基于支持向量机的一维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支持向量机的一维距离像目标识别方法，其实现步骤是：1、获得目标一维距离像，2、确定目标一维距离像中的噪声区域，3、根据噪声区域和虚警率设置判别门限，4、根据判决门限从背景噪声中提取目标区域，5、利用主成分分析法PCA，对目标区域中的数据进行降维处理，得到特征矩阵，6、生成训练集，7、训练支持向量机分类器，8、对待识别目标一维距离像进行目标分类，本发明专利技术根据噪声区域设置判决门限提取出一维距离像种的目标区域，能够在复杂电磁环境中保证目标识别率。杂电磁环境中保证目标识别率。杂电磁环境中保证目标识别率。

【技术实现步骤摘要】
基于支持向量机的一维距离像目标识别方法


[0001]本专利技术属于通信
，更进一步涉及雷达目标识别
中的一种基于支持向量机的一维距离像目标识别方法，本专利技术可用于复杂电磁环境下的一维距离像目标的识别。

技术介绍

[0002]通过雷达回波数据对目标类别进行判别是远距离目标识别的有效途径之一。判断雷达待识别目标主要依据雷达目标截面积或一维距离像。高分辨率一维距离像是由宽带雷达获取的目标散射中心回波的向量和，它不仅提供了目标的几何形状和结构特点，还包含了目标识别所需的更多相关信息。因此，通过一维距离像快速准确的识别出目标非常重要。但是，目标高分辨一维距离像容易受到环境噪声影响，而且在复杂电磁环境中，存在各种背景噪声以及大量的干扰物，影响了雷达目标识别方法的工作性能。
[0003]中国人民解放军海军航空大学航空作战勤务学院在其申请的专利文献“一种基于多尺寸一维卷积的雷达一维距离像识别方法和装置”(申请号：202110908110.8，申请公布号：CN 113640764 A)中公开了一种基于多尺寸一维卷积的雷达一维距离像识别方法。该方法的实现步骤包括：1、计算机动目标的角度信息；2、获得机动目标的雷达一维距离像信息；3、获得角度数据集与雷达一维距离像数据集；4、获得雷达一维距离像的一维卷积预估尺寸；5、构建雷达一维距离像自动识别的多尺寸一维卷积神经网络模型；6、训练多尺寸一维卷积神经网络模型；7、将角度信息与雷达一维距离像信息输入训练后的多尺寸一维卷积神经网络模型，获得机动目标的雷达一维距离像识别结果。该方法虽然通过区分不同雷达视角下机动目标的一维距离像数据特征，有效提高识别率。但是，该方法仍然存在的不足之处是，该方法在工程实践中，需要根据一维距离像数据集预估尺寸，根据不同的尺寸构建不同的神经网络来作分类器，而且没有将一维距离像中的目标区域从背景噪声中提取出来，若在复杂电磁环境中，采用该种方法进行目标识别，针对不同尺寸的距离像，训练分类器会耗费大流量时间，目标识别率容易受到环境噪声影响。
[0004]电子科技大学在其申请的专利文献“基于伪标签学习的雷达一维距离像目标识别方法”(申请号：201711067556.2，申请公布号：CN 107870321 A)中公开了一种基于伪标签学习的雷达一维距离像目标识别方法。该方法的实现步骤包括：1、将单基地雷达获取的一维距离像信噪比SNR为22dB的数据作为训练数据，并对样本数据的标签做离散编码；2、利用CNN分别以两种目标标记方式进行训练得到预测模型，利用预测模型对待识别样本进行识别获得伪标签，对伪标签进行多级编码；3、将待识别数据和伪标签一同作为训练数据重新训练，获得新的预测模型，以此作为最终的目标识别模型。该方法虽然可以在低信噪比的情况下的目标识别率可以达到90％以上，但是，该方法仍然存在的不足之处是，该方法在工程实践中，对回波信号的信噪比要求高，在特征提取的过程通过缩放的方法降低特征维数。若在复杂电磁环境中采用该种方法进行目标识别，由于信噪比不能满足要求，需要通过缩放得到的特征矩阵导致丢失目标的结构信息，影响目标的识别率。
[0005]综上所述，对于一维距离像目标识别方法在现有雷达目标识别领域的应用，目前已有的方法在复杂电磁环境中容易受到背景噪声和干扰物的影响，且分类器设计复杂，训练时间长，不利复杂电磁环境中的目标识别。

