一种基于统计字典学习的雷达高分辨距离像目标识别方法技术

本发明专利技术公开了一种基于统计字典学习的雷达高分辨距离像目标识别方法，包括获取T类目标连续的HRRP原始信号，并对其进行预处理；根据最大概率差值算法将父帧划分成两个子帧，获取初始化统计字典；在统计字典训练之前配置相关参数；训练得到最优字典和转置矩阵；对待测HRRP原始信号利用转置矩阵进行测试识别分类。本发明专利技术的方法尤其应用于低信噪比条件下的HRRP目标识别，相比单一的统计建模和字典学习方法具有更好的识别性能。

【技术实现步骤摘要】
一种基于统计字典学习的雷达高分辨距离像目标识别方法
本专利技术涉及雷达技术，特别是涉及一种基于统计字典学习的雷达高分辨距离像目标识别方法。
技术介绍
雷达自动目标识别技术是雷达信号处理的重要研究方向之一。高分辨距离像(HRRP)是用雷达信号获取的目标散射点子回波在雷达射线上投影的向量和的幅度波形。由于HRRP能够准确反映目标本身物理结构信息，所以被广泛应用于在气象、航空和目标识别等领域。基于雷达高分辨距离像的目标识别属于模式识别理论与雷达领域交叉学科的研究范畴，因此雷达HRRP目标识别涉及的技术难点较多。目前国内外研究指出方位敏感性、平移敏感性和强度敏感性是雷达HRRP目标识别需要解决的首要三大问题。(1)强度敏感性：由于雷达有可能工作在雨雪等恶劣天气，从而导致雷达接收到同一目标的HRRP在幅值上存在不同的尺度标准的问题。常用解决方法有l1、l2范数归一化(HRRP回波幅值压缩至0到1之间)和提取强度不变特征。(2)平移敏感性：由于大部分的待测目标处于运动状态，无法保证雷达目标回波在距离窗的相对位置，所以导致在截取信号过程中会出现平移敏感性。相关对齐方法、绝对对齐方法和提取平移不变特征是解决这一问题的常用方法。(3)方位敏感性：当目标相对雷达转动达到一定角度时，目标的散射点相对雷达视线发生距离和角度的移动进而发生散射越距离走动现象导致HRRP迅速变化。其中在三大敏感性问题中方位敏感性解决难度最大，如何有效克服方位敏感性从而提取稳健目标特征成为雷达HRRP目标识别技术的关键。最初采用均匀分帧方法对HRRP角域划分，提取帧内平均HRRP样本作为匹配模板进行识别。后来人们发现均匀分帧方法不能很好描述HRRP统计特征，因此一些相关研究采用角域自适应划分的方法以提高目标识别率，但是如何对目标角域合理分帧且提取稳健特征等问题仍未提出有效的解决方案。
技术实现思路
专利技术目的：为解决现有技术的不足，提供一种适用于低信噪比条件下的，相比单一的统计建模和字典学习方法具有更好的识别性能的基于统计字典学习的雷达高分辨距离像目标识别方法。技术方案：本专利技术公开了一种基于统计字典学习的雷达高分辨距离像目标识别方法，包括以下步骤：(1)获取T类目标连续的HRRP原始信号，并对其进行预处理；(2)根据最大概率差值算法将父帧划分成两个子帧，获取初始化统计字典；(3)在统计字典训练之前配置相关参数；(4)训练得到最优字典和线性分类器；(5)对待测HRRP原始信号利用线性分类器进行测试识别分类。进一步的，所述步骤(1)中雷达连续依次接收T类目标的雷达高分辨率距离像数据，并有序的对第i类目标连续多个HRRP原始信号作l2范数归一化后求取功率谱特征的预处理，功率谱特征计算公式为：选取功率谱前一半特征作为父帧内特征样本集其中i＝1,…,T，即，父帧内特征样本集Yi中第j个样本yj可表示为：yj＝[fj(1),fj(2),…,fj(m)](2)。