CN104122540A - 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 - Google Patents

Abstract

本发明属于雷达高分辨一维距离像(High Resolution Range Profile，HRRP)自动目标识别技术领域，尤其涉及基于压缩感知理论的一维距离像目标识别。本发明根据雷达回波模型构造匹配字典，选取合适的测试矩阵对已知种类信息的训练样本一维像和待识别的测试样本一维像分别进行压缩感知，达到数据降维的目的。然后，对压缩感知后的数据进行稀疏重构，得到训练样本一维像和测试样本一维像在匹配字典下的稀疏系数。以训练样本的稀疏系数作为模板矢量，采用最近邻法对测试样本进行识别。本发明构造匹配字典，提取目标在该字典下的稀疏系数特征以避免冗余，减少计算量，同时，避免不必要的噪声。

Description

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

技术领域

本发明属于雷达高分辨一维距离像(High Resolution Range Profile，HRRP)自动目标识别技术领域，尤其涉及基于压缩感知理论的一维距离像目标识别。

背景技术

雷达目标识别是从雷达接收到的目标散射回波中提取稳定特征，并根据已有的目标先验信息，对待识别目标的属性、种类等进行自动识别。

雷达目标回波包含的特征很多，如目标在时域、频域和极化域等的特征信息。但是，并不是所有的特征都能够有效地用于目标识别。通常需要从目标回波中抽取与目标属性直接相关的一个或多个特征作为目标识别的依据，这样才能有效地避免特征的冗余和噪声的引入。HRRP反映了目标散射中心沿雷达径向的分布情况，包含了很多有关目标几何结构和形状的信息，因此利用HRRP进行雷达目标识别具有简明的物理意义。

压缩感知(Compressive Sensing，CS)理论是近几年提出的一种非常有效的信号处理领域新框架。CS所处理的信号为稀疏信号或者在某个变换域下可以稀疏表示的信号。根据光学区雷达目标识别的多散射中心理论，可以知道雷达一维距离像是可以在变换域下稀疏表示的，所以CS理论适用于该信号的处理。

将压缩感知理论应用于雷达一维距离像识别，是对传统的一维像识别手段的补充。

发明内容

本发明的目的在于提供一种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。

本发明根据雷达回波模型构造匹配字典，选取合适的测试矩阵对已知种类信息的训练样本一维像和待识别的测试样本一维像分别进行压缩感知，达到数据降维的目的。然后，对压缩感知后的数据进行稀疏重构，得到训练样本一维像和测试样本一维像在匹配字典下的稀疏系数，所述稀疏系数为特征矢量。以训练样本的稀疏系数作为模板矢量，采用最近邻法对测试样本进行识别。

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，具体如下：

S1、进行数据预处理，划分模区：根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分；

S2、压缩感知：根据雷达回波模型构造匹配字典Ψ作为稀疏基，高斯随机矩阵作为测量矩阵，对处理后的样本数据进行压缩感知得到观测信号，包括：

S21、构造匹配字典，具体为：

S211、选择点散射中心模型，将目标回波表示为 $E\left(f\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_k\exp \left(j\frac{4\mathrm{\πf}}{c}{r}_k\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_k\exp \left(j2\mathrm{\πf}{\mathrm{\τ}}_k\right),$ 其中，M为散射中心的数目，r_k代表第k个散射中心的雷达径向距离，τ_k代表第k个散射中心的波达时间，α_k代表第k个散射中心的散射强度，c为光速，f为雷达发射信号频率，exp(*)表示以自然常数e为底的指数函数；

