CN110569914B - 基于比值的hrrp目标识别距离分类方法 - Google Patents
基于比值的hrrp目标识别距离分类方法 Download PDFInfo
- Publication number
- CN110569914B CN110569914B CN201910864555.3A CN201910864555A CN110569914B CN 110569914 B CN110569914 B CN 110569914B CN 201910864555 A CN201910864555 A CN 201910864555A CN 110569914 B CN110569914 B CN 110569914B
- Authority
- CN
- China
- Prior art keywords
- matrix
- flag
- target
- identification
- sample
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开的基于比值的HRRP目标识别距离分类方法,属于雷达目标识别领域。本发明是基于对传统的距离分类器进行优化实现的。在训练阶段:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵。在识别阶段:通过建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,识别出待识别样本的目标类型,即实现基于HRRP的雷达目标识别。本发明能够应用于雷达目标识别领域,提高雷达目标识别的精度和稳定度,解决雷达目标识领域相关工程技术问题。
Description
技术领域
本发明涉及一种基于比值的HRRP(高分辨距离像,High Resolution RangeProfile)目标识别距离分类方法,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。
由刘家锋、赵巍、朱海龙等人出版的《模式识别》一书中指出,距离分类器是目前解决目标识别问题的主要方法之一,因为这种分类器思想直观、方法简单,但是由于其未考虑到目标类别内部的分类情况,识别精度一般。而在实际应用中,如果不能保证高的识别精度会引起判断失误从而导致决策失误,使得己方蒙受损失。
发明内容
为了解决现有技术中距离分类器在进行基于HRRP的雷达目标识别时,识别精度差的问题,本发明公开的基于比值的HRRP目标识别距离分类方法要解决的技术问题是:利用基于比值的HRRP目标识别距离分类方法实现HRRP目标识别距离分类,通过对传统的距离分类器进行优化,使得基于比值的HRRP目标识别距离分类方法能够实现高精度和高稳定度的HRRP目标识别距离分类。本发明能够应用于雷达目标识别领域,提高雷达目标识别的精度和稳定度,解决雷达目标识领域相关工程技术问题。
本发明的目的是通过下述技术方案实现的。
本发明公开的基于比值的HRRP目标识别距离分类方法,是基于对传统的距离分类器进行优化实现的,将其命名为D距离分类器,包括训练阶段与识别阶段。在训练阶段:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵。在识别阶段:通过建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,识别出待识别样本的目标类型,即通过D距离分类器实现基于HRRP的雷达目标识别。
将所述基于比值的HRRP目标识别距离分类方法应用于雷达目标识别领域,能够提高雷达目标识别的精度和稳定度,解决雷达目标识别领域相关工程技术问题。
本发明公开的基于比值的HRRP目标识别距离分类方法,是基于对传统的距离分类器进行优化实现的,将其命名为D距离分类器,包括训练阶段与识别阶段。所述基于比值的HRRP目标识别距离分类方法包括如下步骤:
步骤一:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵,至此完成D距离分类器的训练阶段。
一级步骤1.1:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵Tprac如下:
其中,m表示训练样本的数目,n表示提取特征的类别数目,Tij表示第i个训练样本的第j类特征,其中:i=1,2,…,m,j=1,2,…,n。[T1j,T2j,…,Tij,…,Tmj]T为Tprac的第j个列矩阵,表示所有训练样本提取的第j类特征,[Flag1,Flag2,…,Flagi,…,Flagm]T为Tprac的最后一个列矩阵,元素Flagi为所在行特征对应的目标类型标签,其中Flagi∈C,C为所有目标的类型集合。[Ti1,Ti2,…,Tij,…,Tin,Flagi]为Tprac的第i个行矩阵,元素包括第i个训练样本提取的n类特征以及该行特征对应的目标类型标签Flagi。目标类型标签Flagi均不参与计算。
一级步骤1.2:从一级步骤1.1建立的训练样本特征矩阵Tprac中提取每类特征的最大值,构成一个特征归一化矩阵Tmax如下:
Tmax=[T1max T2max … Tjmax …Tnmax]
