基于PPCA模型的强噪声背景下雷达距离像统计识别方法技术

本发明专利技术公开了一种基于ＰＰＣＡ模型的强噪声背景下雷达距离像统计识别方法，它涉及雷达自动目标识别技术领域，主要解决现有ＰＰＣＡ模型统计识别方法对噪声不稳健的问题。其训练阶段步骤为：对雷达连续ＨＲＲＰ分帧、平移对齐和强度归一化，并利用处理后的ＨＲＲＰ学习ＰＰＣＡ模型各方位帧的参数，并保存模板。其测试阶段步骤为：先对待测试样本强度归一化、平移对齐，然后估计它的信噪比范围，若该信噪比大于３０ｄＢ，则计算各目标各帧的距离值，并判定类别属性；若该信噪比小于３０ｄＢ，则改写现有距离值，通过最小化它，求解低信噪比条件下的噪声能量，最后计算各目标各帧的距离值，并判定类别属性。本发明专利技术具有对噪声稳健，计算量较小的优点，用于对雷达目标识别。

【技术实现步骤摘要】

本专利技术属于雷达自动目标识别
，具体的说是一种基于PPCA模型的强噪声背景下雷达距离像统计识别方法。
技术介绍
一维高分辨距离像的自动目标技术可追溯到20世纪80年代。由于一维高分辨距离像HRRP能够提供目标沿距离方向几何结构信息，且具有易于获得和处理的独特优势；同时，雷达具有全天候、全天时的特点，雷达一维高分辨距离像自动目标识别受到广泛重视。 基于统计模型的识别方法是一种重要的雷达HRRP自动目标识别方法。一维高分辨距离像的统计识别是指根据测试样本在各类别下的类后验概率的大小确定该测试样本的类别归属的识别方法。相关文献中提出了利用多种统计建模进行目标识别的方法，这些模型包括独立高斯模型、独立Gamma模型，基于Gamma和混合高斯Gaussian Mixture的独立双分布模型、基于主分量分析PCA联合高斯模型、概率主分量分析PPCA联合高斯模型和因子分析FA联合高斯模型等。其中PPCA模型假设距离像回波数据x服从联合高斯分布，距离像x与隐变量y的关系为x＝Ay+m+ε，其中x和y的维数分别为D和d，d＜D，m是均值向量，A是加载矩阵。A的各列为正交向量，且ε服从零均值、协方差矩阵∑＝σ2ID为对角阵且对角线元素相同的高斯分布ε～N(0，σ2ID)，其中，N(·，·)表示高斯分布，ID为D×D单位矩阵；y服从零均值、协方差矩阵Id为对角阵且对角线元素相同的高斯分布y～N(0，Id)，其中Id为d×d单位矩阵。从而，类条件概率密度函数可表示为 利用PPCA模型进行目标识别的步骤如下 (一)训练过程 (1)按照目标所在的方位将目标的所有HRRP回波数据划分成多个数据段，每段称为一帧 (2)将各帧内的HRRP回波数据平移对齐 (3)将各帧内所有平移对齐后的HRRP数据进行强度归一化； (4)分别对各个帧内平移对齐以及强度归一化后的数据建立一个PPCA模型，求取模型参数mjk，σjk2，Ajk，并将其保存为模板j＝1，2，…，C，C是总的目标类别数，k＝1，2，…，Kj，Kj是第j类目标的总的方位帧数目。 (二)测试过程 (1)对需要测试的HRRP回波数据，即测试样本，强度归一化，得到样本xtest； (2)将xtest分别与各类目标模板中的均值向量mjk平移对齐，得到样本， j＝1，2，…，C，k＝1，2，…，Kj； (3)利用训练过程得到的模板计算样本 对应于各类目标各帧的类条件概率密度 (4)找出步骤(3)中计算出的类条件概率密度中最大的一个，若该类条件概率密度对应的模板属于第j类目标，j＝1，2，…，C，则判定测试样本属于第j类目标，测试过程结束； 虽然传统PPCA模型考虑了噪声分量的统计建模，但是，实际战场环境复杂，雷达回波中噪声强度受目标距离雷达远近、目标特定方位反射特性、大气条件等影响，通常难于保持测试样本的信噪比与训练样本完全一致，尤其对在战场环境下的远距离的非合作目标，HRRP信噪比更低。因此，实际测试样本与训练样本的噪声分量是失配的另外，由于距离像样本经过能量归一化预处理来克服强度敏感性，测试样本与训练样本的信号分量也是失配的，因而直接用传统的PPCA模型来对低信噪比条件下的样本进行识别，将会造成识别率下降，尤其当噪声较大时，识别率更低。
