CN106338722A - 一种基于多次样本的高分辨雷达一维距离像目标识别方法 - Google Patents

Abstract

本发明涉及一种基于多次样本的高分辨雷达一维距离像目标识别方法，其主旨在于针对最小K‑L距离准则在对称性上的缺陷性，引入一种新的距离判决准则，即最小Resistor‑Average(RA)距离准则，用以提高雷达目标识别性能。具体方案为第一步：多次距离像样本高分辨率雷达一维模板距离像特征提取；第二步：多次距离像样本高分辨率雷达一维测试距离像特征提取；第三步为本申请提案与现有技术不同之处：利用最小RA距离准则进行多次距离像样本高分辨率雷达一维测试距离像目标识别。

Description

一种基于多次样本的高分辨雷达一维距离像目标识别方法

技术领域

本发明涉及一种基于多次距离像样本的高分辨雷达一维距离像目标识别方案，具体利用一种信息论方法，提高系统的目标识别，属于雷达目标识别领域。

背景技术

基于高分辨率雷达一维距离像的目标识别是一种雷达自动目标识别领域的主要方法。该方法采用宽带雷达照射目标，从而形成径向方向上雷达强散射点构成的时域矢量和。目标强散射点沿着雷达的视线方向展开，反映了丰富的目标结构信息和特征信息，从而能够用于雷达自动目标识别。相对于合成孔径雷达及其他二维、三维可视化的方法，一维距离像因其数据量较小，相干积累时间更短，能够更好得满足目标获取中对信号处理的实时性和较小计算复杂度的要求。

传统的基于欧氏距离分类的相关法和基于ML准则分类的AGC方法在生成模板特征中利用了目标距离像的统计信息，但用来测试的数据则是单次距离像样本，由于没有利用测试目标距离像的统计信息，测试样本方位敏感性很强，从而会影响测试样本和模板的匹配程度。在许多现代雷达体制中，由于可方便地对识别的对象“重访”，可以得到多个独立距离像样本，用小角度范围的平均距离像代替单次距离像作为测试样本，可以在一定程度上提高雷达目标识别性能。

名为“基于高分辨距离像的雷达目标识别方法研究”的博士论文中，描述了一种基于多次距离像样本的高分辨雷达一维距离像目标识别方法。其核心是利用最小Kullback-Leibler(K-L)距离准则进行目标识别判决。但是由于K-L距离的非对称性，该方法存在局限性。

因此，需要利用一种具有对称性的距离判决准则用以提高雷达目标识别正确率。

发明内容

本发明的目的在于针对多次距离样本的高分辨雷达一维距离像目标识别中最小K-L距离准则在对称性上的缺陷性，本发明引入一种新的距离判决准则，即最小Resistor-Average(RA)距离准则，用以提高雷达目标识别性能。

一种基于多次样本的高分辨雷达一维距离像目标识别方法，包括以下步骤：

步骤1、对多次距离像样本高分辨率雷达一维模板距离像进行特征提取，得到模板距离像特征μ_ik＝[μ_ik(1)，...μ_ik(n)，...μ_ik(N)]，μ_ik(n)表示模板特征在距离单元编号为n处的平均距离像，表示模板特征在距离单元编号为n处的方差距离像；

步骤2、对多次距离像样本高分辨率雷达一维测试距离像进行特征提取，得到测试距离像特征μ_χ＝[μ_χ(1)，...μ_χ(n)，...μ_χ(N)]，μ_χ(n)表示测试特征在距离单元编号为n处的平均距离像，表示测试特征在距离单元编号为n处的方差距离像；

