基于重频相关性特征提取的重频参数变化稳健分类方法技术

本发明专利技术涉及一种基于重频相关性特征提取的重频参数变化稳健分类方法，包括：步骤1：获取测试数据集；步骤2：根据测试数据集，生成测试特征矩阵；步骤3：将测试特征矩阵输入至训练完成的SVM分类器中，得到目标分类结果；其中，测试特征矩阵通过测试数据集中每个测试样本的时域回波信号峰值函数和多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征构建得到。本发明专利技术的方法克服了现有技术中在对不同重频的回波信号进行分类时，由于重频变化导致的模型失配和目标分类准确率较低稳健性较差的问题。问题。问题。

【技术实现步骤摘要】
基于重频相关性特征提取的重频参数变化稳健分类方法


[0001]本专利技术属于雷达
，具体涉及一种基于重频相关性特征提取的重频参数变化稳健分类方法。

技术介绍

[0002]雷达目标识别是指利用目标的雷达回波信号实现对目标类型的判定。现有文献中所提出的分类方法大多都假设训练阶段和测试阶段的重频不变，而在雷达实际工作过程中，为了解决盲速、距离模糊、速度模糊等问题，重频往往需要改变，此时利用一个重频下的训练样本训练出的模型将不再适用新重频下的测试样本，会出现模型失配而导致目标分类准确率下降的问题。
[0003]针对此问题，现有文献中所提出分类方法主要是在训练阶段将不同重频下的训练样本分别训练不同的模板，在测试阶段匹配与当前测试样本相同重频的模板进行测试。例如，根据不同目标的多普勒差异性，通过在包含目标和杂波的每帧数据中提取出目标所在距离单元内的一维多普勒像，构成数据集，利用该数据集训练得到一维卷积神经网络模型，通过该一维卷积神经网络模型，实现雷达目标多普勒像分类识别。或者是基于重采样预处理的雷达重频变化稳健目标识别方法，用于解决训练和测试阶段的脉冲重复频率不匹配情况下的雷达目标识别问题。
[0004]但是，第一种方法假设训练阶段和测试阶段的重频不变，而在雷达实际工作过程中，为了解决盲速、距离模糊、速度模糊等问题，重频往往需要改变，此时利用一个重频下的训练样本训练出的模型将不再适用新重频下的测试样本，会出现模型失配而导致目标分类准确率下降的问题。第二种方法虽然通过重采样预处理，使得所有待分类回波信号的脉冲重复频率与训练集中回波信号的脉冲重复频率保持一致，能够在脉冲重复频率变化场景下实现对目标的稳健识别。但是，其仅在测试阶段对测试样本进行重采样，训练阶段训练样本的重频固定，仅当测试样本的重频较高时存在一定作用，而当测试样本的重频较低时，仍无法突破Nyquist采样定理的限制，频谱混叠现象较严重，这将导致回波信号的多普勒谱产生畸变，目标分类的准确率较低，稳健性较差，无法达到预期的效果。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种基于重频相关性特征提取的重频参数变化稳健分类方法。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种基于重频相关性特征提取的重频参数变化稳健分类方法，包括：
[0007]步骤1：获取测试数据集；
[0008]步骤2：根据所述测试数据集，生成测试特征矩阵；
[0009]步骤3：将所述测试特征矩阵输入至训练完成的SVM分类器中，得到目标分类结果；
[0010]其中，所述测试特征矩阵通过所述测试数据集中每个测试样本的时域回波信号峰
值函数和多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征构建得到。
[0011]在本专利技术的一个实施例中，在对所述测试数据集进行目标分类之前，还包括，对SVM分类器进行训练，得到训练完成的SVM分类器，所述SVM分类器的训练方法包括：
[0012]S1：生成训练数据集；所述训练数据集包括多个训练样本，每个所述训练样本标记有对应的类别标签；
[0013]S2：根据所述训练数据集，生成训练特征矩阵；
[0014]S3：利用所述训练特征矩阵以及对应的类别标签对SVM分类器进行训练，得到训练完成的SVM分类器。
[0015]在本专利技术的一个实施例中，所述S1包括：
[0016]S11：获取包含X个类别的雷达回波信号，每个类别中包含Y个重频，每个重频中包含Z个雷达回波信号，其中，X≥3，Y≥5，Z≥1200；
