基于小样本的高精度HRRP雷达多目标识别方法技术

本发明专利技术涉及基于小样本的高精度HRRP雷达多目标识别方法，属于雷达目标识别技术领域。包括训练阶段与识别阶段。前者包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器；识别阶段包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果。本发明专利技术所述雷达多目标识别方法在处理多目标分类问题时具备高精度识别的能力，可以克服LDA在处理多目标分类时精度严重下降的问题及在只有少量训练样本可用时，其高识别精度仍然会保持稳定。

High Precision HRRP Radar Multi-Target Recognition Method Based on Small Samples

【技术实现步骤摘要】
基于小样本的高精度HRRP雷达多目标识别方法
本专利技术涉及一种基于小样本的高精度HRRP(高分辨距离像，HighResolutionRangeProfile)雷达多目标识别方法，属于雷达目标识别领域。
技术介绍
提高雷达目标识别精度是雷达目标识别领域发展的一个永恒的主题。HRRP是在大发射带宽、目标尺寸远大于雷达距离分辨率的条件下，目标散射点的子回波在雷达方向上投影的矢量和，由于其易获取性、便于处理、占用存储空间少、以及包含丰富的目标结构信息的优点，基于HRRP的雷达目标识别被认为是一种很有前景的雷达目标识别方法。在基于HRRP的雷达目标识别领域，LDA(线性判别分析，Lineardiscriminantanalysis)是一种经典的线性识别方法，也被称为Fisher判别分析。但是在进行多类目标分类时，LDA的识别精度远远低于进行两类目标分类时的识别精度，并且在训练样本较少的情况下LDA的识别精度也会下降，为了保证LDA稳定的识别精度，必须保证足够的训练样本，但是这也会带来计算量增大、实时性变差的问题。而战场上敌方作战目标远远超过两类目标，并且很难获得大量的敌方目标信息，即训练样本很少，若不能保证稳定且较高的雷达目标识别精度，会导致双方交战时由于不能准确识别敌方目标而不能及时做出正确应对，从而贻误战机导致己方蒙受损失，甚至战败。多类目标分类时雷达目标识别精度严重降低，以及训练样本较少时识别精度降低的这两个问题极大的限制了LDA在雷达目标识别领域的应用。
技术实现思路
本专利技术的目的是为了解决LDA在进行多类目标的雷达目标识别时，识别精度严重下降以及训练样本较少时雷达目标识别精度下降的问题，提出了基于小样本的高精度HRRP雷达多目标识别方法。本专利技术的目的是通过下述技术方案实现的。基于小样本的高精度HRRP雷达多目标识别方法，即classificationofmultipletargetsbasedonsmallHRRPsamples，简称CMTSHS，包括两个阶段：训练阶段与识别阶段；其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；训练阶段，包括如下步骤：步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；其中，FFT处理即快速傅里叶变换；其中，用于训练的雷达回波信号采集过程为：步骤1.1.1：将探测角度0-360°平均划分为多个角域；步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；其中，子回波信号进行FFT处理输出的频域信号为HRRP训练样本，且HRRP训练样本数目与子回波信号数目一致；由一个雷达回波信号得到的多个HRRP训练样本为一个HRRP训练样本集；步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分，具体为：步骤1.2.1：训练样本降噪处理，具体为：对步骤1.1.4输出的每个HRRP训练样本集求平均距离像；步骤1.2.2：训练样本归一化处理，具体为：对步骤1.2.1计算出的平均距离像采用最大值归一化；步骤1.2.3：训练样本截取处理，采用阈值法将步骤1.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP训练样本的有效片段；步骤1.3：训练样本的特征提取，从步骤1.2得到的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；i的取值范围为1到C；其中，C为目标类型的数目且C>2；步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；其中，LDA操作保留每组两类目标特征不低于90％的能量；其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；i的取值范围为1到C；其中，C为目标类型的数目且C>2；步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；i的取值范围为1到C；其中，C为目标类型的数目且C>2；步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；i的取值范围为1到C；其中，C为目标类型的数目且C>2；至此，从步骤1.1到步骤1.6.2，完成了CMTSHS的训练阶段；识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：步骤2.1：雷达回波信号转换为HRRP识别样本，处理过程包括将用于识别的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本；其中，用于识别的雷达回波信号的采集过程为：步骤2.1.1：使用训练阶段步骤1.1.1的本文档来自技高网...

【技术保护点】
1.基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：包括两个阶段：训练阶段与识别阶段；其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；训练阶段，包括如下步骤：步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；其中，用于训练的雷达回波信号采集过程为：步骤1.1.1：将探测角度0‑360°平均划分为多个角域；步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分；步骤1.3：训练样本的特征提取，从步骤1.2截取的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；至此，从步骤1.1到步骤1.6.2，完成了训练阶段；识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：步骤2.1：雷达回波信号转换为HRRP识别样本，处理过程包括将用于识别的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本；其中，用于识别的雷达回波信号的采集过程为：步骤2.1.1：使用训练阶段步骤1.1.1的同一雷达从任一待测目标的任意角度采集1个雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP识别样本的操作，具体子步骤为：步骤2.1.2：将步骤2.1.1采集到的雷达回波信号平均分为多段子回波信号，划分的子回波信号个数与训练阶段步骤1.1.3划分的子回波信号个数不必相等；步骤2.1.3：对步骤2.1.2划分的子回波信号进行FFT处理，输出与子回波信号数目等量的HRRP识别样本；步骤2.2：识别样本预处理，得到HRRP识别样本的有效片段，包括识别样本降噪、识别样本归一化以及...

【技术特征摘要】
1.基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：包括两个阶段：训练阶段与识别阶段；其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；训练阶段，包括如下步骤：步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；其中，用于训练的雷达回波信号采集过程为：步骤1.1.1：将探测角度0-360°平均划分为多个角域；步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分；步骤1.3：训练样本的特征提取，从步骤1.2截取的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；至此，从步骤1.1到步骤1.6.2，完成了训练阶段；识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：步骤2....

【专利技术属性】
技术研发人员：韩磊，姚璐，郭金东，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11