步骤3、利用步骤1得到的模板距离像特征和步骤2得到的测试距离像特征计算R-A距离，比较得到最小值，从而对多次距离像样本高分辨率雷达一维测试距离像进行目标识别；

3.1、设置模板距离像的概率密度函数p_ik(x)，测试距离像的概率密度函数p_χ(x)；

3.2、利用步骤1和步骤2提取的模板特征和测试特征计算p_χ(x)相对于p_ik(x)的K-L距离为

$D\left(p_{\mathrm{\χ}}\right|\left|p_{ik}\right)=\frac{1}{2}{\mathrm{\Σ}}_{n=1}^N(ln\frac{{\mathrm{\σ}}_{ik}^2\left(n\right)}{{\mathrm{\σ}}_{\mathrm{\χ}}^2\left(n\right)}+\frac{{\mathrm{\σ}}_{\mathrm{\χ}}^2\left(n\right)+{\[{\mathrm{\μ}}_{\mathrm{\χ}}\left(n\right)-{\mathrm{\μ}}_{ik}\left(n\right)\]}^2}{{\mathrm{\σ}}_{ik}^2\left(n\right)}-1)$

计算p_ik(x)相对于p_χ(x)的K-L距离为

$D\left(p_{ik}\right|\left|p_{\mathrm{\χ}}\right)=\frac{1}{2}{\mathrm{\Σ}}_{n=1}^N(\ln \frac{{\mathrm{\σ}}_{\mathrm{\χ}}^2\left(n\right)}{{\mathrm{\σ}}_{ik}^2\left(n\right)}+\frac{{\mathrm{\σ}}_{ik}^2\left(n\right)+{\[{\mathrm{\μ}}_{\mathrm{\χ}}\left(n\right)-{\mathrm{\μ}}_{ik}\left(n\right)\]}^2}{{\mathrm{\σ}}_{\mathrm{\χ}}^2\left(n\right)}-1)$

3.3、根据步骤3.2得到D(p_x||p_ik)和D(p_ik||p_χ)的计算p_ik(x)与p_χ(x)之间的R-A距离R(p_χ，p_ik)

$\frac{1}{R(p_{\mathrm{\χ}},p_{ik})}=\frac{1}{D\left(p_{\mathrm{\χ}}\right|\left|p_{ik}\right)}+\frac{1}{D\left(p_{ik}\right|\left|p_{\mathrm{\χ}}\right)}$

3.4、得出最小R-A距离决策准则

$\widehat{i,k}=\arg \underset{i,k}{min}R(p_{\mathrm{\χ}},p_{ik})=\arg \underset{i,k}{min}\frac{D\left(p_{\mathrm{\χ}}\right|\left|p_{ik}\right)D\left(p_{ik}\right|\left|p_{\mathrm{\χ}}\right)}{D\left(p_{\mathrm{\χ}}\right|\left|p_{ik}\right)+D\left(p_{ik}\right|\left|p_{\mathrm{\χ}}\right)}$

i即为目标判断类别。

上述技术方案中，所述步骤1具体包括以下步骤：

1.1、假设用于训练的目标有c类，视角范围内均匀划分为K不同角域，每个角域的训练数据都为M次独立一维距离像样本，第i类目标第k个角域原始一维距离像第m次样本为r_ikm＝[r_ikm(1)，r_ikm(2)，...r_ikm(n)，...，r_ikm(N)]，r_ikm(n)表示距离单元编号为n处的原始距离像幅度，N为距离像长度；

1.2、对原始一维距离像样本幅度进行幂变换处理，得到幂变换之后的距离像x_ikm(n)

x_ikm(n)＝r_ikm(n)^α(0＜α＜1)；

1.3、对幂变换之后的距离像x_ikm(n)进行幅度归一化

${\stackrel{\‾}{x}}_{ikm}=\frac{x_{ikm}}{\left|\right|x_{ikm}|{|}_2},i=1,2,...,c,k=1,2,...,K,$

其中x_ikm＝[x_ikm(1)，...x_ikm(n)，...x_ikm(N)]，

1.4、对归一化之后的距离像提取平均距离像μ_ik(n)和方差距离像作为模板距离像特征

${\mathrm{\μ}}_{ik}\left(n\right)=\frac{1}{M}{\mathrm{\Σ}}_{m=1}^M{\stackrel{\‾}{x}}_{ikm}\left(n\right),n=1,2,...,N,$

