本發(fā)明涉及一種雷達(dá)一維信號(hào)識(shí)別的方法，尤其涉及一種在干擾環(huán)境下準(zhǔn)確識(shí)別目標(biāo)雷達(dá)一維距離像的技術(shù)。

背景技術(shù)：

雷達(dá)自動(dòng)目標(biāo)識(shí)別(radarautomatictargetrecognition，簡(jiǎn)稱ratr)是雷達(dá)根據(jù)目標(biāo)和環(huán)境的回波信號(hào)，基于電磁散射機(jī)理提取目標(biāo)特征信息以實(shí)現(xiàn)目標(biāo)屬性類別的自動(dòng)判定。雷達(dá)高分辨率一維距離像(hrrp)反映了目標(biāo)散射點(diǎn)沿雷達(dá)視線方向的分布情況，其中包含了豐富的目標(biāo)結(jié)構(gòu)特征，而易于獲取且數(shù)據(jù)量較小也是其先天優(yōu)勢(shì)。因此，基于hrrp的目標(biāo)識(shí)別一直是雷達(dá)自動(dòng)目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)，也是最接近實(shí)用要求的雷達(dá)目標(biāo)識(shí)別技術(shù)。hrrp信號(hào)具有平移敏感性、幅度敏感性、方位敏感性等固有特性，對(duì)其處理需要根據(jù)實(shí)際情況采取相應(yīng)的方法。在實(shí)際探測(cè)過程中不可避免的混入噪聲干擾，對(duì)其識(shí)別方法穩(wěn)健性也要有合理評(píng)估。

目前hrrp識(shí)別主要取決于如何提取目標(biāo)穩(wěn)定且易于識(shí)別的特征，傳統(tǒng)的信號(hào)特征提取法如主成分分析在一維距離像識(shí)別中也成功運(yùn)用并取得了較好的識(shí)別效果。然而單一的主成分提取雖然可以在一定程度上降低特征維度減小噪聲影響，但效果有限，對(duì)于信息的利用也不夠充分，難以突破其識(shí)別瓶頸。因此，尋找更加全面利用信號(hào)隱藏信息的特征提取方法且有效將其融合成為人們關(guān)注的重點(diǎn)。

近年來，多尺度空間理論在信號(hào)處理當(dāng)中的成功應(yīng)用再次給人們提供了一個(gè)可行的方案。由于信號(hào)在單一空間中所蘊(yùn)含的信息量有限，該理論將信號(hào)映射到不同尺度的空間當(dāng)中，獲得信號(hào)在各個(gè)尺度空間的映射，提取各尺度空間的信號(hào)特征，綜合其各自特點(diǎn)實(shí)現(xiàn)最終識(shí)別。相比傳統(tǒng)的單一空間內(nèi)特征提取法，其可以有效提高識(shí)別精度，而由于增加了尺度空間所造成的特征維度增加也可通過后期合理降維方法(如pca)進(jìn)行彌補(bǔ)，通過眾多的實(shí)驗(yàn)驗(yàn)證，證明其是一個(gè)合理的特征提取方法。

本發(fā)明提出一種基于多尺度稀疏保持投影一維距離像融合識(shí)別方法來達(dá)到在干擾環(huán)境下的穩(wěn)健識(shí)別。由于綜合運(yùn)用了尺度空間理論和稀疏保持投影法，在維數(shù)較低的情況下提取信號(hào)易于識(shí)別的特征，控制了計(jì)算量的同時(shí)提高了識(shí)別精度。后期通過改進(jìn)的分類器決策融合識(shí)別方案達(dá)到各尺度信息的綜合考量，相比經(jīng)典的多尺度特征提取算法達(dá)到了更好的識(shí)別精度，對(duì)于噪聲的穩(wěn)健性也得到了一定的提高。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：本發(fā)明的目的是提供一種雷達(dá)一維距離像信號(hào)穩(wěn)健識(shí)別的方案，在噪聲環(huán)境中能夠以較小的計(jì)算代價(jià)獲得滿意的識(shí)別精度，隨著噪聲的增強(qiáng)該方案的性價(jià)比愈加明顯，相比應(yīng)用廣泛的多尺度主成分分析法識(shí)別精度平均提高2個(gè)百分點(diǎn)。