[0017]S12：对每个雷达回波信号进行杂波抑制和主体分量去除处理；
[0018]S13：对去除主体分量后的每个雷达回波信号的幅度进行模二范数归一化处理；
[0019]S14：将每个归一化处理后的雷达回波信号作为一个训练样本；
[0020]S15：对每个所述训练样本添加对应的类别标签，得到所述训练数据集。
[0021]在本专利技术的一个实施例中，所述S2包括：
[0022]S21：计算每个训练样本的时域回波信号的峰值函数；
[0023]S22：提取每个训练样本的时域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征；
[0024]S23：对每个训练样本的时域回波信号进行快速傅里叶变换，得到对应的多普勒域回波信号；
[0025]S24：计算每个训练样本的多普勒域回波信号的峰值函数；
[0026]S25：提取每个训练样本的多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征；
[0027]S26：根据所述训练数据集中每个训练样本的时域回波信号峰值函数和多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征，构造得到初始训练特征矩阵F
train
，并对所述初始训练特征矩阵F
train
进行归一化处理，得到所述训练特征矩阵
[0028]在本专利技术的一个实施例中，所述S21包括：
[0029]S211：对每个时域回波信号取模，并进行归一化处理，得到对应的时域回波信号的取模归一化信号：
[0030][0031]其中，x(k)表示时域回波信号的取模归一化信号，u(k)表示时域回波信号，k＝1,
2,...,P，P表示回波信号的点数；
[0032]S212：根据所述时域回波信号的取模归一化信号，计算得到对应的循环自相关函数和循环平均幅度差函数：
[0033][0034][0035]其中，φ(l)表示循环自相关函数，表示循环平均幅度差函数，l＝1,2,...,fix(P/2)为平移变量，fix(
·
)为朝零取整，mod(
·
)为取余，|
·
|为取绝对值；
[0036]S213：根据所述循环自相关函数和所述循环平均幅度差函数，计算得到对应的时域回波信号的联合函数：
[0037][0038]其中，f(l)表示时域回波信号的联合函数；
[0039]S214：根据所述时域回波信号的联合函数，构造得到每个训练样本对应的时域回波信号的峰值函数：
[0040][0041]其中，p(l)表示时域回波信号的峰值函数。
[0042]在本专利技术的一个实施例中，所述S22包括：
[0043]S221：按照下式计算得到每个训练样本的时域回波信号峰值函数的方差特征f
train1
：
[0044][0045]其中，l＝1,2,...,L为平移变量，L＝fix(P/2)为峰值函数的点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，包括：步骤1：获取测试数据集；步骤2：根据所述测试数据集，生成测试特征矩阵；步骤3：将所述测试特征矩阵输入至训练完成的SVM分类器中，得到目标分类结果；其中，所述测试特征矩阵通过所述测试数据集中每个测试样本的时域回波信号峰值函数和多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征构建得到。2.根据权利要求1所述的基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，在对所述测试数据集进行目标分类之前，还包括，对SVM分类器进行训练，得到训练完成的SVM分类器，所述SVM分类器的训练方法包括：S1：生成训练数据集；所述训练数据集包括多个训练样本，每个所述训练样本标记有对应的类别标签；S2：根据所述训练数据集，生成训练特征矩阵；S3：利用所述训练特征矩阵以及对应的类别标签对SVM分类器进行训练，得到训练完成的SVM分类器。3.