CN103235296B - 基于功率谱特征修正的噪声背景下雷达目标识别方法 - Google Patents

Abstract

本发明公开了一种基于功率谱特征修正的噪声背景下的雷达目标识别方法，主要解决现有技术在噪声背景下直接使用未修正的功率谱特征进行目标识别，导致识别率差的问题。其实现过程是：对训练样本强度归一化；提取归一化训练样本的功率谱特征；使用训练样本的功率谱特征训练分类器，得到分类器的权系数；对测试样本强度归一化，提取测试样本的功率谱特征，求出功率谱特征的修正项，修正测试样本的功率谱特征；使用训练好的分类器对修正的测试样本功率谱特征进行分类，确定目标类别标号。本发明具有对噪声稳健的优点，可用于雷达目标识别。

Description

基于功率谱特征修正的噪声背景下雷达目标识别方法

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对噪声背景下飞机、车辆等目标进行识别。

背景技术

高分辨距离像是宽带雷达信号的目标散射点回波在雷达射线方向上投影的向量和，可以提供目标散射点回波在距离方向的大概分布情况，对目标的识别具有重要价值，因而成为雷达自动目标识别领域研究的热点。

实际应用中由于高分辨距离像在距离窗口出现的随机性，使距离像具有平移敏感性问题，因而直接利用距离像识别需要进行平移对齐。常用的距离像对齐方法有滑动相关法和绝对对齐法，滑动相关法精度较高，但是计算复杂，而绝对对齐法计算简单，但是精度较低。同时距离像本身是高维数据，直接用于目标识别会增加计算量和存储空间，导致识别速度较慢。提取平移不变特征不仅可以避免平移敏感性问题，而且可以大大降低运算量。相关文献中提出了多种利用平移不变特征进行目标识别的方法，这些特征包括功率谱特征、中心矩特征、自回归系数特征、双谱特征等。其中高分辨距离像的功率谱特征具有平移不变和计算简单的特点，可以直接作为特征用于雷达目标的识别处理。有文献指出，功率谱特征的能量主要集中于低频部分，低频部分在识别实验中起决定性作用，而高频部分存在较大的冗余，对识别实验的作用不明显，故识别实验中可以只使用功率谱低频部分作为特征用于识别。一般选取功率谱特征的前10维用于识别。

高信噪比条件下功率谱特征具有较好的识别效果。通常情况下，分类器的训练样本是固定不变的，这时训练样本的信噪比一般很高，噪声部分基本可以忽略不计，当测试样本的信噪比也很高时，测试样本与训练样本的噪声分量匹配，这时的识别效果较好。然而在实际应用环境中，受到目标距离雷达远近等诸多因素的影响，测试样本的信噪比很低，噪声部分不能被忽略，测试样本与训练样本的噪声分量失配，影响识别效果。

发明内容

本发明的目的在于提供一种噪声背景条件下的目标识别方法，以解决上述已有技术的在噪声背景条件下识别率低的不足。

实现本发明的基本思路是：通过使用训练样本的功率谱特征训练线性相关向量机分类器，通过修正测试样本的功率谱特征，得到修正后的测试样本的功率谱特征，将修正后的测试样本的功率谱特征输入到线性相关向量机分类器，确定出目标类别标号。具体步骤包括如下：

(1)从雷达回波数据库中取出多类目标作为训练目标，并对其回波进行脉冲压缩，得到训练目标的距离像样本x_a，采用2-范数强度归一化方法归一化训练距离像样本x_a，得到归一化后的训练样本||x_a||为训练样本x_a的2-范数；

(2)将归一化后的训练样本z_a进行傅里叶变化，并取其模值的平方，得到z_a的功率谱特征：D_a＝{D_a(0),D_a(1),…,D_a(p),…D_a(K-1)}，其中D_a(p)是训练样本功率谱特征D_a的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度；

