基于dpLVSVM模型的雷达HRRP的目标识别方法技术

本发明专利技术公开了一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其步骤为：步骤1，对雷达HRRP数据进行特征提取得到功率谱特征集X；步骤2，构建dpLVSVM模型并得出功率谱特征的概率密度函数及各个参数的联合条件后验分布；步骤3，推导各个参数的条件后验分布；步骤4，对各个参数进行循环采样I次；步骤5，保存T0次测试阶段所需参数的采样结果；步骤6，判断测试雷达HRRP是否为库外样本，若为库外样本则拒判；否则步骤7；步骤7，采样得到测试雷达HRRP的功率谱特征的聚类标号；步骤8，输出测试雷达HRRP的目标类别标号本发明专利技术具有分类器设计复杂度小，识别性能高以及拒判性能好的优点，可用于对雷达目标的识别。

【技术实现步骤摘要】
基于dpLVSVM模型的雷达HRRP的目标识别方法
本专利技术属于雷达
，涉及雷达目标识别方法，尤其涉及一种基于dpLVSVM(Dirichletprocesslatentvariablesupportvectormachine，Dirichlet过程隐变量支撑向量机)模型的雷达高分辨距离像HRRP的目标识别方法，用于对飞机，车辆等目标进行识别。
技术介绍
雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像(High-resolutionrangeprofile,HRRP)是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。由于目标具有姿态敏感性，同一目标的HRRP具有多模分布特性，尤其是随着目标库的增大，训练样本个数也会随之增加，数据分布也变得更加复杂。多模分布数据的分类界面往往是高度非线性的，需要采用非线性分类器对其分类。作为一种常用的非线性分类器，核方法分类器是将原始空间线性不可分的数据映射成为高维空间中线性可分的数据，然后进行线性分类。然而核方法分类器面临核函数选择以及核参数选择的问题，且当训练样本数过大时，核方法分类器计算困难。另外，若使用所有雷达高分辨距离像数据来训练一个分类器会增加分类器的训练复杂度，而且容易忽视样本的内在结构，不利于分类。混合专家模型提出后，避免了复杂分类器设计，从而大大简化分类器设计的复杂度。混合专家模型将数据集划分成若干子集，然后在各个子集上分别训练简单的分类器，最终构造全局非线性的复杂分类器，称为有限混合专家模型模型。这类模型存在两个缺点：一是模型选择问题，即如何选择样本子集(聚类)个数；二是样本集的聚类过程是无监督的，独立于后端的分类器任务，因此较难保证每个聚类中数据的可分性，从而影响全局的分类性能。
技术实现思路
为了克服以上困难，本专利技术提出一种基于dpLVSVM模型的雷达HRRP的目标识别方法，用于提高分类性能，降低模型求解复杂度。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于，包括以下步骤：步骤1，雷达接收M个类别的目标的高分辨距离像HRRP；再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征xn，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X；不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本；步骤2，利用功率谱特征集X，将LVSVM分类器和TSB-DPM模型结合构建dpLVSVM模型；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布；dpLVSVM模型各个参数的联合条件后验分布即：TSB-DPM模型中聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ、LVSVM分类器系数雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布；步骤3，通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的条件后验分布，即聚类的高斯分布参数的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB-DPM模型截棍参数υ的条件后验分布，以及LVSVM分类器系数的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的条件后验分布；步骤4，设定聚类高斯分布参数的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB-DPM模型的截棍参数υ的初始值、LVSVM分类器系数的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；在设定初始值之后，根据设定初始值的参数在步骤3中对应的条件后验分布，按照Gibbs采样技术对设定初始值的参数依次进行采样，总共对设定初始值的参数循环采样I0次，I0为自然数；步骤5，在对设定初始值的参数循环采样I0次之后，从第I0+1次开始每间隔Sp次保存聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ，以及LVSVM分类器系数总共保存T0次参数的采样结果；在保存T0次参数的采样结果后完成高分辨距离像数据HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB-DPM模型；步骤6，对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特征计算测试雷达高分辨距离像的功率谱特征的概率密度函数值，并预先设定拒判门限Th，再与预先设定的拒判门限Th比较，根据比较结果判断测试雷达高分辨距离像是否为库外样本；否则继续步骤7；步骤7，将保存的T0次参数的采样结果中的聚类的高斯分布参数截棍参数υ代入测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布；在得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布之后，从测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征的聚类标号步骤8，根据测试雷达高分辨距离像的功率谱特征所属的聚类标号将测试雷达高分辨距离像的功率谱特征依次输入其所属聚类对应的M个训练的LVSVM分类器中，即，将步骤7得到的测试雷达高分辨距离像的功率谱特征所属的聚类标号以及步骤5中保存的LVSVM分类器的系数代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号上述技术方案的特点和进一步改进在于：(1)步骤2包括以下子步骤：2a)利用TSB-DPM模型将功率谱特征集X进行聚类，包括以下2a1)、2a2)和2a3)：2a1)在TSB-DPM模型中设定功率谱特征集X的最大聚类个数为C，每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布；2a2)设定TSB-DPM模型中的基分布G0采用Normal-Wishart分布其中，μ表示高斯分布的均值，Σ表示高斯分布的协方差矩阵，μ0为Normal-Wishart分布的均值，W0为尺度矩阵，β0、υ0为两个尺度因子；2a3)将以上2a1)和2a2)中的设定代入TSB-DPM模型得到下式(1-a)；2b)利用LVSVM分类器对每个聚类中的雷达高分辨距离像的功率谱特征进行分类，包括以下2b1)、2b2)和2b3)：2b1)设定每个LVSVM分类器系数先验分布为高斯分布表示高斯分布，I表示单位矩阵；2b2)根据TSB-DPM模型中的功率谱特征集X的最大聚类个数为C个聚类且目标类别个数为M，采用一对多策略，即分别将M个类别中的一类目标看作正类目标，其它类别看作负类目标，分别训练LVSVM分类器，则需训练C×M个LVSVM分类器；2b3)将LVSVM分类器系数ωcm的先验分布代入到训练的C×M个LVSVM分类器，得到以下式(1-b)；2c)通过公式(1-a)和(1-b)共同构建dpLVSVM模型；其中，υ＝[v1,v2,...,vc,...,vC]表示TS本文档来自技高网...

