短驻留条件下基于多域特征融合的雷达目标稳健识别方法技术

本发明专利技术涉及一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法，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，测试数据集包括多个雷达回波信号，将每X个雷达回波信号组成一个测试样本，X≥3；利用测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征，构造得到测试特征矩阵。本发明专利技术的方法克服了雷达在对目标进行观测时驻留时间比较短，目标的微多普勒调制谱分辨率会降低，而导致的目标分类准确率降低的问题。而导致的目标分类准确率降低的问题。而导致的目标分类准确率降低的问题。

【技术实现步骤摘要】
短驻留条件下基于多域特征融合的雷达目标稳健识别方法


[0001]本专利技术属于雷达
，具体涉及一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法。

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。在实际工作过程中，由于资源受限，雷达在对目标进行观测时驻留时间会比较短，甚至会小于目标的旋转部件时域回波周期，目标的微多普勒调制谱分辨率会降低，此时若采用传统分类方法会导致目标分类的准确率降低。
[0003]针对此问题，现有文献中所提出的雷达多次短驻留观测融合分类方法主要是对雷达单次短驻留观测样本的分类结果进行投票融合，投票法是一种简单的融合方法，基本原则是“少数服从多数”，但是由于目标的微多普勒调制谱分辨率降低，雷达单次短驻留观测样本的分类结果并不稳健，且当出现相同票数时，投票结果无法确定，所以在对雷达单次短驻留观测样本的分类结果进行投票融合时结果也并不稳健。
[0004]对于该问题，科研人员提出了新的稳健目标识别方法，其主要解决现有技术在雷达载频发生变化时，飞机目标分类性能下降的问题，以及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。但是，在实际工作过程中，由于资源受限，雷达在对目标进行观测时驻留时间会比较短，甚至会小于目标的旋转部件时域回波周期，目标的微多普勒调制谱分辨率会降低，而上述分类方法并没有对此问题进行相关研究实验，采用该方法依然会存在目标分类准确率降低的问题。

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短驻留条件下基于多域特征融合的雷达目标稳健识别方法。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短驻留条件下基于多域特征融合的雷达目标稳健识别方法，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，所述测试数据集包括多个雷达回波信号，将每X个雷达回波信号组成一个测试样本，X≥3；利用所述测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征，构造得到所述测试特征矩阵。
[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Y个类别的雷达回波信号，每个类别中包含Z个雷达回波信号，其中，Y≥3，Z≥6000；
[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：在每个类别中，将每X个归一化处理后的雷达回波信号组合为一个二维矩阵，作为一个训练样本，X≥3；
[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：计算每个训练样本中每个时域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的时域熵矩阵和时域方差矩阵；
[0023]S22：提取每个时域熵矩阵的L维均值特征和方差特征，以及每个时域方差矩阵的L维均值特征和方差特征，其中，L＝fix(X/2)，表示矩阵的列数；
[0024]S23：对每个训练样本中的每个时域回波信号，进行快速傅里叶变换，得到对应的多普勒域回波信号；
[0025]S24：计算每个训练样本中每个多普勒域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的多普勒域熵矩阵和多普勒域方差矩阵；
[0026]S25：提取每个多普勒域熵矩阵的L维均值特征和方差特征，以及每个多普勒域方差矩阵的L维均值特征和方差特征，其中，L＝fix(X/2)，表示矩阵的列数；
[0027]S26：根据所述训练数据集中每个训练样本的时域熵矩阵的L维均值特征和方差特征，时域方差矩阵的L维均值特征和方差特征，多普勒域熵矩阵的L维均值特征和方差特征，以及多普勒域方差矩阵的L维均值特征和方差特征，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：按照下式计算得到每个训练样本中每个时域回波信号的波形熵和幅值方差：
[0030][0031][0032]其中，k＝1,2,...,P，P表示时域回波信号的点数，s
i
(k)表示一个训练样本中第i个时域回波信号，i＝1,2,...,X，X表示一个训练样本中包含的回波信号个数，a
i
表示时域回波信号s
i
(k)的波形熵，c
i
表示时域回波信号s
i
(k)的幅值方差；
[0033]S212：根据每个训练样本中每个时域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的时域熵向量A和时域方差向量C：
[0034]A＝[a1,a2,...,a
i
,...,a
X
]；
[0035]C＝[c1,c2,...,c
i
,...,c
X
]；
[0036]S213：根据每个训练样本对应的时域熵向量A和时域方差向量C，构造得到每个训练样本的时域熵矩阵S
A
和时域方差矩阵S
C
：
[0037][0038][0039]其中，L＝fix(X/2)，表示矩阵的列数，fix(
·
)表示朝零取整。
[0040]在本专利技术的一个实施例中，所述S24包括：
[0041]S241：按照下式计算得到每个训练样本中每个多普勒域回波信号的波形熵和幅值方差：
[0042][0043][0044]其中，k＝1,2,...,P，P表示多普勒域回波信号的点数，S
i
(k)表示一个训练样本中第i个多普勒域回波信号，i＝1,2,...,X，X表示一个训练样本中包含的回波信号个数，
bi
表示多普勒域回波信号S
i
(k)的波形熵，
di...