(3)使用训练样本的功率谱特征训练线性相关向量机分类器，得到线性相关向量机分类器的权系数：W＝{ω(0),ω(1),…,ω(q),…ω(C-1)}，其中：

ω(q)＝{ω(0,q),ω(1,q),…,ω(K-1,q)}^T是权系数的第q维元素，q＝0,1,…,C-1，C为训练目标类别数；

(4)雷达系统将检测到的某个未知目标作为测试目标，并对该测试目标回波进行脉冲压缩，得到测试目标的距离像样本x_b；

(5)估计测试目标的距离像样本x_b的信噪比R，采用2-范数强度归一化方法归一化距离像样本x_b，得到归一化后的测试目标距离像样本z_b：

其中，||x_b||为测试目标距离像样本x_b的2-范数；

(6)修正测试样本的功率谱特征：

6a)将归一化后的测试样本z_b进行傅里叶变化，并取其模值的平方，得到z_b的

功率谱特征D_b：D_b＝{D_b(0),D_b(1),…D_b(p),…D_b(K-1)}，

其中，D_b(p)是测试样本功率谱特征D_b的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度；

6b)求出功率谱修正项：ΔD={ΔD(0),ΔD(1),…ΔD(p),…ΔD(K-1)}，

其中，ΔD(p)是功率谱修正项ΔD的第p维元素，

$\mathrm{\ΔD}\left(p\right)=\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\sqrt{\frac{{10}^{-\frac{R}{10}}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}[2z_b\left(j\right)-\sqrt{\frac{{10}^{-\frac{R}{10}}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}]\cos \left\{\frac{2\mathrm{\π}}{M}p(i-1)\right\},$

式中z_b(j)为归一化后测试距离像样本z_b的第j维元素,M为归一化后测试距离像样本z_b的距离单元数；

6c)利用功率谱修正项ΔD对功率谱特征D_b进行修正，得到修正后的功率谱特征：D_b′＝{D_b′(0),D_b′(1),…,D_b′(p),…D_b′(K-1)}，

其中，D_b′(p)是修正后功率谱特征的第p维元素；

(7)将修正后的测试样本功率谱特征D_b′输入到训练好的线性相关向量机分类器中，通过其权系数W计算分类器的输出：y=D_b′·W，由于功率谱特征D_b′为K维向量，权系数W为K·C维的矩阵，故分类器的输出y为C维向量；

(8)根据分类器的输出确定目标类别标号，即将y中最大值元素对应的类别标号作为目标类别标号。

本发明由于对噪声背景下距离像的功率谱特征进行了修正，与现有技术相比，配准了训练样本与测试样本的噪声分量，进而提高了低信噪比条件下的目标识别率。

附图说明

图1是本发明的流程图；

图2是用本发明对功率谱特征的修正结果；

图3是用修正前后的功率谱特征进行雷达目标识别的识别率比较图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1,获得归一化后训练目标距离像样本。

从雷达回波数据库中取出多类目标作为训练目标，并对其回波进行脉冲压缩，得到训练目标的初始距离像样本x_a，本发明中脉冲压缩使用的是匹配滤波的方法。

在实际应用环境中，由于受到目标距离雷达远近等诸多因素的影响，训练目标的距离像样本强度不一，这种特性称为强度敏感性；训练目标距离像样本的信噪比可达30dB以上，其噪声部分基本可以忽略不计，故对于一个训练目标的初始距离像样本x_a，采用2-范数强度归一化方法消除其强度敏感性，得到归一化后的训练目标距离像样本z_a：

$z_a=\frac{x_a}{\left|\right|x_a\left|\right|},$

其中，||x_a||为训练目标初始距离像样本x_a的2-范数。

步骤2，提取归一化后训练目标距离像样本的功率谱特征。

一个归一化后的训练目标的距离像样本z_a可表示为{z_a(j),j＝0,1,…,M-1}，其中，z_a(j)为z_a中第j维元素，M为距离像样本的维度，将归一后的训练目标距离像样本z_a进行傅里叶变化，并取其模值的平方，得到z_a的功率谱特征：

D_a＝{D_a(0),D_a(1),…,D_a(p),…D_a(K-1)}，其中，D_a(p)是训练样本功率谱特征D_a的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度。

步骤3，使用归一化后训练目标距离像的功率谱特征训练分类器。

使用训练样本的功率谱特征训练线性相关向量机分类器，得到线性相关向量机分类器的权系数：W＝{ω(0),ω(1),…,ω(q),…ω(C-1)}，其中：

ω(q)＝{ω(0,q),ω(1,q),…,ω(K-1,q)}^T是权系数的第q维元素，q＝0,1,…,C-1，C为目标类别数。

步骤4，获取测试目标的距离像样本。

雷达系统将检测到的某个未知目标作为测试目标，并对其回波进行脉冲压缩，得到测试目标的距离像样本x_b，本发明中脉冲压缩使用的是匹配滤波的方法。

步骤5，获得归一化后测试目标距离像样本。

使用雷达接收机未检测到目标时的信号平均功率，即噪声功率σ_n ²，估计出测试目标距离像样本x_b的信噪比R：

$R=10{\log }_{10}\frac{{\left|\right|x_b\left|\right|}^2}{{{\mathrm{M\σ}}_n}^2},$