T1max=max(T11,T21,…,Tm1);
T2max=max(T12,T22,…,Tm2);
Tjmax=max(T1j,T2j,…,Tmj);
…
Tnmax=max(T1n,T2n,…,Tmn)
其中,特征归一化矩阵Tmax中的元素数目与提取特征的类别数目相同,都为n。
至此,完成D距离分类器的训练阶段。
步骤二:D距离分类器的识别阶段包括建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,通过上述五个一级步骤输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
步骤二实现方法如下:
一级步骤2.1:将用于识别的雷达回波信号,即待识别样本进行预处理与特征提取处理,并利用处理后的雷达回波信号建立识别样本特征矩阵Tid如下:
Tid=[Tid1 Tid2 … Tidj … Tidn Flag0]
其中,识别样本特征矩阵Tid包含n个特征和一个为Flag0的元素,最后一个元素Flag0为待识别样本的标签,表示该行数据对应的是待识别目标,元素Tidj为从用于识别的雷达回波信号中提取的第j类特征。
一级步骤2.2:将识别样本特征矩阵Tid与训练样本特征矩Tprac通过上下拼接的方式合并为特征矩阵T如下:
其中,最后一列的元素Flag0为待识别样本的标签,Flagi为所在行特征对应的目标类型标签,其中,i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合。最后一列的元素均不参与计算。
一级步骤2.3:将一级步骤2.2合并后的特征矩阵T进行归一化处理,得到归一化合并矩阵。
利用一级步骤1.2得到的特征归一化矩阵Tmax对合并特征矩阵T中的每一类特征都进行归一化处理,得到归一化合并矩阵TNormalized:
其中,最后一列的元素Flag0为待识别样本的标签,Flagi为所在行数据对应的目标类型标签,其中,i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合。最后一列的元素均不参与计算。
一级步骤2.4:通过将一级步骤2.3得到的归一化合并矩阵TNormalized进行最大值归一化以及移动坐标系处理,将其变为所有元素均为正值的特征矩阵,将该特征矩阵命名为目标识别矩阵。
一级步骤2.4实现方法如下:
二级步骤2.4.1:对归一化合并矩阵TNormalized进行最大值归一化处理。
求归一化合并矩阵TNormalized内所有元素绝对值的最大值Vmax,并对TNormalized进行最大值归一化处理,得到最大值归一化处理的合并矩阵,该矩阵内所有元素的值处于范围[-1,1]之间。
二级步骤2.4.2:对最大值归一化处理后的特征矩阵进行移动坐标系处理,得到所有元素均为正值的特征矩阵。
其中,元素Flag0为待识别样本的标签,元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合。最后一列的元素均不参与计算。
一级步骤2.5:通过一级步骤2.4得到的目标识别矩阵进行目标识别,目标识别方法包括求比值、减基准判断值、计算模、模比较并输出四个子步骤,输出最小的模所对应的目标类型标签,输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
一级步骤2.5具体实现方法如下:
其中,最后一列元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合。最后一列的元素均不参与计算。
二级步骤2.5.2:对二级步骤2.5.1得到的比值矩阵VDivide进行减基准判断值处理,得到判断矩阵V。所述基准判断值为1。
其中,最后一列元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合。最后一列的元素均不参与计算。
二级步骤2.5.3:对二级步骤2.5.2得到的判断矩阵V的每一个行矩阵进行模计算,得到判断矩阵V所有行矩阵的模。
其中,元素Flagi为模Vi对应的目标类型标签,其中:i=1,2,…,m,Flagi∈C,C为所有目标的类型集合,均不参与计算。
二级步骤2.5.4:比较二级步骤2.5.3计算出的m个模V1,V2,…,Vi,…,Vm的大小,输出最小的模Vi=min[V1,V2,…,Vi,…,Vm]所对应的目标类型标签Flagi,输出的目标类型标签Flagi是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
其中,i=1,2,…,m,Flagi∈C,C为所有目标的类型集合。
还包括步骤三:将步骤一、二所述基于比值的HRRP目标识别距离分类方法,应用于雷达目标识别领域,能够提高雷达目标识别的精度和稳定度,解决雷达目标识领域相关工程技术问题。
有益效果:
1、与传统的距离分类器相比,本发明公开的基于比值的HRRP目标识别距离分类方法,又称为D距离分类器,包括训练阶段与识别阶段。在训练阶段:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵。在识别阶段通过建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,识别出目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。通过对传统的距离分类器进行优化,基于比值的HRRP目标识别距离分类器能够实现高精度和稳定度的HRRP目标识别距离分类。
2、本发明公开的基于比值的HRRP目标识别距离分类方法,通过一级步骤2.3特征矩阵归一化处理,能够将所有用于训练的特征的值缩放到[-1,1]的区间,缩小不同类特征之间的权重差异,使各类特征在进行距离计算时的贡献相当,不需要训练大量的样本来获得稳定的识别精度,因此D距离分类器能够保证在只有少量训练样本的条件下仍然能够应用本发明进行HRRP目标识别分类,得到的识别精度高且稳定。
3、本发明公开的基于比值的HRRP目标识别距离分类方法,通过一级步骤2.4特征矩阵正值化处理,将用于识别与训练的特征都变为正值,能够防止两个欧式距离相隔较大但绝对值相近的点进行比值计算时出现值很小的情况发生,因为所述情况与现实严重不符,会导致严重的分类失误,因此必须防止,二级步骤2.4特征矩阵正值化处理使得D距离分类器在进行HRRP目标识别分类时,能够提高识别精度。
4、本发明公开的基于比值的HRRP目标识别距离分类方法,通过二级步骤2.5.1比值计算处理,进一步缩小不同类特征之间的权重差异,因此D距离分类器的识别精度与稳定度进一步提升。
附图说明
图1为本发明训练样本特征矩阵与识别样本特征矩阵的建立流程;
图2为本发明公开的基于比值的HRRP目标识别距离分类方法的流程示意图;
图3为每个角域内训练样本数目从1-10变化时本发明公开的基于比值的HRRP目标识别距离分类方法、传统的距离分类器以及LDA+Bayes分类器对3类目标的平均识别精度对比。
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:
首先,需要获取源数据,即用于训练与识别的雷达回波信号,作为图1的输入。获取源数据的背景如下:
获取源数据使用的雷达为C波段雷达,发射信号中心频率fs为4.5GHz;带宽B为200MHz;周期T为1μs;探测距离R为60m,探测角度为0-360°;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。
待识别目标为3种形状与尺寸不同的目标,三类目标代号定为target1、target2、target3,具体参数为:
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。
采集目标用于训练和识别的雷达回波信号的细节如下
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100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100*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100*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100*72。
3类目标用于训练的雷达回波信号总数为216,用于识别的雷达回波信号总数为21600。
本实施例公开的基于比值的HRRP目标识别距离分类方法,如图2所示,包括如下步骤:
步骤一:为训练阶段,将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵。
一级步骤1.1:将用于训练的雷达回波信号进行图1所示的预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵Tprac。
其中,216表示训练样本的数目,14表示提取特征的类别数目,特征种类与提取顺序如图1所示,Tij表示第i个训练样本的第j类特征,其中:i=1,2,…,216,j=1,2,…,14。[T1j T2j … Tij … T216j]T为Tprac的第j个列矩阵,表示216个训练样本提取的第j类特征,[Flag1 Flag2 … Flagi … Flag216]T为Tprac的最后一个列矩阵,元素Flagi为所在行特征对应的目标类型标签,其中Flagi∈{targ et1,targ et2,targ et3}。[Ti1 Ti2 … Tij … Ti14Flagi]为Tprac的第i个行矩阵,元素包括第i个训练样本提取的14类特征以及该行特征对应的目标类型标签Flagi。目标类型标签Flagi均不参与计算。
一级步骤1.2:从一级步骤1.1建立的训练样本特征矩阵Tprac中提取每类特征的最大值,构成一个特征归一化矩阵Tmax如下:
Tmax=[T1max T2max … Tjmax … T14max]
T1max=max(T11,T21,…,T2161);
T2max=max(T12,T22,…,T2162);
Tjmax=max(T1j,T2j,…,T216j);
T14max=max(T1 14,T2 14,…,T216 14)
其中,特征归一化矩阵Tmax中的元素数目为14,与提取特征的种类数目相同。