【技术保护点】

【技术特征摘要】
1.一种短驻留条件下基于多域特征融合的雷达目标稳健识别方法，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，所述测试数据集包括多个雷达回波信号，将每X个雷达回波信号组成一个测试样本，X≥3；利用所述测试数据集中每个测试样本的时域熵矩阵、时域方差矩阵、多普勒域熵矩阵和多普勒域方差矩阵的均值特征和方差特征，构造得到所述测试特征矩阵。2.根据权利要求1所述的短驻留条件下基于多域特征融合的雷达目标稳健识别方法，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所述的短驻留条件下基于多域特征融合的雷达目标稳健识别方法，其特征在于，所述S1包括：S11：获取包含Y个类别的雷达回波信号，每个类别中包含Z个雷达回波信号，其中，Y≥3，Z≥6000；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：在每个类别中，将每X个归一化处理后的雷达回波信号组合为一个二维矩阵，作为一个训练样本，X≥3；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所述的短驻留条件下基于多域特征融合的雷达目标稳健识别方法，其特征在于，所述S2包括：S21：计算每个训练样本中每个时域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的时域熵矩阵和时域方差矩阵；S22：提取每个时域熵矩阵的L维均值特征和方差特征，以及每个时域方差矩阵的L维均值特征和方差特征，其中，L＝fix(X/2)，表示矩阵的列数；S23：对每个训练样本中的每个时域回波信号，进行快速傅里叶变换，得到对应的多普勒域回波信号；S24：计算每个训练样本中每个多普勒域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的多普勒域熵矩阵和多普勒域方差矩阵；S25：提取每个多普勒域熵矩阵的L维均值特征和方差特征，以及每个多普勒域方差矩阵的L维均值特征和方差特征，其中，L＝fix(X/2)，表示矩阵的列数；S26：根据所述训练数据集中每个训练样本的时域熵矩阵的L维均值特征和方差特征，时域方差矩阵的L维均值特征和方差特征，多普勒域熵矩阵的L维均值特征和方差特征，以及多普勒域方差矩阵的L维均值特征和方差特征，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所述的短驻留条件下基于多域特征融合的雷达目标稳健识别方法，其特征在于，所述S21包括：S211：按照下式计算得到每个训练样本中每个时域回波信号的波形熵和幅值方差：S211：按照下式计算得到每个训练样本中每个时域回波信号的波形熵和幅值方差：其中，k＝1,2,...,P，P表示时域回波信号的点数，s
i
(k)表示一个训练样本中第i个时域回波信号，i＝1,2,...,X，X表示一个训练样本中包含的回波信号个数，a
i
表示时域回波信号s
i
(k)的波形熵，c
i
表示时域回波信号s
i
(k)的幅值方差；S212：根据每个训练样本中每个时域回波信号的波形熵和幅值方差，构造得到每个训练样本对应的时域熵向量A和时域方差向量C：A＝[a1,a2,...,a
i
,...,a
X
]；C＝[c1,c2,...,c
i
,...,c
X
]；S213：根据每个训练样本对应的时域熵向量A和时域方差向量C，构造得到每个训练样本的时域熵矩阵S
A
和时域方差矩阵S
C
：：其中，L＝fix(X/2)，表示矩阵的列数，fix(
·
)表示朝零取整。6.根据权利要求4所述的短驻留条件下基于多域特征融合的雷达目标稳健识别方法，其特征在于，所述S24包括：S241：按照下式计算得到每个训练样本中每个多普勒域回波信号的波形熵和幅值方差：
其中，k＝1,2,...,P，P表示多普勒域回波信号的点数，S
i
(k)表示一个训练样本中第i个多普勒域回波信号，i＝1,2,...,X，X表示一个训练样本中包含的回波信号个数，b
i
表示多普勒域回波信号S
i
(k)的波形熵，d
i
表示多普勒域回波信号S
i...

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