CN108256436A - 一种基于联合分类的雷达hrrp目标识别方法 - Google Patents

Abstract

一种基于联合分类的雷达HRRP目标识别方法，包括步骤：根据雷达目标散射点中心模型对Z类待识别目标中的每类待识别目标进行建模获得每类待识别目标的模型；按预设的角度间隔依次旋转每类待识别目标，得到待识别目标在各个角度下的高分辨距离像样本数据；将高分辨距离像样本数据随机分为训练样本和测试样本；利用PCA方法对训练样本和测试样本进行降维处理；选择BP神经网络和支持向量机(SVM)两种分类方法利用降维后的训练样本训练模型；利用对群目标识别率较高的分类器模型判断待识别目标是否为群目标；若是，利用基于滑动窗口的MCC方法识别所述群目标中包含的单目标类别。该方法不仅能有效识别群目标类别，而且可对构成群目标的单目标种类进行再识别。

Description

一种基于联合分类的雷达HRRP目标识别方法

技术领域

本发明涉及雷达目标识别技术领域，具体涉及一种基于联合分类的雷达HRRP目标识别方法。

背景技术

雷达自动目标识别(RATR)指利用雷达的散射回波提取稳定特征，根据先验知识对目标的属性和种类进行自动识别。雷达自动目标识别(RATR)是一项非常困难的任务，因为雷达截面(RCS)高度依赖于雷达工作频率和方位角。宽带雷达照射目标时，目标的各个等效散射中心在雷达视线上被分开，体现为沿雷达事项分布的像，即为高分辨距离像(HRRP)，高分辨距离像(HRRP)反映了目标的形状和结构信息，是雷达目标识别的重要依据，因此，基于高分辨距离像(HRRP)的雷达目标识别受到了广泛关注。常用的雷达高分辨距离像识别算法包括最大相关系数法、序列高分辨率距离像分类器、基于高分辨率距离像统计特性的分类器(如自适应高斯分类器AGC和Kullback-Leibler分类器)以及核函数类分类器(如BP分类算法和SVM分类算法)；

然而，以上关于HRRP的研究主要集中在单个目标上，在群目标识别的领域相关研究仍然较少。在群目标识别方面，有学者提出将B分布和Viterbi算法结合起来提取微多普勒特征。但是这种方法只能计算群目标包含单目标的数量，而不能识别其中的具体类别。

发明内容

本申请提供一种基于联合分类的雷达HRRP目标识别方法，包括步骤：

根据雷达目标散射点中心模型对Z类待识别目标中的每类待识别目标进行建模获得每类待识别目标的模型，Z为待识别目标类别的总数，所述Z类待识别目标包括单目标或/和群目标；

按预设的角度间隔依次旋转每类待识别目标，得到待识别目标在各个角度下的高分辨距离像样本数据；

将高分辨距离像样本数据随机分为训练样本和测试样本；

利用PCA方法对训练样本和测试样本进行降维处理；

选择BP神经网络和支持向量机分别利用降维后的训练样本训练所述模型；

统计两种分类器在不同信噪比下对群目标的识别率，利用对群目标识别率较高的分类器模型判断待识别目标是否为群目标；

若被判定为，利用基于滑动窗口的MCC方法识别群目标中包含的单目标类别。

一种实施例中，预设的角度间隔满足以下条件：

其中，B为距离像压缩后的雷达信号的带宽，L_x为方位向的目标的最大尺寸，c为光速，为散射点不发生越距离走动的角度。

一种实施例中，训练样本与测试样本的比例为2:1。

一种实施例中，测试样本的PCA降维过程与训练样本的PCA降维过程一致，其中，训练样本的PCA降维过程具体为：

去均值：计算所有训练样本X＝{X_ij|i＝1,2....Z；j＝1,2....N_c}的均值μ_ij，计算所有训练样本减去各自均值后的新的样本X'＝{X'_ij|i＝1,2....Z；j＝1,2....N_c}，Z为待识别目标类别的总数，N_c为每类待识别目标的训练样本数；

计算训练样本协方差矩阵：对于全部Z类训练样本，训练样本总数为N，距离单元数为d，训练样本是一个N×d的矩阵，计算其协方差矩阵，所述协方差矩阵是一个d×d的矩阵；

对协方差矩阵作特征值分解：取协方差矩阵的从大到小前m个特征值(m<d),组成d×m降维矩阵，N×d训练样本矩阵和d×m降维矩阵进行矩阵相乘，得到降维后的N×m训练样本矩阵。该训练样本矩阵的第i行即为第i个训练样本降维后的向量。

