CN106971170A - 一种基于遗传算法利用一维距离像进行目标识别的方法 - Google Patents

Abstract

本发明提供了一种基于遗传算法利用一维距离像进行目标识别的方法，涉及目标识别领域，对个体编码为二进制串，并选择个体进行个体适应度的检测和选择，利用选择算子进行交叉与变异操作后，对一维距离像进行目标识别，本发明由于采用了遗传算法来进行目标识别，使待识别目标一维距离像与一维距离像模板数据库的匹配时间缩短50％以上，识别速度大幅提高的基础上且能够保持良好的目标识别精度。

Description

一种基于遗传算法利用一维距离像进行目标识别的方法

技术领域

本发明涉及目标识别领域，尤其是一种基于遗传算法的目标识别方法。

背景技术

现代雷达目标识别往往是利用雷达的接收设备从目标的后向电磁散射信号中提取有效信息，其中利用目标散射中心在雷达径向上的投影，即目标的一维距离像进行目标识别的方法已经取得了很多成果。《雷达高分辨率一维像目标识别》提出了一种相关滤波法，其实质是设计一系列距离像模板，将待识别目标的一维像逐个与模板匹配，匹配度最高的模板类别就是目标的类别，但是一维距离像敏感于姿态角φ的变化，姿态角的变化可能会引起距离像的极大变化，因此必须建立完备的模板数据库，随着数据库容量的增大，从数据库中搜寻与待识别目标相匹配模板的工作量也会随之变大，随之使用上述文章中的常规匹配识别方法所耗费的时间也会大幅提高。

发明内容

为了克服现有技术的不足，提高识别速度，尤其是在模板数据库容量非常大的情况下的识别速度，本发明提供一种利用一维距离像进行目标快速识别的方法，利用遗传算法(GA)进行目标匹配识别，利用遗传算法在模板数据库内进行搜寻，当待识别目标的一维距离像与数据库内某姿态角下的距离像相关性最强时，则判定目标为此种类型。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤1：对个体进行编码和解码

遗传算法将个体编码为二进制串，由基因{0,1}组成，设参数的取值范围是[A,B]，则用长度为n的二进制串来编码表示此参数，共产生2ⁿ种不同的编码，编码对应关系为：

其中

反之，当个体编码为本发明所述二进制串，则其解码公式为：

其中，X为个体，b_i为第i个个体的二进制码；

步骤2：生成初始种群

对于初始的种群，其个体用均匀分布的随机数产生；

步骤3：个体适应度的检测和选择

按照个体适应度的大小决定个体的遗传几率，定义个体适应度函数为：

式(3)中，I_i,j为目标为i角度为j的个体，f(I_i,j)为个体I_i,j的适应度函数，X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列，X为待识别目标的雷达目标一维距离像序列，为序列X(i,j)和序列X的相关系数，为序列X(i,j)和序列X(i,j)的相关系数，为序列X和序列X的相关系数；

步骤4：选择遗传算子

本发明使用如下三种遗传算子：

a)选择运算使用比例选择算子，利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率，设个体i的适应度与所有个体适应度之和的比值为P_i，即个体i被选中的概率P_i为：

其中，M为种群数，f_i为个体i的适应度，f_n，为个体n的适应度；

b)交叉运算使用单点交叉算子，以交叉概率P_c从步骤a)中选择运算后的种群中随机挑选个体，随机选择交叉点后，将其中两个个体在交叉点位置交换基因码形成两个子个体；

c)变异运算使用基本位变异算子，设P_m为变异概率，对于步骤b)中的种群个体,根据变异概率P_m随机选取个体并对此个体中随机选取的某位进行变异，所述变异为0→1和1→0；

步骤5：目标识别

将参数终止进化代数T、种群数M、交叉概率P_c和变异概率P_m在各自取值范围中取值后进行目标识别，目标识别过程的详细步骤如下：

首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库，将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码，然后将已获得的一维距离像数据组成模板数据库作为种群，种群数为M，并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度，并按照步骤4中的选择运算概率P_i选取相应的个体数目，在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率P_c和变异概率P_m执行步骤b)和步骤c)中所述的交叉和变异运算，经过选择运算并经过交叉和变异操作后的个体组成下一代，即子代；