至此,完成D距离分类器的训练阶段。
步骤二:为D距离分类器的识别阶段,如图2所示,包括建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,通过上述五个一级步骤输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
步骤二实现方法如下:
一级步骤2.1:将用于识别的雷达回波信号进行图1所示的预处理与特征提取处理,并利用处理后的雷达回波信号建立识别样本特征矩阵Tid如下:
Tid=[Tid1 Tid2 … Tidj … Tid14 -1]
其中,id=1,2,…,21600,21600为3类目标所有识别样本的数目之和,识别样本特征矩阵包含14种不同类特征,最后一个元素-1为待识别样本的标签,表示该行特征对应的是待识别目标,元素Tidj为从用于识别的雷达回波信号中提取的第j类特征。
一级步骤2.2:将识别样本特征矩阵Tid与训练样本特征矩阵Tprac通过上下拼接的方式合并为特征矩阵T如下:
其中,最后一列的元素-1为待识别样本的标签,Flagi为所在行特征对应的目标类型标签,其中,i=1,2,…,216,j=1,2,…,14,Flagi∈{targ et1,targ et2,targ et3}。最后一列的元素均不参与计算。
一级步骤2.3:将一级步骤2.2合并后的特征矩阵T进行归一化处理,得到归一化合并矩阵。
利用一级步骤1.2得到的特征归一化矩阵Tmax对合并特征矩阵T中的每一类特征都进行归一化处理,得到归一化合并矩阵TNormalized:
其中,最后一列的元素-1为待识别样本的标签,Flagi为所在行数据对应的目标类型标签,其中,i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arget3}。最后一列的元素均不参与计算。
一级步骤2.4:通过将一级步骤2.3得到的归一化合并矩阵TNormalized进行最大值归一化以及移动坐标系处理,将其变为所有元素均为正值的特征矩阵,并命名为目标识别矩阵。
一级步骤2.4实现方法如下:
二级步骤2.4.1:对归一化合并矩阵TNormalized进行最大值归一化处理。
求归一化合并矩阵TNormalized内所有元素绝对值的最大值Vmax,并对TNormalized进行最大值归一化处理,得到最大值归一化处理的合并矩阵,该矩阵内所有元素的值处于范围[-1,1]之间。
二级步骤2.4.2:对最大值归一化处理后的特征矩阵进行移动坐标系处理,得到所有元素均为正值的特征矩阵。
其中,元素-1为待识别样本的标签,元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arg et3}。最后一列的元素均不参与计算。
一级步骤2.5:通过一级步骤2.4得到的目标识别矩阵进行目标识别,目标识别方法包括求比值、减基准判断值、计算模、模比较并输出四个子步骤,输出最小的模所对应的目标类型标签,输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
一级步骤2.5具体实现方法如下:
其中,元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arg et3}。最后一列的元素均不参与计算。
二级步骤2.5.2:对二级步骤2.5.1得到的比值矩阵VDivide进行减基准判断值处理,得到判断矩阵V。所述基准判断值为1。
其中,元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arg et3}。最后一列的元素均不参与计算。
二级步骤2.5.3:对二级步骤2.5.2得到的判断矩阵V的每一个行矩阵进行模计算,得到判断矩阵V所有行矩阵的模。
其中,元素Flagi为模Vi对应的目标类型标签,其中:i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arg et3}。
二级步骤2.5.4:比较二级步骤2.5.3计算出的216个模V1,V2,…,Vi,…,V216的大小,输出最小的模Vi=min[V1,V2,…,Vi,…,V216]所对应的目标类型标签Flagi,输出的目标类型标签Flagi是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别。
其中,i=1,2,…,216,j=1,2,…,14,Flagi∈{t arg et1,t arg et2,t arget3}。
还包括步骤三:将步骤一、二所述基于比值的HRRP目标识别距离分类方法,应用于雷达目标识别领域,能够提高雷达目标识别的精度和稳定度,解决雷达目标识领域相关工程技术问题。
为了进一步评估本发明在基于HRRP的目标识别上的优越性,用目前常用的分类器对3类目标直接进行分类比较,常用的分类器包括:
传统的距离分类器;
线性判别分析与贝叶斯分类器结合法,即LDA+Bayes分类器。
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,将所有用于识别的样本通过3种分类器进行目标识别并统计识别精度,数据列于表1,3种分类器对3类目标的平均识别精度列于表2,对比可见图3。
