CN113269217A - 基于Fisher准则的雷达目标分类方法 - Google Patents

Abstract

本发明公开了一种基于Fisher准则的雷达目标分类方法，利用遗传优化算法搜寻特征向量的最优特征属性权值，用以调整各个特征属性在分类器中的贡献程度；同时考虑分类系统中存在干扰目标、虚假目标，以及不同类别目标样本集混叠的问题，利用Fisher判别函数，根据雷达识别系统最小代价的原则，构建两类样本拒判域，第一类拒判域根据训练样本集特征值的波动范围，对干扰目标和虚假目标进行拒判，第二类拒判域根据测试样本与最近邻、次近邻的距离差，实现混叠区域的目标样本拒判。本发明能够有效抑制实际工作环境下干扰目标、虚假目标等对雷达目标识别分类系统性能的影响，提高系统的稳定性和识别性能。

Description

基于Fisher准则的雷达目标分类方法

技术领域

本发明属于模式识别技术领域，特别是一种基于Fisher准则的雷达目标分类方法。

背景技术

雷达探测技术问世以来，在军事、民用领域中发挥着重要的作用，尤其在现代化信息战争中，雷达已经成为战场信息收集、协调作战的一个重要工具。随着集成电路技术、数字信号处理技术等科学技术的不断发展，雷达技术也得到快速发展，现代雷达的应用已远超出基本的探测和测距功能。现代战争信息一体化程度不断提高，雷达作为战场上一种全天候、全天时的信息收集工具，基本的探测、测距、跟踪、航迹测绘功能已经不能满足现代战场的需求，需要更进一步的对目标分类识别，希望能够从雷达目标散射回波中提取特征，进而给出目标的属性、种类甚至是目标的具体型号。因此，现代雷达领域出现了雷达自动目标分类识别(Radar Automatic Target Recognition,RATR)这一新的迫切需要发展的研究方向。

雷达目标分类识别系统主要包含特征提取与目标分类两方面任务，稳定有效的目标特征是识别系统的基础，而合适有效的分类器是整个系统最终识别性能的决定因素。最近邻分类方法在分类识别应用领域广泛使用，且演变有多种改进的最近邻分类算法。其中，K-近邻(K-nearest Neighbor,KNN)分类方法是一种非参数分类方法，在分类与模式识别等领域都有广泛应用，对于雷达目标分类识别同样有效。但是传统的KNN算法认为样本的各个特征对分类效果的贡献是一样的，以及没有考虑的库外目标以及库内不同类别之间混叠的分类识别问题。

雷达目标自动分类识别系统由于领域的特殊性：一方面对象所处电磁环境复杂，一些对象的电磁反射特征可识别性较差，存在特征值分类性能差异和特征值分布区域混叠；另一方面雷达识别的对象主要是非合作的目标以及电子干扰与欺骗目标的存在，建立完备的目标数据库是极其困难，甚至不可能实现的。

发明内容

本发明的目的在于提供一种基于Fisher准则的雷达目标分类方法，用于解决目标特征分类性能差异，以及干扰目标和虚假目标对雷达目标分类系统性能的影响，在满足雷达分类系统最小代价的同时提高分类系统的识别率。

实现本发明目的的技术解决方案为：

基于Fisher准则的雷达目标分类方法，包括以下步骤：

S0：构建特征加权KNN雷达目标分类器：

在KNN分类算法的基础上，针对雷达目标分类系统中目标特征向量各个特征属性的分类性能存在差异的问题，增加特征属性权值向量对雷达目标分类器中各个特征属性进行加权，用以调整各个雷达目标特征属性在分类器中的贡献程度；

S1：基于遗传算法的最优特征属性权值搜寻：

对于构建的雷达目标分类器中的特征属性权值，利用遗传算法，将雷达目标的特征属性权值进行二进制编码，并将雷达目标平均识别率作为遗传算法的适应度值，迭代搜寻获得最优雷达目标特征属性权值，其中识别率高的雷达目标特征属性分配较大的权值，识别率低的雷达目标特征属性分配较小的权值，调整各个目标特征属性在分类判决中的贡献；

