CN109597044A - 基于分级决策树的宽带极化雷达导引头目标识别方法 - Google Patents

Abstract

本发明涉及一种基于分级决策树的宽带极化雷达导引头目标识别方法，在第一阶段基于专家对目标物理属性的认知，首先根据目标的三维尺寸(径向尺寸、方位向尺寸和俯仰向尺寸)将目标类型分为“非打击目标”和“打击目标”，然后基于主峰能量比将打击目标分为“低优先级打击目标”和“中高优先级打击目标”；第二阶段机器完全自主学习，采用决策树将“中高优先级打击目标”分为“高优先级打击目标”和“中优先级打击目标”，从而完成了目标识别。解决了传统目标识别方法在目标库不完备时识别效果差的问题，且运算量较小，可以满足弹载平台的实时性要求。

Description

基于分级决策树的宽带极化雷达导引头目标识别方法

技术领域

本发明涉及雷达导引头目标识别领域，特别涉及基于宽带极化信息的雷达导引头目标识别技术，提出了一种基于分级决策树的宽带极化雷达导引头目标识别方法，可在目标库不完备时相对传统目标识别方法有较大的识别性能改善。

背景技术

雷达目标识别是在雷达目标检测的基础上，结合战场感知情况，根据目标的雷达回波信号，基于空域、时域、频域、极化域等多维信息，提取可以反映目标特性的特征，实现目标类别或类型的自动判定。雷达目标识别技术是集传感器、目标、环境和信息处理技术于一体的复杂系统工程，对于提高军队的指挥自动化水平、攻防能力、国土防空反导能力以及战略预警能力都具有十分重要的作用。本专利目标识别的主要目标是实现目标打击优先级的自动判定，即将目标类型分别为非打击目标、低优先级打击目标、中优先级打击目标和高优先级打击目标，最终为导弹决策提供依据。宽带极化雷达既可获取目标的高分辨距离像，又可以获得目标极化信息，高分辨距离像是目标在雷达视线方向的投影，反映了目标的结构和散射特征，且易于获取；极化信息包含了目标的材料属性、物理结构、目标结构和形状等信息，不同的目标对于同一入射波会产生不同的变极化效应，即不同的极化信息，基于这种高分辨距离像和极化信息的差异，宽带极化雷达在目标分类识别方面有着较大的工程实用价值，成为近年来的研究热点。

宽带极化雷达目标识别的经典流程如图1所示，其中特征提取和分类器设计是宽带极化雷达目标识别的最核心的环节。传统的宽带极化特征特征包括几何结构特征、中心矩特征、谱特征、散射中心特征、一维像形状特征和分形维数特征、H/α特征、相似性参数概率特征、极化散射中心特征。传统的分类器设计方法包括支撑向量机(SVM)、逻辑回归(LR)、神经网络、决策树等。

当目标库完备时，传统的目标识别方法可以取得较好的识别效果，但在雷达导引头目标识别领域，目标一般为非配合目标，常常无法得到完整的目标样本库，而通过电磁仿真产生的目标库真实性很难验证。基于不完备目标库训练得到的分类器模型泛化能力差，进而影响到识别性能，不能满足实际工程需求，因此需要研究在目标库不完备下的目标识别方法。

发明内容

要解决的技术问题

针对传统目标识别方法完全依赖机器学习建模，导致在目标库不完备的条件下识别性能大幅降低的不足之处，提出了一种基于分级决策树的宽带极化雷达导引头目标识别方法。

技术方案

一种基于分级决策树的宽带极化雷达导引头目标识别方法，其特征在于步骤如下：

步骤1：同极化通道的三路极化高分辨一维距离像数据分别为和路、方位差路、俯仰差路，分别记作HRRP_t、HRRP_t_cha_az、HRRP_t_cha_el，同样的，交叉极化通道的三路极化高分辨一维距离像数据的和路、方位差路、俯仰差路数据分别记作HRRP_j、HRRP_j_cha_az、HRRP_j_cha_el，六路数据的大小都是1*N，N为目标的高分辨距离像的距离单元数；