技术实现思路
本专利技术目的是克服上述已有技术的不足，提供一种基于PPCA模型的强噪声背景下雷达距离像自适应统计识别方法，根据测试样本自适应地调节PPCA模型的模板参数mjk，σjk2，Ajk，使得PPCA模型的模板参数与测试样本相匹配，以实现在强噪声背景下能保持较高的识别率。 实现本专利技术目的的技术思路是在训练阶段使统计模型的信号部分与噪声部分开；在测试阶段通过最小化距离值实现自适应学习，并将距离值改写成多项式的和，通过最小化各项，近似求出最小化的距离值，利用它判定测试样本所属的目标类别。具体实现过程如下 A.训练步骤 (A1)按照目标所在的方位将目标的所有高信噪比环境下获得的一维高分距离像HRRP回波数据划分成多个数据段，每段称为一帧； (A2)将各帧内的HRRP回波数据平移对齐； (A3)将各帧内所有平移对齐后的HRRP数据进行强度归一化； (A4)分别对各个帧内强度归一化后的数据建立一个PPCA模型，求取模型参数均值mjk+，方差σjk2+，加载矩阵Ajk+，并将其保存为模板j＝1，2，…，C，C是总的目标类别数，k＝1，2，…，Kj，Kj是第j类目标的总的方位帧数目； B.测试步骤 (B1)对需要测试的样本进行强度归一化，得到归一化后的测试样本xtest； (B2)将归一化后的测试样本xtest分别与各类目标模板中的均值向量mjk+平移对齐，得到对齐后的测试样本 ，j＝1，2，…，C，k＝1，2，…，Kj； (B3)估计待测试样本的信噪比范围，对于信噪比大于30dB的测试样本执行步骤(B4)至(B5)，对于信噪比小于30dB的测试样本执行步骤(B6)至(B11)； (B4)利用训练过程得到的PPCA模板，计算测试样本对应于各类目标所有帧的距离值 其中，ID为D×D单位矩阵，其它参数含义与步骤(A4)中参数含义相同，T表示对矩阵或向量的转置操作； (B5)找出步骤(B4)计算出的距离值中最小的一个，若该距离值对应的模板属于第j类目标，j＝1，2，…，C，则判定测试样本属于第j类目标，测试过程结束； (B6)将步骤(B4)中各类目标所有帧的距离值改写为 其中，Ωd，jk是无噪信号的协方差矩阵从大到小排列的前d个特征值组成的对角矩阵，ωi，jk，i＝d+1，…，D是后D-d个特征值，D是距离像的维数，d是隐变量的维数，Ps，jk是j类目标的第k帧的信号能量，Pw，jk+，Pw，jk-分别是j类目标的第k帧高、低信噪比条件下的噪声能量，Ujk是协方差矩阵的特征向量矩阵，ID-d为(D-d)×(D-d)单位矩阵，Id为d×d单位矩阵； (B7)对步骤(B6)改写后的各帧距离值关于Pw，jk-求导数，并令之为零，最终等价为求解D个一元三次方程 p＝1，…，D 其中up，jk是协方差矩阵的特征向量Ujk的第p列，当p≤d时，当p＞d时，ωi，jk，i＝1，…，d是无噪信号的协方差矩阵前d个特征值； (B8)利用卡丹公式求解步骤(B7)中的一元三次方程，并通过判断方程的根与常用信噪比范围的关系，得到步骤(B6)中的距离值 的最小值对应的参数z，把它记为zp，jk*，然后利用关系式求得第j类目标第k帧的第p个距离单元对应的噪声能量p＝1，…，D； (B9)求距离值近似最小值对应的低信噪比环境下的噪声能量 (B10)计算测试样本到各类目标所有帧的距离值 (B11)从步骤(B10)计算出的各类目标所有帧的距离值中找到最小的一个，若该距离值对应的模板属于第j类目标，j＝1，2，…，C，则判定测试样本属于第j类目标，测试过程结束。 本专利技术与现有技术相比具有以下优点 1.现有的PPCA统计模型没有考虑噪声环本文档来自技高网...