一种实施例中，基于BP神经网络利用降维后的训练样本训练所述模型的步骤为：

初始化神经网络参数，包括隐层节点数、学习率、各节点权值、最大迭代次数、最小允许均方误差和激活函数；

全部Z类目标的BP神经网络期望输出按照顺序可以写成如下形式：

该矩阵是Z×Z的矩阵，其中第i个列向量为第i类目标期望输出，该列中第i个元素为1，其余元素为0；

利用降维后的m维训练样本训练该BP神经网络，其中网络参数的更新基于梯度下降法，当迭代次数大于最大迭代次数或者均方误差小于最小均方误差时，BP神经网络训练完成。

一种实施例中，基于支持向量机利用降维后的训练样本训练所述模型的步骤为：

选定核函数，损失参数，核函数中的Gama参数值；

任取第i类和第j类训练样本训练二分类器q_ij，因此共训练得到Z(Z-1)/2个二分类器。

一种实施例中，基于BP神经网络训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本y输入所述BP神经网络训练的模型，y为m×1列向量；

所述模型输出列向量P，P为Z×1列向量；

查找所述输出列向量P中最大的元素，并查找该元素在所述输出列向量P中的位置，若该元素是P中第i个元素，则所述待识别目标即被判定为第i类。

一种实施例中，基于支持向量机训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本输入所述Z(Z-1)/2个二分类器中；

对于q_ij二分类器的分类结果,如果测试样本被该分类器分到第i类，那么第i类的累积变量C_i＝C_i+1，其中，C_i的初始值为0；

依次遍历所有二分类器的分类结果，对所有累积变量都进行上述操作，寻找累积变量的最大值C_imax，那么C_imax对应的类别即被判定为该待识别目标所属类别。

一种实施例中，若Z类待识别目标中包括c₁类单目标和c₁类群目标，利用基于滑动窗口的MCC方法识别群目标中包含的单目标类别，具体为：

截取c₁类单目标中的所有高分辨距离像样本，保留区间为[r，s]；r，s的选取，应使得原高分辨距离像样本值在该区间以外接近于0；

对于第i类单目标的所有N_c个样本，对c₁类单目标的样本和某群目标测试样本Y依次操作：对于第i类单目标第j个高分辨距离像样本X_ij，其截取后的长度为d＝s-r，该群目标测试样本序列Y的长度为D，取序列n＝1,2,3...d，计算出和X_ij的相关系数r_ijk，其中，k＝0,1,2...D-d；求出r_ij＝max(r_ijk)；对于第i类单目标的其他高分辨率距离像样本，与该群目标测试样本进行相同的操作

对其他类单目标的所有高分辨率距离像样本分别与该群目标测试样本进行上述操作，最终获得该r_max对应的单目标样本的类别即被判定为该群目标所包含的单目标类别。

依据上述实施例的HRRP目标识别方法，不仅能有效识别群目标类别，而且可对构成群目标的单目标种类进行再识别，具体如下：首先利用PCA(主成分分析法)降维算法对HRRP样本进行降维，大大减少了计算量；其次，分别使用BP神经网络和SVM两种分类方法在不同信噪比下对群目标进行识别，，选择对群目标识别率较高的分类算法识别待测目标，大大提高了对群目标的识别率；最后，如果目标是群目标，那么利用最大相关系数(MCC)法判定群目标中含有的单目标类别，并统计其识别率。

附图说明

图1为HRRP目标识别流程图；

图2为群目标的散射点中心模型及其HRRP示意图；

图3为群目标的归一化HRRP幅度仿真图；

图4为不同旋转角下单目标和群目标的最大相关系数示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。

本例提供一种基于联合分类的雷达HRRP目标识别方法，其流程示意图如图1所示，具体包括如下步骤。

S1：根据雷达目标散射点中心模型对Z类待识别目标中的每类待识别目标进行建模获得每类待识别目标的模型。

具体的，将待识别目标雷达回波等效为多强散射点电磁散射的矢量和，其中，模型的距离单元的大小取雷达距离分辨率，雷达距离分辨率计算如下：

式中，c是光速，T_r为信号脉冲宽度。

根据散射点的空间位置按照下面的公式计算第m个旋转角度下第n(n＝1,2,…,d)个距离单元的回波x_m(n)：

式中，λ表示信号波长，V_n是第n个距离单元散射点的个数，Δr_mk(n)是第k个散射点到目标中心的径向距离，σ_nk和ψ_nk0分别为第k个散射点回波的幅度和初始相位。