S2：基于Fisher准则的最优拒判门限计算：

本步骤根据雷达识别系统最小代价的原则，对设置的拒判域的最优门限进行求解；根据雷达目标分类系统相关性能指标，构建Fisher准则判别函数，进而对雷达目标分类器的两个拒判门限进行全局遍历寻优，将Fisher准则判别函数取得全局最优值时所对应的两个门限值作为最优拒判门限的取值；其中，第一个拒判门限T₁根据训练样本集特征值的波动范围，实现对雷达干扰目标和虚假目标的拒判；第二个拒判门限T₂根据雷达目标测试样本与最近邻、次近邻的距离差，实现混叠区域的雷达目标样本拒判；

S3：基于Fisher准则的雷达目标分类器的目标分类：

将雷达目标测试样本输入分类器，首先对输入的目标样本进行拒判分析，根据获得的最优拒判门限进行分析，若满足拒判条件，则拒判目标类别；否则将雷达目标样本输入特征加权KNN进行分类，利用获得的最优特征属性权值构建特征加权KNN分类器，特征加权KNN分类器最终给出雷达目标测试样本所属的雷达目标类别。

本发明与现有技术相比，其显著优点是：

(1)本发明在构建特征加权KNN雷达目标分类器的基础上，针对雷达目标分类识别系统中，特征属性识别性能有差异的问题，利用遗传优化算法搜寻最优特征属性权值向量，用以调整特征属性在分类器中的贡献程度，有效的提高了分类器的整体识别率；

(2)根据雷达目标分类识别系统最小代价的原则，针对输入目标样本中存在干扰目标、虚假目标等库外目标以及不同类别目标分布区域混叠的问题，构建了两类样本拒判域，并引入Fisher判别函数搜寻最优拒判门限值，在满足识别系统的最小代价的前提下，进一步的提高了分类的识别性能。

附图说明

图1是本发明的基于Fisher准则的雷达目标分类方法流程图。

图2是本发明的特征属性权值遗传优化算法流程图。

图3是本发明的特征属性权值编码方式图。

图4是本发明的基于Fisher准则的最优拒判门限算法流程图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的介绍。

本发明提出一种基于Fisher准则的雷达目标分类方法，在构建特征加权KNN雷达目标分类器的基础上，对分类器进行训练和识别测试，分类器的训练和识别流程图如图1所示，具体包括以下步骤：

(一)雷达目标分类器构建：

步骤S0、构建特征加权KNN雷达目标分类器：

S0-1、雷达目标样本特征向量对应于n维空间Rⁿ中的点，目标测试样本x_i的特征向量表示为

表示测试样本x_i的第p个特征值，其中，p＝1,2,…,m，m为样本特征值个数；训练样本特征向量表示为

表示训练样本x_j的第q个特征值，其中，q＝1,2,…,m，m为样本特征值个数；

测试样本x_i与训练样本x_j之间的欧式距离定义为：

其中，w为特征属性权值向量，w＝(w¹,w²,…,w^l,…,w^m)，w^l为特征属性权值向量w的第l个特征属性权值系数，且w^l≥0(l＝1,2,…,m)，m为样本特征值个数，w用于调整样本特征向量中各个特征值的分类器贡献度。

(二)分类器训练阶段

步骤1、基于遗传算法的最优特征属性权值搜寻：

S1：基于遗传算法的最优特征属性权值搜寻：式(1)中的特征属性权值向量w＝(w¹,w²,…,w^l,…,w^m)利用遗传算法进行最优值搜寻，识别率高的雷达目标特征属性分配较大的权值系数，识别率低的目标特征分配较小的权值系数，调整各个雷达目标特征属性在分类判决中的贡献程度，流程图如图2所示，具体包括以下步骤：