步骤2：基于极化高分辨一维距离像进行特征提取，共提取五个特征，包括三维尺寸、奇次散射分量、二阶矩、主峰能量比、散射点最大间隔，所述的三维尺寸包括径向尺寸、方位向尺寸和俯仰向尺寸；几个特征的含义及计算方法详列如下：

2.1数据准备，令：

HRRP＝HRRP_t+HRRP_j

HRRP_cha_az＝HRRP_t_cha_az+HRRP_j_cha_az

HRRP_cha_el＝HRRP_t_cha_el+HRRP_j_cha_el

其中HRRP、HRRP_cha_az和HRRP_cha_el的大小都为1*N；

2.2目标三维尺寸，其中径向尺寸记作LEN1，方位向尺寸记作LEN2，俯仰向尺寸记作LEN3。LEN1的具体算法为：用比较法找出HRRP中非零值点的位置，记作idx，idx大小为1*T，T≤N，则LEN1＝(max(idx)-min(idx)-1)*0.1，其中max(*)和min(*)表示求最大值和最小值；LEN2的具体算法为：计算idx过门限点位置处的方位角误差，记作angerr_az，方位角误差计算方法为angerr_az＝real(HRRP_cha_az(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_az的大小为1*T，则LEN2＝dist*abs(max(angerr_az)-min(angerr_az))，其中dist为目标的距离，单位m；LEN3的具体算法为：计算idx过门限点位置处的俯仰角误差，记作angerr_el，俯仰角误差计算方法为angerr_el＝real(HRRP_cha_el(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_el的大小为1*T，则LEN3＝dist*abs(max(angerr_el)-min(angerr_el))，其中dist为目标的距离，单位m；

2.3奇次散射分量，记作odd，具体算法为在2.2中所有过门限点位置矩阵idx中，用比较法找出其中的极值点，即该点的值大于相邻两侧点的值，则该点为极值点；对idx中的每个点判断其是否为极值，将极值点的位置记作idxp，则idxp的大小为1*M，M≤T；对于idxp数组中的每一个数，计算该点处的极化比rou，rou的计算方法为rou＝20*log10(HRRP_j(idxp)/HRRP_t(idxp))，则rou的大小为1*M，计算rou中大于10的个数，记作numodd，则odd＝numodd/M*100；

2.4极化二阶矩，记作m2，具体算法为将HRRP归一化，结果记作pdf，即：

pdf＝HRRP/max(HRRP)

其中pdf大小为1*N；

那么极化二阶矩的计算方法为：

其中：

2.5主峰能量比，记作peak_rd，具体算法为将2.3中极值点位置矩阵处对应的HRRP值取出，记作HP，则HP大小为1*M，则peak_rd＝max(HP)/sum(HP)，其中sum(*)为求和运算；

2.6极值点最大间隔，记作nab，具体算法为将2.3中的极值点位置矩阵idxp相邻元素做差，记作dfn，即dfn＝diff(idxp)，其中diff为后值-前值，dfn大小为1*(M-1)，那么nab＝max(diff)；

步骤3：判断(LEN1≤10)&(LEN2≤10)&(LEN3≤10)是否成立，&为AND运算，若不成立，则该目标属于非打击目标；若成立，进入步骤4；

步骤4：判断peak_rd≤0.9是否成立，若不成立，则该目标属于低优先级打击目标；若成立，进入步骤5；

步骤5：进入此步骤的目标为中高优先级打击目标，此时的目标为中优先级打击目标或高优先级打击目标中的一种，具体为：判断(odd<41.4)&(m2<1.8)&(peak_rd＞46)或(odd≥41.4)&(nab<21)是否成立，若成立，则该目标属于中优先级打击目标；若不成立，则该目标属于高优先级打击目标。