技术实现思路

[0006]本专利技术的目的在于针对上述现有技术的不足，提出一种基于支持向量机的一维距离像目标识别方法，以解决现有技术存在的分类器设计复杂，训练时间长以及在复杂电磁环境中，背景噪声和干扰物影响目标识别系统工作性能的问题。
[0007]实现本专利技术目的的具体思路是：本专利技术通过对现有技术的一维距离像目标识别方法进行了改进，先对不少于两种目标的不同姿态角下的回波信号进行脉冲压缩处理得到一维距离像，根据一维距离像中的噪声区域设置参考门限，提取出目标区域，这样既可以减少噪声的影响提高抗干扰能力，也可以减少矩阵维数。由此解决了在复杂电磁环境中容易受到背景噪声和干扰物的影响的问题。本专利技术将目标区域进行降维处理，提取出目标区域的主要特征作为特征矩阵，并对每个特征矩阵标注标签，将标注好的特征矩阵作为训练集训练分类器。分类器使用的支持向量机，该种分类器结构简单，训练时间短。由此解决了分类器设计复杂，训练时间长，不利复杂电磁环境中的目标识别的问题。本专利技术最后通过训练好的分类器，对从待识别一维距离像中提取出的特征矩阵进行分类，实现了复杂电磁环境中的目标识别。
[0008]实现本专利技术目的的技术方案的步骤如下：
[0009]步骤1，获得目标一维距离像：
[0010](1a)对雷达接收的目标回波信号与该信号对应的发射信号分别做离散傅里叶变换DFT，得到目标回波信号与该信号对应的发射信号的频域信号序列；
[0011](1b)将两个频域信号序列共轭相乘后再作逆傅里叶变换，得到横轴为距离、纵轴为幅度的目标一维距离像；
[0012]步骤2，确定目标一维距离像中的噪声区域：
[0013](2b)将目标一维距离像中的距离轴均分为四等份，得到四段距离轴长度相等的目标一维距离像；
[0014](2b)计算每段距离轴的目标一维距离像幅度的熵，将熵值最大的一段对应的距离和幅度组成的一维距离像作为噪声区域；
[0015]步骤3，根据噪声区域和虚警率设置判别门限如下：
[0016][0017][0018]其中，σ2表示噪声区域幅度的方差，L
n
表示噪声区域距离轴的长度，Σ表示求和操作，l
n
表示噪声区域的距离单元的序号，x(l
n
)表示噪声区域在第l
n
个距离单元对应的幅度值，T表示判决门限，P
f
表示虚警率，Q(x)表示服从标准正态分布的随机变量大于x时的概
率，π表示圆周率，e
(
·
)
表示以自然常数e为底的指数操作，t表示标准正态分布的自变量值；
[0019]步骤4，根据判决门限从背景噪声中提取目标区域：
[0020]以噪声区域距离轴的左右两个端点为起始点，分别从两边检测每个距离单元对应的幅度值，当检测点越过目标一维距离像的距离轴端点时，进行循环检测，将左右两边第一个幅度大于检测门限时对应的距离单元作为目标区域距离轴取值范围的左右边界，将包括这两个距离单元和中间所有距离单元及其对应幅度组成目标区域；
[0021]步骤5，利用主成分分析法PCA，对目标区域中的数据进行降维处理，得到特征矩阵：
[0022]步骤6，生成训练集：
[0023]采用与步骤1至步骤5的相同操作，对雷达接收到的至少2个不同目标的回波信号进行处理，得到每种目标样本的特征矩阵，并给每种目标样本标注标签，将所有目标样本的特征矩阵及其对应的类别标签组成训练集；
[0024]步骤7，训练支持向量机分类器：
[0025]标记N个支持向量机，每个支持向量机的正样本为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的一维距离像目标识别方法，其特征在于，根据噪声区域和虚警率估计判别门限，根据判决门限从背景噪声中提取目标区域，该方法的步骤如下：步骤1，获得目标一维距离像：(1a)对雷达接收的目标回波信号与该信号对应的发射信号分别做离散傅里叶变换DFT，得到目标回波信号与该信号对应的发射信号的频域信号序列；(1b)将两个频域信号序列共轭相乘后再作逆傅里叶变换，得到横轴为距离、纵轴为幅度的目标一维距离像；步骤2，确定目标一维距离像中的噪声区域：(2a)将目标一维距离像中的距离轴均分为四等份，得到四段距离轴长度相等的目标一维距离像；(2b)计算每段距离轴的目标一维距离像幅度的熵，将熵值最大的一段对应的距离和幅度组成的一维距离像作为噪声区域；步骤3，根据噪声区域和虚警率设置判别门限如下：步骤3，根据噪声区域和虚警率设置判别门限如下：其中，σ2表示噪声区域幅度的方差，L
n
表示噪声区域距离轴的长度，Σ表示求和操作，l
n
表示噪声区域的距离单元的序号，x(l
n
)表示噪声区域在第l
n
个距离单元对应的幅度值，T表示判决门限，P
f
表示虚警率，Q(x)表示服从标准正态分布的随机变量大于x时的概率，π表示圆周率，e
(
·
)
表示以自然常数e为底的指数操作，t表示标准正态分布的自变量值；步骤4，根据判决门限从背景噪声中提取目标区域：以噪声区域距离轴的左右两个端点为起始点，分别从两边检测每个距离单元对应的幅度值，当检测点越过目标一维距离像的距离轴端点时，进行循环检测，将左右两边第一个幅度大于检测门限时对应的距离单元作为目标区域距离轴取值范围的左右边界，将包括这两个距离单元和中间所有距离单元及其对应幅度组成目标区域；步骤5，利用主成分分析法PCA，对目标区域中的数据进行降维处理，得到特征矩阵：步骤6，生成训练集：采用与步骤1至步骤5的相同操作，对雷达接收到的至少2个不同目标的回波信号进行处理，得到每种目标样本的特征矩阵，并给每种目标样本标注标签，将所有目标样本的特征矩阵及其对应的类别标签组成训练集；步骤7，训练支持向量机分类器：标记N个支持向量机，每个支持向量机的正样本为...

【专利技术属性】
技术研发人员：饶鲜，秦洋瑞，李明，董阳阳，董春曦，毛昱，蒋志衡，李小鹏，赵成义，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：