根据权利要求2所述的基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，所述S1包括：S11：获取包含X个类别的雷达回波信号，每个类别中包含Y个重频，每个重频中包含Z个雷达回波信号，其中，X≥3，Y≥5，Z≥1200；S12：对每个雷达回波信号进行杂波抑制和主体分量去除处理；S13：对去除主体分量后的每个雷达回波信号的幅度进行模二范数归一化处理；S14：将每个归一化处理后的雷达回波信号作为一个训练样本；S15：对每个所述训练样本添加对应的类别标签，得到所述训练数据集。4.根据权利要求2所述的基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，所述S2包括：S21：计算每个训练样本的时域回波信号的峰值函数；S22：提取每个训练样本的时域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征；S23：对每个训练样本的时域回波信号进行快速傅里叶变换，得到对应的多普勒域回波信号；S24：计算每个训练样本的多普勒域回波信号的峰值函数；S25：提取每个训练样本的多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征；S26：根据所述训练数据集中每个训练样本的时域回波信号峰值函数和多普勒域回波信号峰值函数的方差特征、熵特征、过门限峰值个数占峰值函数点数的占比特征、以及第一个过门限峰值的位置占峰值函数点数的占比特征，构造得到初始训练特征矩阵F
train
，并对
所述初始训练特征矩阵F
train
进行归一化处理，得到所述训练特征矩阵5.根据权利要求4所述的基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，所述S21包括：S211：对每个时域回波信号取模，并进行归一化处理，得到对应的时域回波信号的取模归一化信号：其中，x(k)表示时域回波信号的取模归一化信号，u(k)表示时域回波信号，k＝1,2,...,P，P表示回波信号的点数；S212：根据所述时域回波信号的取模归一化信号，计算得到对应的循环自相关函数和循环平均幅度差函数：循环平均幅度差函数：其中，φ(l)表示循环自相关函数，表示循环平均幅度差函数，l＝1,2,...,fix(P/2)为平移变量，fix(
·
)为朝零取整，mod(
·
)为取余，|
·
|为取绝对值；S213：根据所述循环自相关函数和所述循环平均幅度差函数，计算得到对应的时域回波信号的联合函数：其中，f(l)表示时域回波信号的联合函数；S214：根据所述时域回波信号的联合函数，构造得到每个训练样本对应的时域回波信号的峰值函数：其中，p(l)表示时域回波信号的峰值函数。6.根据权利要求4所述的基于重频相关性特征提取的重频参数变化稳健分类方法，其特征在于，所述S22包括：S221：按照下式计算得到每个训练样本的时域回波信号峰值函数的方差特征f
train1
：其中，l＝1,2,...,L为平移变量，L＝fix(P/2)为峰值函数的点数，P表示回波信号的点数，p(l)表示时域回波信号的峰值函数；S222：按照下式计算得到每个训练样本的时域回波信号峰值函数的熵特征f
trian2
：
S223：按照下式计算得到每个训练样本的时域回波信号峰值函数的过门限峰值个数占峰值函数点数的占比特征f
trian3
：f
train3
＝length{p(l)≥η1×
max(p(l))}/L；其中，max(p(l))为求时域回波信号峰值函数p(l)第一大峰的峰值，η1为设定的第一门限参数，η1×
max(p(l))为门限，函数length{
·
}的功能是求l＝1,2,...,L中满足p(l)≥η1×
max(p(l))条件的点数个数，L为峰值函数的点数；S224：按照下式计算得到每个训练样本的时域回波信号峰值函数的第一个过门限峰值的位置占峰值函数点数的占比特征f
trian4
：f
train4
＝find_first{p(l)＞η2×
max(p(l))}/L；其中，max(p(l))为求时域回波信号峰值函数p(l)第一大峰的峰值，η2为设定的第二门限参数，η2×
max(p(l))为门限，函数find_first{
·
}的功能是求l＝1,2,...,L中第一个满...

【专利技术属性】
技术研发人员：王鹏辉，丁军，李昊明，刘宏伟，陈渤，纠博，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：