技術(shù)方案：

一種基于多尺度稀疏保持投影的一維距離像融合識(shí)別方法，包括步驟：

步驟1：對(duì)訓(xùn)練樣本集x＝[x1,x2,...,xn]，xi表示第i個(gè)訓(xùn)練樣本向量，提取其歸一化頻譜幅度特征集并進(jìn)行平移對(duì)齊，表示與xi對(duì)應(yīng)的頻譜幅度特征向量，得到平移對(duì)齊后的特征集h＝[h1,h2,...,hn]；

步驟2：利用一維高斯拉普拉斯算子f對(duì)步驟1得到的特征集中的特征進(jìn)行多尺度空間映射，得到訓(xùn)練樣本多尺度空間特征向量集zi表示在尺度為i時(shí)，所有訓(xùn)練樣本向量的空間映射集合；

步驟3：采用稀疏保持投影算法得到步驟2中訓(xùn)練樣本多尺度空間特征向量集的多尺度稀疏特征向量集

步驟4：利用m個(gè)線性支持向量機(jī)分類器分別對(duì)步驟3中多尺度稀疏特征向量集的c1,c2,...,cm進(jìn)行學(xué)習(xí)；

步驟5：對(duì)測(cè)試樣本y提取其歸一化幅度特征并與訓(xùn)練樣本進(jìn)行平移對(duì)齊，得到平移對(duì)齊后的幅度特征hy；利用一維高斯拉普拉斯算子f對(duì)hy進(jìn)行多尺度空間映射，得到測(cè)試樣本多尺度空間特征向量集hy＝[hy1,hy2,...,hym]；采用稀疏保持投影算法得到測(cè)試樣本多尺度空間特征向量集hy＝[hy1,hy2,...,hym]的多尺度稀疏特征向量集cy＝[cy1,cy2,...,cym]；

步驟6：通過麥哈頓距離確定測(cè)試樣本幅度特征hy的k個(gè)最近鄰訓(xùn)練樣本幅度特征集

步驟7：分別求出hy與k個(gè)最近鄰訓(xùn)練樣本特征的相似度設(shè)定閾值p1，當(dāng)小于閾值時(shí)將其舍去，最終篩選出k1個(gè)最近鄰訓(xùn)練樣本；

步驟8：對(duì)步驟7得到的k1個(gè)最近鄰訓(xùn)練樣本，由步驟4中訓(xùn)練完成的m個(gè)線性支持向量機(jī)分類器對(duì)其m個(gè)尺度空間稀疏特征向量集進(jìn)行識(shí)別得到第j個(gè)分類器混淆矩陣qj，分別計(jì)算第j個(gè)分類器的置信度rj；

步驟9：從步驟8中得到置信度最大的分類器l，設(shè)定閾值p2，對(duì)與l置信度差別大于p2的分類器進(jìn)行剔除，篩選出的分類器對(duì)目標(biāo)進(jìn)行類別權(quán)重賦值，則權(quán)重最大的類別即為最后測(cè)試樣本的判決輸出結(jié)果。

所述步驟1中提取訓(xùn)練樣本集的歸一化頻譜幅度特征集具體為：

其中|·|表示取模，||·||表示取2范數(shù)，n表示樣本數(shù)。

所述步驟1采用的平移對(duì)齊為最大相關(guān)平移對(duì)齊法；具體如下：

信號(hào)和的互相關(guān)系數(shù)為：

式中<·>表示內(nèi)積運(yùn)算；

信號(hào)以第一個(gè)幅度特征作為標(biāo)準(zhǔn)，后面依次平移直到與第一個(gè)幅度特征信號(hào)互相關(guān)系數(shù)達(dá)到最大，設(shè)第一個(gè)信號(hào)幅度特征為則平移t個(gè)距離單位，t滿足：

得到平移對(duì)齊后的歸一化幅度特征向量集h＝[h1,h2,...,hn]。

所述步驟2中特征向量hi的一維拉普拉斯映射如下：

其中表示卷積運(yùn)算，σm表示尺度參數(shù)，m表示總尺度個(gè)數(shù)；f(hi,σm)為：

這里h'i表示向量hi的空間位置，σm表示與hi維數(shù)相同且元素皆為σm的列向量，由此可得訓(xùn)練樣本在各個(gè)尺度下的拉普拉斯映射；所述步驟5中的一維拉普拉斯映射同理。

