CN110232371A - 基于小样本的高精度hrrp雷达多目标识别方法 - Google Patents

基于小样本的高精度hrrp雷达多目标识别方法 Download PDF

Info

Publication number
CN110232371A
CN110232371A CN201910546925.9A CN201910546925A CN110232371A CN 110232371 A CN110232371 A CN 110232371A CN 201910546925 A CN201910546925 A CN 201910546925A CN 110232371 A CN110232371 A CN 110232371A
Authority
CN
China
Prior art keywords
sample
identification
hrrp
target
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910546925.9A
Other languages
English (en)
Other versions
CN110232371B (zh
Inventor
韩磊
姚璐
郭金东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910546925.9A priority Critical patent/CN110232371B/zh
Publication of CN110232371A publication Critical patent/CN110232371A/zh
Application granted granted Critical
Publication of CN110232371B publication Critical patent/CN110232371B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration by non-spatial domain filtering
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本发明涉及基于小样本的高精度HRRP雷达多目标识别方法，属于雷达目标识别技术领域。包括训练阶段与识别阶段。前者包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器；识别阶段包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果。本发明所述雷达多目标识别方法在处理多目标分类问题时具备高精度识别的能力，可以克服LDA在处理多目标分类时精度严重下降的问题及在只有少量训练样本可用时，其高识别精度仍然会保持稳定。