本例以4类目标为例进行详细说明HRRP目标识别的具体实现过程，其中A,B,C为3种不同的机型，D为两架A类飞机组成的群目标，雷达信号带宽为300MHz，经过计算，雷达距离分辨率为0.5m，因此设距离单元大小为0.5m，距离单元数目为200个，D类群目标中两架A类飞机水平宽度为40m。

S2：按预设的角度间隔依次旋转每类待识别目标，得到待识别目标在各个角度下的高分辨距离像样本数据。

图2是根据散射点中心模型对D类群目标建模的示意图。为了不发生散射点越距离走动(MTRC)，角度间隔应满足以下预设条件：

其中，B为距离像压缩后的雷达信号的带宽，L_x为方位向的目标的最大尺寸，c为光速，为散射点不发生越距离走动的角度。本实施例中，B＝300MHz，L_x约为40米，c为3×10⁸m/s，计算可得方位弧度角为0.0125rad，转换成角度约为0.072°，因此取角度间隔为0.05°。

S3：将高分辨距离像样本数据随机分为训练样本和测试样本。

本步骤中先对获得的高分辨距离像样本数据进行幅度归一化处理，然后再对归一化处理后的高分辨距离像样本数据进行随机分为训练样本和测试样本，其第m个角度下目标的HRRP构成向量x_m，幅度归一化x_m，公式为：

本实施例中，扫描方位角范围是0ˉ180°，角度间隔为0.05°，因此每类目标取3601个样本。在样本分类过程中，随机选取2/3为训练样本，1/3为测试样本，故有2401个训练样本，1200个测试样本。

对于第i类目标的第j个训练样本可以写成：X_ij＝[X_ij(1),X_ij(2),X_ij(3),...X_ij(200)]，其中i＝1,2,3,4；j＝1,2,3...2401。同理对于第i类目标的第j个测试样本可以写成：Y_ij＝[Y_ij(1),Y_ij(2),Y_ij(3),...Y_ij(200)]，其中i＝1,2,3,4；j＝1,2,3...1200。图3是D类群目标在不同旋转角下HRRP的仿真图。对训练样本和测试样本分别进行幅度归一化。

S4：利用PCA方法对归一化后的训练样本和测试样本进行降维处理。

测试样本的PCA降维过程与训练样本的PCA降维过程一致，其中，训练样本的PCA降维过程具体步骤为：

去均值：计算所有训练样本X＝{X_ij|i＝1,2....Z；j＝1,2....N_c}的均值μ_ij，计算所有训练样本减去各自均值后的新的样本X'＝{X'_ij|i＝1,2....Z；j＝1,2....N_c}，Z为待识别目标类别的总数，N_c为每类待识别目标的训练样本数；

本实施例中，对训练样本进行去均值处理：计算所有训练样本X＝{X_ij|i＝1,2....4；j＝1,2....2401}各自的均值μ_ij，计算训练样本减去其均值μ_ij后的新的样本X'＝{X_ij'|i＝1,2....4；j＝1,2....2401}。

计算训练样本协方差矩阵：对于全部Z类训练样本，训练样本总数为N，距离单元数为d，训练样本是一个N×d的矩阵，计算其协方差矩阵，协方差矩阵是一个d×d的矩阵；

本例中，对于任意一类目标的训练样本，训练样本总数为2401,距离单元数为200，训练样本是一个2401×200的矩阵，计算其协方差矩阵COV，COV是一个200×200的矩阵。

对协方差矩阵作特征值分解：取协方差矩阵的从大到小前m个特征值(m<d),组成d×m降维矩阵，N×d的训练样本矩阵和d×m的降维矩阵进行矩阵相乘，得到N×m的降维后训练样本矩阵；

取协方差矩阵的从大到小前30个特征值，其对应30个2401维列向量，组成200×30降维矩阵，通过和降维矩阵进行矩阵乘法，2401×200训练样本矩阵可以降维成2401×30矩阵。