所述步驟3具體為：

對(duì)于任意尺度m下的訓(xùn)練樣本，先對(duì)其進(jìn)行主成分分析，得到特征值矩陣λ中最大的l個(gè)特征值構(gòu)成的特征值矩陣λl∈r^l×l對(duì)應(yīng)的特征向量矩陣ul∈g^n×l，l≤n；由ul構(gòu)成主成分投影矩陣，得到其特征主成分再用除其自身以外的剩余訓(xùn)練樣本特征主成分對(duì)其進(jìn)行稀疏表示，即求解下面的約束優(yōu)化問題：

1＝e^tri

得到稀疏表示系數(shù)向量式中e表示所有元素均為1的列向量，ri＝[ri，1,...,ri,i-1,0,ri,i+1,...,ri,m]^t表示稀疏表示系數(shù)向量，ri,j表示訓(xùn)練樣本特征向量對(duì)重構(gòu)的貢獻(xiàn)量，ε為松弛量，||·||1表示取1范數(shù)；計(jì)算所有訓(xùn)練樣本核空間稀疏表示系數(shù)向量得到鄰接矩陣通過求解廣義本征方程：

其中λ表示未知本征值，w表示其對(duì)應(yīng)的本征向量，取其前d個(gè)最大本征值對(duì)應(yīng)的本征向量集wd作為稀疏保持投影矩陣；

在尺度m下核稀疏特征向量集cm：

計(jì)算其他尺度下的核稀疏特征向量集，構(gòu)成多尺度核稀疏特征向量集步驟7中cy＝[cy1,cy2,...,cym]的求解與此同理。

所述步驟6中對(duì)于兩個(gè)樣本向量hy和hi，其麥哈頓距離為：

d＝|hy⁽¹⁾-hi⁽¹⁾|+|hy⁽²⁾-hi⁽²⁾|+...+|hy⁽ⁿ¹⁾-hi⁽ⁿ¹⁾|

其中hy^(j)，hi^(j)分別表示hy和hi的第j個(gè)元素，n1表示幅度特征向量維數(shù)。

所述步驟7中hy與k個(gè)最近鄰訓(xùn)練樣本特征的相似度具體為：

其中定義為：

cj(hy)表示測(cè)試樣本hy在第j個(gè)分類器下的分類結(jié)果，表示近鄰訓(xùn)練樣本在第j個(gè)分類器下的分類結(jié)果。

所述步驟8中由m個(gè)線性支持向量機(jī)分類器對(duì)其m個(gè)尺度空間稀疏特征向量集進(jìn)行識(shí)別得到第j個(gè)分類器混淆矩陣qj具體為：

其中qxy^(j)表示在尺度j下訓(xùn)練樣本真實(shí)類別是x而在第j個(gè)分類器中識(shí)別結(jié)果為y的訓(xùn)練樣本數(shù)目，q表示目標(biāo)類別數(shù)；分別計(jì)算各分類器的置信度rj：

所述步驟9中，從以上得到置信度最大的分類器l，設(shè)定閾值p2，對(duì)與l置信度差別大于p2的分類器進(jìn)行剔除，由篩選出的分類器計(jì)算目標(biāo)各類別權(quán)重為：

則目標(biāo)類別權(quán)重最大值對(duì)應(yīng)的類別號(hào)即為測(cè)試樣本最終判決結(jié)果。

本發(fā)明采用上述技術(shù)方案具有如下有益效果：

1、提高識(shí)別精度：由于本發(fā)明提出的識(shí)別方法將尺度空間理論和稀疏保持投影相結(jié)合，通過選擇拉普拉斯映射來進(jìn)行更高效的多尺度表示，最后通過決策融合分類器將多尺度信息更有機(jī)的融合，得到相比傳統(tǒng)方案更加精確的識(shí)別精度。

2、特征維度較低：本發(fā)明提出的方法通過pca和稀疏保持投影兩次降維，在取得很好識(shí)別精度的同時(shí)避免了特征的大量冗余，在一定程度上提高了識(shí)別效率。

3、應(yīng)用范圍廣泛：本發(fā)明提出的一維距離像識(shí)別方法可以應(yīng)用到多種一維信號(hào)處理問題，例如目標(biāo)紅外光譜的檢測(cè)識(shí)別問題、語(yǔ)音信號(hào)的識(shí)別等。