Description

基于小样本的高精度HRRP雷达多目标识别方法
技术领域
本发明涉及一种基于小样本的高精度HRRP(高分辨距离像，High ResolutionRange Profile)雷达多目标识别方法，属于雷达目标识别领域。
背景技术
提高雷达目标识别精度是雷达目标识别领域发展的一个永恒的主题。HRRP是在大发射带宽、目标尺寸远大于雷达距离分辨率的条件下，目标散射点的子回波在雷达方向上投影的矢量和，由于其易获取性、便于处理、占用存储空间少、以及包含丰富的目标结构信息的优点，基于HRRP的雷达目标识别被认为是一种很有前景的雷达目标识别方法。在基于HRRP的雷达目标识别领域，LDA(线性判别分析，Linear discriminant analysis)是一种经典的线性识别方法，也被称为Fisher判别分析。但是在进行多类目标分类时，LDA的识别精度远远低于进行两类目标分类时的识别精度，并且在训练样本较少的情况下LDA的识别精度也会下降，为了保证LDA稳定的识别精度，必须保证足够的训练样本，但是这也会带来计算量增大、实时性变差的问题。而战场上敌方作战目标远远超过两类目标，并且很难获得大量的敌方目标信息，即训练样本很少，若不能保证稳定且较高的雷达目标识别精度，会导致双方交战时由于不能准确识别敌方目标而不能及时做出正确应对，从而贻误战机导致己方蒙受损失，甚至战败。
多类目标分类时雷达目标识别精度严重降低，以及训练样本较少时识别精度降低的这两个问题极大的限制了LDA在雷达目标识别领域的应用。
发明内容
本发明的目的是为了解决LDA在进行多类目标的雷达目标识别时，识别精度严重下降以及训练样本较少时雷达目标识别精度下降的问题，提出了基于小样本的高精度HRRP雷达多目标识别方法。
本发明的目的是通过下述技术方案实现的。
基于小样本的高精度HRRP雷达多目标识别方法，即classification of multipletargets based on small HRRP samples，简称CMTSHS，包括两个阶段：训练阶段与识别阶段；
其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；
训练阶段，包括如下步骤：
步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；
其中，FFT处理即快速傅里叶变换；
其中，用于训练的雷达回波信号采集过程为：
步骤1.1.1：将探测角度0-360°平均划分为多个角域；
步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；
采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：
步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；
步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；
其中，子回波信号进行FFT处理输出的频域信号为HRRP训练样本，且HRRP训练样本数目与子回波信号数目一致；由一个雷达回波信号得到的多个HRRP训练样本为一个HRRP训练样本集；
步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分，具体为：
步骤1.2.1：训练样本降噪处理，具体为：对步骤1.1.4输出的每个HRRP训练样本集求平均距离像；
步骤1.2.2：训练样本归一化处理，具体为：对步骤1.2.1计算出的平均距离像采用最大值归一化；
步骤1.2.3：训练样本截取处理，采用阈值法将步骤1.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP训练样本的有效片段；
步骤1.3：训练样本的特征提取，从步骤1.2得到的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；
步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；
其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；i的取值范围为1到C；
其中，C为目标类型的数目且C>2；
步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；
其中，LDA操作保留每组两类目标特征不低于90％的能量；
其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；
其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；i的取值范围为1到C；
其中，C为目标类型的数目且C>2；
步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：
步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；
其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；i的取值范围为1到C；