${\mathrm{\σ}}_{ik}^2\left(n\right)=\frac{1}{M-1}{\mathrm{\Σ}}_{m=1}^M{\[{\stackrel{\‾}{x}}_{ikm}\left(n\right)-{\mathrm{\μ}}_{ik}\left(n\right)\]}^2,n=1,2,...,N.$

上述技术方案中，所述步骤2具体包括以下步骤：

2.1、用于测试数据为L次独立一维距离像样本，测试原始一维距离像第l次样本为 表示距离单元编号为n处的原始距离像幅度，N为距离像长度；

2.2、对测试原始一维距离像样本幅度进行幂变换处理，得到幂变换之后的距离像

$x_{\mathrm{\&chi;}l}\left(n\right)=r_{\mathrm{\&chi;}l}{\left(n\right)}^{\mathrm{\&alpha;}},(0<\mathrm{\&alpha;}<1),$

2.3、对幂变换之后的距离像进行幅度归一化

${\stackrel{\&OverBar;}{x}}_{\mathrm{\&chi;}l}=\frac{x_{\mathrm{\&chi;}l}}{\left|\right|x_{\mathrm{\&chi;}l}|{|}_2},l=1,2,...,L,$

其中

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明提供的基于最小R-A距离准则的高分辨率雷达一维距离像目标识别，利用R-A距离的对称性，能有效避免K-L距离非对称性造成识别率偏低的问题。

综上所述，与基于最小K-L距离准则相比，本发明有效地提高了目标识别的正确率。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是归一化后的距离像；

图2是16次独立距离像测试样本情况。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合图1、图2对本发明作详细说明。

一种基于多次距离像样本的高分辨雷达一维距离像目标识别方法，包括以下步骤：

步骤1、多次距离像样本高分辨率雷达一维模板距离像特征提取；

1.1、原始一维距离像为长度320样本r＝[r(1)，r(2)，...r(n)，...，r(320)]；

1.2、采用幂变换对原始一维距离像样本进行处理，x(n)＝r(n)^0.2

其中，x(n)为处理之后的距离像；

1.3、用于训练的目标有2类，视角范围内均匀划分为30不同角域，每个角域的训练数据都为32次独立一维距离像样本；

1.4、将幅度归一化

${\stackrel{\&OverBar;}{x}}_{ikm}=\frac{x_{ikm}}{\left|\right|x_{ikm}|{|}_2},i=1,2,k=1,2,...,30;$

归一化后的距离像如图1所示。

1.5、提取平均距离像μ_ik(n)和方差距离像作为模板库特征

${\mathrm{\&mu;}}_{ik}\left(n\right)=\frac{1}{32}{\mathrm{\&Sigma;}}_{m=1}^{32}{\stackrel{\&OverBar;}{x}}_{ikm}\left(n\right),n=1,2,...,320,$

${\mathrm{\&sigma;}}_{ik}^2\left(n\right)=\frac{1}{32-1}{\mathrm{\&Sigma;}}_{m=1}^{32}{\&lsqb;{\stackrel{\&OverBar;}{x}}_{ikm}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2,n=1,2,...,320;$

步骤2、多次距离像样本高分辨率雷达一维测试距离像特征提取；

2.1、对获得的L次独立的测试距离像样本{x_l|l＝1，2，...，L}采用与步骤一相似的过程提取测试距离像特征

步骤3、多次距离像样本高分辨率雷达一维测试距离像目标识别；

3.1、设置模板距离像的概率密度函数p_ik(x)，测试距离像的概率密度函数p_χ(x)；

3.2、利用步骤1和步骤2提取的模板特征和测试特征计算p_χ(x)相对于p_ik(x)的K-L距离为

$D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)=\frac{1}{2}{\mathrm{\&Sigma;}}_{n=1}^N(ln\frac{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}+\frac{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)+{\&lsqb;{\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2}{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}-1)$

