專利名稱：基于自回歸模型的雷達(dá)高分辨距離像目標(biāo)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，涉及目標(biāo)識別方法，可用于對飛機(jī)，車輛等目標(biāo)進(jìn)行識別。
背景技術(shù)：
雷達(dá)目標(biāo)識別就是利用目標(biāo)的雷達(dá)回波信號，實(shí)現(xiàn)對目標(biāo)類型的判定。寬帶雷達(dá)通常工作在光學(xué)區(qū)，此時目標(biāo)可以看作是由大量強(qiáng)度不同的散射點(diǎn)構(gòu)成。高分辨距離像是用寬帶雷達(dá)信號獲取的目標(biāo)體上各散射點(diǎn)回波的矢量和。它反映了目標(biāo)體上散射點(diǎn)沿雷達(dá)視線的分布情況，包含了目標(biāo)重要的結(jié)構(gòu)特征，被廣泛應(yīng)用于雷達(dá)目標(biāo)識別領(lǐng)域。從高分辨距離像中提取識別特征，是雷達(dá)目標(biāo)識別系統(tǒng)中的一個重要環(huán)節(jié)，這些識別特征包括實(shí)高分辨距離像特征和高階譜特征。然而，這些識別特征往往具有很高的維度，在訓(xùn)練識別系統(tǒng)時需要提供大量的高分辨距離像數(shù)據(jù)以保證識別系統(tǒng)參數(shù)的學(xué)習(xí)精度。眾所周知，錄取大量的高分辨距離像代價巨大，尤其是對于非合作目標(biāo)，實(shí)際中更是難以獲取大量的高分辨距離像數(shù)據(jù)，這限制了識別系統(tǒng)的性能。目前已有的識別方法都需要通過分幀的方法來克服高分辨距離像的姿態(tài)敏感性。 傳統(tǒng)的分幀方法是將錄取的高分辨距離像數(shù)據(jù)均勻分成若干段，每一段稱為一幀。同時近似的假設(shè)各幀內(nèi)高分辨距離像數(shù)據(jù)服從同一分布。但是采用這種方法，總幀數(shù)需人為指定。 如果幀數(shù)過多，會增加識別時間，不利于實(shí)時識別；如果幀數(shù)過少，識別精度又不能保證。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的不足，提出一種基于自回歸模型的雷高分辨距離像目標(biāo)識別方法。以降低識別特征維數(shù)，放松對高分辨距離像訓(xùn)練樣本數(shù)量的需求， 實(shí)現(xiàn)總幀數(shù)的自動確定，避免人為指定總幀數(shù)帶來的識別性能下降問題。為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明的實(shí)現(xiàn)步驟如下1)對高分辨距離像訓(xùn)練樣本進(jìn)行傅里葉變換，將其轉(zhuǎn)換到頻域，并將頻域信號取模值，得到高分辨距離像訓(xùn)練樣本對應(yīng)的頻譜幅度信號ζ = [z(l)，z(2)，...，z(d)]，其中， Z (f)是頻譜幅度信號Z的第f維元素，f = 1，2，. . .，d，d表示頻譜幅度信號ζ的維度；2)設(shè)定自回歸模型的階數(shù)m，m為正整數(shù)，用自回歸模型對訓(xùn)練樣本的頻譜幅度信號ζ建模為-Af) = YlAkW-kXf)，f = m+l,m+2,. . .，d，其中ζ (f)表示訓(xùn)練樣本的頻譜幅度信號ζ的第f維元素，ζ (f-k)表示訓(xùn)練樣本的頻譜幅度信號ζ的第f_k維元素， e(f)是訓(xùn)練樣本自回歸模型的預(yù)測誤差，a(k)是訓(xùn)練樣本自回歸模型的第k個自回歸系數(shù)，k= 1，2，...，m，將所有自回歸系數(shù)用向量形式表示為a = [a(l),a(2),... ,a(m)]作為訓(xùn)練樣本的識別特征，式中，a(i)是自回歸模型的第i個自回歸系數(shù)，i = l，2，...