CN102254176B - 基于状态空间模型的雷达高分辨距离像目标识别方法 - Google Patents

基于状态空间模型的雷达高分辨距离像目标识别方法 Download PDF

Info

Publication number
CN102254176B
CN102254176B CN2011100891356A CN201110089135A CN102254176B CN 102254176 B CN102254176 B CN 102254176B CN 2011100891356 A CN2011100891356 A CN 2011100891356A CN 201110089135 A CN201110089135 A CN 201110089135A CN 102254176 B CN102254176 B CN 102254176B
Authority
CN
China
Prior art keywords
state
training sample
recognition feature
recognition
spectrum amplitude
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN2011100891356A
Other languages
English (en)
Other versions
CN102254176A (zh
Inventor
刘宏伟
王鹏辉
杜兰
戴奉周
纠博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Cetc Xidian University Radar Technology Collaborative Innovation Research Institute Co Ltd
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN2011100891356A priority Critical patent/CN102254176B/zh
Publication of CN102254176A publication Critical patent/CN102254176A/zh
Application granted granted Critical
Publication of CN102254176B publication Critical patent/CN102254176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提出了一种基于状态空间模型的雷达高分辨距离像目标识别方法,主要解决现有雷达高分辨距离像目标识别技术中,训练样本需求量大,识别性能差的问题。其实现过程是:提取训练样本归一化后的频谱幅度信号作为训练样本的识别特征;对训练样本的识别特征用状态空间模型建模;用期望最大化方法估计训练样本状态空间模型的所有参数,并将所有参数存入识别系统模板库;提取测试样本归一化后的频谱幅度信号作为测试样本的识别特征,并对测试样本的识别特征进行识别。本发明具有训练样本需求量小,识别性能高的优点,可用于对雷达目标的识别。

