基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法技术

本发明专利技术提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法，主要解决现有技术对变体目标高分辨距离像的概率分布信息未进行充分的利用，导致对变体目标识别率低的问题。其实现方案是：1.建立变体目标高分辨距离像的数学模型；2.定义变体目标数学模型中各个变量的先验概率，及其先验概率参数的先验分布；3.通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分；4.从变体目标高分辨距离像中去除变体成分，恢复无变体高分辨距离像，用自适应高斯分类器对恢复出的无变体高分辨距离像进行目标识别，获取目标类别。本发明专利技术提高了变体目标识别的准确率，可用于雷达自动目标识别。

High Resolution Range Profile Recognition of Variant Targets Based on Block Sparse Bayesian Learning

The invention proposes a high resolution range profile recognition method for variant targets based on block sparse Bayesian learning, which mainly solves the problem of low recognition rate of variant targets due to insufficient utilization of the probability distribution information of variant targets'high resolution range profiles by existing technology. The realization schemes are as follows: 1. Establishing the mathematical model of high resolution range profile of variant target; 2. Defining the prior probability of each variable in the mathematical model of variant target and the prior distribution of its prior probability parameters; 3. Obtaining variant components in high resolution range profile of variant target through block sparse Bayesian learning iteration solving model; 4. Removing variant components from high resolution range profile of variant target To recover the variant-free high-resolution range profile, an adaptive Gauss classifier is used to recognize the target from the recovered variant-free high-resolution range profile and obtain the target category. The invention improves the accuracy of variant target recognition and can be used for radar automatic target recognition.