对测试样本进行类似PCA降维算法。

S5：选择BP神经网络和支持向量机两种分类器利用降维后的训练样本训练所述模型。

其中，利用BP神经网络训练模型，主要步骤为：

初始化神经网络参数，包括隐层节点数、学习率、各节点权值、最大迭代次数、最小允许均方误差和激活函数；

全部Z类目标的BP神经网络期望输出按照顺序可以写成如下形式：

该矩阵是Z×Z的矩阵，其中第i个列向量为第i类目标期望输出，该列中第i个元素为1，其余元素为0；

利用降维后的m维训练样本训练该BP神经网络，其中网络参数的更新基于梯度下降法，当迭代次数大于最大迭代次数或者均方误差小于最小均方误差时，BP神经网络训练完成；结合本例，其具体过程如下：

神经网络输入层节点数为30，隐藏层节点数为25，输出层的节点数为4，学习设为0.02，最大迭代次数400，最小允许均方误差0.0001，激活函数为Sigmoid函数；

4类目标的神经网络期望输出向量按照顺序可以写成如下矩阵形式：

该矩阵是4×4的矩阵，其中第i个列向量为第i类目标期望输出，该列中第i个元素为1，其余元素为0；

利用降维后的30维训练样本训练该BP神经网络，其中网络参数(连接权重和偏置)的更新基于梯度下降法，当迭代次数大于最大迭代次数400或者均方误差小于最小均方误差0.0001时，BP神经网络训练完成。

利用支持向量机训练模型，主要步骤为：

选定核函数，损失参数，核函数中的Gama参数值；

任取第i类和第j类训练样本训练二分类器q_ij，因此共训练得到Z(Z-1)/2个二分类器；结合本例，其具体过程如下：

选择核函数径向基函数(RBF)，核函数中的Gama参数值设为50，损失参数设为200；

使用“一对一”方法训练该SVM多分类器，具体来说，分别选取两个不同的类别，训练得到一个SVM二分类器，这样共得到6个SVM二分类器q₁₂,q₁₃,q₁₄,q₂₃,q₂₄,q₃₄。

S6：统计两种分类器在不同信噪比下对群目标的识别率，利用对群目标识别率较高的分类模型判断待识别目标是否为群目标。

基于BP神经网络训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本x输入所述BP神经网络训练的模型，x为m×1列向量；

模型输出列向量P，P为Z×1列向量；

查找输出列向量P中最大的元素，并查找该元素在所述输出列向量P中的位置，若该元素是P中第i个元素，则所述待识别目标为第i类；结合本例具体过程为：输入降维后的测试样本x，x为30×1列向量，输出列向量p，p为4×1列向量，找出p中最大的元素，如果该元素是p中第i个元素，那么该测试样本就被判为第i类。

基于支持向量机训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本输入所述Z(Z-1)/2个二分类器中；

对于q^ij二分类器的分类结果,如果测试样本被该分类器分到第i类，那么第i类的累积变量C_i＝C_i+1，其中，C_i的初始值为0；

依次遍历所有二分类器的分类结果，对所有累积变量都进行上面的操作，寻找累积变量的最大值C_imax，那么C_imax对应的类别即被判为该待识别目标所属类别。

在海杂波背景下，两种分类器对于D类群目标的识别结果如表1所示，其中识别率定义为在两种分类器模型下，正确识别的群目标测试样本数占群目标总样本数的比例。

表1BP神经网络和SVM方法在不同SNR下对D类群目标的识别率

在海杂波的背景下，BP神经网络分类器的识别率在SNR较小的时候较低，对群目标的识别性能较差，当SNR>25dB时，对群目标的识别率超过90％；SVM分类器的识别率则在SNR＝10dB的时候就超过97％，在SNR>30dB的时候，识别率超过99％。因此，本实施例中，我们使用SVM分类器识别待测目标是否为群目标，识别方法与上述支持向量机识别待识别目标所属类别方法一致。

