得了较好的识别性能。传统FA的处理步骤是：对各类各帧的训练样本分别构建一个传统FA模型并对模型参数进行学习，利用学出的参数计算测试样本在各类别下的后验概率，选择最大后验概率值，最终确定目标的类别标号。该方法的不足之处是，由于传统FA描述了各距离单元之间的相关性，模型复杂度增加，当训练样本数较少时模型参数的估计精度变差，识别性能大大降低。
技术实现思路
本专利技术针对上述现有技术的不足，提出一种基于卷积因子分析CFA模型的雷达高分辨距离像目标识别方法以降低模型复杂度，提高小样本情况下的目标识别性能。实现本专利技术的技术思路是：在训练阶段利用CFA模型分别对不同类别目标的各帧HRRP数据进行统计建模，得出各帧数据模型参数的后验分布；在测试阶段，利用训练过程得到的模型参数，计算测试样本对应于各类目标各帧的帧概率密度函数值，从而将该测试样本判为帧概率密度函数值最大的一帧，该帧对应的类别即为测试样本对应的类别。具体步骤如下：(1)训练步骤1a)对雷达接收的各类目标高分辨距离像HRRP训练数据按角域分帧并对分帧后的训练样本取模得到它们的时域特征；1b)将各帧内的高分辨距离像HRRP依次进行强度归一化、平移对齐和求平均像的预处理；1c)分别对预处理后的每帧高分辨距离像HRRP数据构建一个卷积因子分析CFA模型： x ‾ n c , m = Σ k = 1 S d k c , m * W n k c , m + μ c , m + ϵ n c , m ]]>其中，c＝1,2,…,G，G为目标类别总数，m＝1,2,…,Mc，Mc为第c类目标的总帧数，k＝1,2,…,S,S为字典原子个数，n＝1,2,…,N，N为每帧高分辨距离像HRRP数据的样本数；为预处理后的第c类第m帧第n个雷达高分辨距离像；为第k个权向量，其第i个元素服从均值为0、方差为的高斯分布，服从参数为a0、b0的伽马分布，i＝1,2,…,L,L为的维度；为第k个字典原子，其第j个元素服从均值为0、方差为的高斯分布，服从参数为c0、d0的伽马分布，j＝1,2,…,J，J为的维度；μc,m为第c类第m帧高分辨距离像数据的平均像，为高斯噪声变量，服从均值为0，协方差为的高斯分布，γc,m为的协方差精度，服从参数为e0、f0的伽马分布，IP表示P阶单位矩阵；*表示卷积运算；1d)根据变分贝叶斯VB算法求得各帧卷积因子分析CFA模型中参数γc,m、的条件后验分布；1e)初始化卷积因子分析CFA模型参数的均值、方差，设定迭代次数并根据(1d)中参数的条件后验分布对各模型参数进行更新，更新结束后保存各参数的最终结果和各帧高分辨距离像HRRP数据的平均像μc,m，完成对CFA模型的训练。(2)测试步骤2a)对测试样本xtest取模得到时域特征并进行强度归一化，再与训练阶段(1e)中保存的各类各帧的平均像μc,m平移对齐，得到预处理后的测试样本2b)利用(1e)中保存的CFA模型各参数的条件后验分布，分别计算测试样本在各类各帧条件下的帧概率密度函数值2c)找出(2b)中帧概率密度函数值的最大值，该值对应的第c类目标即为测试样本xtest的类别。本专利技术与现有技术相比具有以下优点：第一，本专利技术的卷积因子分析CFA模型通过字典与权矩阵的卷积来描述数据，实现了对数据局部特征的提取。由于各局部特征具有相似性，因此，本模型学出的字典更能体现数据的基本结构，从而实现对数据本质特征的挖掘。第二，与传统FA模型相比，本专利技术的卷积因子分析CFA模型一方面由于学出的字典反映了数据的本质结构，从而使所需要的字典原子个数大大减少；另一方面用字典作为卷积核，其维度也远远小于传统FA模型加载矩阵的维度，因此，CFA模型的字典尺寸大大减小，从而降低了模型复杂度，保证了小样本条件下模型的识别性能。