Description

基于状态空间模型的雷达高分辨距离像目标识别方法
技术领域
本发明属于雷达技术领域,涉及目标识别方法,可用于对飞机,车辆等目标进行识别。
背景技术
雷达目标识别就是利用目标的雷达回波信号,实现对目标类型的判定。宽带雷达通常工作在光学区,此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况,包含了目标重要的结构特征,被广泛应用于雷达目标识别领域。
传统的目标识别方法只研究了不同高分辨距离像之间的关系,而忽略了单个高分辨距离像内各距离单元之间存在的联系,因而降低了识别系统的性能。同时,由于高分辨距离像具有很高的维度,在利用传统的目标识别方法训练识别系统时需要提供大量的高分辨距离像训练样本以保证识别系统参数的学习精度。众所周知,录取大量的高分辨距离像代价巨大,尤其是对于非合作目标,实际中更是难以获取大量的高分辨距离像样本,因而识别系统参数的学习精度不高。
发明内容
本发明的目的在于克服上述已有方法的不足,提出一种基于状态空间模型的雷高分辨距离像目标识别方法,以利用高分辨距离像内各距离单元之间的关系来提高识别系统的性能,同时放松识别系统对高分辨距离像训练样本数量的需求,提高识别系统参数的学习精度。
为实现上述发明目的,本发明的实现步骤如下:
1)对高分辨距离像训练样本进行傅里叶变换,将其转换到频域,并对训练样本的频域信号取模值,得到训练样本的频谱幅度信号y=[y1,y2,...,yd],其中,yf是训练样本的频谱幅度信号y的第f个元素,f=1,2,...,d,d表示训练样本的频谱幅度信号y的维度,然后对训练样本的频谱幅度信号y进行归一化,将训练样本归一化后的频谱幅度信号z作为训练样本的识别特征;
2)对训练样本的识别特征z建立状态空间模型,即观测方程zf和状态方程xf+1
                          zf=Cxf+vf
                          xf+1=Axf+wf
其中,zf表示训练样本的识别特征z的第f维元素,xf是zf对应的隐状态,C是观测方程zf的观测矩阵,vf是观测方程zf的观测噪声,观测噪声vf服从均值为0,方差为σ2的高斯分布,f=1,2,...,d,xf+1是zf+1对应的隐状态,zf+1表示训练样本的识别特征z的第f+1维元素,A是状态方程xf+1的状态转移矩阵,wf是状态方程xf+1的状态噪声,状态噪声wf服从均值为0,协方差矩阵为R的高斯分布,f=1,2,...,d;
3)用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,并将这些参数存入识别系统的模板库;
4)提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征,用各类目标模板库中观测方程和状态方程的参数,分别计算测试样本的识别特征z′的后验概率,得到一组后验概率值,选择该组后验概率值中最大后验概率值对应的目标类别,作为识别结果。
本发明具有训练样本需求量小,识别性能高的优点,可用于对雷达目标的识别。
附图说明
图1是本发明的流程图;
图2是用本发明对所有目标的识别结果随隐状态维数的变化曲线图;
图3是用本发明对所有目标的识别结果随训练样本集的大小变化曲线图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,从高分辨距离像训练样本中提取归一化频谱幅度信号作为训练样本的识别特征。
1.1)对高分辨距离像训练样本做傅里叶变换,得到训练样本的频域信号,为了克服训练样本频域信号的初相敏感性,对训练样本的频域信号进行取模操作,得到训练样本的频谱幅度信号y=[y1,y2,...,yd],其中,yf是训练样本频谱幅度信号y的第f个元素,f=1,2,...,d,d表示训练样本频谱幅度信号y的维度;
1.2)对训练样本的频谱幅度信号y进行归一化:z=y/||y||2,以克服训练样本频谱幅度信号y的幅度敏感性,式中,z表示训练样本的归一化后的频谱幅度信号,||y||2表示训练样本的频谱幅度信号y的模2范数,用训练样本的归一化后的频谱幅度信号z作为训练样本的识别特征。
步骤2,用状态空间模型对训练样本的识别特征z建模。
高分辨距离像的统计特性符合Bello提出的“宽平稳-不相关散射模型”的要求,因此,高分辨距离像的频谱幅度信号是一个平稳随机过程,在模式识别领域,常用状态空间模型对平稳随机过程建模,即设定隐状态维数m,m是正整数,对训练样本的识别特征z建立状态空间模型,即观测方程zf和状态方程xf+1
                            zf=Cxf+vf
                            xf+1=Axf+wf