S1-1：特征属性权值编码：对特征属性权值向量w进行二进制基因编码，编码规则如图3所示，具体编码方式如下：

雷达目标特征属性权值分布在[0,1]范围内，用d位二进制表示一个特征属性权值，即把权值区间2^d等分后映射到基因编码上；

若有m个特征属性，则对应的编码位数为d×m，特征属性权值优化即是对生成的编码串进行遗传优化，搜寻最优二进制编码串。

S1-2：特征属性权值寻优：

初始化遗传算法种群，采用随机生成的方式初始化种群的个体，假设种群中的个体数目为N，直接随机生成N个d×m位的二进制串作为特征属性权值的初始种群P(0)：

P(0)＝{x_v},v＝1,2,…,N (2)

其中，每一个x_v为一个d×m位的二进制串，代表一个特征属性权值w的二进制基因编码；

遗传算法参数初始化：设当前进化代数t＝0，最大进化代数为T；设定交叉概率为P_c，变异概率为P_m；设定锦标赛选择法每次选择的个体数量K；

将目标样本集的平均识别率作为每个个体的适应度值。

利用锦标赛选择法进行进化寻优，本子步骤进一步包括：

S1-2a：从种群P(t)中随机选择K个个体，计算选择出来的K个个体的适应度值，选取其中适应度值最好的个体进入子代种群；循环执行本步骤N次生成新的子代种群；

S1-2b：根据交叉概率P_c对这N个子代种群个体进行杂交进化，在两个父代个体编码串中随机设定一个交叉点，交叉操作时，该交叉点前或后的两个个体部分编码串进行互换，并生成两个新个体，最终生成N个中间个体；

S1-2c：计算N个中间个体的适应度，选择适应度最低的N×P_m个个体使用变异算子进行突变进化，变异的基本操作内容是对种群中的个体编码串随机挑选一个或多个基因座，并对这些基因座的基因值做变动；

S1-2d：将生成的N个中间个体与种群P(t)中的个体进行竞争，选择适应度最大的N个个体作为新种群P(t+1)的个体；

令t＝t+1，重复迭代S1-2a～S1-2d，直至迭代次数达到最大进化代数T，从最终获得的种群P(T)中选择适应度最大的个体P_max(T)。

S1-3：特征属性权值解码：根据图3所示的编码规则对种群P(T)中适应度最大的个体P_max(T)的二进制编码进行转换，即将个体P_max(T)的d×m长度二进制编码按照每d位一组的格式转换成对应权值向量中的系数w^l，转换得到最优特征属性权值向量w_T。

S2：基于Fisher准则的最优拒判门限计算：

雷达目标分类识别系统由于其应用领域的特殊性，对战场目标的识别结果是有正确错误之分的，不同结果所付出的代价是不一样的，而且错误识别的代价要远远大于正确的代价，雷达目标分类识别系统利用最小代价来衡量系统的性能；