有益效果

本发明提出的一种基于分级决策树的宽带极化雷达导引头目标识别方法，本方法将专家认知和机器学习相结合，缩小了机器学习的范围，在第一阶段基于专家对目标物理属性的认知，首先根据目标的三维尺寸(径向尺寸、方位向尺寸和俯仰向尺寸)将目标类型分为“非打击目标”和“打击目标”，然后基于主峰能量比将打击目标分为“低优先级打击目标”和“中高优先级打击目标”；第二阶段机器完全自主学习，采用决策树将“中高优先级打击目标”分为“高优先级打击目标”和“中优先级打击目标”，从而完成了目标识别。解决了传统目标识别方法在目标库不完备时识别效果差的问题，且运算量较小，可以满足弹载平台的实时性要求。

本发明既解决了传统目标识别方法在目标库不完备时识别效果差的问题，且运算量较小，可以满足弹载平台的实时性要求。本方法的处理流程使用多种宽带极化特征，通过多个层次的判决，将目标分为四个类别的自动判定。本方法将专家认知和机器学习相结合，缩小了机器学习的范围，一方面减少了机器学习的建模压力，决策树的复杂度也随着降低，运算量大幅较小，适合工程实现；另一方面在目标库不完备情况下，可避免由于机器完全自主学习而导致的模型泛化能力差，提升了识别的稳健性。此外，提出并采用了主峰能量比特征，使得识别系统具备一定的杂波抑制能力。

与常规目标识别方法相比较，具有的有益效果是：

将专家认知和机器学习相结合，缩小了机器学习的范围，在数据不完备情况下，可避免由于完全依赖机器自主学习而导致的模型泛化能力差，提升了识别的稳健性。

通过三维尺寸判决将尺寸不符的目标判决为“非打击目标”，通过主峰能量比将目标进一步判决为“低优先级打击目标”和“中高优先级打击目标”，经过两次判决，减少了后续机器学习的输入样本，从而减少了机器学习的建模压力，决策树的复杂度也随着降低，识别系统的运算量大幅减小，满足了工程使用需求。

提出并采用了主峰能量比特征，使得识别系统本身具备一定的杂波抑制能力。

附图说明

图1典型的雷达目标识别流程图

图2识别流程

图3决策树结构图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明解决技术问题的方案是：首先通过预处理(包括数字下变频、脉冲压缩、动目标检测等)后得到目标的极化高分辨距离像，并进行特征提取，包括三维尺寸(径向尺寸、方位向尺寸和俯仰向尺寸)、主峰能量比、奇次散射分量、二阶矩、散射点最大间隔等特征；然后基于目标的三维尺寸(径向尺寸、方位向尺寸和俯仰向尺寸)将目标类型分为“非打击目标”和“打击目标”，再基于主峰能量比将打击目标分为“低优先级打击目标”和“中高优先级打击目标”，最后基于决策树将“中高优先级打击目标”分为“高优先级打击目标”和“中优先级打击目标”，从而完成了基于分级决策树的导引头雷达目标识别。

本发明的输入为目标的经过恒虚警检测(CFAR)后的两个通道(同极化通道和交叉极化通道)的极化高分辨一维距离像，每个通道的数据都包括和路、方位差路、俯仰差路三路数据，输出为该目标所属的打击类型，打击类型分为四类：非打击目标、低优先级打击目标、中优先级打击目标、高优先级打击目标。图2是基于分级决策树的宽带极化雷达导引头目标识别方法的流程图，算法步骤分以下几步：

1、同极化通道的三路极化高分辨一维距离像数据分别为和路、方位差路、俯仰差路，分别记作HRRP_t、HRRP_t_cha_az、HRRP_t_cha_el，同样的，交叉极化通道的三路极化高分辨一维距离像数据的和路、方位差路、俯仰差路数据分别记作HRRP_j、HRRP_j_cha_az、HRRP_j_cha_el，六路数据的大小都是1*N，N为目标的高分辨距离像的距离单元数；

2、基于极化高分辨一维距离像进行特征提取，共提取五个特征，包括三维尺寸(径向尺寸、方位向尺寸和俯仰向尺寸)、奇次散射分量、二阶矩、主峰能量比、散射点最大间隔，几个特征的含义及计算方法详列如下：