进一步的，所述步骤(2)包括：(21)计算父帧内类条件概率密度函数根据PPCA模型，父帧内特征样本集Yi中第j个样本yj又可表示如下形式：yj＝Aix+μi+εi(3)；式中，Ai为父帧内特征样本集Yi中的投影矩阵；x为隐变量，服从高斯分布N(0,In)；μi为父帧内特征样本集Yi平均向量；εi为噪声向量，服从N(0,σ2Im)，所以第i类目标的父帧内类条件概率密度函数如下：p(yj|Yi)＝(2π)-n/2|(σi)2Im+AiA'i|-1/2exp[-1/2(yj-μi)'((σi)2Im+AiA'i)-1(yi-μi)](4)；其中，σi为噪声向量幅值，Im为m维单位矩阵；(22)将父帧划分成两个子帧设定帧界线θ将父帧内特征样本集Yi等分成和两个子帧，借助最大似然法估计子帧PPCA模型的平均向量噪声向量幅值和投影矩阵其中，为协方差矩阵的第k个特征值，(·)'表示矩阵的转置，和Λ(i,n)分别为前n个特征值对应的特征向量矩阵和特征值矩阵，In为n维单位矩阵，m为Im的维度；同时将父帧内特征样本集Yi中样本yj代入的类条件概率密度函数得到概率值其样本总数为Ni；然后将概率值代入最大概率差值算法：通过变量k更新帧界限θ和记录帧界限θ所对应的功率谱特征，从而将父帧划分成两个子帧；借助贝叶斯公式计算后验概率：假设先验概率推导出(23)若则将步骤(22)生成的两帧分别作为新的训练样本，跳转至步骤(1)；反之若继续执行步骤(24)；(24)获取初始化统计字典D0进一步的，所述步骤(3)包括以下步骤：(31)在每类目标的父帧内特征样本集Yi中挑选前d个功率谱特征构组成进而构成统计字典的训练样本集其中N＝T×d；(32)令矩阵并按列l2范数归一化统计初始化字典D0；(33)根据Ytrain和D0所属目标类别，首先定义鉴别稀疏编码矩阵Q，其中元素qij位于Q矩阵中第i行第j列，且qij＝1表示字典中第i个原子和训练样本中第j个样本属于同一类别；其次定义类标签H，其中元素hij位于H矩阵中第i行第j列，且hij＝1意味训练样本中第j个样本属于第i类目标。进一步的，所述步骤(4)包括以下步骤：(41)采用原子稀疏相似误差优化判别算法，约束字典学习的目标函数在字典学习基础上，引入原子稀疏相似误差优化判别约束字典学习的目标函数：式中，Y为输入信号，这里选择Ytrain为输入信号，即Y＝Ytrain；D＝[dj]j∈[1,K]∈Rm×K为过完备字典，D中各个列向量dj称为字典原子；X＝[xj]j∈[1,K]∈RK×N为稀疏编码矩阵，由各个行向量xj构成；Q∈RN×K为判别稀疏编码矩阵；A为线性转换矩阵，定义线性变换g(A,x)＝Ax；H∈RT×K为类标签；W为线性分类器，定义线性变换f(W,x)＝Wx；L为稀疏系数向量的稀疏度；E为全1矩阵；M为Θ经字典D线性表示的稀疏编码的转置，简称转置矩阵，即Θ＝DM'；为重构误差，为识别稀疏误差，为分类误差，为原子稀疏相似误差，α,β,γ分别为相应误差项的权重；作用是约束样本稀疏系数尽可能与Θ的稀疏系数相似，MX本质是Θ的稀疏编码同样本稀疏编码的内积，MX越接近E，样本越与字典匹配；为了求解式(11)中的目标函数，运用OMP算法可得X0＝OMP(D0,Y,L),M0＝OMP(D0,Θ,L)'，运用多元脊回归模型可得A0＝(XX'-λ1I)-1XQ'，W0＝(XX'-λ2I)-1XH'，一般取λ1＝λ2＝1。并且目标函数可转化成K-SVD求解过程：令，Dnew为矩阵l2范数下的列归一化，所以公式(12)进一步改写成：(42)训练得到最优字典和线性分类器。更进一步的，所述步骤(42)包括以下步骤：Step1：的l2范数下的列归一化，令k＝0；Step2：固定第k次字典通过OMP算法更新第k次稀疏系数矩阵X(k)；Step3：按列更新字典阶段：对第k次误差进行SVD分解：更新第k次字典中第j个原子更新第k次稀疏系数矩阵中第j行向量x(k),j：x(k),j＝Σ(1,1)V(:,1)；以上式中，x(k),i为稀疏系数矩阵中第i行向量，U和V均为正交矩阵，Σ为的奇异值矩阵；Step4：令k＝k+1，若k>K，训练结束，输出字典Dnew和转置矩阵Mnew；否则返回Step2继续循环；本文档来自技高网...