其中，||x_b||²为测试目标距离像样本2-范数的平方，M为距离像样本的维度；

由于受到目标距离雷达远近等诸多因素的影响，故测试目标的距离像样本同样存在强度敏感性，在实际应用环境中，测试样本的信噪比为0dB～25dB，其噪声部分不能被忽略，故对于一个测试目标的初始距离像样本x_b，采用如下2-范数强度归一化方法消除其强度敏感性，得到归一化后的测试目标距离像样本z_b：

$z_b=\frac{x_b\sqrt{1+{10}^{-\frac{R}{10}}}}{\left|\right|x_b\left|\right|},$

其中，||x_b||为测试目标距离像样本x_b的2-范数。

步骤6，修正测试目标距离像样本的功率谱特征。

6a)提取归一化后的测试目标距离像样本的功率谱特征

将一个归一化后的测试目标距离像样本表示为：{z_b(j),j＝0,1,…,M-1}，其中，z_b(j)为z_b中第j维元素，M为距离像样本的维度，将归一化后的测试目标距离像样本z_b进行傅里叶变化，并取其模值的平方，得到z_b的功率谱特征：

D_b＝{D_b(0),D_b(1),…,D_b(p),…D_b(K-1)}，

其中，D_b(p)是测试样本功率谱特征D_b的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度；

6b)求出功率谱特征修正项：

ΔD={ΔD(0),ΔD(1)，…ΔD(p),…ΔD(K-1)}，

其中ΔD(p)是功率谱修正项ΔD的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度：

$\mathrm{\ΔD}\left(p\right)=\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\sqrt{\frac{{10}^{-\frac{R}{10}}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}[{2z}_b\left(j\right)-\sqrt{\frac{{10}^{-\frac{R}{10}}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}]\cos \left\{\frac{2\mathrm{\π}}{M}p(i-j)\right\}$

式中，z_b(j)为归一化后测试样本z_b的第j维元素,M为距离像样本的维度,

从ΔD(p)的计算式中可以看出，只要已知归一化后测试目标距离像样本和信噪比，就可以求出功率谱特征修正项；

6c)用归一化后测试目标距离像的功率谱D_b减去功率谱修正项ΔD，得出修正后的功率谱特征D_b′，该D_b′为K维向量。

步骤7，使用训练好的分类器，得到分类器输出。

将修正后的测试样本功率谱特征D_b′输入到训练好的线性相关向量机分类器中，通过其权系数W计算分类器的输出：y=D_b′·W，由于功率谱特征D_b′为K维向量，权系数W为K·C维的矩阵，故分类器的输出y为C维向量。

步骤8，确定测试目标类别标号。

对于分类器的输出y，将y＝{y(0),y(1),…,y(g),…y(C-1)}中最大值元素对应的类别标号作为目标类别标号。例如，若y(0)为y中最大值元素，则目标类别为1类，若y(g)为y中最大值元素，则目标类别为g+1类，其中g＝0,1,…,C-1。

本发明的效果课可结合仿真实验进一步说明。

1.仿真条件

仿真实验是在MATLAB7.0软件中进行，所用的数据为雷达采集到的实际数据，包含三类飞机：雅克-42飞机、奖状飞机和安-26飞机，该数据中噪声很小，可以忽略不计。

2.实验内容：

实验一：选择一个奖状飞机的距离像样本检验功率谱特征的修正效果。

设距离像的样本维数为256维，忽略样本本身噪声，分别对距离像的样本加0dB，5dB，10dB，15dB，20dB，25dB的噪声。

设功率谱特征的维数为128维，实验使用功率谱特征的前10维。

用本发明所述的功率谱修正方法对加噪后距离像样本的功率谱特征进行修正，得到修正后的功率谱特征，将该功率谱特征同无噪距离像样本的功率谱特征进行比较，结果如图2所示。其中：

图2(a)表示加入噪声为0dB的仿真结果，

图2(b)表示加入噪声为5dB的仿真结果,

图2(c)表示加入噪声为10dB的仿真结果,

图2(d)表示加入噪声为15dB的仿真结果,

图2(e)表示加入噪声为20dB的仿真结果,

图2(f)表示加入噪声为25dB的仿真结果。

图2中，符号“+”表示无噪声距离像的功率谱特征，符号“x”表示加噪距离像的功率谱特征，符号方块表示修正后的功率谱特征。

实验二：为了验证本发明修正加噪距离像的功率谱特征后识别性能的改善，分别选择雅克-42飞机、奖状飞机和安-26飞机的50个距离像样本，共150个样本，作为训练目标的距离像样本；选择雅克-42飞机1200个距离像样本、奖状飞机2000个距离像样本、安-26飞机的2000个的距离像样本，共5200个样本，在这些样本中均分别加入0dB，5dB，10dB，15dB和20dB的噪声，作为测试目标的距离像样本。