【技术实现步骤摘要】
基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法
本专利技术属于雷达
，特别涉及一种变体目标高分辨距离像识别方法，可用于雷达目标识别。
技术介绍
随着高分辨雷达的不断发展，雷达目标识别变得更加可行，现有技术对雷达目标的识别主要使用三种信号：合成孔径雷达图像信号，逆合成孔径雷达图像信号，以及雷达高分辨距离像信号。其中，合成孔径雷达图像和逆合成孔径雷达图像是二维图像，通过分析目标和雷达之间的相对转动产生的多普勒频移得到目标散射中心的横向分辨。而雷达高分辨距离像是一维图像，是目标散射中心回波在雷达视线上投影的矢量和，包含了目标的诸如尺寸，散射中心分布等结构信息，具有获取容易、处理简单的优点，因而在雷达目标识别领域受到了广泛的关注。在理想条件下，对高分辨距离像进行识别相对容易实现。然而在实际场景中，由于训练样本数量、信噪比等扩展工作条件的限制，使得高分辨距离像识别难以达到理想条件下的效果。因而扩展工作条件下的高分辨距离像识别方法逐渐受到研究者的重视，以希望雷达目标识别能够在复杂多变的实际场景中仍能有良好的表现。扩展工作条件还包括变体目标的识别工作，这种变体目标是指同一目标在执行不同的任务时，其装备的武器配置或有效载荷会发生变化，从而引起该目标外形结构发生变化。其高分辨距离像也和无变体目标的高分辨距离像不同，会造成目标和分类器模板的失配，导致识别性能严重下降。现有针对变体目标高分辨距离像的识别方法，主要利用信号中变体部分的块稀疏特性，通过贪婪算法对变体部分进行分离，从而实现对变体目标高分辨距离像的恢复和识别。但这种方法由于对变体目标高分辨距离像的概率分布信息没有进行充分的利用，因而恢复得到的信号识别准确率较低。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出一种基于块稀疏贝叶斯学习的变体目标高分辨距离像恢复识别方法，以消除变体部分对高分辨距离像产生的影响，提高变体目标高分辨距离像恢复识别的准确率。为实现上述专利技术目的，本专利技术的技术方案如下：1)建立变体目标的高分辨距离像数学模型，表示如下：y＝Dx+w其中，高分辨距离像y∈RM×1，M是高分辨距离像的维数，RM×1表示行数为M列数为1的实数矩阵集合，D∈RM×N是对变体高分辨距离像进行稀疏表示的字典矩阵，N是字典矩阵的列数，且有N＝M+50，x∈RN×1为y在字典D上的稀疏表示，w∈RM×1为噪声；2)构建字典矩阵D：2a)取500个M维高分辨距离像训练样本进行奇异值分解，并取奇异矩阵前50列为第一个子字典D1，用以对变体目标高分辨距离像的无变体部分进行稀疏表示；2b)令第二个子字典D2∈RM×M为M维单位矩阵，用以对变体部分进行稀疏表示，其中单位矩阵表示所有非对角元素均为0，所有对角元素均为1的矩阵；2c)将两个子字典D1，D2并排连接，得到字典矩阵D＝[D1,D2]；3)令稀疏表示x和噪声w各自服从零均值的高维正态分布，定义x的先验概率p(x)和w的先验概率p(w)：p(x)＝N(x|0,Σ)p(w)＝N(w|0,Λ)其中N(·)表示高维正态分布，Σ为x的协方差矩阵，Λ为w的协方差矩阵；4)根据步骤3)定义的先验概率，通过块稀疏贝叶斯学习，计算变体目标高分辨距离像y对应的稀疏表示x；5)利用步骤4)获得的稀疏表示x，去除变体目标高分辨距离像y中的变体成分，得到无变体成分的高分辨距离像6)通过自适应高斯分类器计算与各类目标模板的似然值，并将似然值最大的目标类别作为变体目标高分辨距离像y的类别。本专利技术具有如下优点：本专利技术由于使用基于块稀疏先验信息设计的变体目标高分辨距离像的先验概率，从而在稀疏贝叶斯学习迭代求解时促进了变体成分非零参数成块，因此能够准确恢复出无变体成分的高分辨距离像；通过使用恢复后高分辨距离像进行目标识别，提高了目标识别的性能。附图说明图1是本专利技术的实现流程图；图2是从数据库中选出的不含变体的高分辨距离像；图3是对图2加入变体后的高分辨距离像；图4是用本专利技术对图3恢复的高分辨距离像。具体实施方式以下结合附图对本专利技术进行进一步详细描述。参照图1，本专利技术的具体实现步骤如下：步骤1，对变体目标高分辨距离像进行建模。建立变体目标的高分辨距离像数学模型，表示如下：y＝Dx+w，其中，高分辨距离像y∈RM×1，M是高分辨距离像的维数，RM×1表示行数为M列数为1的实数矩阵集合，D∈RM×N是对变体高分辨距离像进行稀疏表示的字典矩阵，N是字典矩阵的列数，且有N＝M+50，x∈RN×1为y在字典D上的稀疏表示，w∈RM×1为噪声。步骤2，构建字典矩阵D。2a)取500个M维高分辨距离像训练样本进行奇异值分解，并取奇异矩阵前50列为第一个子字典D1，用以对变体目标高分辨距离像的无变体部分进行稀疏表示；2b)令第二个子字典D2∈RM×M为M维单位矩阵，用以对变体部分进行稀疏表示，其中单位矩阵表示所有非对角元素均为0，所有对角元素均为1的矩阵；2c)将两个子字典D1，D2并排连接，得到字典矩阵D＝[D1,D2]。步骤3，定义稀疏表示x和噪声w的先验概率。3a)定义稀疏表示x的协方差矩阵为Σ：令Σ∈RN×N，其中Σ的非对角元素的值均为0，同时令Σ的第i个对角元素的值为σ1i，i＝1,2,...,50；Σ的第50+j个对角元素的值为σ2j，j＝1,2,...,M，则x的协方差矩阵Σ表示为：其中σ1i＝αi-1，αi为σ1i的超参数，σ2j＝βj-1+βj+1-1+βj-1-1，βj为σ2j的超参数；定义σ1i的超参数αi的先验概率p(αi)和σ2j的超参数βj的先验概率p(βj)分别为：p(αi)＝GA(αi|0.15,10-6)p(βj)＝GA(βj|9.5,10-6)其中，GA(·)表示伽马分布；3b)定义噪声w的协方差矩阵Λ：令Λ∈RM×M，其中Λ的非对角元素的值均为0，同时令Λ的对角元素的值均取λ，则w的协方差矩阵Λ表示为：其中λ＝γ-1，γ为λ的超参数，定义γ的先验概率p(γ)为：p(γ)＝GA(γ|10-6,10-6)其中，GA(·)表示伽马分布；3c)定义x的先验概率p(x)和w的先验概率p(w)：p(x)＝N(x|0,Σ)p(w)＝N(w|0,Λ)其中N(·)表示高维正态分布。步骤4，通过块稀疏贝叶斯学习，计算变体目标高分辨距离像y对应的稀疏表示x。4a)设x的协方差矩阵Σ的逆矩阵为B，B的对角线上的元素值为Σ的对角线元素值的倒数，非对角元素的值均为0；令x的协方差矩阵Σ的迭代初始值为Σ(0)＝IN，其中IN表示N维单位矩阵；设w的协方差矩阵Λ的迭代初始值为Λ(0)＝IM，其中IM表示M维单位矩阵；同时令迭代次数阈值为50，初始化迭代次数k＝1；4b)根据下列公式计算第k次迭代时x的后验协方差矩阵Φ(k)和后验均值向量μ(k)：Φ(k)＝(γ(k-1)DTD+B(k-1))-1μ(k)＝γ(k-1)Φ(k)DTy其中，(·)(k)表示第k次迭代得到的变量，(·)T表示矩阵的转置运算，γ为噪声w的协方差矩阵Λ的对角线元素λ的超参数；4c)根据下列公式更新稀疏表示x的协方差矩阵Σ的对角元素σ1i的超参数αi(k)，和Σ的对角元素σ2j的超参数βj(k)：其中，表示第k次迭代时x的后验均值μ(k)的第i个元素值，表示第k次迭代时x的后验协本文档来自技高网...