其中，C为目标类型的数目且C>2；
步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；
其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；
其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；i的取值范围为1到C；
其中，C为目标类型的数目且C>2；
至此，从步骤1.1到步骤1.6.2，完成了CMTSHS的训练阶段；
识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：
步骤2.1：雷达回波信号转换为HRRP识别样本，处理过程包括将用于识别的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本；
其中，用于识别的雷达回波信号的采集过程为：
步骤2.1.1：使用训练阶段步骤1.1.1的同一雷达从任一待测目标的任意角度采集1个雷达回波信号；
采集到雷达回波信号后，执行将其转换为HRRP识别样本的操作，具体子步骤为：
步骤2.1.2：将步骤2.1.1采集到的雷达回波信号平均分为多段子回波信号，划分的子回波信号个数与训练阶段步骤1.1.3划分的子回波信号个数不必相等；
步骤2.1.3：对步骤2.1.2划分的子回波信号进行FFT处理，输出与子回波信号数目等量的HRRP识别样本；
步骤2.2：识别样本预处理，得到HRRP识别样本的有效片段，包括识别样本降噪、识别样本归一化以及识别样本截取处理三部分，具体为：
步骤2.2.1：识别样本降噪处理，具体为：对步骤2.1.3输出的全部HRRP识别样本求平均距离像；
步骤2.2.2：识别样本归一化处理，具体为：对步骤2.2.1计算出的平均距离像采用最大值归一化；
步骤2.2.3：识别样本截取处理，采用阈值法将步骤2.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP识别样本的有效片段；
步骤2.3：识别样本的特征提取，从步骤2.2.3截取的HRRP识别样本的有效片段中提取一组识别样本特征，包括物理特征与数学特征；
其中，特征类型和顺序必须与训练阶段的步骤1.3完全一致；
步骤2.4：识别样本的特征选择，将步骤2.3提取出的一组识别样本特征分别与训练阶段步骤1.5得到的一系列LDA映射矩阵相乘，得到多组识别样本新特征，识别样本新特征的组数与目标类型数目相同；
其中，将步骤2.3提取出的一组识别样本特征通过与第i个LDA映射矩阵相乘，求出第i组识别样本新特征；i的取值范围为1到C；
其中，C为目标类型的数目且C>2；
步骤2.5：分类器识别，并行地将步骤2.4得到的多组识别样本新特征输入到由训练阶段步骤1.6.2训练出来的一系列贝叶斯分类器中，每个分类器输出识别样本是对应识别类目标的概率与不是对应识别类目标的概率；
其中，将第i组识别样本新特征输入到第i个贝叶斯分类器中，输出识别样本是第i类目标的概率与不是第i类目标的概率；i的取值范围为1到C；C为目标类型的数目且C>2；
步骤2.6：求比并输出识别结果，求步骤2.5中每个分类器输出的识别样本是对应识别类目标的概率与不是对应识别类目标的概率的比值，最大比值所在的贝叶斯分类器对应识别的目标类型被输出为识别结果。
有益效果
基于小样本的高精度HRRP雷达目标识别方法，CMTSHS，与传统处理多类雷达目标分类问题时的LDA方法相比，具有如下有益效果：
1.CMTSHS在处理多目标分类问题时具备高精度识别的能力，能够克服LDA在处理多目标分类时精度严重下降的问题；
2.在只有少量训练样本可用时，CMTSHS的高精度识别仍然会保持稳定。
附图说明
图1为本发明基于小样本的HRRP雷达目标识别流程示意图；
图2为本发明基于小样本进行C类目标(C>2)分类时的训练阶段流程示意图；
图3为本发明基于小样本进行C类目标(C>2)分类时的训练阶段训练样本预处理的效果图；
图4为本发明基于小样本进行C类目标(C>2)分类时的识别阶段流程示意图；
图5是训练样本数目变化时本方法与LDA雷达目标识别方法的识别精度对比；
其中，图3中的(a)为未经过训练样本降噪处理的HRRP训练样本；(b)为训练样本降噪处理后的HRRP训练样本；(c)为截取的HRRP训练样本的有效片段。
具体实施方式
为了更好的说明本方法的目的和优点，结合附图及具体实施例对本发明的具体实施内容做进一步详细说明。
实施例1
本实施例阐述了本发明的具体实施。
雷达仿真数据的详细背景如下：
(1)雷达发射信号中心频率fs为4.5GHz；带宽B为200MHz；周期T为1μs。
(2)探测距离R为60m，探测角度为0-360°。
(3)待分类目标为3类，三类目标代号定为target1、target2、target3：
target1为正方体，尺寸为10*10*10m3；
target2为长方体，尺寸为10*6*10m3；
target3为四棱锥，底座尺寸为10*10m2，高为10m。
(4)角域大小为5°，因此目标的探测角度0-360°平均划分为72个角域。