本发明将代价因子引入Fisher判别函数，定义基于Fisher准则的最小代价判别函数，来搜寻最优拒判门限，算法流程图如图4所示，具体包括以下步骤：

S2-1:目标样本数据准备：输入一个标志雷达目标类别的训练样本集：

C＝{(y_g,x_g),x_g∈Rⁿ,g＝1,2,…,c}

其中,g是训练样本类别编号，x_g是g类训练样本集，y_g是它的类别标志，y_g∈{y₁,y₂,…,y_c}其中c为目标样本种类数；

S2-2:算法参数初始化：

设置当前拒判门限t₁＝0,t₂＝0,T₁＝0,T₂＝0；

设置拒识门限遍历步长λ；

设置初始判别函数最优值F(T₁,T₂)＝0；

S2-3：计算目标特征属性统计值：

算出目标样本集中各类目标每个特征属性的统计特征值：

其中，

为类别y_g所有样本第h个特征属性的均值；

为类别y_g所有样本第h个特征属性的标准差；其中，h＝1,2,…,m，m为样本特征值个数；

S2-4：雷达目标拒判分析：针对雷达目标分类识别系统输入目标中存在干扰目标、虚假目标等库外目标以及不同类别目标分布区域混叠的问题，对于测试样本

构建两类样本拒判域；

定义第一类拒判域为：

其中，T₁为第一个拒判门限，式(4)左边部分表示测试样本与g类训练样本集特征均值中心的欧式距离，右边部分表示g类训练样本的特征最大可接受欧式距离的波动门限；

目标样本输入分类识别系统进行拒判分析时，若式(4)的左边大于等于右边的值，则输出拒判目标信息：判定为库外目标，分类识别系统不给出目标类别；

定义第二类拒判域为：

其中，T₂为第二个拒判门限，

为测试样本x_t的最近邻训练样本的特征属性的均值

的第l个统计均值，其中l＝1,2,…,m，m为样本特征值个数；

为测试样本x_t的次近邻训练样本的特征属性的均值

的第l个统计均值；上式左边部分为测试样本x_t与次近邻、最近邻两个训练样本集中心欧式距离的差值，右边部分为最近邻与次近邻两个训练样本集的中心欧式距离与拒判门限T₂的乘积；

目标样本输入分类识别系统进行拒判分析时，若式(5)的左边小于等于右边的值，则输出拒判目标信息：判定为两类目标混叠区域样本，分类识别系统不给出目标类别；

S2-5：计算雷达目标分类识别系统性能指标：

将S2-4拒判分析后的目标样本进行分类，获得分类系统的分类结果。若目标样本集C＝{(y_f,x_f),x_f∈Rⁿ,f＝1,2,…,c}中有c类目标样本，f是分类样本类别编号，xf是f类目标样本集，y_f是它的类别标志；该样本集的样本总数为N_t，其中库外样本数为N_s，分类系统的分类结果记为：实际样本类别为y_f，且被判为类y_f的样本数量为N_c；实际样本类别为y_f，但被判为其他类别的样本数量为N_e；样本为库外样本，且被判为库外样本的数量为N_cr；样本为库内样本，但是被拒判的样本数量为N_er；

根据分类系统的分类结果信息，计算雷达自动分类识别系统的以下性能指标：

正确拒判率

错误拒判率

识别率

误识率

S2-6：计算Fisher判别函数：

根据S2-5获得的错误拒判率P_er、识别率P_a以及误识率P_mn，将代价因子引入Fisher判别函数，计算基于Fisher准则的最小代价判别函数的值：

其中，C_er、C_a、C_mn分别是P_er、P_a、P_mn的代价因子，且满足0＜C_er,C_mn≤1，0≤C_a＜1；

S2-7：更新当前最优门限取值：

若F(t₁,t₂)＞F(T₁,T₂)，则更新当前最优门限与最优代价函数值：

T₁＝t₁，T₂＝t₂，F(T₁,T₂)＝F(t₁,t₂)

否则，不更新。

S2-8：遍历搜索全局最优值：

更新遍历门限：令t₂＝t₂+λ，若t₂≤1，则重复迭代S2-4～S2-7；

否则，令t₁＝t₁+λ、t₂＝0，若t₁≤1，则重复迭代S2-4～S2-7；

否则，全局搜索结束。

S2-9：全局最优值输出：

完成两维遍历搜索后，获得Fisher判别函数F(T₁,T₂)最后的取值即为全局最大值，对应的T₁和T₂为最优拒判门限。

(三)目标分类识别阶段

S3：基于Fisher准则的雷达目标分类器的目标分类：

S3-1：分类器参数初始化：

将步骤S1-3遗传优化算法中获得的最优特征属性权值向量w_T代入公式(1)，作为分类器的特征权值调整系数；将步骤S2-9中Fisher准则下获得的全局最优拒判门限T₁和T₂，分别代入两类拒判域分析公式(4)和公式(5)；