2.1数据准备，令：

HRRP＝HRRP_t+HRRP_j

HRRP_cha_az＝HRRP_t_cha_az+HRRP_j_cha_az

HRRP_cha_el＝HRRP_t_cha_el+HRRP_j_cha_el

其中HRRP、HRRP_cha_az和HRRP_cha_el的大小都为1*N；

2.2目标三维尺寸，其中径向尺寸记作LEN1，方位向尺寸记作LEN2，俯仰向尺寸记作LEN3。LEN1的具体算法为：用比较法找出HRRP中非零值点的位置，记作idx，idx大小为1*T，T≤N，则LEN1＝(max(idx)-min(idx)-1)*0.1,其中max(*)和min(*)表示求最大值和最小值；LEN2的具体算法为：计算idx过门限点位置处的方位角误差，记作angerr_az，方位角误差计算方法为angerr_az＝real(HRRP_cha_az(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_az的大小为1*T，则LEN2＝dist*abs(max(angerr_az)-min(angerr_az))，其中dist为目标的距离，单位m；LEN3的具体算法为：计算idx过门限点位置处的俯仰角误差，记作angerr_el，俯仰角误差计算方法为angerr_el＝real(HRRP_cha_el(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_el的大小为1*T，则LEN3＝dist*abs(max(angerr_el)-min(angerr_el))，其中dist为目标的距离，单位m；

2.3奇次散射分量，记作odd，具体算法为在2.2中所有过门限点位置矩阵(idx)中，用比较法找出其中的极值点，即该点的值大于相邻两侧点的值，则该点为极值点；对idx中的每个点判断其是否为极值，将极值点的位置记作idxp，则idxp的大小为1*M，M≤T。对于idxp数组中的每一个数，计算该点处的极化比rou，rou的计算方法为rou＝20*log10(HRRP_j(idxp)/HRRP_t(idxp)),则rou的大小为1*M，计算rou中大于10的个数，记作numodd，则odd＝numodd/M*100；

2.4极化二阶矩，记作m2，具体算法为将HRRP归一化，结果记作pdf，即：

pdf＝HRRP/max(HRRP)

其中pdf大小为1*N；

那么极化二阶矩的计算方法为：

其中：

2.5主峰能量比，记作peak_rd，具体算法为将2.3中极值点位置矩阵处对应的HRRP值取出，记作HP，则HP大小为1*M，则peak_rd＝max(HP)/sum(HP)，其中sum(*)为求和运算；

2.6极值点最大间隔，记作nab，具体算法为将2.3中的极值点位置矩阵idxp相邻元素做差，记作dfn，即dfn＝diff(idxp)，其中diff为后值-前值，dfn大小为1*(M-1)，那么nab＝max(diff)。

3、判断(LEN1≤10)&(LEN2≤10)&(LEN3≤10)是否成立，&为AND运算，若不成立，则该目标属于非打击目标；若成立，进入步骤4；

4、判断peak_rd≤0.9是否成立，若不成立，则该目标属于低优先级打击目标；若成立，进入步骤5；

5、进入此步骤的目标为中高优先级打击目标，此时的目标为中优先级打击目标或高优先级打击目标中的一种，决策树的判决过程如图3所示，具体为：判断(odd<41.4)&(m2<1.8)&(peak_rd＞46)或(odd≥41.4)&(nab<21)是否成立，若成立，则该目标属于中优先级打击目标；若不成立，则该目标属于高优先级打击目标。

Claims (1)

1.一种基于分级决策树的宽带极化雷达导引头目标识别方法，其特征在于步骤如下：

步骤1：同极化通道的三路极化高分辨一维距离像数据分别为和路、方位差路、俯仰差路，分别记作HRRP_t、HRRP_t_cha_az、HRRP_t_cha_el，同样的，交叉极化通道的三路极化高分辨一维距离像数据的和路、方位差路、俯仰差路数据分别记作HRRP_j、HRRP_j_cha_az、HRRP_j_cha_el，六路数据的大小都是1*N，N为目标的高分辨距离像的距离单元数；