S212、设雷达发射信号为 $s\left(t\right)=\mathrm{rect}\left(\frac{t}{T}\right)e^{j2\mathrm{\π}(f_{c}t\±\frac{K}{2}{t}^2)}=\mathrm{rect}\left(\frac{t}{T}\right)\exp \left(j2\mathrm{\π}{f}_{c}t\right)\exp \left(\mathrm{j\π}{\mathrm{Kt}}^2\right),$ 通过S211所述的回波模型可以得到雷达回波信号为 $s_o\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\mathrm{rect}\left(\frac{t-{\mathrm{\τ}}_k}{T}\right)\exp \left(j2\mathrm{\π}{f}_c(t-{\mathrm{\τ}}_k)\right)\exp \left(\mathrm{j\πK}{(t-{\mathrm{\τ}}_k)}^2\right),$ 所述雷达回波信号s_o(t)经过相干检波和匹配滤波器后可得到信号 $S\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{a}_k\mathrm{TSa}\left(\mathrm{\πB}(t-{\mathrm{\τ}}_k)\right)\mathrm{rect}\left(\frac{t-{\mathrm{\τ}}_k}{2T}\right)\exp \left(j2\mathrm{\π}{f}_c(t-{\mathrm{\τ}}_k)\right),$ 其中，t是所述雷达回波信号的接收时间，T为所述雷达发射信号s(t)的脉冲宽度，B为所述雷达发射信号s(t)的频带宽度，f_c为所述雷达发射信号s(t)的载波频率,为所述雷达发射信号s(t)的调频斜率，为矩形窗函数，a_k代表第k个散射中心的复幅度，Sa(*)是辛克函数；

S213、根据S212所述回波模型建立匹配字典。我们假设目标为单个距离单元的单一散射点，原子是由雷达信号经过该单个散射点所反射的回波产生，单个散射点的回波信号经过脉冲压缩后为 $y\left(t\right)=\mathrm{TSa}\left(\mathrm{\πB}(t-{\mathrm{\τ}}^{\′})\right)\mathrm{rect}\left(\frac{t-{\mathrm{\τ}}^{\′}}{2T}\right)\exp \left(j2\mathrm{\π}{f}_c(t-{\mathrm{\τ}}^{\′})\right),$ 其中，τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟；

S214、构造N个原子，分别表示不同距离单元里的散射点所反射的回波信号，即 $y(t-\mathrm{n\τ})=\mathrm{TSa}\left(\mathrm{\πB}(t-\mathrm{n\τ})\right)\mathrm{rect}\left(\frac{t-\mathrm{n\τ}}{2T}\right)\exp (-j2\mathrm{\π}{f}_c\mathrm{n\τ}),$ 其中，τ表示奈奎斯特采样间隔，N表示信号长度，n＝1,2,...N；

S215、选取ψ_n＝y(nτ),n＝1,2,...,N，则匹配字典为Ψ＝{ψ₁,ψ₂,....ψ_N}，其中，ψ_n为在第n个距离单元存在强散射中心所产生的雷达回波信号；

S22、对处理后的样本数据进行压缩感知得到观测信号，具体为：

S221、选择随机投影矩阵作为观测矩阵实现数据降维，得到观测信号S'＝RS，其中，R为随机投影矩阵，所述R的维数为I×J,J为原子的维数，与待测信号长度N相同，I为测量次数，I＝O(Plog(J))，P为信号的稀疏度。将观测信号表示为S'＝RS＝RΨa，a是待处理信号S在匹配字典Ψ上的稀疏系数，其维数是N×1，需要通过下面步骤求得；

S3、稀疏重构获得稀疏系数向量：用MP算法对S2所述观测信号进行重构，求得原始数据相对于匹配字典的最稀疏表达，得到一维稀疏系数向量a，所述一维稀疏向量a是通过匹配追踪(Matching Pursuit，MP)算法对arg min||a||₀,s.t.S'＝RΨa＝Aa优化所得，所述一维稀疏向量就是用于最终识别的特征向量，其中，一个模区得到一个一维稀疏向量；

S4、根据S1的模区划分，对不同种类不同模区内的训练样本所求得的特征向量计算平均值，得到该种类在该模区下的模板矢量组合成模板矢量库；

S5、对测试样本进行特征提取，根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别。

进一步地，S1所述模区划分具体如下：设训练样本姿态角的范围为[0°,360°]，取d度为一个模区，即将目标所有的一维距离像划分为个模区，若目标某一维距离像的姿态角在[(n-1)d,nd)内，则认为所述目标某一维距离像属于第n个模区，d＝6，ceil(*)表示对x往正方向取整。