【技术保护点】
一种基于ＰＰＣＡ模型的强噪声背景下雷达距离像统计识别方法，包括　Ａ．训练步骤：　（Ａ１）按照目标所在的方位将目标的所有高信噪比环境下获得的一维高分距离像ＨＲＲＰ回波数据划分成多个数据段，每段称为一帧；　（Ａ２）将各帧内的Ｈ ＲＲＰ回波数据平移对齐；　（Ａ３）将各帧内所有平移对齐后的ＨＲＲＰ数据进行强度归一化；　（Ａ４）分别对各个帧内强度归一化后的数据建立一个ＰＰＣＡ模型，求取模型参数均值＊↓［ｊｋ］↑［＋］，方差＊↓［ｊｋ］↑［２＋］，加载矩阵＊↓ ［ｊｋ］↑［＋］，并将其保存为模板Ｔ↓［ＰＰＣＡ］＝｛＊↓［ｊｋ］↑［＋］，＊↓［ｊｋ］↑［２＋］，＊↓［ｊｋ］↑［＋］｝↓［ｊ＝１，ｋ＝１］↑［Ｃ，Ｋ↓［ｊ］］，ｊ＝１，２，…，Ｃ，Ｃ是总的目标类别数，Ｋ＝１，２，…，Ｋ↓［ｊ］，Ｋ↓［ｊ］是第ｊ类目标的总的方位帧数目；　Ｂ．测试步骤　（Ｂ１）对需要测试的样本进行强度归一化，得到归一化后的测试样本＊↓［ｔｅｓｔ］；　（Ｂ２）将归一化后的测试样本＊↓［ｔｅｓｔ］分别与各类目标模板中的均值向量＊↓［ｊｋ］↑［＋ ］平移对齐，得到对齐后的测试样本＊↓［ｔｅｓｔ］↑［ｊｋ↑［＊］］，ｊ＝１，２，…，Ｃ，ｋ＝１，２，…，Ｋ↓［ｊ］；　（Ｂ３）估计待测试样本的信噪比范围，对于信噪比大于３０ｄＢ的测试样本执行步骤（Ｂ４）至（Ｂ５），对于信噪比小于３０ｄ Ｂ的测试样本执行步骤（Ｂ６）至（Ｂ１１）；　（Ｂ４）利用训练过程得到的ＰＰＣＡ模板，计算测试样本对应于各类目标所有帧的距离值：　＊＊＊　其中，Ｉ↓［Ｄ］为Ｄ×Ｄ单位矩阵，其它参数含义与步骤（Ａ４）中参数含义相同，Ｔ表示对矩 阵或向量的转置操作；　（Ｂ５）找出步骤（Ｂ４）计算出的距离值中最小的一个，若该距离值对应的模板属于第ｊ类目标，ｊ＝１，２，…，Ｃ，则判定测试样本属于第ｊ类目标，测试过程结束；　（Ｂ６）将步骤（Ｂ４）中各类目标所有帧的距离值改写为 ：　＊＊＊　其中，Ω↓［ｄ，ｊｋ］是无噪信号的协方差矩阵从大到小排列的前ｄ个特征值组成的对角矩阵，ω↓［ｉ，ｊｋ］，ｉ＝ｄ＋１，…，Ｄ是后Ｄ－ｄ个特征值，Ｄ是距离像的维数，ｄ是隐变量的维数，Ｐ↓［ｓ，ｊｋ］是ｊ类目标的第ｋ帧的信 号能量，Ｐ↓［ｗ，ｊｋ］↑［＋］，Ｐ↓［ｗ，ｊｋ］↑［－］分别是ｊ类目标的第ｋ帧高、低信噪比条件下的噪声能量，Ｕ↓［ｊｋ］是协...

【技术特征摘要】

【专利技术属性】
技术研发人员：刘宏伟，陈凤，王鹏辉，保铮，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]