，m;3)用Yule-Walker方程估計(jì)訓(xùn)練樣本的識別特征a ；4)用高斯混合模型對訓(xùn)練樣本的識別特征a分巾貞，以克服訓(xùn)練樣本識別特征a的姿態(tài)敏感性，分幀后的訓(xùn)練樣本的識別特征a表示為= Y4I1CC1G^ | μ,,Σ,)，其中ρ (a)表示訓(xùn)練樣本識別特征a的概率密度函數(shù)，L表示訓(xùn)練樣本識別特征a的幀數(shù)，α χ表示第 1幀的先驗(yàn)概率，1 = 1,2,..., L,G(a| μ 1； Σ 表示訓(xùn)練樣本識別特征a在第1幀內(nèi)服從高斯分布，μ ！表示第1幀的均值，Σ ！表示第1幀的協(xié)方差矩陣，1 = 1，2，...，L ；5)用貝葉 斯陰陽學(xué)習(xí)方法自動確定步驟4)中的總幀數(shù)L，并估計(jì)各幀的先驗(yàn)概率 O1，均值P1和協(xié)方差矩陣Σ 1 = 1，2，...，L;6)將步驟5)中估計(jì)得到的各幀的先驗(yàn)概率α i，均值μ χ和協(xié)方差矩陣Σ 1 = 1,2,..., L，存入識別系統(tǒng)模板庫，根據(jù)該模板庫對高分辨距離像測試樣本進(jìn)行識別。本發(fā)明具有訓(xùn)練樣本需求量小，訓(xùn)練樣本識別特征總幀數(shù)自動確定的優(yōu)點(diǎn)，可用于對雷達(dá)目標(biāo)的識別。


圖1是本發(fā)明的流程圖；圖2是用本發(fā)明對所有目標(biāo)分幀的結(jié)果隨自回歸模型階數(shù)的變化曲線圖；圖3是用本發(fā)明對所有目標(biāo)的識別結(jié)果隨自回歸模型階數(shù)的變化曲線圖；圖4是用本發(fā)明對所有目標(biāo)的識別結(jié)果隨訓(xùn)練樣本集的大小變化曲線圖。
具體實(shí)施例方式參照圖1，本發(fā)明的具體實(shí)現(xiàn)步驟如下步驟1，計(jì)算高分辨距離像訓(xùn)練樣本對應(yīng)的頻譜幅度信號。對高分辨距離像訓(xùn)練樣本做傅里葉變換，得到其頻域信號，為了克服頻域信號的初相敏感性，對頻域信號進(jìn)行取模操作，得到高分辨距離像訓(xùn)練樣本對應(yīng)的頻譜幅度信號ζ =[Z(I)，ζ (2)，...，z(d)]，其中，z(f)是頻譜幅度信號ζ的第f個元素，.f= 1，2，...， d，d表示頻譜幅度信號ζ的維度。步驟2，用自回歸模型對頻譜幅度信號ζ建模，提取自回歸系數(shù)向量作為識別特征。高分辨距離像的統(tǒng)計(jì)特性符合Bello提出的“寬平穩(wěn)_不相關(guān)散射模型”的要求， 因此，高分辨距離像對應(yīng)的頻譜幅度信號ζ是一個平穩(wěn)隨機(jī)過程，在模式識別領(lǐng)域，常用自回歸模型對平穩(wěn)隨機(jī)過程建模，即設(shè)定自回歸模型階數(shù)為m，m為正整數(shù)，用自回歸模型對頻譜幅度信號 ζ 建模為=+ ，f = m+1, m+2，...，d，其中 ζ (f)表示頻譜幅度信號ζ的第f維元素，ζ (f-k)表示頻譜幅度信號ζ的第f_k維元素，e (f)是自回歸模型的預(yù)測誤差，a(k)是自回歸模型的第k個自回歸系數(shù)，k= 1,2,..., m，將所有自回歸系數(shù)用向量形式表示為a = [a (1)，a (2)，. . .，a (m)]作為訓(xùn)練樣本的識別特征，式中， a(i)是自回歸模型的第i個自回歸系數(shù)，i = l，2，...，m。步驟3，計(jì)算訓(xùn)練樣本的識別特征a。用Yule-Walker方程計(jì)算訓(xùn)練樣本的識別特征a，按如下步驟進(jìn)行3. 1)計(jì)算頻訓(xùn)練樣本的譜幅度信號ζ的所有k階自相關(guān)系數(shù)rk = Ef [ζ (f) ζ (f-k) ], k = 0,1,2,. . ·，m，式中，z(f)表示ζ的第f維元素，ζ (f_k)表示ζ的第f_k維元素，Ef表示取均值操作符ΟΑΟΣ^ ；3. 2)利用步驟3. 1中譜幅度信號ζ的所有k階自相關(guān)系數(shù)構(gòu)造自相關(guān)系數(shù)向量r和自相關(guān)系數(shù)矩陣R
權(quán)利要求