进一步地，S3所述稀疏重构获得稀疏系数向量a，具体如下：

S31、采用匹配追踪MP算法对arg min||a||₀,s.t.S'＝RΨa＝Aa进行优化求解，字典更新为A＝RΨ；

S32、在S31所述字典A中选择一个最匹配的原子，满足|<S',A_r0>|＝sup_{n∈(1,2,...N)}|<S',A_n>|，其中，r₀表示字典中原子的索引，A_r0表示字典A中r₀所指向的原子；

S33、S2所述观测信号在S32所述原子上进行投影，分解成为垂直投影分量和残差两部分，S'＝<S',A_r0>A_r0+R₁，其中，<S',A_r0>A_r0表示垂直投影分量，R₁表示第一次迭代后的残差；

S34、对S33所述残差进行分解，在第k+1次迭代时可以得到R_k＝<R_k,A_rk>A_rk+R_k+1,k＝1,2,...,K，A_rk满足|<R_k,A_rk>|＝sup_{n∈(1,2,...N)}|<R_k,A_n>|；

S35、设定一个阈值Q，当残差||R_k+1||₂≤Q时，迭代结束，若迭代次数为K时，迭代过程结束，此时观测信号被分解为即得到稀疏系数向量a＝[<R₀,A_r0>,<R₁,A_r1>,...,<R_K,A_rK>]^T。

进一步地，S35所述Q＝0.1*||S'||₂。

进一步地，S5所述目标识别采用最近中心邻法。

本发明的有益效果是：

用于目标识别的特征数目并非越多越好，因为从同一目标中提取的特征难免存在一定的相关性，这就造成了特征的冗余，这种冗余不仅会使计算量增大，还会引入不要的噪声。为了避免冗余我们需要从目标电磁散射机理出发，抽取与目标属性直接相关的特征。本发明构造匹配字典，提取目标在该字典下的稀疏系数就满足了以上要求。如果目标相对该匹配字典的某一个原子的系数较高，就代表目标在该原子所指向的距离单元有较高的散射，对应一个强散射中心。同一个目标在一定姿态角内的散射中心相对位置是保持近似不变的，所以这可以作为目标识别的一个有效特征。

附图说明

图1是本发明的流程图。

图2是匹配字典其中两幅原子的仿真图。

图3是待识别样本中的一幅一维像。

图4是图3所示一维像在匹配字典下的稀疏系数。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

如图1所示，本发明实施过程具体如下：

S1、进行数据预处理，根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分，具体为：由于一维距离像的姿态敏感性，目标姿态角变化较大时，其一维距离像会出现极大变化，所以将目标的所有一维距离像每隔一定姿态角范围建立一个模区，取该模区的一维距离像进行特征提取建立模板矢量，组合成该目标的模板矢量库。设训练样本姿态角的范围为[0°,360°]，取d度为一个模区，即将目标所有的一维距离像划分为个模区，若目标某一维距离像的姿态角在[(n-1)d,nd)内，则认为所述目标某一维距离像属于第n个模区，d＝6，ceil(*)表示对x往正方向取整。若d值太大，则该模区的一维距离像波形出现较大变化，会影响识别效果。

S2、压缩感知：根据雷达回波模型构造匹配字典Ψ作为稀疏基，高斯随机矩阵作为测量矩阵，对处理后的样本数据进行压缩感知得到观测信号，包括：

S21、构造匹配字典，具体为：

S211、根据光学区雷达的多散射中心理论，光学区雷达回波可以近似等效为目标物体上少数几个强散射中心回波的矢量和选择点散射中心模型，将目标回波表示为 $E\left(f\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_k\exp \left(j\frac{4\mathrm{\&pi;f}}{c}{r}_k\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_k\exp \left(j2\mathrm{\&pi;f}{\mathrm{\&tau;}}_k\right),$ 其中，M为散射中心的数目，r_k代表第k个散射中心的雷达径向距离，τ_k代表第k个散射中心的波达时间，α_k代表第k个散射中心的散射强度，c为光速，f为雷达发射信号频率，exp(*)表示以自然常数e为底的指数函数；