表1.每个角域内训练样本数目1-10的情况下3种分类器对3类目标的识别精度
表2每个角域内训练样本数目1-10的情况下3种分类器对3类目标的平均识别精度
通过分析表2的数据与图3,发现:
1.无论每个角域内训练样本的数目多或者少,D距离分类器对3类目标的识别精度始终优于另外两种分类器;
2.当每个角域内训练样本的数目从1到10逐次增加时,D距离分类器的识别精度有缓慢的增长趋势,数目增长至4时识别精度趋于稳定;LDA+Bayes分类器的识别精度一直处于稳定状态;传统的距离分类器前期呈现出急剧的增长趋势,数目增长至6时,增长趋势趋于缓慢。说明传统的距离分类器要想获得较高的识别精度,对训练样本的数目要求很高,而D距离分类器与LDA+Bayes分类器对训练样本的数目要求不高,即在训练样本的数目较少时,D距离分类器与LDA+Bayes分类器的稳定性高于传统的距离分类器。
通过上述分析,总结D距离分类器,即本发明公开的基于比值的HRRP目标识别距离分类方法具有下述2个优势:
1.识别精度高;
2.对训练样本的数目尺寸要求较少,即在训练样本的数目较少时,识别性能稳定度高。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.基于比值的HRRP目标识别距离分类方法,其特征在于:是基于对传统的距离分类器进行优化实现的,将其命名为D距离分类器,包括训练阶段与识别阶段;所述基于比值的HRRP目标识别距离分类方法包括如下步骤,
步骤一:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵;从建立的训练样本特征矩阵中提取每类特征的最大值,构成一个特征归一化矩阵,至此完成D距离分类器的训练阶段;
步骤一实现方法如下,
一级步骤1.1:将用于训练的雷达回波信号进行预处理与特征提取处理,并利用处理后的雷达回波信号建立训练样本特征矩阵Tprac如下:
其中,m表示训练样本的数目,n表示提取特征的类别数目,Tij表示第i个训练样本的第j类特征,其中:i=1,2,…,m,j=1,2,…,n;[T1j,T2j,…,Tij,…,Tmj]T为Tprac的第j个列矩阵,表示所有训练样本提取的第j类特征,[Flag1,Flag2,…,Flagi,…,Flagm]T为Tprac的最后一个列矩阵,元素Flagi为所在行特征对应的目标类型标签,其中Flagi∈C,C为所有目标的类型集合;[Ti1,Ti2,…,Tij,…,Tin,Flagi]为Tprac的第i个行矩阵,元素包括第i个训练样本提取的n类特征以及该行特征对应的目标类型标签Flagi;目标类型标签Flagi均不参与计算;
一级步骤1.2:从一级步骤1.1建立的训练样本特征矩阵Tprac中提取每类特征的最大值,构成一个特征归一化矩阵Tmax如下:
Tmax=[T1max T2max … Tjmax … Tnmax]
T1max=max(T11,T21,…,Tm1);
T2max=max(T12,T22,…,Tm2);
…
Tjmax=max(T1j,T2j,…,Tmj);
…
Tnmax=max(T1n,T2n,…,Tmn)
其中,特征归一化矩阵Tmax中的元素数目与提取特征的类别数目相同,都为n;
至此,完成D距离分类器的训练阶段;
步骤二:D距离分类器的识别阶段包括建立识别样本特征矩阵、合并特征矩阵、合并矩阵归一化、合并矩阵正值化、目标识别五个一级步骤,通过上述五个一级步骤输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现基于HRRP的雷达目标识别;
步骤二实现方法如下,
一级步骤2.1:将用于识别的雷达回波信号,即待识别样本进行预处理与特征提取处理,并利用处理后的雷达回波信号建立识别样本特征矩阵Tid如下:
Tid=[Tid1 Tid2 … Tidj … Tidn Flag0]
其中,识别样本特征矩阵Tid包含n个特征和一个为Flag0的元素,最后一个元素Flag0为待识别样本的标签,表示该行数据对应的是待识别目标,元素Tidj为从用于识别的雷达回波信号中提取的第j类特征;
一级步骤2.2:将识别样本特征矩阵Tid与训练样本特征矩Tprac通过上下拼接的方式合并为特征矩阵T如下:
其中,最后一列的元素Flag0为待识别样本的标签,Flagi为所在行特征对应的目标类型标签,其中,i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合;最后一列的元素均不参与计算;
一级步骤2.3:将一级步骤2.2合并后的特征矩阵T进行归一化处理,得到归一化合并矩阵;
利用一级步骤1.2得到的特征归一化矩阵Tmax对合并特征矩阵T中的每一类特征都进行归一化处理,得到归一化合并矩阵TNormalized:
其中,最后一列的元素Flag0为待识别样本的标签,Flagi为所在行数据对应的目标类型标签,其中,i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合;最后一列的元素均不参与计算;