(5)对target1、target2、target3三类目标从72个角域中分别采集用于训练和识别的雷达回波信号：
训练：每个角域随机选取1个探测角度，每个角度采集一段时长为90μs的雷达回波信号；
识别：每个角域随机选取3个探测角度，每个角度采集一段时长为90μs的雷达回波信号，因此：
target1用于训练的雷达回波信号个数为1*72，用于识别的雷达回波信号个数为3*72；
target2用于训练的雷达回波信号个数为1*72，用于识别的雷达回波信号个数为3*72；
target3用于训练的雷达回波信号个数为1*72，用于识别的雷达回波信号个数为3*72。
(6)仿真平台为Matlab2018b。
采集完数据后，进行CMTSHS雷达目标识别。如图1所示，CMTSHS雷达目标识别方法有两个阶段：训练阶段与识别阶段。首先通过CMTSHS训练阶段训练出三组LDA映射矩阵与贝叶斯分类器。
CMTSHS训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段，详细步骤如图2所示：
步骤A.1为雷达回波信号转换为HRRP训练样本集阶段。处理过程包括将用于训练的雷达回波信号平均划分为9段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集。具体操作步骤为：
步骤A.1.1将三类目标每个用于训练的雷达回波信号平均分成9段时长为10μs的子回波信号；
步骤A.1.2对子回波信号FFT之后输出HRRP训练样本集；
其中，由同一个雷达回波信号划分的9个子回波信号FFT处理得到的9个HRRP训练样本为1个HRRP训练样本集。
步骤A.2为训练样本预处理阶段，得到截取的HRRP训练样本的有效片段。如图2所示包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分，具体为：
步骤A.2.1为训练样本降噪处理：对步骤A.1.2得到的训练样本集进行平均距离像处理；
步骤A.2.2为训练样本归一化处理：利用最大值归一化对步骤A.2.1计算出的平均距离像进行归一化处理；
步骤A.2.3为训练样本截取处理：采用阈值法，设置阈值(x_为步骤A.2.2输出的经过归一化的平均距离像的平均值，1.5为经过实验按照经验选取的值)截取HRRP训练样本的有效片段，具体为：从步骤A.2.2输出的经过归一化的平均距离像中提取高于阈值的数据，其中第一个与最后一个之间的HRRP数据就是截取的HRRP训练样本的有效片段；
图3为本发明训练阶段对训练样本预处理的效果图。其中训练样本降噪效果如(a)与(b)所示，截取的HRRP训练样本的有效片段如图(c)所示。
步骤A.3为训练样本的特征提取阶段。如图2所示，从步骤A.2.3截取的HRRP训练样本的有效片段中提取出1组三类目标的特征，包括14种特征：功率谱特征、目标的长度特征、强散射中心数目、二阶中心矩、三阶中心矩、散射中心分布熵、HRRP的平均值与均方差、平均起伏特性、差分起伏特性、对称性程度、分散性程度、去尺度结构特征以及径向能量特征。
步骤A.4为多类分类转化为两类分类阶段。如图2所示，处理对象为步骤A.3提取出的1组三类目标的特征，并行地将每一类目标的特征单独划为一类，能够把它转化为3组两类目标特征，具体为：
将target1的特征划为一类，命名为“is1”，含义为“是target1的特征”，将target2和target3的特征划为另一类，命名为“not1”，含义为“不是target1的特征”，“is1”和“not1”为第一组两类目标特征；
将target2的特征划为一类，命名为“is2”，含义为“是target2的特征”，将target1和target3的特征划为另一类，命名为“not2”，含义为“不是target2的特征”，“is2”和“not2”为第二组两类目标特征；
将target3的特征划为一类，命名为“is3”，含义为“是target3的特征”，将target1和target2的特征划为另一类，命名为“not3”，含义为“不是target3的特征”，“is3”和“not3”为第三组两类目标特征。
步骤A.5为训练样本的特征选择阶段。如图2所示，对3组两类目标特征并行执行LDA操作，得到3个LDA映射矩阵，每个LDA映射矩阵对应一类目标；
其中通过“is1”和“not1”得到映射矩阵WLDA1，对应target1；通过“is2”和“not2”得到映射矩阵WLDA2，对应target2；通过“is3”和“not3”得到映射矩阵WLDA3，对应target3。
步骤A.6为训练贝叶斯分类器阶段，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤。如图2所示，将步骤A.4得到的3组两类目标特征分别与步骤A.5得到的3个LDA映射矩阵并行相乘算出3组新特征，通过计算3组新特征内每组每个新特征的平均值与均方差求出3个贝叶斯分类器的先验概率参数，即训练出3个贝叶斯分类器，且每个分类器对应识别一类目标。详细操作为：
“is1”和“not1”通过与LDA映射矩阵WLDA1相乘求出第一组新特征，计算每个新特征的平均值与均方差训练出第一个贝叶斯分类器Bayes classifier1。Bayes classifier1对应识别target1；