S212、以up-chirp线性调频信号为例，雷达发射信号为 $s\left(t\right)=\mathrm{rect}\left(\frac{t}{T}\right)e^{j2\mathrm{\&pi;}(f_{c}t\&PlusMinus;\frac{K}{2}{t}^2)}=\mathrm{rect}\left(\frac{t}{T}\right)\exp \left(j2\mathrm{\&pi;}{f}_{c}t\right)\exp \left(\mathrm{j\&pi;}{\mathrm{Kt}}^2\right),$ 其中t是信号接收时间，T为脉冲宽度，B为频带宽度，f_c为载波频率,为调频斜率，为矩形窗函数。通过S211所述的回波模型可以得到雷达回波信号为 $s_o\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_k\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}_k}{T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}_k)\right)\exp \left(\mathrm{j\&pi;K}{(t-{\mathrm{\&tau;}}_k)}^2\right),$ 其中，a_k代表第k个散射中心的复幅度，再经过相干检波和匹配滤波器后可得到信号 $S\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_k\mathrm{TSa}\left(\mathrm{\&pi;B}(t-{\mathrm{\&tau;}}_k)\right)\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}_k}{2T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}_k)\right),$ 这是我们最终得到的雷达回波信号模型，其中，Sa(*)是辛克函数；

S213、根据S212所述回波模型建立匹配字典。根据雷达多散射中心理论，雷达回波是目标上不同强散射中心的散射回波的矢量和。本发明构造匹配字典的思想是，假设目标为单个距离单元内的单一散射点，原子由雷达信号经过不同的时移到达散射点所反射的回波产生。不同的时移对应的是散射点相对于雷达的不同径向距离。设目标为单个距离单元的单一散射点，原子是由雷达信号经过该单个散射点所反射的回波产生，单个散射点的回波信号经过脉冲压缩后为 $y\left(t\right)=\mathrm{TSa}\left(\mathrm{\&pi;B}(t-{\mathrm{\&tau;}}^{\&prime;})\right)\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}^{\&prime;}}{2T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}^{\&prime;})\right),$ 其中，τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟；

S214、由于雷达的距离分辨率与雷达发射信号的等效带宽B成反比，即Δr为距离分辨单元，距离小于Δr的多个散射点是没有办法分辨出来的，只能等效为一个强散射点。所以构造匹配原子时，我们假设每个原子在一个距离分辨单元内有散射点，在其余距离单元内无强散射点。假设待处理信号的信号长度为N,即雷达接收距离窗包含N个距离单元，我们就构造N个原子，分别表示不同距离单元里的散射点所反射的回波信号构造N个原子，分别表示不同距离单元里的散射点所反射的回波信号，即 $y(t-\mathrm{n\&tau;})=\mathrm{TSa}\left(\mathrm{\&pi;B}(t-\mathrm{n\&tau;})\right)\mathrm{rect}\left(\frac{t-\mathrm{n\&tau;}}{2T}\right)\exp (-j2\mathrm{\&pi;}{f}_c\mathrm{n\&tau;}),$ 其中，τ表示奈奎斯特采样间隔，n＝1,2,...N；