分别使用修正前后的功率谱特征进行目标识别实验，得到最终的识别率，并进行比较。结果如图3所示。图3中，实线表示使用加噪的功率谱特征进行目标识别的识别率随信噪比的变化，虚线表示使用修正后的功率谱特征进行目标识别的识别率随信噪比的变化。

2.实验结果分析：

由图2可以看出：1)加噪后功率谱特征的前几维变化较大，尤其是第一维特征变化非常大，这说明噪声的能量主要集中在功率谱的低频部分，而对其他频率部分影响不大；2)在低信噪比情况下，即信噪比为0dB、5dB、10dB时，修正效果比较明显，而在高信噪比情况下，即信噪比为25dB时修正效果不是很好。

由图3可以看出：在信噪比0dB时使用修正前的功率谱特征完全不能识别，而修正的后的功率谱特征提高了30个百分点；在信噪比10dB时使用修正前功率谱特征的识别率只有60%，而使用修正后功率谱特征的识别率接近80%；在信噪比20dB时使用修正前功率谱特征的识别率接近80%，而使用修正后的功率谱特征的识别率比80%略高；信噪比在0dB～15dB的范围内时，功率谱特征受噪声的影响较大。

综上，本发明具有较好的识别效果。

Claims (1)

1.一种基于功率谱特征修正的噪声背景下雷达目标识别方法，包括如下步骤：

(1)从雷达回波数据库中取出多类目标作为训练目标，并对其回波进行脉冲压缩，得到训练目标的距离像样本x_a，采用2-范数强度归一化方法归一化训练目标的距离像样本x_a，得到归一化后的训练样本||x_a||为训练目标的距离像样本x_a的2-范数；

(2)将归一化后的训练样本z_a进行傅里叶变换，并取其模值的平方，得到z_a的功率谱特征：D_a＝{D_a(0),D_a(1),…,D_a(p),…，D_a(K-1)}，其中D_a(p)是训练样本功率谱特征D_a的第p维元素，p＝0,1,…,K-1，K表示功率谱特征的维度；

(3)使用训练样本的功率谱特征训练线性相关向量机分类器，得到线性相关向量机分类器的权系数：W＝{ω(0),ω(1),…,ω(q),…，ω(C-1)}，其中：ω(q)＝{ω(0,q),ω(1,q),…,ω(K-1,q)}^T是权系数的第q维元素，q＝0,1,…,C-1，C为训练目标类别数；

(4)雷达系统将检测到的某个未知目标作为测试目标，并对该测试目标回波进行脉冲压缩，得到测试目标的距离像样本x_b；

(5)估计测试目标的距离像样本x_b的信噪比R，采用2-范数强度归一化方法归一化距离像样本x_b，得到归一化后的测试目标距离像样本z_b：

其中，||x_b||为测试目标距离像样本x_b的2-范数；

(6)修正测试样本的功率谱特征：

6a)将归一化后的测试目标距离像样本z_b进行傅里叶变换，并取其模值的平方，

得到z_b的功率谱特征D_b：D_b＝{D_b(0),D_b(1),…，D_b(p),…，D_b(K-1)}

其中，D_b(p)是测试目标距离像样本功率谱特征D_b的第p维元素；

6b)求出功率谱修正项：ΔD＝{ΔD(0),ΔD(1),…，ΔD(p),…，ΔD(K-1)}，

其中，ΔD(p)是功率谱修正项ΔD的第p维元素，

$\mathrm{\ΔD}\left(p\right)=\underset{i=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{M-1}{\mathrm{\Σ}}}\sqrt{\frac{10-\frac{R}{10}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}[2z_b\left(j\right)-\sqrt{\frac{10-\frac{R}{10}}{2M}}\sqrt{\frac{\mathrm{\π}}{2}}]\cos \left\{\frac{2\mathrm{\π}}{M}p(i-j)\right\},$

式中z_b(j)为归一化后测试目标距离像样本z_b的第j维元素,M为归一化后测试目标距离像样本z_b的距离单元数；

6c)利用功率谱修正项ΔD对功率谱特征D_b进行修正，得到修正后的功率谱特征：D_b′＝{D_b′(0),D_b′(1),…,D_b′(p),…，D_b′(K-1)}，

其中，D_b′(p)是修正后功率谱特征的第p维元素；

(7)将修正后的测试目标距离像样本功率谱特征D_b′输入到训练好的线性相关向量机分类器中，通过其权系数W计算分类器的输出：y＝D_b′·W，由于功率谱特征D_b′为K维向量，权系数W为K·C维的矩阵，故分类器的输出y为C维向量；

(8)根据分类器的输出确定目标类别标号，即将y中最大值元素对应的类别标号作为目标类别标号。