S7：利用基于滑动窗口的MCC方法识别所述群目标中包含的单目标类别。

若Z类待识别目标中包括c₁类单目标和c₂类群目标，所述利用基于滑动窗口的MCC方法识别所述群目标中包含的单目标类别，具体为：

截取c₁类单目标中的所有高分辨距离像样本，保留区间为[r，s]；r，s的选取，应使得原高分辨距离像样本值在该区间以外接近于0；

对于第i类单目标的所有N_c个样本，对c₁类单目标的样本和某群目标测试样本Y依次操作：对于第i类单目标第j个高分辨距离像样本X_ij，其截取后的长度为d＝s-r，该群目标测试样本序列Y的长度为D，取序列n＝1,2,3...d，计算出和X_ij的相关系数r_ijk，其中，k＝0,1,2...D-d；求出r_ij＝max(r_ijk)；对于第i类单目标的其他高分辨率距离像样本，与该群目标测试样本进行相同的操作r_imax＝max{r_i1,r_i2,....r_iNc}；

对其他类单目标的所有高分辨率距离像样本分别与该群目标测试样本进行上述操作，最终获得r_max＝max{r_1max,r_2max,r_3max....r_c1max}；该r_max对应的单目标样本的类别即被判定为该群目标所包含的单目标类别。

结合本例给出的4类目标其具体过程是：

S71、对于3类单目标机型，截取其全部HRRP样本，保留区间为[70，120]，截取后的HRRP样本长度为50。

S72、对于第i类单目标第j个HRRP样本X_ij，截取后的样本长度为50，某个角度下D类群目标测试样本Y的长度为200，取序列n＝1,2,3...50。计算出Y_k(n)和X_ij的相关系数r_ijk，k＝0,1,2...150。求出r_ij＝max(r_ijk)。

S73、选择3类单目标的全部HRRP样本和某个角度下群目标测试样本做步骤S72的操作，每类单目标的样本数是3601，对于A类单目标的所有样本，找到其中的N_c＝3601。对于B类单目标的所有样本，找到其中的N_c＝3601。对于C类单目标的所有样本，找到其中的N_c＝3601。最后找出最大值r_max＝max{r_1max,r_2max,r_3max}，该r_max对应的单目标样本的类别即被判定为该群目标所含的单目标类别。图4是D类群目标在不同旋转角度下与其他3类单目标样本的MCC，旋转角在0°ˉ40°时，群目标没有出现重叠现象，因此对D类群目标中的单目标识别率较高，旋转角大于40°时，群目标HRRP开始出现交叠和覆盖效应，在相同的SNR条件下识别率较低。由仿真结果知，特定临界识别角的统计值为40°。

表2MCC方法在不同旋转角和SNR下对D类群目标的识别率

表2是旋转角分别为0°，40°，50°，55°时，SNR为-3dB，0dB，5dB，10dB，20dB时，MCC方法对群目标的识别率。该识别率定义为在海杂波噪声的影响下，对某群目标测试样本独立进行100次识别实验，识别正确的次数占总实验次数的比例。由表2可以看出在旋转角分别为0°，40°，50°时，识别率较高，当SNR>5dB时，识别率均超过95％，但是旋转角为55°时，群目标HRRP出现了严重的交叠和覆盖效应，识别率受影响较大。

本发明提出的HRRP目标识别方法不仅能有效识别群目标类别，而且可对构成群目标的单目标种类进行再识别的方法，通过群目标测试样本与单目标特征模板的匹配，确定群目标中所包含的目标类型。由于群目标在不同目标观测角度条件下将产生严重的交叠和覆盖效应，本发明还分析了群目标观测产生的交叠角度对群目标再识别的影响，通过仿真给出了特定临界识别角的统计值。这种能力在对复杂的群目标进行识别和分类时特别有用。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (9)

1.一种基于联合分类的雷达HRRP目标识别方法，其特征在于，包括步骤：

根据雷达目标散射点中心模型对Z类待识别目标中的每类待识别目标进行建模获得每类待识别目标的模型，Z为待识别目标类别的总数，所述Z类待识别目标包括单目标或/和群目标；

按预设的角度间隔依次旋转每类待识别目标，得到待识别目标在各个角度下的高分辨距离像样本数据；

将所述高分辨距离像样本数据随机分为训练样本和测试样本；

利用PCA方法对所述训练样本和测试样本进行降维处理；

选择BP神经网络和支持向量机两种分类方法利用降维后的训练样本训练所述模型；

统计两种分类器在不同信噪比下对群目标的识别率，利用对群目标识别率较高的分类器模型判断待识别目标是否为群目标；

若被判为是，利用基于滑动窗口的MCC方法识别所述群目标中包含的单目标类别。

2.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述预设的角度间隔满足以下条件：

其中，B为距离像压缩后的雷达信号的带宽，L_x为方位向的目标的最大尺寸，c为光速，为散射点不发生越距离走动的角度。

3.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述训练样本与测试样本的比例为2:1。

4.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述测试样本的PCA降维过程与所述训练样本的PCA降维过程一致，其中，所述训练样本的PCA降维过程具体为：