S215、选取ψ_n＝y(nτ)，则匹配字典为Ψ＝{ψ₁,ψ₂,....ψ_N}，其中，ψ_n为在第n个距离单元存在强散射中心所产生的雷达回波信号；

S22、对处理后的样本数据进行压缩感知得到观测信号，具体为：

S221、对待处理数据进行压缩感知，就是选择合适的观测矩阵进行投影。本发明选择高斯随机矩阵作为观测矩阵，这一过程也称作随机投影(Random Projection,RP)。随机投影是降低维数、压缩高维数据的强而有力的变换工具，它是一种维持原始高维数据结构特性而不引入重大数据奇异,简单而有效的投影变换方法。压缩感知理论指出，对于在某个变换域上稀疏的信号，通过特定的观测矩阵将信号投影到低维的信号空间上，如果观测矩阵满足与稀疏基不相关的条件，我们就可以用少量数据在低维空间中重构出原始信号。随机投影就满足以上条件，所以选择随机矩阵作为观测矩阵实现数据降维。选择随机投影矩阵作为观测矩阵实现数据降维，得到观测信号S'＝RS，其中，R为随机投影矩阵，所述R的维数为I×J,J为原子的维数，与待测信号长度N相同，I为测量次数，I＝O(Plog(J))，P为信号的稀疏度；

S3、稀疏重构获得稀疏系数向量：用MP算法对S2所述观测信号进行重构，求得原始数据相对于匹配字典的最稀疏表达，得到一维稀疏系数向量a，所述一维稀疏向量a是通过匹配追踪(Matching Pursuit，MP)算法对arg min||a||₀,s.t.S'＝RS＝RΨa＝Aa求解所得,其中Ψ＝{ψ₁,ψ₂,....ψ_N}是匹配字典，所述一维稀疏向量就是用于最终识别的特征向量，其中，一个模区得到一个一维稀疏向量，具体为：

S31、寻求稀疏系数向量的过程其实是要求解一个优化问题，采用匹配追踪MP算法对arg min||a||₀,s.t.S'＝RΨa＝Aa进行优化求解，字典更新为A＝RΨ；

S32、在S31所述字典A中选择一个最匹配的原子，满足|<S',A_r0>|＝sup_{n∈(1,2,...N)}|<S',A_n>|，其中，r₀表示字典中原子的索引，A_r0表示字典A中r₀所指向的原子；

S33、S2所述观测信号在S32所述原子上进行投影，分解成为垂直投影分量和残差两部分，S'＝<S',A_r0>A_r0+R₁，其中，<S',A_r0>A_r0表示垂直投影分量，R₁表示第一次迭代后的残差；

S34、对S33所述残差进行分解，在第k+1次迭代时可以得到R_k＝<R_k,A_rk>A_rk+R_k+1,k＝1,2,...,K，A_rk满足|<R_k,A_rk>|＝sup_{n∈(1,2,...N)}|<R_k,A_n>|；

S35、设定一个阈值Q，当残差||R_k+1||₂≤Q时，迭代结束，若迭代次数为K时，迭代过程结束，此时观测信号被分解为即得到稀疏系数向量a＝[<R₀,A_r0>,<R₁,A_r1>,...,<R_K,A_rK>]^T，其中，Q＝0.1*||S'||₂。

S4、根据S1的模区划分方法，对不同种类不同模区内的训练样本所求得的特征向量计算平均值，得到该种类在该模区下的模板矢量组合成模板矢量库。设所述训练样本分别属于C个种类。将每类的训练样本数据按照姿态角分为L个模区。设第c类第l个模区内有N_cl幅一维像，分别为对每幅一维像进行特征提取，得到相对于匹配字典的稀疏系数为取其平均值即为第c类第l个模区的模板矢量。求出各个种类各个模板的模板矢量为a₁₁,a₁₂,...,a_1L,a₂₁,a₂₂,...,a_2L,...,a_c1,a_c2,...a_cL，组合成模板矢量库。

S5、对测试样本进行特征提取，根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别，所述目标识别采用最近中心邻法。假设待识别信号为S₀,它属于第l₀个模区。信号的稀疏重构系数是a₀，计算出a₀与模板矢量库中各类目标第l₀个模区的模板矢量的欧氏距离为最后选取d_c最小的那类目标，即可将待识别目标识别为这一类，即其中，c＝1,2,...,C。