1.一種基于自回歸模型的雷達(dá)高分辨距離像目標(biāo)識別方法，包括如下步驟1)對高分辨距離像訓(xùn)練樣本進(jìn)行傅里葉變換，將其轉(zhuǎn)換到頻域，并將頻域信號取模值， 得到高分辨距離像訓(xùn)練樣本對應(yīng)的頻譜幅度信號ζ = [Z (1)，Z (2)，. . .，Z (d)]，其中，Z (f) 是頻譜幅度信號ζ的第f維元素，f = 1，2，. . .，d，d表示頻譜幅度信號ζ的維度；2)設(shè)定自回歸模型的階數(shù)m，m為正整數(shù)，用自回歸模型對訓(xùn)練樣本的頻譜幅度信號ζ 建模為
2.根據(jù)權(quán)利要求1所述的雷達(dá)高分辨距離像目標(biāo)識別方法，其中步驟3)所述的用 Yule-Walker方程計(jì)算識別特征a，按如下步驟進(jìn)行3a)計(jì)算頻譜幅度信號ζ的自相關(guān)系數(shù)向量r = Lr1, r2, r3, . . . , rm]T和頻譜幅度信號 ζ的自相關(guān)矩陣
3.根據(jù)權(quán)利要求1所述的雷達(dá)高分辨距離像目標(biāo)識別方法，其中步驟5)所述的貝葉斯陰陽學(xué)習(xí)方法，按如下步驟進(jìn)行5a)令初始總幀數(shù)L = 100，設(shè)定丟幀門限δ = 1/100，隨機(jī)初始化各幀先驗(yàn)概率Q1, 均值μ ！和協(xié)方差矩陣Σ 1； 1 = 1,2,... ,L；5b)以梯度方式更新所有幀的先驗(yàn)概率α i，均值μ ！和協(xié)方差矩陣Σ 1；1 = 1,2,...,5c)比較各幀先驗(yàn)概率Ci1與丟幀門限δ的大小，如果第1幀的先驗(yàn)概率Ci1 < δ，則丟掉第1幀，更新總幀數(shù)；5d)將步驟3a)-3c)重復(fù)迭代100次，得到總幀數(shù)L，以及所有幀的先驗(yàn)概率α i，均值 P1和協(xié)方差矩陣Σ 1 = 1，2，. . .，L。
4.根據(jù)權(quán)利要求1所述的雷達(dá)高分辨距離像目標(biāo)識別方法，其中步驟6)所述的根據(jù)模板庫對高分辨距離像測試樣本進(jìn)行識別，按如下步驟進(jìn)行6a)將高分辨距離像測試樣本進(jìn)行傅里葉變換，將其轉(zhuǎn)換到頻域，并將頻域信號取模值，得到高分辨距離像測試樣本對應(yīng)的頻譜幅度信號z' = [z' (1), z' (2)，...， z' (d)]，其中，z'(f)是頻譜幅度信號2'的第f維元素f=1，2，...，d，d表示頻譜幅度信號z'的維度；6b)用階數(shù)為m的自回歸模型對測試樣本的頻譜幅度信號z‘建模為
全文摘要
本發(fā)明提出了一種基于自回歸模型的雷達(dá)高分辨距離像目標(biāo)識別方法，主要解決現(xiàn)有雷達(dá)高分辨距離像目標(biāo)識別技術(shù)中訓(xùn)練樣本需求量大，識別特征總幀數(shù)不能自動確定的問題。其實(shí)現(xiàn)過程是計(jì)算高分辨距離像訓(xùn)練樣本的頻譜幅度信號；對訓(xùn)練樣本的頻譜幅度信號用自回歸模型建模；使用Yule-Walker方程計(jì)算自回歸模型的系數(shù)向量，使用系數(shù)向量作為訓(xùn)練樣本的識別特征；對訓(xùn)練樣本識別特征使用高斯混合模型分幀；用貝葉斯陰陽學(xué)習(xí)方法自動確定訓(xùn)練樣本識別特征的總幀數(shù)并估計(jì)各幀參數(shù)；提取測試樣本的自回歸系數(shù)向量識別特征進(jìn)行識別，得到識別結(jié)果。本發(fā)明具有訓(xùn)練樣本需求量小，訓(xùn)練樣本識別特征總幀數(shù)自動確定的優(yōu)點(diǎn)，可用于對雷達(dá)目標(biāo)的識別。
文檔編號G01S13/02GK102184408SQ20111008991
公開日2011年9月14日 申請日期2011年4月11日 優(yōu)先權(quán)日2011年4月11日
發(fā)明者劉宏偉, 戴奉周, 李彥兵, 杜蘭, 王英華, 王鵬輝 申請人:西安電子科技大學(xué)