在子代中不断重复本步骤中所述的目标识别过程，经过终止进化代数T代后，当个体适应度值持续上升至固定值不再变化时，则所得到的子代个体为最优解，若个体适应度值仍在不断升高，则终止进化代数T重新取值，直到个体适应度值持续上升至固定值不再变化时，所得到的子代个体为最优解，所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像，与待测目标的一维距离像匹配的适应度值最高，将待测目标判定为此最优解的目标类型，从而完成目标识别。

所述的终止进化代数为T取值范围为100～500，种群数M取值范围为20～100，交叉概率P_c取值范围为0.4～0.9，变异概率P_m取值范围为0.0001～0.1。

本发明的有益效果在于由于采用了遗传算法来进行目标识别，使待识别目标一维距离像与一维距离像模板数据库的匹配时间缩短50％以上，识别速度大幅提高的基础上且能够保持良好的目标识别精度。

附图说明

图1为本发明基于遗传算法利用一维距离像进行目标识别的流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

遗传算法启发于生物进化机制，使用适者生存原则，是一种高效、并行、全局搜索的方法，它能在潜在的方案种群中逐次搜寻最优解。在遗产算法的每一代中，根据个体在种群中的适应度值以及从遗传学中借鉴来的再造方法来进行最优个体选择，这个过程即通过对生物进化过程中的选择、交叉、变异等机制的模仿，来完成对最优解的全局搜索，因此将遗传算法应用于匹配识别过程中，其全局搜索能力以及并行计算能力能够大幅减少识别所耗时间，遗传算法是一种群体型算法，由选择、交叉、变异三个主要操作算子构成遗传操作。

步骤1：对个体进行编码和解码

遗传算法将个体编码为二进制串，由基因{0,1}组成，设参数的取值范围是[A,B]，则用长度为n的二进制串来编码表示此参数，共产生2ⁿ种不同的编码，编码对应关系为：

其中

反之，当个体编码为本发明所述二进制串，则其解码公式为：

X为个体，b_i为第i个个体的二进制码；

步骤2：生成初始种群

对于初始的种群，其个体用均匀分布的随机数产生；

步骤3：个体适应度的检测和选择

按照个体适应度的大小决定个体的遗传几率，定义个体适应度函数为：

式(3)中，I_i,j为目标为i角度为j的个体，f(I_i,j)为个体I_i,j的适应度函数，X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列，X为待识别目标的雷达目标一维距离像序列，为序列X(i,j)和序列X的相关系数，为序列X(i,j)和序列X(i,j)的相关系数，为序列X和序列X的相关系数；

步骤4：选择遗传算子

遗传算法使用如下三种遗传算子：

a)选择运算使用比例选择算子，利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率，设个体i的适应度与所有个体适应度之和的比值为P_i，即个体i被选中的概率P_i为：

其中，M为种群数，f_i为个体i的适应度，f_n，为个体n的适应度；

b)交叉运算使用单点交叉算子，以交叉概率P_c从步骤a)中选择运算后的种群中随机挑选个体，随机选择交叉点后，将其中两个个体在交叉点位置交换基因码形成两个子个体；

c)变异运算使用基本位变异算子，设P_m为变异概率，对于步骤b)中的种群个体,假设P_m＝0.1，根据变异概率P_m随机选取个体并对随机选择个体中的某一位进行变异，所述变异为0→1和1→0，如：

步骤5：目标识别

将参数终止进化代数T、种群数M、交叉概率P_c和变异概率P_m在各自取值范围中取值后进行目标识别，目标识别过程的详细步骤如下：

首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库，将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码，然后将已获得的一维距离像数据组成模板数据库作为种群，种群数为M，并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度，并按照步骤4中的选择运算概率P_i选取相应的个体数目，在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率P_c和变异概率P_m执行步骤b)和步骤c)中所述的交叉和变异运算，经过选择运算并经过交叉和变异操作后的个体组成下一代，即子代；