计算p_ik(x)相对于p_χ(x)的K-L距离为

$D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)=\frac{1}{2}{\mathrm{\&Sigma;}}_{n=1}^N(\ln \frac{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}+\frac{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)+{\&lsqb;{\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2}{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}-1)$

3.3、根据步骤3.2得到D(p_x||p_ik)和D(p_ik||p_χ)的计算p_ik(x)与p_χ(x)之间的R-A距离R(p_x，p_ik)

$\frac{1}{R(p_{\mathrm{\&chi;}},p_{ik})}=\frac{1}{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)}+\frac{1}{D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)}$

3.4、得出最小R-A距离决策准则

$\widehat{i,k}=\arg \underset{i,k}{min}R(p_{\mathrm{\&chi;}},p_{ik})=\arg \underset{i,k}{min}\frac{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)}{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)+D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)}$

i即为目标判断类别。

图2是16次独立距离像测试样本情况下，本发明采用的最小RA距离判决准则与最小KL距离判决准则目标识别率随信噪比的变化曲线；

从图2，可得出与等相同的独立距离像测试样本以及相同的信噪比情况下，本发明采用的最小RA距离判决准则获得的目标识别率要高于最小KL距离判决准则目标识别率。

Claims (3)

1.一种基于多次样本的高分辨雷达一维距离像目标识别方法，其特征在于，包括以下步骤：

步骤1、对多次距离像样本高分辨率雷达一维模板距离像进行特征提取，得到模板距离像特征μ_ik＝[μ_ik(1)，...μ_ik(n)，...μ_ik(N)]，μ_ik(n)表示模板特征在距离单元编号为n处的平均距离像，表示模板特征在距离单元编号为n处的方差距离像；

步骤2、对多次距离像样本高分辨率雷达一维测试距离像进行特征提取，得到测试距离像特征μ_x＝[μ_x(1)，...μ_x(n)，...μ_x(N)]，μ_x(n)表示测试特征在距离单元编号为n处的平均距离像，表示测试特征在距离单元编号为n处的方差距离像；

步骤3、利用步骤1得到的模板距离像特征和步骤2得到的测试距离像特征计算R-A距离，比较得到最小值，从而对多次距离像样本高分辨率雷达一维测试距离像进行目标识别；

3.1、设置模板距离像的概率密度函数p_ik(x)，测试距离像的概率密度函数p_x(x)；

3.2、利用步骤1和步骤2提取的模板特征和测试特征计算p_x(x)相对于p_ik(x)的K-L距离为

$D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)=\frac{1}{2}{\mathrm{\&Sigma;}}_{n=1}^N(ln\frac{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}+\frac{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)+{\&lsqb;{\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2}{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}-1)$

计算p_ik(x)相对于p_x(x)的K-L距离为

$D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)=\frac{1}{2}{\mathrm{\&Sigma;}}_{n=1}^N(\ln \frac{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)}+\frac{{\mathrm{\&sigma;}}_{ik}^2\left(n\right)+{\&lsqb;{\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2}{{\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)}-1)$

3.3、根据步骤3.2得到D(p_χ||p_ik)和D(p_ik||p_x)的计算p_ik(x)与p_χ(x)之间的R-A距离R(p_x，p_ik)

$\frac{1}{R(p_{\mathrm{\&chi;}},p_{ik})}=\frac{1}{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)}+\frac{1}{D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)};$