一级步骤2.4:通过将一级步骤2.3得到的归一化合并矩阵TNormalized进行最大值归一化以及移动坐标系处理,将其变为所有元素均为正值的特征矩阵,将该特征矩阵命名为目标识别矩阵;
一级步骤2.5:通过一级步骤2.4得到的目标识别矩阵进行目标识别,目标识别方法包括求比值、减基准判断值、计算模、模比较并输出四个子步骤,输出最小的模所对应的目标类型标签,输出的目标类型标签是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现基于HRRP的雷达目标识别;
一级步骤2.4实现方法如下,
二级步骤2.4.1:对归一化合并矩阵TNormalized进行最大值归一化处理;
求归一化合并矩阵TNormalized内所有元素绝对值的最大值Vmax,并对TNormalized进行最大值归一化处理,得到最大值归一化处理的合并矩阵,该矩阵内所有元素的值处于范围[-1,1]之间;
二级步骤2.4.2:对最大值归一化处理后的特征矩阵进行移动坐标系处理,得到所有元素均为正值的特征矩阵;
其中,元素Flag0为待识别样本的标签,元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合;最后一列的元素均不参与计算;
一级步骤2.5具体实现方法如下,
其中,最后一列元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合;最后一列的元素均不参与计算;
二级步骤2.5.2:对二级步骤2.5.1得到的比值矩阵VDivide进行减基准判断值处理,得到判断矩阵V;所述基准判断值为1;
其中,最后一列元素Flagi为所在行数据对应的目标类型标签,其中:i=1,2,…,m,j=1,2,…,n,Flagi∈C,C为所有目标的类型集合;最后一列的元素均不参与计算;
二级步骤2.5.3:对二级步骤2.5.2得到的判断矩阵V的每一个行矩阵进行模计算,得到判断矩阵V所有行矩阵的模;
…
…
其中,元素Flagi为模Vi对应的目标类型标签,其中:i=1,2,…,m,Flagi∈C,C为所有目标的类型集合,均不参与计算;
二级步骤2.5.4:比较二级步骤2.5.3计算出的m个模V1,V2,…,Vi,…,Vm的大小,输出最小的模Vi=min[V1,V2,…,Vi,…,Vm]所对应的目标类型标签Flagi,输出的目标类型标签Flagi是待识别样本通过D距离分类器识别出的目标类型,即通过D距离分类器实现了基于HRRP的雷达目标识别;
其中,i=1,2,…,m,Flagi∈C,C为所有目标的类型集合。
2.如权利要求1所述的基于比值的HRRP目标识别距离分类方法,其特征在于:还包括步骤三,应用于雷达目标识别领域,能够提高雷达目标识别的精度和稳定度,解决雷达目标识领域相关工程技术问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910864555.3A CN110569914B (zh) | 2019-09-12 | 2019-09-12 | 基于比值的hrrp目标识别距离分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910864555.3A CN110569914B (zh) | 2019-09-12 | 2019-09-12 | 基于比值的hrrp目标识别距离分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110569914A CN110569914A (zh) | 2019-12-13 |
CN110569914B true CN110569914B (zh) | 2022-03-25 |
Family
ID=68779547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910864555.3A Active CN110569914B (zh) | 2019-09-12 | 2019-09-12 | 基于比值的hrrp目标识别距离分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569914B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5940523A (en) * | 1996-03-19 | 1999-08-17 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
CN103941244A (zh) * | 2014-04-23 | 2014-07-23 | 电子科技大学 | 一种雷达目标一维距离像局部最优子空间识别方法 |
CN104408467A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
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 |
CN107133648A (zh) * | 2017-05-05 | 2017-09-05 | 南京航空航天大学 | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 |
