一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法技术

本发明专利技术公开了涉及一种先验知识辅助多分类器融合的极窄脉冲雷达目标识别方法，属于雷达目标识别技术领域。本方法将目标的先验概念信息，引入树形层次结构的自动化构建过程，弥补了基于数据自动化构建方法在知识上的不足，构建的树形结构中各分类节点的任务区分难度大大降低。因此，面对类别种类繁多、数据量不足的识别场景，本发明专利技术方法依然有较好的精细化目标识别性能。标识别性能。标识别性能。

【技术实现步骤摘要】
一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法


[0001]本专利技术公开了涉及一种先验知识辅助多分类器融合的极窄脉冲雷达目标识别方法，属于雷达目标识别


技术介绍

[0002]雷达自动目标识别是一种通过对目标散射回波进行特征提取及分类识别等操作来确定目标种类的技术。极窄脉冲回波反映了目标空间散射结构在雷达视线方向的投影，可作为雷达目标识别的信息源。极窄脉冲雷达，是指经过处理后单个回波脉冲宽度远小于目标尺寸的一类雷达。对于极窄脉冲雷达，目标的回波中包含多个极窄脉冲，分别对应于目标上不同的散射点。因此，目标极窄脉冲回波能够表示目标散射点沿雷达视线方向的分布情况，通常也称为目标的高分辨距离像(HRRP)。
[0003]研究人员常在极窄脉冲回波识别中拓展目标信息的探测维度，如极化信息、频率信息等，构成一个多维度、多数量、多含义的特征集合。然而，面对庞杂的多维度特征，传统方法通常简单降维后直接放到单分类器中进行分类，识别性能受到限制。后续，有学者提出多分类器融合的识别方法改善多维度特征的分类性能，典型的分类器融合方法分为串联、并联、层次化三种。其中，层次化融合方法将一个复杂的多目标识别任务以树形层次结构拆解，各基分类器分别处理拆解后的简单任务，且各基分类器可根据识别任务需求对原始庞杂的特征进行个性化优选与利用，达到更好的目标识别性能。
[0004]层次化的多分类器融合方法又被称为层次化分类器。图1为树形层次化结构示意图，其中灰色节点表示叶子节点，存储最终输出目标类别；白色节点分为“根节点”和中间节点，每个白色节点上存储了该节点的类别，与一个用以区分该节点的子节点类别的基分类器。如何构建树形层次结构组织多个基分类器是层次化分类器设计的核心问题，直接影响了层次化分类器的识别性能。
[0005]目前，在雷达目标识别领域，现有的树形层次构建方法包括基于先验概念的人工构建和基于数据的自动化构建。基于先验概念人工构建方法是指基于领域专家认知的目标类别概念信息构建，其先验概念通常与识别任务需求相关。然而由于目标识别是基于特征空间进行的，该方法忽略了各类别之间的特征分布，因此识别性能受到限制。基于数据的自动化构建方法是通过计算不同类别数据在特征空间的相似度，然后利用聚类的方式递归的获取树形层次结构，尽可能的将数据相似度高的类别组织到同一节点基分类器完成分类，在现有的目标数据充足且完备时有较好的识别效果。然而，实际识别场景中，地面环境十分复杂，目标类别繁杂多样，难以对于各个目标类别获取充足完备的数据。基于数据的自动化构建方法存在不可控因素多、性能稳定性不足、对数据适应能力差等问题。