附圖說明

圖1是本發(fā)明解決一維距離像穩(wěn)健識(shí)別問題的流程示意圖。

圖2是本發(fā)明處理的一維距離像原始信號(hào)的示意圖。

圖3是本發(fā)明提取一維距離像歸一化幅度特征的示意圖。

圖4是本發(fā)明幅度特征經(jīng)過拉普拉斯多尺度映射后空間特征示意圖。

圖5是本發(fā)明多尺度空間決策融合分類方案示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說明。

本發(fā)明提供一種基于多尺度稀疏保持投影一維距離像融合識(shí)別方法，總流程圖如圖1所示。現(xiàn)有一飛機(jī)一維距離像回波數(shù)據(jù)如圖2所示，實(shí)際情況中不同型號(hào)的飛機(jī)回波各不相同，同一型號(hào)飛機(jī)不同角度的回波信號(hào)也有所差異，本發(fā)明主要目的就是要完成這類回波信號(hào)的類別判斷。為了解決該類一維回波信號(hào)的識(shí)別分類問題。本發(fā)明包括以下幾個(gè)步驟：

訓(xùn)練階段：

第1步：對(duì)訓(xùn)練樣本集x＝[x1,x2,...,xn]，提取其歸一化頻譜幅度特征集如圖3所示；

其中|·|表示取模，||·||表示取2范數(shù)，n表示樣本數(shù)；由于幅度特征的平移敏感性，需要對(duì)其進(jìn)行平移對(duì)其操作，這里采用較為常用的最大相關(guān)平移對(duì)齊法，其中信號(hào)和的互相關(guān)系數(shù)為：

式中<·>表示內(nèi)積運(yùn)算；則信號(hào)以第一個(gè)幅度特征作為標(biāo)準(zhǔn)，后面依次平移直到與第一個(gè)幅度特征信號(hào)互相關(guān)系數(shù)達(dá)到最大，設(shè)第一個(gè)信號(hào)幅度特征為則平移t個(gè)距離單位，t滿足：

得到平移對(duì)齊后的歸一化幅度特征向量集h＝[h1,h2,...,hn]；

第2步：利用一維高斯拉普拉斯算子f對(duì)以上特征進(jìn)行多尺度空間映射，得到訓(xùn)練樣本多尺度空間特征向量集特征向量hi的一維拉普拉斯映射：

其中表示卷積運(yùn)算，σm表示尺度參數(shù)，m表示總尺度個(gè)數(shù)；f(hi,σm)為：

這里h'i表示向量hi的空間位置，σm表示與hi維數(shù)相同且元素皆為σm的列向量，以下取m＝4且σ1＝0.1,σ2＝0.2,σ3＝0.3,σ4＝0.4,由此可得樣本在各個(gè)尺度下的拉普拉斯映射如圖4所示，由于拉普拉斯映射各尺度能夠更好地貼合原始尺度峰谷，而峰谷是信號(hào)特征的最主要表現(xiàn)，因此拉普拉斯變換相比一般高斯多尺度變換對(duì)信號(hào)的解釋性更好。

第3步：采用稀疏保持投影算法得到訓(xùn)練樣本多尺度空間特征向量集的多尺度稀疏特征向量集對(duì)于任意尺度m下的訓(xùn)練樣本，為了防止后期稀疏保持投影過程中出現(xiàn)的非正定矩陣問題，先對(duì)其進(jìn)行主成分分析(pca)，得到特征值矩陣λ中最大的l個(gè)特征值構(gòu)成的特征值矩陣λl∈r^l×l對(duì)應(yīng)的特征向量矩陣ul∈g^n×l(l≤n)，由ul構(gòu)成主成分投影矩陣，得到其特征主成分這里取l＝100，再用除其自身以外的剩余訓(xùn)練樣本特征主成分對(duì)其進(jìn)行稀疏表示，即求解下面的約束優(yōu)化問題：

得到稀疏表示系數(shù)向量式中e表示所有元素均為1的列向量，ri＝[ri，1,...,ri,i-1,0,ri,i+1,...,ri,m]^t表示稀疏表示系數(shù)向量，ri,j表示訓(xùn)練樣本特征向量對(duì)重構(gòu)的貢獻(xiàn)量，ε為松弛量，||·||1表示取1范數(shù)；計(jì)算所有訓(xùn)練樣本核空間稀疏表示系數(shù)向量得到鄰接矩陣通過求解廣義本征方程：

其中λ表示未知本征值，w表示其對(duì)應(yīng)的本征向量，取其前d個(gè)最大本征值對(duì)應(yīng)的本征向量集wd作為稀疏保持投影矩陣，這里取d＝50，則在尺度m下核稀疏特征向量集cm：