-
2019
- 2019-09-12 CN CN201910864555.3A patent/CN110569914B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5940523A (en) * | 1996-03-19 | 1999-08-17 | University Corporation For Atmospheric Research | Method of moment estimation and feature extraction for devices which measure spectra as a function of range or time |
CN103941244A (zh) * | 2014-04-23 | 2014-07-23 | 电子科技大学 | 一种雷达目标一维距离像局部最优子空间识别方法 |
CN104408467A (zh) * | 2014-11-26 | 2015-03-11 | 西安电子科技大学 | 基于金字塔采样和支持矢量机的极化sar图像分类方法 |
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 |
CN107133648A (zh) * | 2017-05-05 | 2017-09-05 | 南京航空航天大学 | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 |
Non-Patent Citations (1)
Title |
---|
Radar HRRP target recognition with deep network;Feng Bo等;《Pattern Recognition》;20171231;第61卷;第379-393页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110569914A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334741B (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
CN106951915B (zh) | 一种基于类别置信度的一维距离像多分类器融合识别法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN102982349B (zh) | 一种图像识别方法及装置 | |
CN108694346B (zh) | 一种基于两级cnn的船舶辐射噪声信号识别方法 | |
Zhao et al. | Adaptive logit adjustment loss for long-tailed visual recognition | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN105261367B (zh) | 一种说话人识别方法 | |
CN111598163B (zh) | 基于Stacking集成学习方式雷达HRRP目标识别方法 | |
CN105472733B (zh) | 一种应用于室内定位中的基于ap选择定位方法 | |
CN112149524B (zh) | 一种雷达信号分选识别方法、装置、探测器及存储介质 | |
CN111175718A (zh) | 联合时频域的地面雷达自动目标识别方法及系统 | |
CN103440508A (zh) | 基于视觉词袋模型的遥感图像目标识别方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN111832462A (zh) | 一种基于深度神经网络的跳频信号检测与参数估计方法 | |
CN102663401A (zh) | 一种图像特征提取和描述方法 | |
CN111062425A (zh) | 基于c-k-smote算法的不平衡数据集处理方法 | |
CN105184266A (zh) | 一种手指静脉图像识别方法 | |
CN112712102A (zh) | 可同时识别已知和未知雷达辐射源个体的识别仪 | |
CN110907908A (zh) | 基于包络分析的导航雷达信号分选方法 | |
CN103839074A (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
CN115034257A (zh) | 一种基于特征融合的跨模态信息目标识别方法及装置 | |
CN110569914B (zh) | 基于比值的hrrp目标识别距离分类方法 | |
CN109343043A (zh) | 一种基于选择主成分分析的雷达hrrp目标识别方法 | |
CN110991485B (zh) | 一种目标检测算法的性能评估方法及系统 |
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 |