步骤2：基于极化高分辨一维距离像进行特征提取，共提取五个特征，包括三维尺寸、奇次散射分量、二阶矩、主峰能量比、散射点最大间隔，所述的三维尺寸包括径向尺寸、方位向尺寸和俯仰向尺寸；几个特征的含义及计算方法详列如下：

2.1数据准备，令：

HRRP＝HRRP_t+HRRP_j

HRRP_cha_az＝HRRP_t_cha_az+HRRP_j_cha_az

HRRP_cha_el＝HRRP_t_cha_el+HRRP_j_cha_el

其中HRRP、HRRP_cha_az和HRRP_cha_el的大小都为1*N；

2.2目标三维尺寸，其中径向尺寸记作LEN1，方位向尺寸记作LEN2，俯仰向尺寸记作LEN3。LEN1的具体算法为：用比较法找出HRRP中非零值点的位置，记作idx，idx大小为1*T，T≤N，则LEN1＝(max(idx)-min(idx)-1)*0.1，其中max(*)和min(*)表示求最大值和最小值；LEN2的具体算法为：计算idx过门限点位置处的方位角误差，记作angerr_az，方位角误差计算方法为angerr_az＝real(HRRP_cha_az(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_az的大小为1*T，则LEN2＝dist*abs(max(angerr_az)-min(angerr_az))，其中dist为目标的距离，单位m；LEN3的具体算法为：计算idx过门限点位置处的俯仰角误差，记作angerr_el，俯仰角误差计算方法为angerr_el＝real(HRRP_cha_el(idx)/HRRP(idx))，其中real(*)是取实部运算，angerr_el的大小为1*T，则LEN3＝dist*abs(max(angerr_el)-min(angerr_el))，其中dist为目标的距离，单位m；

2.3奇次散射分量，记作odd，具体算法为在2.2中所有过门限点位置矩阵idx中，用比较法找出其中的极值点，即该点的值大于相邻两侧点的值，则该点为极值点；对idx中的每个点判断其是否为极值，将极值点的位置记作idxp，则idxp的大小为1*M，M≤T；对于idxp数组中的每一个数，计算该点处的极化比rou，rou的计算方法为rou＝20*log10(HRRP_j(idxp)/HRRP_t(idxp))，则rou的大小为1*M，计算rou中大于10的个数，记作numodd，则odd＝numodd/M*100；

2.4极化二阶矩，记作m2，具体算法为将HRRP归一化，结果记作pdf，即：

pdf＝HRRP/max(HRRP)

其中pdf大小为1*N；

那么极化二阶矩的计算方法为：

其中：

2.5主峰能量比，记作peak_rd，具体算法为将2.3中极值点位置矩阵处对应的HRRP值取出，记作HP，则HP大小为1*M，则peak_rd＝max(HP)/sum(HP)，其中sum(*)为求和运算；

2.6极值点最大间隔，记作nab，具体算法为将2.3中的极值点位置矩阵idxp相邻元素做差，记作dfn，即dfn＝diff(idxp)，其中diff为后值-前值，dfn大小为1*(M-1)，那么nab＝max(diff)；

步骤3：判断(LEN1≤10)&(LEN2≤10)&(LEN3≤10)是否成立，&为AND运算，若不成立，则该目标属于非打击目标；若成立，进入步骤4；

步骤4：判断peak_rd≤0.9是否成立，若不成立，则该目标属于低优先级打击目标；若成立，进入步骤5；

步骤5：进入此步骤的目标为中高优先级打击目标，此时的目标为中优先级打击目标或高优先级打击目标中的一种，具体为：判断(odd<41.4)&(m2<1.8)&(peak_rd＞46)或(odd≥41.4)&(nab<21)是否成立，若成立，则该目标属于中优先级打击目标；若不成立，则该目标属于高优先级打击目标。