本专利技术的技术过程和效果可结合以下附图详细说明。附图说明图1为本专利技术的实现流程图。图2为本专利技术与传统FA模型的模型复杂度随样本数的变化曲线比较图。图3为本专利技术与传统FA模型对多类飞机的识别率随样本数的变化曲线比较图。具体实施方式参照图1，本专利技术的统计识别方法分为训练和测试两个阶段，具体步骤如下：一、训练步骤步骤1，对接收到的雷达高分辨距离像HRRP按角域分帧并取模得到时域特征对雷达录取到的一维高分辨距离像HRRP按照目标方位分成等间隔的多个数据段，选取其中方位角比较完备的数据段做训练，每段称为一帧，其余段做测试；对分帧后的训练样本取模得到其时域特征。步骤2，对各帧内的高分辨距离像HRRP训练数据进行强度归一化、平移对齐、求平均像的预处理。2a)强度归一化：由于雷达-目标距离、气象条件、信道衰落以及雷达系统损耗等影响，HRRP回波在强度上会存在差异，这会给识别带来困难，称之为强度敏感性。克服强度敏感性的现有方法主要包括2-范数归一化方法、能量相等方法、模一归一化方法等。本专利技术采用2-范数归一化方法来克服强度敏感性，具体而言第c类目标第m帧的第n个高分辨距离像样本可归一化为： x ~ n c , m = 本文档来自技高网...

【技术保护点】
一种基于卷积因子分析CFA模型的雷达高分辨距离像目标识别方法，包括：(1)训练步骤1a)对雷达接收的各类目标高分辨距离像HRRP训练数据按角域分帧并对分帧后的训练样本取模得到它们的时域特征；1b)将各帧内的高分辨距离像HRRP依次进行强度归一化、平移对齐和求平均像的预处理；1c)分别对预处理后的每帧高分辨距离像HRRP数据构建一个卷积因子分析CFA模型：x‾nc,m=Σk=1Sdkc,m*Wnkc,m+μc,m+ϵnc,m]]>其中，c＝1,2,…,G，G为目标类别总数，m＝1,2,…,Mc，Mc为第c类目标的总帧数，k＝1,2,…,S,S为字典原子个数，n＝1,2,…,N，N为每帧高分辨距离像HRRP数据的样本数；为预处理后的第c类第m帧第n个雷达高分辨距离像；为第k个权向量，其第i个元素服从均值为0、方差为的高斯分布，服从参数为a0、b0的伽马分布，i＝1,2,…,L,L为的维度；为第k个字典原子，其第j个元素服从均值为0、方差为的高斯分布，服从参数为c0、d0的伽马分布，j＝1,2,…,J，J为的维度；μc,m为第c类第m帧高分辨距离像数据的平均像，为高斯噪声变量，服从均值为0，协方差为的高斯分布，γc,m为的协方差精度，服从参数为e0、f0的伽马分布，IP表示P阶单位矩阵；*表示卷积运算；1d)根据变分贝叶斯VB算法求得各帧卷积因子分析CFA模型中参数γc,m、的条件后验分布；1e)初始化卷积因子分析CFA模型参数的均值、方差，设定迭代次数并根据(1d)中参数的条件后验分布对各模型参数进行更新，更新结束后保存各参数的最终结果和各帧高分辨距离像HRRP数据的平均像μc,m，完成对CFA模型的训练。(2)测试步骤2a)对测试样本xtest取模得到时域特征并进行强度归一化，再与训练阶段(1e)中保存的各类各帧的平均像μc,m平移对齐，得到预处理后的测试样本2b)利用(1e)中保存的CFA模型各参数的后验均值，分别计算测试样本在各类各帧条件下的帧概率密度函数值2c)找出(2b)中帧概率密度函数值的最大值，该值对应的第c类目标即为测试样本xtest的类别。...