其中,zf表示训练样本的识别特征z的第f维元素,xf是zf对应的隐状态,C是观测方程zf的观测矩阵,vf是观测方程zf的观测噪声,观测噪声vf服从均值为0,方差为σ2的高斯分布,f=1,2,...,d,d是训练样本识别特征的维度,xf+1是zf+1对应的隐状态,zf+1表示训练样本的识别特征z的第f+1维元素,A是状态方程xf+1的状态转移矩阵,wf是状态方程xf+1的状态噪声,状态噪声wf服从均值为0,协方差矩阵为R的高斯分布,f=1,2,...,d。
步骤3,用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,并将这些参数存入识别系统的模板库。
期望最大化方法是最大似然框架下的一种参数估计方法,它具有快速收敛的特点,期望最大化方法的具体步骤为:
3.1)用Kalman滤波方法,按照标号f从1到d的变化顺序,逐次估计训练样本识别特征z的所有隐状态xf的前向预测均值和前向预测协方差矩阵,f=1,2,...,d,d是训练样本识别特征的维度,再用RTS平滑方法按照标号f从d到1的变化顺序,逐次估计训练样本识别特征z的所有隐状态xf的后向平滑均值和后向平滑协方差矩阵;
3.2)用训练样本识别特征z的所有隐状态xf的前向预测均值、前向预测协方差矩阵、后向平滑均值和后向平滑协方差矩阵,更新训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,f=1,2,...,d;
3.3)将步骤3.1)-3.2)重复迭代100次,最终得到训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R。
步骤4,提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征,用各类目标模板库中状态空间模型的参数,分别计算测试样本的识别特征z′的后验概率,得到一组后验概率值,选择该组后验概率值中最大后验概率值对应的目标类别,作为识别结果。
4.1)对高分辨距离像测试样本进行傅里叶变换,将其转换到频域,并对测试样本的频域信号取模值,得到测试样本的频谱幅度信号y′=[y1′,y2′,...,yd′],其中,yi′是测试样本的频谱幅度信号y′的第i个元素,i=1,2,...,d,d表示测试样本的频谱幅度信号y′的维度;
4.2)对测试样本的频谱幅度信号y′进行归一化,将测试样本归一化后的频谱幅度信号z′作为测试样本的识别特征;
4.3)利用识别系统中各类目标模板库中的状态空间模型参数,分别计算测试样本识别特征z′的后验概率,得到一组测试样本识别特征z′的后验概率值,从该组后验概率值中选择最大后验概率值对应的目标类别,作为识别结果。
本发明的效果通过以下对实测数据的实验进一步说明:
1.实验场景
本实验采用三类飞机目标的高分辨距离像来训练识别系统,三类飞机目标的参数和录取三类飞机目标高分辨距离像的雷达参数如下表所示:
表1  三类飞机目标的参数和雷达参数
Figure BDA0000054623820000051
表1中,“雅克-42”飞机目标包含七段高分辨距离像数据,“安-26”飞机目标包含七段高分辨距离像数据,“奖状”飞机目标包含五段高分辨距离像数据。本实验选取“雅克-42”飞机目标的第二段和第五段高分辨距离像数据、“奖状”飞机目标的第六段和第七段高分辨距离像数据以及“安-26”飞机目标的第五段和第六段高分辨距离像数据作为训练识别系统的训练样本,其余数据段内的高分辨距离像作为测试识别系统性能的待识别样本。所有高分辨距离像数据均为256维。
2.实验内容
2.1)在不同的隐状态维数条件下,对三类目标测试样本的识别特征进行识别,识别结果随隐状态维数的变化如图2所示。
2.2)设定隐状态维数为3,在不同的训练样本集大小条件下,分别对三类目标测试样本的识别特征进行识别,识别结果随训练样本集大小的变化如图3所示。
3.实验结果分析
从图2中可以看出,当隐状态维数小于3时,用本发明的方法获得的平均正确识别率较低。这是因为隐状态维数较低的状态空间模型不能准确描述高分辨距离像的统计特征。当隐状态维数等于3时,用本发明的方法获得的平均正确识别率达到了90.4%,这说明用本发明的方法能够获得很好的识别性能。而且,当隐状态维数继续增加时,用本发明的方法获得的平均正确识别率变化不大,这说明本发明的方法对隐状态维数的变化是稳健的。
从图3中可以看出,随着训练样本数的急剧减少,用本发明的方法获得的平均正确识别率只有小幅度下降。相比于使用全部训练样本得到的平均正确识别率90.2%,当选用全部训练样本总数5%的样本来训练识别系统时,用本发明的方法获得的平均正确识别率只下降了1.3%;在更极端的情况下,选用全部训练样本总数0.5%的样本来训练识别系统时,用本发明的方法获得的平均正确识别率也只下降了2.5%。这说明即使在训练样本很少的情况下,用本发明的方法也能获得很高的识别性能。