技术实现思路

[0006]针对上述现有技术的不足，本专利技术提出一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，首先，将识别任务需求决定的目标类别概念信息，作为先验知识表示为各
类别之间的概念相似度；其次，利用上述知识辅助树形层次结构的自动化构建过程，弥补基于数据自动化构建方法在知识上的不足，构建的树形结构中各分类节点的任务区分难度大大降低。因此，面对类别种类繁多、数据量不足的识别场景，本专利技术方法依然有较好的精细化目标识别性能。
[0007]本专利技术的技术解决方案是：
[0008]一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，通过联结先验概念知识与数据相似度构建一个用以组织多分类器的树形层次结构，提升层次化多分类器融合方法的识别性能；具体步骤包括：
[0009]步骤1，基于目标极窄脉冲回波数据提取目标的多维度特征数据集，并将提取的多维度特征数据集划分为训练集和测试集；
[0010]步骤2，将目标类别概念信息作为先验知识建立目标类别之间的概念相似度矩阵；
[0011]步骤3，基于类别相似度矩阵，通过谱聚类算法自适应的构建树形层次结构H，所述类别相似度矩阵是由步骤2中建立的目标类别之间的概念相似度矩阵与数据相似度矩阵融合得到的；
[0012]步骤4，针对步骤3构建的树形层次结构H的各分类节点的分类任务，基于步骤1中划分的训练集独立地选择不同的特征子集，构成特征集合M，所述分类节点是指树形层次结构中除了叶子节点的各个节点，分类节点的分类任务是用以区分与分类节点相连的各个子节点类别；
[0013]步骤5，将多个基分类器以树形层次结构H组织成多分类器系统，并将步骤4中提取过的特征子集输入到各基分类器中，并在各基分类器中进行训练与参数优化；
[0014]步骤6，将步骤1划分的测试集输入到步骤5中组织成的多分类器系统中进行目标识别，完成知识辅助多分类器融合的极窄脉冲雷达目标识别。
[0015]所述的步骤1中，手动提取目标的多维度特征，多维度特征包括极化特征、高分辨特征、尺度特征和频率特征；
[0016]所述的步骤2中，建立目标类别之间的概念相似度矩阵的方法为：
[0017]第一步，根据识别任务需求确定目标类别概念知识，将实际复杂场景中的雷达目标识别任务分解为三个层次，以复杂地面环境车辆目标识别为例：第一层次：目标鉴别，主要实现目标属性的判别，将车辆目标与各类地面干扰物进行区分；第二层次：目标分类，主要实现目标种类的判定，例如运输车、工程车等；第三层次：目标辨识，主要实现目标具体型号的确定；
[0018]第二步，将第一步确定类别概念知识表示为概念相似度矩阵，依据节点在树形结构中的距离远近来判定不同类别的概念相似关系，两节点在树形结构中的距离越近，即从根节点出发，到达两节点路径的公共节点越多，说明两节点存储类别的概念相似度越大；两节点在树形结构中的距离越远，即从根节点出发，到达两节点路径的公共节点越少，概念相似度越小，任意两种类别之间的概念相似度在(0,1]之间，根据上述思路，对于类别A1和类别B1，将两者之间的概念相似度计算公式表示如下：
[0019][0020]其中，path(A1)表示从根节点到包含有类别A1的节点的路径，pat(B1)表示从根节
点到包含有类别B1的节点的路径，path(A1∩B1)表示两条路径的公共节点，length(
·
)表示路径的节点个数；
[0021]假设目标包含C个类别，则可获得一个对称的维数为C
×
C的概念相似度矩阵K
c
；
[0022]所述的步骤3中，目标的概念相似度矩阵与数据相似度矩阵的融合方法为：
[0023]第一步，计算各目标类别之间的数据相似度矩阵；
[0024]首先，基于树形结构中每个类别的特征样本集，针对每个类别提取有效特征表示，其中，叶子节点的特征样本集即为待测目标的训练集，而分类节点的特征样本集为与该分类节点相连子节点特征样本集的并集，采用主动采样算法设计典型性指标和多样性指标评估特征样本集中的所有特征样本，搜索最具代表性的样本作为该类别的特征表示，假设类别A1的特征样本集X包含M条样本，表示为X＝{x
i
，i＝1,
…
,M}，x
i