设初始种群M为100，则后续子代也将由100个个体组成，假设初始种群中个体i经过步骤4后得到选择概率Pi为0.1，那么个体i将会10次被选择出来；

在子代中不断重复本步骤中所述的目标识别过程，在经过终止进化代数T代后，当个体适应度值持续上升至固定值不再变化时，则所得到的子代个体为最优解，若个体适应度值仍在不断升高，则终止进化代数T重新取值，直到个体适应度值持续上升至固定值不再变化时，所得到的子代个体为最优解，所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像，与待测目标的一维距离像匹配的适应度值最高，将待测目标判定为此最优解的目标类型，从而完成目标识别。

本发明实施例建立一个地面坦克模型，利用仿真回波数据得出全方位角的一维距离像模板数据库，再随机取某个角度下的一维距离像加高斯白噪声并利用遗传算法与模板数据库进行目标匹配识别，如下步骤1和步骤2是对本发明的阐述，为了具体说明遗传算法的识别过程，首先要有模板距离像数据和待识别目标的距离像数据，而要得到模板数据和待识别目标的一维距离像，利用电磁仿真软件来建模仿真来获取上述数据，步骤3和步骤4是遗传算法的具体实现过程，根据这一过程思路可以编写出具体的程序，编程包括但不仅限于MATLAB或C语言，本发明利用MATLAB遗传算法程序，按照步骤里的参数来赋值，具体步骤如下：

步骤1：利用电磁仿真软件FEKO对地面坦克目标进行建模仿真，坦克模型长0.5m，宽0.3m，仿真采用毫米波步进信号，带宽4GHz，调频步长400MHz，共101个频率点，其中距离分辨率为

步骤2：对目标雷达回波数据在方位角±10°内数据截取后进行去均值和归一化处理后，再进行快速傅里叶逆变换(Inverse Fast Fourier Transform，IFFT)变换，得到目标一维距离像数据，以此构造距离像模板数据库X(i,j)，取方位角为10°时的一维距离像，加高斯白噪声后作为待识别目标的一维距离像X；

步骤3：对步骤2中所得数据利用遗传算法进行目标匹配

对个体进行编码与解码：±10°内雷达回波信号共21个序列，对于目标类型i和雷达视角j，设k₁为参数i的编码长度，k₂为参数j的编码长度，则遗传算法个体I_k编码总长度为k₁+k₂，其随机产生的二进制串构成基因码G_k为

步骤4：产生一个初始种群，基于步骤3中的基因码G_k，产生21个个体组成的种群；

1)个体适应度的检测和评估

设X(j)为待求目标一维距离像序列，Y(j-k)为模板数据库中某类目标某个姿态角下的一维距离像序列，其对应的个体为I_k，则个体I_k适应度函数f(I_k)由公式(6)求得：

其中，j为距离单元数，J为距离单元总数，取适应度值最大的个体遗传到下一代；

2)遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子，个体I_k被选中的概率p_k为：

3)设置最大遗传代数T＝200，交叉概率P_c＝0.7，变异概率默认值，即可对种群进行目标识别操作。

对比传统匹配识别方法，计算结果表明采用本算法在目标方位角变化范围内具有良好的识别效果，且识别速度相对于传统识别方法提高了8秒左右，最主要的是利用了遗传算法所具有的全局和定向搜索能力，在模板数据库很大的情况下仍能保持高精度匹配，且其匹配速度能得到大幅提高，缩短了目标识别所需要的时间。

Claims (2)

1.一种基于遗传算法利用一维距离像进行目标识别的的方法，其特征在于包括下述步骤：

步骤1：对个体进行编码和解码

遗传算法将个体编码为二进制串，由基因{0,1}组成，设参数的取值范围是[A,B]，则用长度为n的二进制串来编码表示此参数，共产生2ⁿ种不同的编码，编码对应关系为：