【技术保护点】
一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于，包括以下步骤： 步骤1，雷达接收M个类别的目标的高分辨距离像HRRP；再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征xn，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X；不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本； 步骤2，利用功率谱特征集X，将LVSVM分类器和TSB‑DPM模型结合构建dpLVSVM模型；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布； dpLVSVM模型各个参数的联合条件后验分布即：TSB‑DPM模型中聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB‑DPM模型的截棍参数υ、LVSVM分类器系数雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布；步骤3，通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的条件后验分布，即聚类的高斯分布参数的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB‑DPM模型截棍参数υ的条件后验分布，以及LVSVM分类器系数的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的条件后验分布；步骤4，设定聚类高斯分布参数的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB‑DPM模型的截棍参数υ的初始值、LVSVM分类器系数的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；在设定初始值之后，根据设定初始值的参数在步骤3中对应的条件后验分布，按照Gibbs采样技术对设定初始值的参数依次进行采样，总共对设定初始值的参数循环采样I0次，I0为自然数； 步骤5，在对设定初始值的参数循环采样I0次之后，从第I0+1次开始每间隔Sp次保存聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB‑DPM 模型的截棍参数υ，以及LVSVM分类器系数总共保存T0次参数的采样结果；在保存T0次参数的采样结果后完成高分辨距离像数据HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB‑DPM模型； 步骤6，对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特征计算测试雷达高分辨距离像的功率谱特征的概率密度函数值，并预先设定拒判门限Th，再与预先设定的拒判门限Th比较，根据比较结果判断测试雷达高分辨距离像是否为库外样本；否则继续步骤7；步骤7，将保存的T0次参数的采样结果中的聚类的高斯分布参数截棍参数υ代入测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布；在得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布之后，从测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征的聚类标号步骤8，根据测试雷达高分辨距离像的功率谱特征所属的聚类标号将测试雷达高分辨距离像的功率谱特征依次输入其所属聚类对应的M个训练的LVSVM分类器中，即，将步骤7得到的测试雷达高分辨距离像的功率谱特征所属的聚类标号以及步骤5中保存的LVSVM分类器的系数代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号。...