表示X中一条样本的特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于步骤包括：步骤1，基于目标极窄脉冲回波数据提取目标的多维度特征数据集，并将提取的多维度特征数据集划分为训练集和测试集；步骤2，建立目标类别之间的概念相似度矩阵；步骤3，根据类别相似度矩阵构建树形层次结构H；步骤4，根据步骤1中划分的训练集选择步骤3构建的树形层次结构H的各分类节点的分类任务的特征子集，并将选择的所有特征子集构成特征集合M；步骤5，将多个基分类器按照树形层次结构H组织成多分类器系统，并将步骤4中提取的特征子集输入到各基分类器中，并在各基分类器中对特征子集进行训练与参数优化，得到训练与参数优化后的多分类器系统；步骤6，将步骤1划分的测试集输入到步骤5中训练与参数优化后的多分类器系统中进行目标识别，完成知识辅助多分类器融合的极窄脉冲雷达目标识别。2.根据权利要求1所述的一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于：所述的步骤1中，手动提取目标的多维度特征，多维度特征包括极化特征、高分辨特征、尺度特征和频率特征。3.根据权利要求1或2所述的一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于：所述的步骤2中，将目标类别概念信息作为先验知识建立目标类别之间的概念相似度矩阵。4.根据权利要求3所述的一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于：所述的步骤2中，建立目标类别之间的概念相似度矩阵的方法为：第一步，根据识别任务需求确定目标类别概念知识，将场景中的雷达目标识别任务分解为三个层次；第二步，将第一步确定类别概念知识表示为概念相似度矩阵，依据节点在树形结构中的距离远近来判定不同类别的概念相似关系，两节点在树形结构中的距离越近，即从根节点出发，到达两节点路径的公共节点越多，说明两节点存储类别的概念相似度越大；两节点在树形结构中的距离越远，即从根节点出发，到达两节点路径的公共节点越少，概念相似度越小，任意两种类别之间的概念相似度在(0,1]之间，对于类别A1和类别B1，将两者之间的概念相似度计算公式表示如下：其中，path(A1)表示从根节点到包含有类别A1的节点的路径，pat(B1)表示从根节点到包含有类别B1的节点的路径，path(A1∩B1)表示两条路径的公共节点，length(
·
)表示路径的节点个数；获得一个对称的维数为C
×
C的概念相似度矩阵K
c
，C为目标类别数。5.根据权利要求4所述的一种知识辅助多分类器融合的极窄脉冲雷达目标识别方法，其特征在于：
所述的步骤3中，类别相似度矩阵是由步骤2中建立的目标类别之间的概念相似度矩阵与数据相似度矩阵融合得到的，根据类别相似度矩阵构建树形层次结构H的方法为：第一步，计算各目标类别之间的数据相似度矩阵；首先，基于树形结构中每个类别的特征样本集，针对每个类别提取有效特征表示，其中，叶子节点的特征样本集即为待测目标的训练集，而分类节点的特征样本集为与该分类节点相连子节点特征样本集的并集，采用主动采样算法设计典型性指标和多样性指标评估特征样本集中的所有特征样本，搜索最具代表性的样本作为该类别的特征表示，假设类别A1的特征样本集X包含M条样本，表示为X＝{x
i
，i＝1,
…
,M}，x
i
表示X中一条样本的特征向量，x
i
的典型性指标R(x
i
)与多样性指标D(x
i
)的定义如下式所示：)的定义如下式所示：其中，N
i
为x
i
邻近样本集，δ
R
为高斯核带宽，依据典型性指标与多样性指标对X中的所有样本进行评估，输出满足以下条件的样本：arg max(R(x
i
)+D(x
i
))将该样本的特征向量作为类别A1的特征表示v(A1)；随后，计算各类别样本数据的相似关系，依据不同类别在特征空间的距离来判定不同类别的数据相似关系，两类别在特征空间的距离用两类别的特征表示向量之间的欧式距离来表示，若两类别的特征表示向量之间的欧式距离越小，则两类别之间的数据相似度越大；反之，若两类别的特征表示向量之间的欧式距离越小，则两类别之间的数据相似度越大，对于类别A1和类别B1，将两者之间的数据相似度计算公式表示如下：其中，d(
·
)表示欧式距离，v(A1)为类别A1的数据知识表示向量，v(B1)为类别N1的数据知识表示向量；获得一个对称的维数为C
×
C的数据相似度矩阵K
d
；第二步，计算各类别之间的类别相似度矩阵；首先对K
c
和K
d
进行归一化处理得到...

【专利技术属性】
技术研发人员：王彦华，刘艺辰，张亮，李阳，胡雪瑶，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：