本发明的实施例采用的是国外某雷达回波仿真软件生成六种飞机(B-1B，B-52，F-15，Tu-16，An-26，Mig-21)的雷达回波数据。取两组仿真数据，飞机相对于雷达的俯仰角分别是0°和357°。雷达工作参数是：中心频率6GHz，信号带宽400MHz，采样频率1600MHz。目标姿态角设定是姿态角间隔是0.1°。每幅距离像包含320个距离单元，即信号长度为320。我们从0°开始每隔一度取一幅距离像作为训练样本，每隔一点三度取一幅距离像作为测试样本。

为了克服一维像的姿态敏感性，将训练样本每个种类按六度一个模区分成30个模区。然后对每个种类每个模区里面的一维像分别提取相对匹配字典的稀疏系数作为特征向量，并取其均值作为模板矢量，最后组合成模板矢量库。提取训练样本的特征向量，判断其姿态角所在模区，用最近中心邻分类器对该训练样本进行识别。

本实施例的识别率如表1所示。

表1

Claims (5)

1.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，其特征在于，包括以下步骤：

S1、进行数据预处理，划分模区：根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分；

S2、压缩感知：根据雷达回波模型构造匹配字典Ψ作为稀疏基，高斯随机矩阵作为测量矩阵，对处理后的样本数据进行压缩感知得到观测信号，包括：

S21、构造匹配字典，具体为：

S211、选择点散射中心模型，将目标回波表示为 $E\left(f\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_k\exp \left(j\frac{4\mathrm{\&pi;f}}{c}{r}_k\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_k\exp \left(j2\mathrm{\&pi;f}{\mathrm{\&tau;}}_k\right),$ 其中，M为散射中心的数目，r_k代表第k个散射中心的雷达径向距离，τ_k代表第k个散射中心的波达时间，α_k代表第k个散射中心的散射强度，c为光速，f为雷达发射信号频率，exp(*)表示以自然常数e为底的指数函数；

S212、设雷达发射信号为 $s\left(t\right)=\mathrm{rect}\left(\frac{t}{T}\right)e^{j2\mathrm{\&pi;}(f_{c}t\&PlusMinus;\frac{K}{2}{t}^2)}=\mathrm{rect}\left(\frac{t}{T}\right)\exp \left(j2\mathrm{\&pi;}{f}_{c}t\right)\exp \left(\mathrm{j\&pi;}{\mathrm{Kt}}^2\right),$ 通过S211所述的回波模型可以得到雷达回波信号为 $s_o\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_k\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}_k}{T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}_k)\right)\exp \left(\mathrm{j\&pi;K}{(t-{\mathrm{\&tau;}}_k)}^2\right),$ 所述雷达回波信号s_o(t)经过相干检波和匹配滤波器后可得到信号 $S\left(t\right)=\underset{k=1}{\overset{M}{\mathrm{\&Sigma;}}}{a}_k\mathrm{TSa}\left(\mathrm{\&pi;B}(t-{\mathrm{\&tau;}}_k)\right)\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}_k}{2T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}_k)\right),$ 其中，t是所述雷达回波信号的接收时间，T为所述雷达发射信号s(t)的脉冲宽度，B为所述雷达发射信号s(t)的频带宽度，f_c为所述雷达发射信号s(t)的载波频率,为所述雷达发射信号s(t)的调频斜率，为矩形窗函数，a_k代表第k个散射中心的复幅度，Sa(*)是辛克函数；

S213、根据S212所述回波模型建立匹配字典：假设目标为单个距离单元的单一散射点，原子是由雷达信号经过该单个散射点所反射的回波产生，单个散射点的回波信号经过脉冲压缩后为 $y\left(t\right)=\mathrm{TSa}\left(\mathrm{\&pi;B}(t-{\mathrm{\&tau;}}^{\&prime;})\right)\mathrm{rect}\left(\frac{t-{\mathrm{\&tau;}}^{\&prime;}}{2T}\right)\exp \left(j2\mathrm{\&pi;}{f}_c(t-{\mathrm{\&tau;}}^{\&prime;})\right),$ 其中，τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟；