【技术保护点】
1.一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法，包括：1)建立变体目标的高分辨距离像数学模型，表示如下：y＝Dx+w其中，高分辨距离像y∈RM×1，M是高分辨距离像的维数，RM×1表示行数为M列数为1的实数矩阵集合，D∈RM×N是对变体高分辨距离像进行稀疏表示的字典矩阵，N是字典矩阵的列数，且有N＝M+50，x∈RN×1为y在字典D上的稀疏表示，w∈RM×1为噪声；2)构建字典矩阵D：2a)取500个M维高分辨距离像训练样本进行奇异值分解，并取奇异矩阵前50列为第一个子字典D1，用以对变体目标高分辨距离像的无变体部分进行稀疏表示；2b)令第二个子字典D2∈RM×M为M维单位矩阵，用以对变体部分进行稀疏表示，其中单位矩阵表示所有非对角元素均为0，所有对角元素均为1的矩阵；2c)将两个子字典D1，D2并排连接，得到字典矩阵D＝[D1,D2]；3)令稀疏表示x和噪声w各自服从零均值的高维正态分布，定义x的先验概率p(x)和w的先验概率p(w)：p(x)＝N(x|0,Σ)p(w)＝N(w|0,Λ)其中N(·)表示高维正态分布，Σ为x的协方差矩阵，Λ为w的协方差矩阵；4)根据步骤3)定义的先验概率，通过块稀疏贝叶斯学习，计算变体目标高分辨距离像y对应的稀疏表示x；5)利用步骤4)获得的稀疏表示x，去除变体目标高分辨距离像y中的变体成分，得到无变体成分的高分辨距离像...

【技术特征摘要】
1.一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法，包括：1)建立变体目标的高分辨距离像数学模型，表示如下：y＝Dx+w其中，高分辨距离像y∈RM×1，M是高分辨距离像的维数，RM×1表示行数为M列数为1的实数矩阵集合，D∈RM×N是对变体高分辨距离像进行稀疏表示的字典矩阵，N是字典矩阵的列数，且有N＝M+50，x∈RN×1为y在字典D上的稀疏表示，w∈RM×1为噪声；2)构建字典矩阵D：2a)取500个M维高分辨距离像训练样本进行奇异值分解，并取奇异矩阵前50列为第一个子字典D1，用以对变体目标高分辨距离像的无变体部分进行稀疏表示；2b)令第二个子字典D2∈RM×M为M维单位矩阵，用以对变体部分进行稀疏表示，其中单位矩阵表示所有非对角元素均为0，所有对角元素均为1的矩阵；2c)将两个子字典D1，D2并排连接，得到字典矩阵D＝[D1,D2]；3)令稀疏表示x和噪声w各自服从零均值的高维正态分布，定义x的先验概率p(x)和w的先验概率p(w)：p(x)＝N(x|0,Σ)p(w)＝N(w|0,Λ)其中N(·)表示高维正态分布，Σ为x的协方差矩阵，Λ为w的协方差矩阵；4)根据步骤3)定义的先验概率，通过块稀疏贝叶斯学习，计算变体目标高分辨距离像y对应的稀疏表示x；5)利用步骤4)获得的稀疏表示x，去除变体目标高分辨距离像y中的变体成分，得到无变体成分的高分辨距离像6)通过自适应高斯分类器计算与各类目标模板的似然值，并将似然值最大的目标类别作为变体目标高分辨距离像y的类别。2.根据权利要求1所述的方法，其中步骤3)中x的协方差矩阵Σ，定义如下：令Σ∈RN×N，其中Σ中非对角元素的值均为0，同时令Σ的第i个对角元素的值为σ1i，i＝1,2,...,50；Σ的第50+j个对角元素的值为σ2j，j＝1,2,...,M，则x的协方差矩阵Σ表示为：其中σ1i＝αi-1，αi为σ1i的超参数，σ2j＝βj-1+βj+1-1+βj-1-1，βj为σ2j的超参数；定义αi的先验概率p(αi)和βj的先验概率p(βj)分别为：p(αi)＝GA(αi|0.15,10-6)p(βj)＝GA(βj|9.5,10-6)其中，GA(·)表示伽马分布。3.根据权利要求1所述的方法，其中步骤3)中w的协方差矩阵Λ，定义如下：令Λ的非对角元素的值均为0，同时令Λ的对角元素的值均为λ，则有：其中λ＝γ-1，γ...

【专利技术属性】
技术研发人员：王鹏辉，刘宏伟，孟亦然，宋晓龙，纠博，王英华，
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