【技术保护点】
一种基于统计字典学习的雷达高分辨距离像目标识别方法，其特征在于，包括以下步骤：(1)获取T类目标连续的HRRP原始信号，并对其进行预处理；(2)根据最大概率差值算法将父帧划分成两个子帧，获取初始化统计字典；(3)在统计字典训练之前配置相关参数；(4)训练得到最优字典和线性分类器；(5)对待测HRRP原始信号利用线性分类器进行测试识别分类。

【技术特征摘要】
1.一种基于统计字典学习的雷达高分辨距离像目标识别方法，其特征在于，包括以下步骤：(1)获取T类目标连续的HRRP原始信号，并对其进行预处理；(2)根据最大概率差值算法将父帧划分成两个子帧，获取初始化统计字典；(3)在统计字典训练之前配置相关参数；(4)训练得到最优字典和线性分类器；(5)对待测HRRP原始信号利用线性分类器进行测试识别分类。2.根据权利要求1所述的一种基于统计字典学习的雷达高分辨距离像目标识别方法，其特征在于，所述步骤(1)中雷达连续依次接收T类目标的雷达高分辨率距离像数据，并有序的对第i类目标连续多个HRRP原始信号作l2范数归一化后求取功率谱特征的预处理，功率谱特征计算公式为：选取功率谱前一半特征作为父帧内特征样本集其中i＝1,…,T，即，父帧内特征样本集Yi中第j个样本yj可表示为：yj＝[fj(1),fj(2),…,fj(m)](2)。3.根据权利要求1所述的一种基于统计字典学习的雷达高分辨距离像目标识别方法，其特征在于，所述步骤(2)包括：(21)计算父帧内类条件概率密度函数根据PPCA模型，父帧内特征样本集Yi中第j个样本yj又可表示如下形式：yj＝Aix+μi+εi(3)；式中，Ai为父帧内特征样本集Yi中的投影矩阵；x为隐变量，服从高斯分布N(0,In)；μi为父帧内特征样本集Yi平均向量；εi为噪声向量，服从N(0,σ2Im)，所以第i类目标的父帧内类条件概率密度函数如下：p(yj|Yi)＝(2π)-n/2|(σi)2Im+AiA'i|-1/2exp[-1/2(yj-μi)'((σi)2Im+AiA'i)-1(yi-μi)](4)；其中，σi为噪声向量幅值，Im为m维单位矩阵；(22)将父帧划分成两个子帧设定帧界线θ将父帧内特征样本集Yi等分成和两个子帧，借助最大似然法估计子帧PPCA模型的平均向量噪声向量幅值和投影矩阵其中，为协方差矩阵的第k个特征值，(·)'表示矩阵的转置，和Λ(i,n)分别为前n个特征值对应的特征向量矩阵和特征值矩阵，In为n维单位矩阵，m为Im矩阵的维度。同时将父帧内特征样本集Yi中样本yj代入的类条件概率密度函数得到概率值其样本总数为Ni；然后将概率值代入最大概率差值算法：通过变量k更新帧界限θ和记录帧界限θ所对应的功率谱特征，从而将父帧划分成两个子帧；借助贝叶斯公式计算后验概率：假设先验概率推导出(23)若则将步骤(22)生成的两帧分别作为新的训练样本，跳转至步骤(1)；反之若继续执行步骤(24)；(24)获取初始化统计字典D0将记录下来的所有帧界限θ对应的功率谱特征构成初始统计字典最终获得各类目标的初始化统计字典组合成基于雷达HRRP目标识别的初始化统计字典4.根据权利要求1所述的一种基于统计字典学习的雷达高分辨距离像目标识别方法，其特征在于，所述步骤(3)包括以下步骤：(31)在每类目标的父帧内特征样本集Yi中挑选前d个功率谱特征构组成进而构成统计字典的训练样本集其中N＝T×d；(32)令矩阵并按列l2范数归一化统计初始化字典D0；(33)根据Ytrain和D0所属目标类别，首先定义鉴别稀疏编码矩阵Q，其中元素qij位于Q矩阵中第i行第j列，且qij＝1表示字典中第i个原子和训练样本中第j个样本属于同一类别；其次定义类标签H，其中元素hij位于H...

【专利技术属性】
技术研发人员：袁家雯，刘文波，朱海霞，陈旺才，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32