“is2”和“not2”通过与LDA映射矩阵WLDA2相乘求出第二组新特征，计算每个新特征的平均值与均方差得到第二个贝叶斯分类器Bayes classifier2。Bayes classifier2对应识别target2；
“is3”和“not3”通过与LDA映射矩阵WLDA3相乘求出第三组新特征，计算每个新特征的平均值与均方差得到第三个贝叶斯分类器Bayes classifier3。Bayes classifier3对应识别target3。
步骤A.1到步骤A.6就是雷达回波信号进行CMTSHS训练阶段详细步骤。得到3组LDA映射矩阵与贝叶斯分类器后，通过识别阶段进行目标识别。
CMTSHS识别阶段包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段。具体步骤如图4所示：
步骤B.1为雷达回波信号转换为HRRP识别样本阶段，处理过程包括将用于识别的雷达回波信号平均划分为9段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本。具体步骤为：
步骤B.1.1：从用于识别的雷达回波信号中随机选取一个信号，平均分成9段时长为10μs的回波子信号；
步骤B.1.2：对9段回波子信号进行FFT处理，输出9个HRRP识别样本；
步骤B.2为识别样本预处理阶段，截取HRRP识别样本的有效片段。如图4所示包括识别样本降噪、识别样本归一化以及识别样本截取处理三部分，具体为：
步骤B.2.1为识别样本降噪处理：对步骤B.1.2计算的9个HRRP识别样本进行平均距离像处理；
步骤B.2.2为识别样本归一化处理：利用最大值归一化对步骤B.2.1计算出的平均距离像进行归一化处理；
步骤B.2.3为识别样本截取处理：采用阈值法，设置阈值η＝1.5×x_(x_为步骤B.2.2输出的经过归一化的平均距离像的平均值，1.5为经过实验按照经验选取的值)，截取HRRP识别样本的有效片段，从步骤B.2.2输出的经过归一化的平均距离像中提取高于阈值的数据，其中第一个与最后一个之间的HRRP数据，就是截取的HRRP识别样本的有效片段。
步骤B.3为识别样本的特征提取阶段。如图4所示，从步骤B.2.3截取的HRRP识别样本的有效片段中提取一组识别样本特征，包括14种特征：功率谱特征、目标的长度特征、强散射中心数目、二阶中心矩、三阶中心矩、散射中心分布熵、HRRP的平均值与均方差、平均起伏特性、差分起伏特性、对称性程度、分散性程度、去尺度结构特征以及径向能量特征；
其中，本步骤提取的特征种类以及顺序与训练阶段步骤A.3完全一致。
步骤B.4为识别样本的特征选择阶段。如图4所示，将步骤B.3提取的一组识别样本特征分别与训练阶段步骤A.5得到的3个LDA映射矩阵WLDA1、WLDA2、WLDA3相乘，得到3组识别样本新特征。
步骤B.5为分类器识别阶段。如图4所示，将步骤B.4得到的3组识别样本新特征并行输入到训练阶段步骤A.6训练出的3个贝叶斯分类器中：Bayes classifier1、Bayesclassifier2、Bayes classifier3，每一个分类器都计算出识别样本是对应识别类目标与不是对应识别类目标的概率，具体为：
将第一组识别样本新特征输入到贝叶斯分类器Bayes classifier1，计算出识别样本是target1的概率P(is1)与不是target1的概率P(not1)；
将第二组识别样本新特征输入到贝叶斯分类器Bayes classifier2，计算出识别样本是target2的概率P(is2)与不是target2的概率P(not2)；
将第三组识别样本新特征输入到贝叶斯分类器Bayes classifier3，计算出识别样本是target3的概率P(is3)与不是target3的概率P(not3)。
步骤B.6为求比并输出识别结果阶段。如图4所示，计算3组概率比值P(is1)/P(not1)、P(is2)/P(not2)、P(is3)/P(not3)，进行比较，最大比值的贝叶斯分类器对应的目标类型被输出为识别类型。
至此，CMTSHS雷达目标识别方法的识别阶段结束，CMTSHS雷达目标识别方法也全部结束。
当3类目标每个角域用于训练的样本数目从1-10逐次递增时，对所有识别样本进行CMTSHS与LDA目标识别并统计识别精度，数据见表1：
表1 不同训练样本下CMTSHS与LDA两种雷达目标识别方法的识别精度
通过分析表1的数据与图5，能够发现：
1.无论训练样本的数目多或者少，CMTSHS的识别性能始终优于LDA，而且当两类方法的识别性能比较稳定时，CMTSHS的识别精度较LDA高20％左右，说明CMTSHS在处理多目标分类问题时具备高精度识别的能力，能够克服LDA在处理多目标分类时精度严重下降的问题；
2.当单个角域内训练样本逐渐变少时，LDA的识别精度开始会保持稳定，下降到4时精度就开始降低，说明在只有少量训练样本可用时，LDA的识别精度会下降，而CMTSHS的识别精度在当个角域内训练样本从10下降到1时始终处于稳定状态，说明在只有少量训练样本可用时，CMTSHS的识别精度仍然会保持稳定。
以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (7)