【技术特征摘要】
1.一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于，包括以下步骤：步骤1，雷达接收M个类别的目标的高分辨距离像HRRP；再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征xn，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X；不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本；步骤2，利用功率谱特征集X，将LVSVM分类器和TSB-DPM模型结合构建dpLVSVM模型；即通过TSB-DPM模型公式(1-a)和LVSVM分类器公式(1-b)共同构建dpLVSVM模型为：其中，υ＝[v1,v2,...,vc,...,vC]表示TSB-DPM模型的截棍参数，c＝1,2,...,C，C为TSB-DPM模型设定的功率谱特征集X的最大聚类个数；Beta(·)表示Beta分布；α表示TSB-DPM模型的截棍参数υ的先验分布的参数；表示Normal-Wishart分布；{μc,Σc}表示第c个聚类的高斯分布参数，μc表示第c个聚类的均值，Σc表示第c个聚类的协方差矩阵；G0表示基分布；μ0为Normal-Wishart分布的均值，W0为尺度矩阵，β0、υ0为两个尺度因子；zn表示第n个雷达高分辨距离像的功率谱特征所属的聚类标号，n＝1,2,...,N，N表示功率谱特征集X中雷达高分辨距离像的功率谱特征个数；π＝[π1,π2,...,πc...,πC]表示每个聚类的权系数且有Mult(·)表示多项分布；wc表示第c个聚类中所有M个LVSVM分类器的系数M表示目标类别个数；wcm表示第c个聚类中第m个LVSVM分类器的系数；λcm表示第c个聚类中的雷达高分辨距离像的功率谱特征对应的第m个LVSVM分类器的隐变量，λnm表示第n个雷达高分辨距离像功率谱特征对应的第m个LVSVM分类器的隐变量且有ym表示雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号；ynm表示第n个雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号，且有：若雷达高分辨距离像的功率谱特征xn属于第m类目标则ynm＝+1，否则ynm＝-1；表示第n个雷达高分辨距离像的功率谱特征的增广向量；γ表示调和系数；I表示单位矩阵；表示高斯分布；(·)T表示转置操作；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布；dpLVSVM模型各个参数的联合条件后验分布即：TSB-DPM模型中聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ、LVSVM分类器系数雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布；步骤3，通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的条件后验分布，即聚类的高斯分布参数的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB-DPM模型截棍参数υ的条件后验分布，以及LVSVM分类器系数的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的条件后验分布；步骤4，设定聚类高斯分布参数的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB-DPM模型的截棍参数υ的初始值、LVSVM分类器系数的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；在设定初始值之后，根据设定初始值的参数在步骤3中对应的条件后验分布，按照Gibbs采样技术对设定初始值的参数依次进行采样，总共对设定初始值的参数循环采样I0次，I0为自然数；步骤5，在对设定初始值的参数循环采样I0次之后，从第I0+1次开始每间隔Sp次保存聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ，以及LVSVM分类器系数总共保存T0次参数的采样结果；在保存T0次参数的采样结果后完成高分辨距离像HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB-DPM模型；步骤6，对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特征计算测试雷达高分辨距离像的功率谱特征的概率密度函数值，并预先设定拒判门限Th，将所述测试雷达高分辨距离像的功率谱特征的概率密度函数值与预先设定的拒判门限Th比较，根据比较结果判断测试雷达高分辨距离像是否为库外样本；若为库内样本则继续步骤7；步骤7，将保存的T0次参数的采样结果中的聚类的高斯分布参数截棍参数υ代入测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，为根据保存的第t次采样的参数得到的测试雷达高分辨距离像的功率谱特征的聚类标号，T0表示步骤5中设定的保存参数的采样结果的次数；在得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布之后，从测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征所属的聚类标号步骤8，根据测试雷达高分辨距离像的功率谱特征所属的聚类标号将测试雷达高分辨距离像的功率谱特征依次输入其所属聚类对应的M个训练的LVSVM分类器中，即，将步骤7得到的测试雷达高分辨距离像的功率谱特征所属的聚类标号以及步骤5中保存的LVSVM分类器的系数代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号2.根据权利要求1所述的基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于，步骤2包括以下子步骤：2a)利用TSB-DPM模型将功率谱特征集X进行聚类，包括以下步骤2a1)、2a2)和2a3)：2a1)在TSB-DPM模型中设定功率谱特征集X的最大聚类个数为C，每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布；2a2)设定TSB-DPM模型中的基分布G0采用Normal-Wishart分布其中，μ表示高斯分布的均值，Σ表示高斯分布的协方差矩阵，μ0为Normal-Wishart分布的均值，W0为尺度矩阵，β0、υ0为两个尺度因子；2a3)将以上步骤2a1)和2a2)中的设定代入TSB-DPM模型得到所述公式(1-a)；2b)利用LVSVM分类器对每个聚类中的雷达高分辨距离像的功率谱特征进行分类，包括以下步骤2b1)、2b2)和2b3)：2b1)设定每个LVSVM分类器系数先验分布为高斯分布表示高斯分布，I表示单位矩阵；2b2)根据TSB-DPM模型中的功率谱特征集X的最大聚类个数为C个聚类且目标类别个数为M，采用一对多策略，即分别将M个类别中的一类目标看作正类目标，其它类别看作负类目标，分别训练LVSVM分类器，则需训练C×M个LVSVM分类器；2b3)将LVSVM分类器系数wcm的先验分布代入到训练的C×M个LVSVM分类器，得到所述公式(1-b)；2c)通过公式(1-a)和(1-b)共同构建所述dpLVSVM模型；2d)由dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数和dpLVSVM模型各个参数的联合后验分布；dpLVSVM模型各个参数即TSB-DPM模型中聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ、LVSVM分类器系数雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ；雷达高分辨距离像的功率谱特征的概率密度函数见以下公式(2)：其中，π＝[π1,π2,...,πc,...,πC]表示每个聚类的权系数；表示均值为μc协方差矩阵为∑c的高斯分布，c＝1,2,...,C，C为TSB-DPM模型设定的功率谱特征集X的最大聚类个数；dpLVSVM模型各个参...

【专利技术属性】
技术研发人员：陈渤，张学峰，陈步华，王鹏辉，刘宏伟，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61