S3-2：输入雷达目标测试样本，计算出雷达目标测试样本所属的最近与次近邻的训练样本集的雷达目标种类的类别。

S3-3：根据第一类拒判域定义式(4)，如果雷达目标测试样本与最近邻样本集的距离大于最大可接受范围，拒判雷达目标测试样本，转S3-6。

S3-4：计算雷达目标测试样本所属最近邻与次近邻的距离差值，根据第二类拒判域定义式(5)分析是否拒判测试样本，若拒判，则转S3-6。

S3-5：对通过拒判域分析的雷达目标测试样本，根据式(1)距离定义，进行特征加权，利用特征加权KNN雷达目标分类器对雷达目标测试样本所属雷达目标类型分析。

雷达目标测试样本类别由其最近邻样本决定，测试样本的最近邻根据与训练样本之间的欧式距离来判定，具体流程是，特征加权KNN雷达目标分类器首先搜索测试样本与所有训练样本的距离，找出最靠近测试样本的K个样本点，即找出欧式距离中最小的K个距离值；接着对K个距离所属的样本类别进行统计，选出距离值最多的一类，判定测试样本属于这一类雷达目标；

S3-6：综合S3-3至S3-5，给出测试雷达目标样本最终分类识别结果，完成整个雷达目标分类识别过程。

Claims (6)

1.基于Fisher准则的雷达目标分类方法，其特征在于，包括以下步骤：

S0：构建特征加权KNN雷达目标分类器：

在KNN分类算法的基础上，针对雷达目标分类系统中目标特征向量各个特征属性的分类性能存在差异的问题，增加特征属性权值向量对雷达目标分类器中各个特征属性进行加权，用以调整各个雷达目标特征属性在分类器中的贡献程度；

S1：基于遗传算法的最优特征属性权值搜寻：

对于构建的雷达目标分类器中的特征属性权值，利用遗传算法，将雷达目标的特征属性权值进行二进制编码，并将雷达目标平均识别率作为遗传算法的适应度值，迭代搜寻获得最优雷达目标特征属性权值，其中识别率高的雷达目标特征属性分配较大的权值，识别率低的雷达目标特征属性分配较小的权值，调整各个目标特征属性在分类判决中的贡献；

S2：基于Fisher准则的最优拒判门限计算：

本步骤根据雷达识别系统最小代价的原则，对设置的拒判域的最优门限进行求解；根据雷达目标分类系统相关性能指标，构建Fisher准则判别函数，进而对雷达目标分类器的两个拒判门限进行全局遍历寻优，将Fisher准则判别函数取得全局最优值时所对应的两个门限值作为最优拒判门限的取值；其中，第一个拒判门限T₁根据训练样本集特征值的波动范围，实现对雷达干扰目标和虚假目标的拒判；第二个拒判门限T₂根据雷达目标测试样本与最近邻、次近邻的距离差，实现混叠区域的雷达目标样本拒判；

S3：基于Fisher准则的雷达目标分类器的目标分类：

将雷达目标测试样本输入分类器，首先对输入的目标样本进行拒判分析，根据获得的最优拒判门限进行分析，若满足拒判条件，则拒判目标类别；否则将雷达目标样本输入特征加权KNN进行分类，利用获得的最优特征属性权值构建特征加权KNN分类器，特征加权KNN分类器最终给出雷达目标测试样本所属的雷达目标类别。

2.根据权利要求1所述的基于Fisher准则的雷达目标分类方法，其特征在于，步骤S0构建特征加权KNN雷达目标分类器，具体包括以下步骤：

构建特征加权KNN分类算法：雷达目标样本特征向量对应于n维空间Rⁿ中的点，测试样本的最近邻根据与训练样本之间的欧式距离来判定；测试样本x_i与训练样本x_j之间的欧式距离定义为：

其中，w为特征属性权值向量，w^l

表示测试样本x_i的第l个特征值，

表示训练样本x_j的第l个特征值。

3.根据权利要求1所述的基于Fisher准则的雷达目标分类方法，其特征在于，步骤S1最优特征属性权值搜寻，具体包括以下步骤：

S1-1：雷达目标特征属性权值编码：对特征属性权值向量w进行二进制基因编码，用d位二进制表示一个特征属性权值，把权值区间2^d等分后映射到基因编码上；

S1-2：雷达目标特征属性权值寻优：根据遗传算法流程，初始化特征属性权值种群，将雷达目标平均识别率作为遗传算法的适应度值，迭代搜寻获得最优雷达目标特征属性权值种群个体；