Claims (3)

1.一种基于状态空间模型的雷达高分辨距离像目标识别方法,包括如下步骤:
1)对高分辨距离像训练样本进行傅里叶变换,将其转换到频域,并对训练样本的频域信号取模值,得到训练样本的频谱幅度信号y=[y1,y2,...,yd],其中,yf是训练样本的频谱幅度信号y的第f个元素,f=1,2,...,d,d表示训练样本的频谱幅度信号y的维度,然后对训练样本的频谱幅度信号y进行归一化,将训练样本归一化后的频谱幅度信号z作为训练样本的识别特征;
2)对训练样本的识别特征z建立状态空间模型,即观测方程zf和状态方程xf+1
                          zf=Cxf+vf
                          xf+1=Axf+wf
其中,zf表示训练样本的识别特征z的第f维元素,xf是zf对应的隐状态,C是观测方程zf的观测矩阵,vf是观测方程zf的观测噪声,观测噪声vf服从均值为0,方差为σ2的高斯分布,f=1,2,...,d,xf+1是zf+1对应的隐状态,zf+1表示训练样本的识别特征z的第f+1维元素,A是状态方程xf+1的状态转移矩阵,wf是状态方程xf+1的状态噪声,状态噪声wf服从均值为0,协方差矩阵为R的高斯分布,f=1,2,...,d;
3)用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,并将这些参数存入识别系统的模板库;
4)提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征,用各类目标模板库中观测方程和状态方程的参数,分别计算测试样本的识别特征z′的后验概率,得到一组后验概率值,选择该组后验概率值中最大后验概率值对应的目标类别,作为识别结果。 
2.根据权利要求1所述的雷达高分辨距离像目标识别方法,其中步骤3)所述的用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,按如下步骤进行:
3a)用Kalman滤波方法,按照标号f从1到d的变化顺序,逐次估计训练样本识别特征z的所有隐状态xf的前向预测均值和前向预测协方差矩阵,f=1,2,...,d,d是训练样本识别特征的维度,再用RTS平滑方法按照标号f从d到1的变化顺序,逐次估计训练样本识别特征z的所有隐状态xf的后向平滑均值和后向平滑协方差矩阵;
3b)用训练样本识别特征z的所有隐状态xf的前向预测均值、前向预测协方差矩阵、后向平滑均值和后向平滑协方差矩阵,更新训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R,f=1,2,...,d;
3c)将步骤3a)-3b)重复迭代100次,最终得到训练样本识别特征的观测方程的观测矩阵C、观测噪声vf的方差σ2、状态方程的状态转移矩阵A和状态噪声wf的协方差矩阵R。
3.根据权利要求1所述的雷达高分辨距离像目标识别方法,其中步骤4)所述的提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征,按如下步骤进行:
4a)对高分辨距离像测试样本进行傅里叶变换,将其转换到频域,并对测试样本的频域信号取模值,得到测试样本的频谱幅度信号y′=[y1′,y2′,...,yd′],其中,yi′是测试样本的频谱幅度信号y′的第i个元素,i=1,2,...,d,d表示测试样本的频谱幅度信号y′的维度;
4b)对测试样本的频谱幅度信号y′进行归一化,将测试样本归一化后的频谱幅度信号z′作为测试样本的识别特征。 
CN2011100891356A 2011-04-11 2011-04-11 基于状态空间模型的雷达高分辨距离像目标识别方法 Active CN102254176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011100891356A CN102254176B (zh) 2011-04-11 2011-04-11 基于状态空间模型的雷达高分辨距离像目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011100891356A CN102254176B (zh) 2011-04-11 2011-04-11 基于状态空间模型的雷达高分辨距离像目标识别方法

Publications (2)

Publication Number Publication Date
CN102254176A CN102254176A (zh) 2011-11-23
CN102254176B true CN102254176B (zh) 2012-08-08

Family

ID=44981430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100891356A Active CN102254176B (zh) 2011-04-11 2011-04-11 基于状态空间模型的雷达高分辨距离像目标识别方法

Country Status (1)