【技术特征摘要】
1.一种基于卷积因子分析CFA模型的雷达高分辨距离像目标识别方法，包括：(1)训练步骤1a)对雷达接收的各类目标高分辨距离像HRRP训练数据按角域分帧并对分帧后的训练样本取模得到它们的时域特征；1b)将各帧内的高分辨距离像HRRP依次进行强度归一化、平移对齐和求平均像的预处理；1c)分别对预处理后的每帧高分辨距离像HRRP数据构建一个卷积因子分析CFA模型： x ‾ n c , m = Σ k = 1 S d k c , m * W n k c , m + μ c , m + ϵ n c , m ]]>其中，c＝1,2,…,G，G为目标类别总数，m＝1,2,…,Mc，Mc为第c类目标的总帧数，k＝1,2,…,S,S为字典原子个数，n＝1,2,…,N，N为每帧高分辨距离像HRRP数据的样本数；为预处理后的第c类第m帧第n个雷达高分辨距离像；为第k个权向量，其第i个元素服从均值为0、方差为的高斯分布，服从参数为a0、b0的伽马分布，i＝1,2,…,L,L为的维度；为第k个字典原子，其第j个元素服从均值为0、方差为的高斯分布，服从参数为c0、d0的伽马分布，j＝1,2,…,J，J为的维度；μc,m为第c类第m帧高分辨距离像数据的平均像，为高斯噪声变量，服从均值为0，协方差为的高斯分布，γc,m为的协方差精度，服从参数为e0、f0的伽马分布，IP表示P阶单位矩阵；*表示卷积运算；1d)根据变分贝叶斯VB算法求得各帧卷积因子分析CFA模型中参数γc,m、的条件后验分布；1e)初始化卷积因子分析CFA模型参数的均值、方差，设定迭代次数并根据(1d)中参数的条件后验分布对各模型参数进行更新，更新结束后保存各参数的最终结果和各帧高分辨距离像HRRP数据的平均像μc,m，完成对CFA模型的训练。(2)测试步骤2a)对测试样本xtest取模得到时域特征并进行强度归一化，再与训练阶段(1e)中保存的各类各帧的平均像μc,m平移对齐，得到预处理后的测试样本2b)利用(1e)中保存的CFA模型各参数的后验均值，分别计算测试样本在各类各帧条件下的帧概率密度函数值2c)找出(2b)中帧概率密度函数值的最大值，该值对应的第c类目标即为测试样本xtest的类别。2.根据权利要求1所述的方法，步骤(1c)中对每帧高分辨距离像数据构建一个卷积因子分析CFA模型，按如下步骤进行：1c1)用经过预处理后的第c类第m帧第n个高分辨距离像减去该帧的平均像μc,m，得到0均值的高分辨距离像，表示为1c2)对0均值的高分辨距离像模型化，即先将各字典原子与其对应的权向量进行卷积得到卷积后的S个向量，再对这S个向量求和，得到能够反映的基本结构及每个结构在中的位置的向量，表示为其中，k＝1,2,…,S，S为字典原子的个数，*表示卷积运算；1c3)对步骤(1c2)中的赋予一个噪声变量即以表示模型误差；1c4)将步骤(1c3)的表示式整理成的形式，得到卷积因子分析CFA模型。3.根据权利要求1所述的方法，其中步骤(1d)中利用变分贝叶斯VB算法求得各帧卷积因子分析CFA模型中γc,m的条件后验分布按如下公式计算： p W n k c , m = N ( W n k c , m | ζ n k c , m , Σ n k c , m ) ]]> p d k c , m = N ( d k c , m | ξ k c , m , Λ k c , m ) ]]> p α n k i c , m = G a m m a ( α n k i c , m | a ~ , b ~ ) ]]> p β k j c , m = G a m m a ( β k j c , m ...

【专利技术属性】
技术研发人员：杜兰，陈健，和华，郭昱辰，王鹏辉，刘宏伟，
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