計(jì)算其他尺度下的核稀疏特征向量集，構(gòu)成多尺度核稀疏特征向量集

第4步：利用m個(gè)線性支持向量機(jī)分類器分別對(duì)c1,c2,...,cm進(jìn)行學(xué)習(xí)，由于線性支持向量機(jī)本身參數(shù)較少且訓(xùn)練速度較快，在大多數(shù)情況下可獲得令人滿意的效果，因此這里選擇該分類器做初次分類；

測(cè)試階段：

第1步：對(duì)測(cè)試樣本y提取其歸一化幅度特征并與訓(xùn)練樣本進(jìn)行平移對(duì)齊，得到平移對(duì)齊后的幅度特征hy，方法如上訓(xùn)練階段第1步所示；

第2步：利用一維高斯拉普拉斯算子f對(duì)hy進(jìn)行多尺度空間映射，得到測(cè)試樣本多尺度空間特征向量集hy＝[hy1,hy2,...,hym]，方法如上訓(xùn)練階段第2步所示；

第3步：由稀疏保持投影算法得到的稀疏保持投影矩陣wd計(jì)算測(cè)試樣本多尺度空間特征向量集hy＝[hy1,hy2,...,hym]的多尺度稀疏特征向量集cy＝[cy1,cy2,...,cym]，方法如上訓(xùn)練階段第3步公式(7)所示；

第4步：通過麥哈頓距離確定測(cè)試樣本幅度特征hy的k個(gè)最近鄰訓(xùn)練樣本幅度特征集對(duì)于兩個(gè)樣本向量hy和hi，其麥哈頓距離為：

d＝|hy⁽¹⁾-hi⁽¹⁾|+|hy⁽²⁾-hi⁽²⁾|+...+|hy⁽ⁿ¹⁾-hi⁽ⁿ¹⁾|(9)

其中hy^(j)，hi^(j)分別表示hy和hi的第j個(gè)元素，n1表示幅度特征向量維數(shù)，比較測(cè)試樣本和各個(gè)訓(xùn)練樣本幅度特征向量的麥哈頓距離，得到最近的k個(gè)訓(xùn)練樣本集(即最小的k個(gè)d所對(duì)應(yīng)的訓(xùn)練樣本集)

第5步：分別求出hy與k個(gè)最近鄰訓(xùn)練樣本特征的相似度

其中定義為：

這里cj(hy)表示測(cè)試樣本hy在第j個(gè)分類器下的分類結(jié)果，表示近鄰訓(xùn)練樣本在第j個(gè)分類器下的分類結(jié)果，如相同則為1，不同則為0，設(shè)定閾值p1，將小于閾值的訓(xùn)練樣本去除，最終得到與測(cè)試樣本相對(duì)應(yīng)的k1個(gè)最近鄰訓(xùn)練樣本。

第6步：對(duì)這k1個(gè)最近鄰樣本，由m個(gè)線性支持向量機(jī)分類器對(duì)其m個(gè)尺度空間稀疏特征向量集進(jìn)行識(shí)別得到第j個(gè)分類器混淆矩陣qj：

其中qxy^(j)表示在尺度j下訓(xùn)練樣本真實(shí)類別是x而在第j個(gè)分類器中識(shí)別結(jié)果為y的訓(xùn)練樣本數(shù)目，q表示目標(biāo)類別數(shù)；分別計(jì)算各分類器的置信度rj：

第7步：從以上得到置信度最大的分類器l，設(shè)定閾值p2，對(duì)與l置信度差別大于p2的分類器進(jìn)行剔除，由篩選出的分類器計(jì)算目標(biāo)各類別權(quán)重：

則目標(biāo)類別權(quán)重最大值對(duì)應(yīng)的類別i即為測(cè)試樣本最終判決結(jié)果：

表1給出本發(fā)明所提方法與傳統(tǒng)多尺度空間主成分分析法的分類識(shí)別準(zhǔn)確率對(duì)比

表1

由以上數(shù)據(jù)可以看出，本發(fā)明所提出的一維距離像識(shí)別方法相比傳統(tǒng)多尺度主成分分析法在樣本特征維度相同情況下識(shí)別精度高出2個(gè)百分點(diǎn)左右，因步驟中主成分分析法、稀疏保持投影法和多分類器融合識(shí)別法都在一定程度上減小了噪聲影響，使其在復(fù)雜環(huán)境中識(shí)別率更加穩(wěn)定，在實(shí)際工程應(yīng)用中也有很好的發(fā)展前景。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。