Country Link
CN (1) CN102254176B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487801B (zh) * 2013-09-02 2015-07-22 电子科技大学 雷达识别真假弹头的方法
CN106446916B (zh) * 2016-10-14 2019-06-14 中国人民解放军海军七〇一工厂 一种高分辨一维距离像特征提取的方法及装置
CN109212519B (zh) * 2018-08-27 2023-04-07 西安电子科技大学 基于bf-dlstm的窄带雷达目标跟踪方法
CN109541567B (zh) * 2018-12-28 2023-04-07 西安电子科技大学 基于深度学习的高速机动目标检测方法
CN115963468B (zh) * 2023-03-16 2023-06-06 艾索信息股份有限公司 雷达目标识别方法、装置及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘宏伟等.雷达高分辨距离像目标识别研究进展.《电子与信息学报》.2005,第27卷(第8期),1328-1333. *
周代英等.雷达目标一维距离像识别中的最优因式分析子空间法.《电子与信息学报》.2007,第29卷(第10期),2341-2345. *
周诺等.基于相对平均误差的高分辨距离像目标识别算法.《电子与信息学报》.2010,第32卷(第5期),1105-1110. *
梁海涛等.基于极化高分辨距离像的SVM目标识别方法.《西安电子科技大学学报(自然科学版)》.2007,第34卷148-151. *
苏宏艳等.状态空间法在高分辨雷达中的应用研究.《现代雷达》.2006,第28卷(第1期),41-44. *

Also Published As

Publication number Publication date
CN102254176A (zh) 2011-11-23

Similar Documents

Publication Publication Date Title
CN102184408B (zh) 基于自回归模型的雷达高分辨距离像目标识别方法
CN102254176B (zh) 基于状态空间模型的雷达高分辨距离像目标识别方法
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN105809198B (zh) 基于深度置信网络的sar图像目标识别方法
CN103064071A (zh) 基于稀疏分解的雷达目标属性散射中心特征提取方法
CN104122540A (zh) 基于匹配字典和压缩感知的雷达一维距离像目标识别方法
CN101498788B (zh) 一种逆合成孔径雷达的目标转角估计和横向定标方法
CN102402685B (zh) 基于Gabor特征的三马尔可夫场SAR图像分割方法
CN103345577A (zh) 变分贝叶斯概率假设密度多目标跟踪方法
CN103268496B (zh) Sar图像目标识别方法
CN104360336A (zh) 一种自适应提取雷达目标微动周期的新方法
CN101980044A (zh) 未知测量噪声分布下的多目标跟踪方法
CN103217674A (zh) 一种逆合成孔径雷达的目标三维散射中心重构方法
CN103941089A (zh) 基于dft的正弦信号频率估计方法
CN105447867B (zh) 基于isar图像的空间目标姿态估计方法
CN102944875A (zh) Isar图像距离单元选择横向定标方法
CN105068062B (zh) 基于稀疏散射中心提取的距离像数据外推方法
CN106895794B (zh) 一种获取激光扫描路径的方法及装置
CN103729846A (zh) 基于不规则三角网的LiDAR点云数据边缘检测方法
CN104020456A (zh) 一种基于多特显点线阵成像雷达系统幅相误差校正方法
CN105974412A (zh) 一种用于合成孔径雷达的目标特征提取方法
CN104251991A (zh) 一种基于稀疏度估计的分维度阈值迭代稀疏微波成像方法
Elmi et al. River discharge estimation using channel width from satellite imagery
CN103760544B (zh) 雷达目标的散射中心提取方法及系统
EP2054835A1 (en) Target orientation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
ASS Succession or assignment of patent right

Owner name: XIDIAN UNIVERSITY RADAR TECHNOLOGY OF COLLABORATIV

Free format text: FORMER OWNER: XIDIAN UNIVERSITY

Effective date: 20150114

C41 Transfer of patent application or patent right or utility model
COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM: 710071 XI AN, SHAANXI PROVINCE TO: 710000 XI AN, SHAANXI PROVINCE

TR01 Transfer of patent right

Effective date of registration: 20150114

Address after: 710000, B, building 38, Tengfei innovation center, six hi tech Zone, Xi'an hi tech Zone, Shaanxi, 606

Patentee after: XI'AN CETC XIDIAN UNIVERSITY RADAR TECHNOLOGY COLLABORATIVE INNOVATION RESEARCH INSTITUTE CO., LTD.

Address before: Xi'an City, Shaanxi province Taibai Road 710071 No. 2

Patentee before: Xidian University