S214、构造N个原子，分别表示不同距离单元里的散射点所反射的回波信号，即 $y(t-\mathrm{n\&tau;})=\mathrm{TSa}\left(\mathrm{\&pi;B}(t-\mathrm{n\&tau;})\right)\mathrm{rect}\left(\frac{t-\mathrm{n\&tau;}}{2T}\right)\exp (-j2\mathrm{\&pi;}{f}_c\mathrm{n\&tau;}),$ 其中，τ表示奈奎斯特采样间隔，N表示信号长度，n＝1,2,...N；

S215、选取ψ_n＝y(nτ),n＝1,2,...,N，则匹配字典为Ψ＝{ψ₁,ψ₂,....ψ_N}，其中，ψ_n为在第n个距离单元存在强散射中心所产生的雷达回波信号；

S22、对处理后的样本数据进行压缩感知得到观测信号，具体为：

S221、选择随机投影矩阵作为观测矩阵实现数据降维，得到观测信号S'＝RS，其中，R为随机投影矩阵，所述R的维数为I×J,J为原子的维数，与待测信号长度N相同，I为测量次数，I＝O(Plog(J))，P为信号的稀疏度，将观测信号表示为S'＝RS＝RΨa，a是待处理信号S在匹配字典Ψ上的稀疏系数，其维数是N×1，需要通过下面步骤求得；

S3、稀疏重构获得稀疏系数向量：用MP算法对S2所述观测信号进行重构，求得原始数据相对于匹配字典的最稀疏表达，得到一维稀疏系数向量a，所述一维稀疏向量a是通过匹配追踪MP算法对arg min||a||₀,s.t.S'＝RΨa＝Aa优化所得，所述一维稀疏向量就是用于最终识别的特征向量，其中，一个模区得到一个一维稀疏向量；

S4、根据S1的模区划分，对不同种类不同模区内的训练样本所求得的特征向量计算平均值，得到该种类在该模区下的模板矢量组合成模板矢量库；

S5、对测试样本进行特征提取，根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别。

2.根据权利要求1所述的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，其特征在于：

S1所述模区划分具体如下：设训练样本姿态角的范围为[0°,360°]，取d度为一个模区，即将目标所有的一维距离像划分为个模区，若目标某一维距离像的姿态角在[(n-1)d,nd)内，则认为所述目标某一维距离像属于第n个模区，d＝6，ceil(*)表示对x往正方向取整。

3.根据权利要求1所述的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，其特征在于：

S3所述稀疏重构获得稀疏系数向量a，具体如下：

S31、采用匹配追踪MP算法对arg min||a||₀,s.t.S'＝RΨa＝Aa进行优化求解，字典更新为A＝RΨ；

S32、在S31所述字典A中选择一个最匹配的原子，满足|<S',A_r0>|＝sup_{n∈(1,2,...N)}|<S',A_n>|，其中，r₀表示字典中原子的索引，A_r0表示字典A中r₀所指向的原子；

S33、S2所述观测信号在S32所述原子上进行投影，分解成为垂直投影分量和残差两部分，S'＝<S',A_r0>A_r0+R₁，其中，<S',A_r0>A_r0表示垂直投影分量，R₁表示第一次迭代后的残差；

S34、对S33所述残差进行分解，在第k+1次迭代时可以得到R_k＝<R_k,A_rk>A_rk+R_k+1,k＝1,2,...,K，A_rk满足|<R_k,A_rk>|＝sup_{n∈(1,2,...N)}|<R_k,A_n>|；

S35、设定一个阈值Q，当残差||R_k+1||₂≤Q时，迭代结束，若迭代次数为K时，迭代过程结束，此时观测信号被分解为即得到稀疏系数向量a＝[<R₀,A_r0>,<R₁,A_r1>,...,<R_K,A_rK>]^T。

4.根据权利要求3所述的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，其特征在于：S35所述Q＝0.1*||S'||₂。

5.根据权利要求1所述的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，其特征在于：S5所述目标识别采用最近中心邻法。