1.基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：包括两个阶段：训练阶段与识别阶段；
其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；
训练阶段，包括如下步骤：
步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；
其中，用于训练的雷达回波信号采集过程为：
步骤1.1.1：将探测角度0-360°平均划分为多个角域；
步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；
采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：
步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；
步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；
步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分；
步骤1.3：训练样本的特征提取，从步骤1.2截取的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；
步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；
其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；
步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；
其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；
其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；
步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：
步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；
其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；
步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；
其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；
其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；
至此，从步骤1.1到步骤1.6.2，完成了训练阶段；
识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：
步骤2.1：雷达回波信号转换为HRRP识别样本，处理过程包括将用于识别的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本；
其中，用于识别的雷达回波信号的采集过程为：
步骤2.1.1：使用训练阶段步骤1.1.1的同一雷达从任一待测目标的任意角度采集1个雷达回波信号；
采集到雷达回波信号后，执行将其转换为HRRP识别样本的操作，具体子步骤为：
步骤2.1.2：将步骤2.1.1采集到的雷达回波信号平均分为多段子回波信号，划分的子回波信号个数与训练阶段步骤1.1.3划分的子回波信号个数不必相等；
步骤2.1.3：对步骤2.1.2划分的子回波信号进行FFT处理，输出与子回波信号数目等量的HRRP识别样本；
步骤2.2：识别样本预处理，得到HRRP识别样本的有效片段，包括识别样本降噪、识别样本归一化以及识别样本截取处理三部分，具体为：
步骤2.2.1：识别样本降噪处理，具体为：对步骤2.1.3输出的全部HRRP识别样本求平均距离像；
步骤2.2.2：识别样本归一化处理，具体为：对步骤2.2.1计算出的平均距离像采用最大值归一化；
步骤2.2.3：识别样本截取处理，采用阈值法将步骤2.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP识别样本的有效片段；
步骤2.3：识别样本的特征提取，从步骤2.2.3截取的HRRP识别样本的有效片段中提取一组识别样本特征，包括物理特征与数学特征；
其中，特征类型和顺序必须与训练阶段的步骤1.3完全一致；
步骤2.4：识别样本的特征选择，将步骤2.3提取出的一组识别样本特征分别与训练阶段步骤1.5得到的一系列LDA映射矩阵相乘，得到多组识别样本新特征，识别样本新特征的组数与目标类型数目相同；
其中，将步骤2.3提取出的一组识别样本特征通过与第i个LDA映射矩阵相乘，求出第i组识别样本新特征；
步骤2.5：分类器识别，并行地将步骤2.4得到的多组识别样本新特征输入到由训练阶段步骤1.6.2训练出来的一系列贝叶斯分类器中，每个分类器输出识别样本是对应识别类目标的概率与不是对应识别类目标的概率；
其中，将第i组识别样本新特征输入到第i个贝叶斯分类器中，输出识别样本是第i类目标的概率与不是第i类目标的概率；
步骤2.6：求比并输出识别结果，求步骤2.5中每个分类器输出的识别样本是对应识别类目标的概率与不是对应识别类目标的概率的比值，最大比值所在的贝叶斯分类器对应识别的目标类型被输出为识别结果。
2.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：步骤1.1中，FFT处理即快速傅里叶变换。
3.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：步骤1.2，具体为：
步骤1.2.1：训练样本降噪处理，具体为：对步骤1.1.4输出的每个HRRP训练样本集求平均距离像；
步骤1.2.2：训练样本归一化处理，具体为：对步骤1.2.1计算出的平均距离像采用最大值归一化；
步骤1.2.3：训练样本截取处理，采用阈值法将步骤1.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP训练样本的有效片段。
4.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：步骤1.1.4中，子回波信号进行FFT处理输出的频域信号为HRRP训练样本，且HRRP训练样本数目与子回波信号数目一致；由一个雷达回波信号得到的多个HRRP训练样本为一个HRRP训练样本集。
5.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：i的取值范围为1到C。
6.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：C为目标类型的数目且C>2。
7.依据权利要求1所述的基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：步骤1.5中，LDA操作保留每组两类目标特征不低于90％的能量。
CN201910546925.9A 2019-06-24 2019-06-24 基于小样本的高精度hrrp雷达多目标识别方法 Active CN110232371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910546925.9A CN110232371B (zh) 2019-06-24 2019-06-24 基于小样本的高精度hrrp雷达多目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910546925.9A CN110232371B (zh) 2019-06-24 2019-06-24 基于小样本的高精度hrrp雷达多目标识别方法