去均值：计算所有训练样本X＝{X_ij|i＝1,2....Z；j＝1,2....N_c}的均值μ_ij，计算所有训练样本减去各自均值后的新的样本X'＝{X'_ij|i＝1,2....Z；j＝1,2....N_c}，Z为待识别目标类别的总数，N为第c类待识别目标的训练样本数；

计算训练样本协方差矩阵：对于全部训练样本，训练样本总数为N，距离单元数为d，训练样本是一个N×d的矩阵，计算其协方差矩阵，所述协方差矩阵是一个d×d的矩阵；

对协方差矩阵作特征值分解：取协方差矩阵的从大到小前m个特征值(m<d),组成d×m降维矩阵，N×d训练样本的矩阵和d×m降维矩阵进行矩阵相乘，得到降维后的N×m训练样本矩阵；该训练样本矩阵的第i行即为第i个训练样本降维后的向量。

5.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述基于BP神经网络利用降维后的训练样本训练所述模型的步骤为：

初始化神经网络参数，包括隐层节点数、学习率、各节点权值、最大迭代次数、最小允许均方误差和激活函数；

全部Z类目标的BP神经网络期望输出按照顺序可以写成如下形式：

该矩阵是Z×Z的矩阵，其中第i个列向量为第i类目标期望输出，该列中第i个元素为1，其余元素为0；

利用降维后的m维训练样本训练该BP神经网络，其中网络参数的更新基于梯度下降法，当迭代次数大于最大迭代次数或者均方误差小于最小均方误差时，BP神经网络训练完成。

6.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述基于支持向量机利用降维后的训练样本训练所述模型的步骤为：

选定核函数，损失参数，核函数中的Gama参数值；

任取第i类和第j类训练样本训练二分类器q_ij，因此共训练得到Z(Z-1)/2个二分类器。

7.如权利要求1所述的雷达HRRP目标识别方法，其特征在于，所述基于BP神经网络训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本y输入所述BP神经网络训练的模型，y为m×1列向量；

所述模型输出列向量P，P为Z×1列向量；

查找所述输出列向量P中最大的元素，并查找该元素在所述输出列向量P中的位置，若该元素是P中第i个元素，则所述待识别目标被判定为第i类。

8.如权利要求1所述的HRRP目标识别方法，其特征在于，所述基于支持向量机训练的模型识别待识别目标所属类别具体为：

将待识别目标中降维后的测试样本y输入所述Z(Z-1)/2个二分类器中；

对于q_ij二分类器的分类结果,如果测试样本被该分类器分到第i类，那么第i类的累积变量C_i＝C_i+1，其中，C_i的初始值为0；

依次遍历所有二分类器的分类结果，对所有类的累积变量进行上述操作，寻找累积变量的最大值C_imax，那么C_imax对应的类别即被判定为该待识别目标所属类别。

9.如权利要求1所述的HRRP目标识别方法，其特征在于，若所述Z类待识别目标中包括c₁类单目标和c₂类群目标，所述利用基于滑动窗口的MCC方法识别所述群目标中包含的单目标类别，具体为：

截取c₁类单目标中的所有高分辨距离像样本，保留区间为[r，s]；r，s的选取，应使得原高分辨距离像样本值在该区间以外接近于0；

对于第i类单目标的所有N_c个样本，对c₁类单目标的样本和某群目标测试样本Y依次操作：对于第i类单目标第j个高分辨距离像样本X_ij，其截取后的长度为d＝s-r，该群目标测试样本序列Y的长度为D，取序列n＝1,2,3...d，计算出和X_ij的相关系数r_ijk，其中，k＝0,1,2...D-d；求出r_ij＝max(r_ijk)；对于第i类单目标的其他高分辨率距离像样本，与该群目标测试样本进行相同的操作

对其他类单目标的所有高分辨率距离像样本分别与该群目标测试样本进行上述操作，最终获得该r_max对应的单目标样本的类别即被判定为该群目标所包含的单目标类别。