3.4、得出最小R-A距离决策准则

$\widehat{i,k}=\arg \underset{i,k}{min}R(p_{\mathrm{\&chi;}},p_{ik})=\arg \underset{i,k}{min}\frac{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)}{D\left(p_{\mathrm{\&chi;}}\right|\left|p_{ik}\right)+D\left(p_{ik}\right|\left|p_{\mathrm{\&chi;}}\right)}$

i即为目标判断类别。

2.一种基于多次样本的高分辨雷达一维距离像目标识别方法，所述步骤1具体包括以下步骤：

1.1、假设用于训练的目标有c类，视角范围内均匀划分为K不同角域，每个角域的训练数据都为M次独立一维距离像样本，第i类目标第k个角域原始一维距离像第m次样本为r_ikm＝[r_ikm(1)，r_ikm(2)，...r_ikm(n)，...，r_ikm(N)]，r_ikm(n)表示距离单元编号为n处的原始距离像幅度，N为距离像长度；

1.2、对原始一维距离像样本幅度进行幂变换处理，得到幂变换之后的距离像x_ikm(n)

x_ikm(n)＝r_ikm(n)^α (0＜α＜1)；

1.3、对幂变换之后的距离像x_ikm(n)进行幅度归一化

$\begin{array}{ccc}{\stackrel{\&OverBar;}{x}}_{ikm}=\frac{x_{ikm}}{\left|\right|x_{ikm}|{|}_2},& i=1,2,...,c,& k=1,2,...,K,\end{array}$

其中x_ikm＝[x_ikm(1)，...x_ikm(n)，...x_ikm)N)]，

1.4、对归一化之后的距离像提取平均距离像μ_ik(n)和方差距离像作为模板距离像特征

${\mathrm{\&mu;}}_{ik}\left(n\right)=\frac{1}{M}{\mathrm{\&Sigma;}}_{m=1}^M{\stackrel{\&OverBar;}{x}}_{ikm}\left(n\right),n=1,2,...,N,$

${\mathrm{\&sigma;}}_{ik}^2\left(n\right)=\frac{1}{M-1}{\mathrm{\&Sigma;}}_{m=1}^M{\&lsqb;{\stackrel{\&OverBar;}{x}}_{ikm}\left(n\right)-{\mathrm{\&mu;}}_{ik}\left(n\right)\&rsqb;}^2,n=1,2,...,N.$

3.一种基于多次样本的高分辨雷达一维距离像目标识别方法，其特征在于，所述步骤2具体包括以下步骤：

2.1、用于测试数据为L次独立一维距离像样本，测试原始一维距离像第l次样本为 表示距离单元编号为n处的原始距离像幅度，N为距离像长度；

2.2、对测试原始一维距离像样本幅度进行幂变换处理，得到幂变换之后的距离像

$x_{{\mathrm{\&chi;}}^l}\left(n\right)=r_{{\mathrm{\&chi;}}^l}{\left(n\right)}^{\mathrm{\&alpha;}}(0<\mathrm{\&alpha;}<1),$

2.3、对幂变换之后的距离像进行幅度归一化 ${\stackrel{\&OverBar;}{x}}_{\mathrm{\&chi;}l}=\frac{x_{\mathrm{\&chi;}l}}{\left|\right|x_{\mathrm{\&chi;}l}|{|}_2},l=1,2,...,L,$

其中

2.4、对幅度归一化之后的距离像提取测试的平均距离像μ_χ(n)和测试方差距离像作为测试距离像特征

${\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)=\frac{1}{L}{\mathrm{\&Sigma;}}_{l=1}^L{\stackrel{\&OverBar;}{x}}_{\mathrm{\&chi;}l}\left(n\right),n=1,2,...,N,$

${\mathrm{\&sigma;}}_{\mathrm{\&chi;}}^2\left(n\right)=\frac{1}{L-1}{\mathrm{\&Sigma;}}_{l=1}^L{\&lsqb;{\stackrel{\&OverBar;}{x}}_{\mathrm{\&chi;}l}\left(n\right)-{\mathrm{\&mu;}}_{\mathrm{\&chi;}}\left(n\right)\&rsqb;}^2,n=1,2,...,N\mathrm{..}$