S1-3：雷达目标特征属性权值解码：对适应度最大的种群个体P_max(T)的二进制编码进行转换，即将个体P_max(T)的d×m长度二进制编码按照每d位一组的格式转换成对应特征属性权值向量中的系数w^l，转换得到对应特征属性的最优特征属性权值向量w_T。

4.根据权利要求3所述的基于Fisher准则的雷达目标分类方法，其特征在于，步骤S1-2雷达目标特征属性权值寻优，具体包括以下步骤：

S1-2a：从w的种群P(t)中随机选择K个样本个体，计算选择出来的K个样本个体的适应度值，选取其中适应度值最好的个体进入子代种群；循环执行本步骤N次，生成新的子代种群；

S1-2b：根据交叉概率P_c对S1-2a中新生成的N个子代种群个体进行杂交进化，生成N个中间个体；

S1-2c：计算S1-2b中生成的N个中间个体的适应度，选择适应度最低的N×P_m个样本个体使用变异算子进行突变进化；

S1-2d：将S1-2c中生成的新的N个中间个体与种群P(t)中的个体进行竞争，选择适应度最大的N个个体作为新种群P(t+1)的个体；

令t＝t+1，重复迭代S1-2a～S1-2d，直至迭代次数达到最大进化代数T，从最终获得的种群P(T)中选择适应度最大的个体P_max(T)，将个体P_max(T)的d×m长度的二进制编码按照每d位一组的格式转换成对应特征属性权值向量中的系数w^l，转换得到对应雷达目标特征属性的最优特征属性权值向量w_T。

5.根据权利要求1所述的基于Fisher准则的雷达目标分类方法，其特征在于，步骤S2最优拒判门限计算，具体包括以下步骤：

S2-1：雷达自动目标分类识别系统拒判定义：

计算训练样本某个目标类别y_g的统计特征：

其中，

为类别y_g所有样本第h个特征属性的均值；

为类别y_g所有样本第h个特征属性的标准差；其中，h＝1,2,…，m，m为样本特征值个数；

对于雷达目标测试样本

定义第一类拒判域为：

定义第二类拒判域为：

其中，

为测试样本x_t的最近邻训练样本的特征属性的均值；

的第l个统计均值；

为测试样本x_t的次近邻训练样本的特征属性的均值

的第l个统计均值；

S2-2：雷达目标分类识别系统性能指标：

雷达自动分类识别系统中有以下几个性能指标与拒判门限有关：

正确拒判率

错误拒判率

识别率

以及误识率

其中N_cr为被判为库外样本的数量，N_s为库外样本数；N_er为被拒判的样本数量；N_t为样本集的样本总数；N_c为被判为类的样本数量；N_e为被判为其他类别的样本数量；

S2-3：基于Fisher准则的最小代价拒判门限：

根据获得的错误拒判率P_er、识别率P_a以及误识率P_mn，将代价因子引入Fisher判别函数，定义基于Fisher准则的最小代价判别函数为：

其中，C_er、C_a、C_mn分别是P_er、P_a、P_mn的代价因子；利用训练样本集计算判别函数F(t₁,t₂)的值，搜寻使得判别函数F(t₁，t₂)最大时的(t₁，t₂)的值作为最优拒判门限值T₁与T₂。

6.根据权利要求1所述的基于Fisher准则的雷达目标分类方法，其特征在于，步骤S3目标分类，具体包括以下步骤：

S3-1：雷达目标样本输入分类器时，首先计算出雷达目标样本所属的最近与次近邻的训练样本集的种类的类别；

S3-2：将S2-3中获得的最优拒判门限值T₁与T₂代入两类拒判域定义式，判定雷达目标样本是否在前面获得的最近与次近邻的训练样本集的拒判域内，在拒判域内，则拒判；不在拒判域内，则执行下一步；

S3-3：将最优特征属性权值向量w_T代入特征加权KNN雷达目标分类器，将雷达目标样本输入特征加权KNN雷达目标分类器，给出雷达目标样本最终识别结果。

Images