$\begin{array}{c}\mathrm{0000...000}=0\→A\\ \mathrm{0000...001}=1\→A+\mathrm{\θ}\\ \mathrm{0000...010}=2\→A+2\mathrm{\θ}\\ .\\ .\\ .\\ \mathrm{1111...111}=2^n\→B\end{array}---\left(1\right)$

其中

反之，当个体编码为本发明所述二进制串，则其解码公式为：

$X=A+(\underset{i=1}{\overset{n}{\Σ}}{b}_i\·2^{i-1})\·\frac{B-A}{2^n-1}---\left(2\right)$

其中，X为个体，b_i为第i个个体的二进制码；

步骤2：生成初始种群

对于初始的种群，其个体用均匀分布的随机数产生；

步骤3：个体适应度的检测和选择

按照个体适应度的大小决定个体的遗传几率，定义个体适应度函数为：

$f\left(I_{i,j}\right)=\frac{|X(i,j)\⊗X|}{\sqrt{|X(i,j)\⊗X(i,j)|\left|X\⊗X\right|}}---\left(3\right)$

式(3)中，I_i,j为目标为i角度为j的个体，f(I_i,j)为个体I_i,j的适应度函数，X(i,j)为第i类目标在第j个角度的雷达目标一维距离像序列，X为待识别目标的雷达目标一维距离像序列，为序列X(i,j)和序列X的相关系数，为序列X(i,j)和序列X(i,j)的相关系数，为序列X和序列X的相关系数；

步骤4：选择遗传算子

本发明使用如下三种遗传算子：

a)选择运算使用比例选择算子，利用个体i的适应度与所有个体适应度之和的比值大小决定遗传到下一代的概率，设个体i的适应度与所有个体适应度之和的比值为P_i，即个体i被选中的概率P_i为：

$P_i=f_i/\underset{n=1}{\overset{M}{\Σ}}{f}_n---\left(4\right)$

其中，M为种群数，f_i为个体i的适应度，f_n，为个体n的适应度；

b)交叉运算使用单点交叉算子，以交叉概率P_c从步骤a)中选择运算后的种群中随机挑选个体，随机选择交叉点后，将其中两个个体在交叉点位置交换基因码形成两个子个体；

c)变异运算使用基本位变异算子，设P_m为变异概率，对于步骤b)中的种群个体,根据变异概率P_m随机选取个体并对此个体中随机选取的某位进行变异，所述变异为0→1和1→0；

步骤5：目标识别

将参数终止进化代数T、种群数M、交叉概率P_c和变异概率P_m在各自取值范围中取值后进行目标识别，目标识别过程的详细步骤如下：

首先将已知的各种目标类型各个角度下的一维距离像作为模板数据库，将模板数据库中的一维距离像数据和待测目标一维距离像数据按步骤1进行编码，然后将已获得的一维距离像数据组成模板数据库作为种群，种群数为M，并将模板数据库中的一维距离像数据与待测目标的一维距离像数据根据步骤3分别求出个体适应度，并按照步骤4中的选择运算概率P_i选取相应的个体数目，在选择运算过程中同时对模板数据库中的数据根据预设的交叉概率P_c和变异概率P_m执行步骤b)和步骤c)中所述的交叉和变异运算，经过选择运算并经过交叉和变异操作后的个体组成下一代，即子代；

在子代中不断重复本步骤中所述的目标识别过程，经过终止进化代数T代后，当个体适应度值持续上升至固定值不再变化时，则所得到的子代个体为最优解，若个体适应度值仍在不断升高，则终止进化代数T重新取值，直到个体适应度值持续上升至固定值不再变化时，所得到的子代个体为最优解，所述最优解即模板数据库中储存的某种目标某一角度下的一维距离像，与待测目标的一维距离像匹配的适应度值最高，将待测目标判定为此最优解的目标类型，从而完成目标识别。

2.如权利要求1所述的一种基于遗传算法利用一维距离像进行目标识别的的方法，

其特征在于：

所述的终止进化代数为T取值范围为100～500，种群数M取值范围为20～100，交叉概率P_c取值范围为0.4～0.9，变异概率P_m取值范围为0.0001～0.1。