Publications (2)

Publication Number Publication Date
CN110232371A true CN110232371A (zh) 2019-09-13
CN110232371B CN110232371B (zh) 2021-08-31

Family

ID=67857113

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910546925.9A Active CN110232371B (zh) 2019-06-24 2019-06-24 基于小样本的高精度hrrp雷达多目标识别方法

Country Status (1)

Country Link
CN (1) CN110232371B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824450A (zh) * 2019-10-15 2020-02-21 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法
CN110967678A (zh) * 2019-12-20 2020-04-07 安徽博微长安电子有限公司 一种多波段雷达目标识别的数据融合算法及系统
CN112147592A (zh) * 2020-08-31 2020-12-29 北京航空航天大学 多视目标识别方法、装置、控制设备及存储介质
CN112801218A (zh) * 2021-03-22 2021-05-14 中国人民解放军国防科技大学 一种基于降噪特征增强的多视角一维距离像融合识别方法
CN113743180A (zh) * 2021-05-06 2021-12-03 西安电子科技大学 一种基于cnnkd的雷达hrrp小样本目标识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106371080A (zh) * 2016-08-24 2017-02-01 电子科技大学 基于几何结构特征和多特征综合的雷达目标识别方法
CN106443632A (zh) * 2016-12-01 2017-02-22 西安电子科技大学 基于标签保持多任务因子分析模型的雷达目标识别方法
US20180012082A1 (en) * 2016-07-05 2018-01-11 Nauto, Inc. System and method for image analysis
CN107576958A (zh) * 2017-07-09 2018-01-12 电子科技大学 一种被动式多雷达认知跟踪中节约雷达节点资源的方法
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所（中国电子科技集团公司第十研究所） Sar图像海面舰船识别方法
US20190049548A1 (en) * 2017-08-09 2019-02-14 SWFL, Inc., d/b/a "Filament" Systems and methods for physical detection using radio frequency noise floor signals and deep learning techniques
US20190065696A1 (en) * 2017-08-22 2019-02-28 Geospatial Technology Associates Llc System, Apparatus and Method for Hierarchical Identification, Multi-Tier Target Library Processing, and Two-Stage Identification
CN109479088A (zh) * 2017-06-02 2019-03-15 深圳市大疆创新科技有限公司 基于深度机器学习和激光雷达进行多目标跟踪和自动聚焦的系统和方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180012082A1 (en) * 2016-07-05 2018-01-11 Nauto, Inc. System and method for image analysis
CN106371080A (zh) * 2016-08-24 2017-02-01 电子科技大学 基于几何结构特征和多特征综合的雷达目标识别方法
CN106443632A (zh) * 2016-12-01 2017-02-22 西安电子科技大学 基于标签保持多任务因子分析模型的雷达目标识别方法
CN109479088A (zh) * 2017-06-02 2019-03-15 深圳市大疆创新科技有限公司 基于深度机器学习和激光雷达进行多目标跟踪和自动聚焦的系统和方法
CN107576958A (zh) * 2017-07-09 2018-01-12 电子科技大学 一种被动式多雷达认知跟踪中节约雷达节点资源的方法
US20190049548A1 (en) * 2017-08-09 2019-02-14 SWFL, Inc., d/b/a "Filament" Systems and methods for physical detection using radio frequency noise floor signals and deep learning techniques
US20190065696A1 (en) * 2017-08-22 2019-02-28 Geospatial Technology Associates Llc System, Apparatus and Method for Hierarchical Identification, Multi-Tier Target Library Processing, and Two-Stage Identification
CN108734111A (zh) * 2018-04-26 2018-11-02 西南电子技术研究所（中国电子科技集团公司第十研究所） Sar图像海面舰船识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LAN DU 等: "Bayesian Spatiotemporal Multitask Learning for Radar HRRP Target Recognition", 《IEEE TRANSACTIONS ON SIGNAL PROCESSING》 *
LEI HAN 等: "A target recognition algorithm applied to the unmanned ground", 《2017 IEEE INTERNATIONALCONFERENCE ON UNMANNED SYSTEM》 *
姚丽娜: "基于概率统计模型的雷达目标HRRP识别", 《郑州大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110824450A (zh) * 2019-10-15 2020-02-21 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法
CN110824450B (zh) * 2019-10-15 2020-09-29 中国人民解放军国防科技大学 一种噪声环境下的雷达目标hrrp鲁棒识别方法
CN110967678A (zh) * 2019-12-20 2020-04-07 安徽博微长安电子有限公司 一种多波段雷达目标识别的数据融合算法及系统
CN112147592A (zh) * 2020-08-31 2020-12-29 北京航空航天大学 多视目标识别方法、装置、控制设备及存储介质
CN112801218A (zh) * 2021-03-22 2021-05-14 中国人民解放军国防科技大学 一种基于降噪特征增强的多视角一维距离像融合识别方法
CN112801218B (zh) * 2021-03-22 2021-06-18 中国人民解放军国防科技大学 一种基于降噪特征增强的多视角一维距离像融合识别方法
CN113743180A (zh) * 2021-05-06 2021-12-03 西安电子科技大学 一种基于cnnkd的雷达hrrp小样本目标识别方法

Also Published As

Publication number Publication date
CN110232371B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
CN110232371A (zh) 基于小样本的高精度hrrp雷达多目标识别方法
CN107301432B (zh) 基于时频分析的自适应辐射源调制识别方法
CN110334741B (zh) 基于循环神经网络的雷达一维距离像识别方法
CN107728142B (zh) 基于二维卷积网络的雷达高分辨距离像目标识别方法
CN110188647A (zh) 一种基于变分模态分解雷达辐射源特征提取及其分类方法
CN107728143A (zh) 基于一维卷积神经网络的雷达高分辨距离像目标识别方法
CN105913083B (zh) 基于稠密sar-sift和稀疏编码的sar分类方法
CN109525369A (zh) 一种基于循环神经网络的信道编码类型盲识别方法
CN103839078A (zh) 一种基于主动学习的高光谱图像分类方法
CN112149524B (zh) 一种雷达信号分选识别方法、装置、探测器及存储介质
CN111680737B (zh) 差异性信噪比条件下的雷达辐射源个体识别方法
CN111175718A (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN106855941A (zh) 基于雷达微多普勒信号稀疏优化的手势识别方法及系统
CN108594195A (zh) 基于分割混频的低重频调频连续波雷达飞机目标分类方法
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN110705387A (zh) 一种基于云模型的通信信号特征提取方法及信号识别方法
Persico et al. Micro-Doppler classification of ballistic threats using Krawtchouk moments
CN107390193A (zh) 基于多距离单元融合的调频连续波雷达飞机目标分类方法
CN108845303A (zh) 一种非线性稳健子空间真假目标特征提取方法
CN109088837B (zh) 一种基于聚类分析的多种雷达与通信信号分类方法
CN109034087B (zh) 一种基于pca降维的混合型机器学习信号分类方法
CN108809874B (zh) 一种基于循环支持向量机的雷达与通信多信号分类方法
CN112904299B (zh) 基于深层类内分裂的雷达高分辨距离像开集目标识别方法
CN113505810A (zh) 基于池化视觉Transformer杂草生长周期检测方法
CN107192993A (zh) 基于图像熵特征的调频连续波雷达飞机目标分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant