CN113361472B - 基于ILFAcs模型的雷达HRRP目标识别方法 - Google Patents
基于ILFAcs模型的雷达HRRP目标识别方法 Download PDFInfo
- Publication number
- CN113361472B CN113361472B CN202110745157.7A CN202110745157A CN113361472B CN 113361472 B CN113361472 B CN 113361472B CN 202110745157 A CN202110745157 A CN 202110745157A CN 113361472 B CN113361472 B CN 113361472B
- Authority
- CN
- China
- Prior art keywords
- model
- radar
- factor analysis
- data
- ilfacs
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于ILFAcs模型的雷达HRRP目标识别方法,其实现步骤为:从HRRP数据流中提取功率谱特征;训练最大间隔因子分析MMFA模型;生成永久保留样本集;获得第0个时刻之外的每个时刻的训练数据;构建ILFAcs模型;训练ILFAcs模型;更新永久保留样本集;目标识别。本发明构建ILFAcs模型,对雷达HRRP数据流进行学习,能有效减少了时间和空间资源的浪费,提高了雷达HRRP目标识别效率,同时生成含有代表性雷达HRRP数据的永久保留样本集,缓解了灾难性遗忘问题,提升了雷达HRRP目标识别性能。
Description
技术领域
本发明属于雷达技术领域,更进一步涉及雷达目标识别技术领域中的一种基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型(Incrementallearning based on max-margin factor analysis model with Kullback-Leiblerconstraint and exemplar selection)的雷达高分辨距离像HRRP(High-ResolutionRange Profile)目标识别方法。本发明能够对雷达高分辨距离像数据进行目标识别。
背景技术
高分辨距离像(HRRP)是在宽带雷达信号下目标散射点回波在雷达射线方向上投影的向量和,反映了目标体上散射点沿雷达视线的分布情况,包含了重要的结构特征。雷达HRRP目标识别就是利用目标的HRRP回波实现对目标类别的判定,在民用和军用的众多领域得到了广泛的应用。
现有的雷达HRRP目标识别方法中,利用统计模型,包括自适应高斯AGC模型、伽马混合Gamma Mixture模型、伽马-高斯混合Gamma-Gaussian Mixture模型以及因子分析FA模型等,被广泛的用于HRRP数据的建模。
李彬在其发表的论文“基于雷达高分辨距离像的目标识别算法研究”(西北工业大学硕士论文,2017)中提出了一种基于混合概率主成分分析MPPCA模型的HRRP识别方法。该方法对所有类别的全部训练样本构建MPPCA模型并对模型参数进行学习,利用学出模型提取测试样本的特征,并用AGC模型确定测试样本的类别标号。
西安电子科技大学在其申请的专利文献“基于MMFA模型的雷达高分辨率距离像目标识别方法”(专利申请号2015105280836,申请公布号CN105116397A)中公开了一种基于最大间隔因子分析MMFA模型的雷达HRRP目标识别方法。该方法对所有类别的全部训练样本构建一个MMFA模型并对模型参数进行学习,利用学出模型提取测试样本的特征,并将测试样本的特征和分类器系数代入到分类器的判别公式中,最终确定测试样本的类别标号。实际应用中,雷达HRRP数据都是以数据流的形式逐渐获取的,数据流中包含已有类别的新数据,甚至出现新类别。
以上所述的两种方法存在的不足之处是,当新数据/类别到达后,由于MPPCA模型和MMFA模型是离线学习方法,需要利用全部已获取的雷达HRRP数据构建模型,造成大量时间和空间资源的浪费,雷达HRRP数据的学习效率低,从而导致雷达HRRP目标识别效率低。
丁艳华在其发表的论文“基于雷达高分辨距离像目标识别的在线贝叶斯模型研究”(西安电子科技大学硕士论文,2017)中提出了一种在线最大间隔因子分析MMFA模型的雷达HRRP目标识别方法。该方法将训练数据分成很多子样本集,对子样本集分批构建在线MMFA模型并利用随机梯度下降方法对模型参数进行更新,可以实现对雷达HRRP数据的实时学习。在测试时,利用学出模型提取测试样本的特征,并将测试样本的特征和分类器系数代入到分类器的判别公式中,最终确定测试样本的类别标号。实际中,在获取雷达HRRP数据流时,由于内存和隐私限制,无法存储全部的雷达HRRP数据。该方法存在的不足之处是,在新数据/类别到达时,由于缺少全部的雷达HRRP数据,方法面临着灾难性遗忘问题,即,当模型学习新数据/类别时,会忘记已经学到的知识,造成对旧数据/类别的识别性能下降,从而导致雷达HRRP目标识别性能下降。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法。用于解决实际应用中雷达HRRP目标识别效率低和由灾难性遗忘导致的雷达HRRP目标识别性能下降的问题。
实现本发明目的的思路是,通过基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型对雷达HRRP数据流进行学习,由于基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的模型结构和流式学习机制,能够对雷达HRRP数据进行实时学习,实时提取雷达HRRP数据中的特征,得到目标识别结果,减少了时间和空间资源的浪费,提高了雷达HRRP目标识别效率。由于本发明通过生成含有代表性雷达HRRP数据的永久保留样本集,利用永久保留样本集和实时获取的数据一起更新基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型,缓解了灾难性遗忘问题,提升了雷达HRRP目标识别性能。
为实现上述目的,本发明的具体实现步骤包括如下:
(1)从HRRP数据流中提取功率谱特征:
(1a)提取含有C个目标类别的雷达HRRP数据,C≥2;
(1b)对雷达HRRP数据进行预处理,得到C个目标类别的雷达HRRP数据流的功率谱特征;
(2)训练最大间隔因子分析MMFA模型:
(3)生成永久保留样本集:
(3c)按照下式,计算第0个时刻的N0个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
其中,表示第0个时刻的第i个雷达HRRP数据的零均值功率谱特征的隐变量到对应类别分类界面的距离,<·>表示求期望操作,表示第i个雷达HRRP数据的功率谱特征所属类别z的隐变量支持向量机LVSVM分类器的系数,表示的增广向量,表示似然函数值,P是的维度,ln(·)表示以自然常数e为底的对数操作,A0表示最大间隔因子分析MMFA模型中的加载矩阵,γ0表示最大间隔因子分析MMFA模型中噪声向量的协方差精度;
(3d)挑选各类训练样本中距离最小的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集B0;
(4)获得第0个时刻之外的每个时刻的训练数据:
(4b)判断当前t时刻的HRRP数据中是否存在新的目标类别,若是,则执行步骤(4c),否则,执行步骤(4f);
(4c)判断t-1时刻得到的永久保留样本集Bt-1是否存在新的目标类别,若是,则执行步骤(4e),否则,执行步骤(4d);
(4e)从中随机挑选Nt个二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签、当前t时刻的HRRP数据流中的二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签和Bt-1组成t时刻的训练数据BDt,其中,Nt表示中功率谱特征的总数;
(5)构建基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
其中,表示BDt中的第i个二范数归一化处理后的雷达HRRP数据的功率谱特征,At表示t时刻的加载矩阵,表示的隐变量,μt表示t时刻二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量,表示高斯噪声变量,表示At的第k列向量,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示t-1时刻训练得到加载矩阵At-1的第k列向量,表示的第k个元素,且服从均值为0、方差为的高斯分布,服从参数为c0、d0的伽马分布;表示的第p个元素,且服从均值为0、方差为的高斯分布,服从参数为的伽马分布,分别表示在t-1时刻训练得到的的后验分布的形状参数和尺度参数,表示在t-1时刻训练得到的噪声向量协方差精度γt-1的第p个元素,表示t时刻的第c个隐变量支持向量机LVSVM分类器的系数,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示在t-1时刻训练得到第c个隐变量支持向量机LVSVM分类器的系数,表示隐变量支持向量机LVSVM的伪似然函数,表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号,若属于第c类目标,则否则表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量,exp(·)表示以自然常数e为底的指数函数,h0表示调和系数,表示的增广向量;
(6)训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
将每个时刻获得的训练数据依次输入到上一时刻训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中进行训练,得到当前时刻训练好的模型;
(7)更新永久保留样本集;
(7a)在当前t时刻,判断num(BDt)≤R是否成立,若是,则执行步骤(7b),否则,执行步骤(7c),其中,num(·)表示统计样本数量操作;
(7b)将BDt作为永久保留样本集Bt;
(7c)按照下式,计算当前t时刻的num(BDt)个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
(7d)在当前t时刻挑选BDt的各类训练样本中距离最小的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集Bt,其中,Cno表示当前t时刻已经获取到的目标类别总数;
(8)目标识别:
(8c)将xtest输入到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中,计算xtest的目标类别标号,输出待识别的每个雷达高分辨距离像HRRP数据的目标识别结果。
本发明与现有技术相比具有如下优点:
第一,由于本发明基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型,对雷达HRRP数据进行学习,实时提取雷达HRRP数据中的特征,得到目标识别结果,克服了现有技术由于模型结构和学习机制,导致的时间和空间资源的浪费,雷达HRRP目标识别效率低的问题,使得本发明用于目标识别所需的时间和空间资源更少,提高了雷达HRRP目标识别效率。
第二,由于本发明生成并使用了含有代表性雷达HRRP数据的永久保留样本集,克服了现有技术由于缺少全部的雷达HRRP数据,导致的灾难性遗忘问题,使得本发明用于目标识别的信息遗忘问题得到缓解,提高了雷达HRRP目标识别的性能。
附图说明
图1是本发明的流程图;
图2是本发明用于验证所需时间和空间花费的仿真图;
图3是本发明用于验证识别性能的仿真图。
具体实施方式
下面结合附图和实施例对本发明做进一步的描述。
参照图1,对本发明的具体步骤做进一步的描述。
步骤1,从HRRP数据流中提取功率谱特征。
提取含有C个目标类别的雷达HRRP数据,C≥2。
对雷达HRRP数据进行预处理,得到C个目标类别的雷达HRRP数据流的功率谱特征。
所述雷达高分辨距离像数据进行预处理的具体步骤如下:
第1步,对每个雷达HRRP数据进行取模操作,得到该雷达HRRP数据的时域特征。
第2步,按照下式,提取每个雷达HRRP数据的功率谱特征:
第3步,按照下式,对每个雷达HRRP数据的功率谱特征进行二范数归一化处理:
步骤2,训练最大间隔因子分析MMFA模型。
所述训练最大间隔因子分析MMFA模型的具体步骤如下:
第1步,按照下式,得到第0个时刻的雷达HRRP数据的零均值功率谱特征X0:
第2步,设置最大间隔因子分析MMFA模型的目标函数LB如下:
其中,q(·)表示后验分布,A0表示最大间隔因子分析MMFA模型中的加载矩阵,S0表示X0的隐变量,α0表示A0的协方差精度,β0表示S0的协方差精度,γ0表示最大间隔因子分析MMFA模型中噪声向量的协方差精度,W0表示最大间隔因子分析MMFA模型中C个隐变量支持向量机LVSVM分类器的系数,表示W0的协方差精度,λ0表示隐变量支持向量机LVSVM分类器的隐变量,ln(·)表示以自然常数e为底的对数操作,p(·)表示先验分布,y0表示X0的标签。
第3步,使用下述的变分贝叶斯方法,对模型参数进行迭代更新,直至目标函数LB收敛为止,得到训练好的最大间隔因子分析MMFA模型:
最大间隔因子分析MMFA模型中A0的更新公式表示如下:
其中,表示A0中的第k列向量,K表示A0的原子个数,N(·)表示高斯分布,分别表示的后验均值向量和的后验协方差矩阵,<·>表示求期望操作,N0表示中的样本数量,和分别表示的第m个元素和第k个元素,表示的隐变量,表示A0中的第m列向量,表示的协方差精度。
其中,分别表示的后验均值和后验方差,(·)T表示转置操作,C0表示中的目标类别总数,h0表示调和系数,表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号,若属于第c类目标,则否则表示第c个隐变量支持向量机LVSVM分类器的系数的第k个元素,表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量,表示的第m个元素,表示的增广向量,表示β0的第k个元素。
其中,IG(·)表示逆高斯分布。
最大间隔因子分析MMFA模型中γ0的更新公式表示如下:
步骤3,生成永久保留样本集。
所述生成永久保留样本集的具体步骤如下:
第1步,判断N0≤R是否成立,若是,则执行本步骤的第2步,否则,执行本步骤的第3步,其中,R表示永久保留样本集中样本的总数。
第3步,按照下式,计算第0个时刻的N0个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
其中,表示第0个时刻的第i个雷达HRRP数据的零均值功率谱特征的隐变量到对应类别分类界面的距离,表示第i个雷达HRRP数据的功率谱特征所属类别z的隐变量支持向量机LVSVM分类器的系数,表示似然函数值,P是的维度。
第4步,挑选各类训练样本中距离最小的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集B0。
步骤4,获得第0个时刻之外的每个时刻的训练数据。
所述获得第0个时刻之外的每个时刻的训练数据的具体步骤如下:
第2步,判断当前t时刻的HRRP数据中是否存在新的目标类别,若是,则执行本步骤的第3步,否则,执行本步骤的第6步。
第3步,判断t-1时刻得到的永久保留样本集Bt-1是否存在新的目标类别,若是,则执行本步骤的第5步,否则,执行本步骤的第4步。
第5步,从中随机挑选Nt个二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签、当前t时刻的HRRP数据流中的二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签和Bt-1组成t时刻的训练数据BDt,其中,Nt表示中功率谱特征的总数。
步骤5,构建基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型。
其中,表示BDt中的第i个二范数归一化处理后的雷达HRRP数据的功率谱特征,At表示t时刻的加载矩阵,表示的隐变量,μt表示t时刻二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量,表示高斯噪声变量,表示At的第k列向量,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示t-1时刻训练得到加载矩阵At-1的第k列向量,表示的第k个元素,且服从均值为0、方差为的高斯分布,服从参数为c0、d0的伽马分布;表示的第p个元素,且服从均值为0、方差为的高斯分布,服从参数为的伽马分布,分别表示在t-1时刻训练得到的的后验分布的形状参数和尺度参数,表示在t-1时刻训练得到的噪声向量协方差精度γt-1的第p个元素,表示t时刻的第c个隐变量支持向量机LVSVM分类器的系数,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示在t-1时刻训练得到第c个隐变量支持向量机LVSVM分类器的系数,表示隐变量支持向量机LVSVM的伪似然函数,表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号,若属于第c类目标,则否则表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量,exp(·)表示以自然常数e为底的指数函数,表示的增广向量。
步骤6,训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型。
将每个时刻获得的训练数据依次输入到上一时刻训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中进行训练,得到当前时刻训练好的模型。
所述训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的具体步骤如下:
第1步,按照下式,计算当前t时刻的雷达HRRP数据的零均值功率谱特征:
其中,num(·)表示统计样本数量操作,BDr表示第r个时刻使用训练数据,μt-1表示t-1时刻的二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量。
第2步,设置当前t时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的目标函数Lt如下:
其中,St表示BDt中雷达HRRP数据的零均值功率谱特征的隐变量,βt表示St的协方差精度,γt表示当前t时刻的噪声向量的协方差精度,Wt表示当前t时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中隐变量支持向量机LVSVM分类器的系数,λt表示当前t时刻隐变量支持向量机LVSVM分类器的隐变量,yt表示BDt中雷达HRRP数据的零均值功率谱特征的标签集合,u表示权重,KL(q(At,γt,Wt)||q(At-1,γt-1,Wt-1))表示q(At,γt,Wt)和q(At-1,γt-1,Wt-1)之间的Kullback-Leibler距离,Wt-1表示t-1时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中隐变量支持向量机LVSVM分类器的系数。
第3步,在当前t时刻,使用下述的流式变分贝叶斯方法,对模型参数进行迭代更新,直至目标函数L收敛为止,得到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
步骤7,更新永久保留样本集。
所述更新永久保留样本集的具体步骤如下:
第1步,在当前t时刻,判断num(BDt)≤R是否成立,若是,则执行本步骤的第2步,否则,执行本步骤的第3步。
第2步,将BDt作为永久保留样本集Bt。
第3步,按照下式,计算当前t时刻的num(BDt)个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
第4步,在当前t时刻挑选BDt的各类训练样本中距离最小的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集Bt。
步骤8,目标识别。
将xtest输入到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中,计算xtest的目标类别标号,输出待识别的每个雷达高分辨距离像HRRP数据的目标识别结果。
所述计算xtest的目标类别标号的具体步骤如下:
其中,ρ表示当前t时刻已获取的Cno个目标类别隐变量支持向量机LVSVM分类器的输出,ρc表示ρ的第c个元素,表示stest的增广向量,ytest表示测试样本的目标类别标号,表示求解最大值对应的序号v。
下面结合仿真实验对本发明做进一步的描述。
1.仿真条件:
2.本发明的仿真实验的软件环境:操作系统为Windows 10,处理器为Inteli7CPU,处理器的主频率为3.40GHz;软件平台为:MatlabR2016b。
本发明的仿真实验中所用的雷达数据库是3类飞机的高分辨距离像实测数据,3类飞机型号分别为雅克-42,奖状,安-26,获得的3类高分辨距离像数据,分别是雅克-42飞机的高分辨距离像数据,奖状飞机的高分辨距离像数据,和安-26飞机的高分辨距离像数据。训练样本集中包含138240个训练样本,数据库内测试样本集中包含5200个测试样本,其中训练样本中含有第1类高分辨距离像数据35840个,第2类高分辨距离像数据51200个,第3类高分辨距离像数据51200个;数据库内测试样本集中含有第1类高分辨距离像数据1200个,第2类高分辨距离像数据2000个,第3类高分辨距离像数据2000个。各类训练数据以数据流的形式到来,各类训练数据每次到来200个样本,其中,雅克-42和奖状作为旧类别,安-26作为新类别。
2.仿真内容与结果分析:
本发明的仿真实验包括三个,仿真实验1是用于验证本发明方法的识别效率,仿真实验2是用于验证本发明方法的识别性能。
仿真实验1是采用本发明和对应的离线学习方法,即最大间隔因子分析MMFA模型比较,分别对训练三类飞机的雷达HRRP数据流所需的时间花费和空间花费进行比较。随着雷达HRRP数据的增多,两种方法的时间花费和空间花费的变化如图2所示。图2(a)为两种方法的时间花费的变化图,横坐标为训练样本数,纵坐标为时间花费。图2(a)中无标示的曲线表示采用本发明得到的时间花费的变化曲线。以矩形标示的曲线表示采用基于最大间隔因子分析MMFA模型的目标识别方法得到的时间花费的变化曲线。图2(b)为两种方法的空间花费的变化图,横坐标为训练样本数,纵坐标为空间花费。图2(b)中无标示的曲线表示采用本发明得到的空间花费的变化曲线。以矩形标示的曲线表示采用基于最大间隔因子分析MMFA模型的目标识别方法得到的空间花费的变化曲线。
从图2可以看出,相比于最大间隔因子分析MMFA模型,本发明基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型所需的时间花费和空间花费都更小,即本发明基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的学习效率更高,所需的空间资源更少,因此,本发明方法减少了时间和空间资源的浪费,提高了雷达HRRP目标识别效率。
仿真实验2是采用本发明和对应的离线学习方法,即最大间隔因子分析MMFA模型和随机挑选保留样本集的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型比较,分别对三类飞机的雷达HRRP数据进行识别。随着雷达HRRP数据的增多,三种方法的平均识别率的变化如图3所示。图3的横坐标为训练样本数,纵坐标为平均识别率。图3中以无标示的曲线表示采用本发明得到的平均识别率的变化曲线。以矩形标示的曲线表示采用基于最大间隔因子分析MMFA模型的目标识别方法得到的平均识别率的变化曲线。以虚线标示的曲线表示采用随机挑选保留样本集的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的目标识别方法得到的平均识别率的变化曲线。
由图3可知,本发明基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型可以对雷达HRRP数据流进行学习。相比于随机挑选保留样本集的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型,本发明的识别性能更好,与现有技术的最大间隔因子分析MMFA模型的识别性能相差更少,因此本发明方法缓解了灾难性遗忘问题,提升了雷达HRRP目标识别性能。
综上所述,本发明的仿真实验验证了本发明的正确性,有效性和可靠性。
Claims (5)
1.一种基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法,其特征在于,利用ILFAcs模型对雷达HRRP数据进行实时学习,生成含有代表性雷达HRRP数据的保留样本集,利用保留样本集和实时获取的数据一起更新模型,提取雷达HRRP数据中的特征并进行目标识别;该方法的步骤包括如下:
(1)从HRRP数据流中提取功率谱特征:
(1a)提取含有C个目标类别的雷达HRRP数据,C≥2;
(1b)对雷达HRRP数据进行预处理,得到C个目标类别的雷达HRRP数据流的功率谱特征;
(2)训练最大间隔因子分析MMFA模型:
(3)生成永久保留样本集:
(3c)按照下式,计算第0个时刻的N0个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
其中,表示第0个时刻的第i个雷达HRRP数据的零均值功率谱特征的隐变量到对应类别分类界面的距离,<·>表示求期望操作,表示第i个雷达HRRP数据的功率谱特征所属类别z的隐变量支持向量机LVSVM分类器的系数,表示的增广向量,表示似然函数值,P是的维度,ln(·)表示以自然常数e为底的对数操作,A0表示最大间隔因子分析MMFA模型中的加载矩阵,γ0表示最大间隔因子分析MMFA模型中噪声向量的协方差精度;
(3d)挑选各类训练样本中距离最小的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集B0;
(4)获得第0个时刻之外的每个时刻的训练数据:
(4b)判断当前t时刻的HRRP数据中是否存在新的目标类别,若是,则执行步骤(4c),否则,执行步骤(4f);
(4c)判断t-1时刻得到的永久保留样本集Bt-1是否存在新的目标类别,若是,则执行步骤(4e),否则,执行步骤(4d);
(4e)从中随机挑选Nt个二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签、当前t时刻的HRRP数据流中的二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签和Bt-1组成t时刻的训练数据BDt,其中,Nt表示中功率谱特征的总数;
(5)构建基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
其中,表示BDt中的第i个二范数归一化处理后的雷达HRRP数据的功率谱特征,At表示t时刻的加载矩阵,表示的隐变量,μt表示t时刻二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量,表示高斯噪声变量,表示At的第k列向量,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示t-1时刻训练得到加载矩阵At-1的第k列向量,表示的第k个元素,且服从均值为0、方差为的高斯分布,服从参数为c0、d0的伽马分布;表示的第p个元素,且服从均值为0、方差为的高斯分布,服从参数为的伽马分布,分别表示在t-1时刻训练得到的的后验分布的形状参数和尺度参数,表示在t-1时刻训练得到的噪声向量协方差精度γt-1的第p个元素,表示t时刻的第c个隐变量支持向量机LVSVM分类器的系数,且服从均值向量为协方差矩阵为的高斯分布,和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵,表示在t-1时刻训练得到第c个隐变量支持向量机LVSVM分类器的系数,表示隐变量支持向量机LVSVM的伪似然函数,表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号,若属于第c类目标,则否则 表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量,exp(·)表示以自然常数e为底的指数函数,h0表示调和系数,表示的增广向量;
(6)训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
将每个时刻获得的训练数据依次输入到上一时刻训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中进行训练,得到当前时刻训练好的模型;
(7)更新永久保留样本集;
(7a)在当前t时刻,判断num(BDt)≤R是否成立,若是,则执行步骤(7b),否则,执行步骤(7c),其中,num(·)表示统计样本数量操作;
(7b)将BDt作为永久保留样本集Bt;
(7c)按照下式,计算当前t时刻的num(BDt)个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值:
(7d)在当前t时刻挑选BDt的各类训练样本中距离最小的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R/2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征,将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集Bt,其中,Cno表示当前t时刻已经获取到的目标类别总数;
(8)目标识别:
(8c)将xtest输入到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中,计算xtest的目标类别标号,输出待识别的每个雷达高分辨距离像HRRP数据的目标识别结果。
2.根据权利要求1所述的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法,其特征在于:步骤(1b)中所述对每个雷达HRRP数据进行预处理的具体步骤如下:
第1步,对每个雷达HRRP数据进行取模操作,得到该雷达HRRP数据的时域特征;
第2步,按照下式,提取每个雷达HRRP数据的功率谱特征:
第3步,按照下式,对每个雷达HRRP数据的功率谱特征进行二范数归一化处理:
3.根据权利要求1所述的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法,其特征在于:步骤(2)中所述的训练最大间隔因子分析MMFA模型中的步骤如下:
第1步,按照下式,得到第0个时刻的雷达HRRP数据的零均值功率谱特征X0:
第2步,设置最大间隔因子分析MMFA模型的目标函数LB如下:
其中,q(·)表示后验分布,S0表示X0的隐变量,α0表示A0的协方差精度,β0表示S0的协方差精度,W0表示最大间隔因子分析MMFA模型中C0个隐变量支持向量机LVSVM分类器的系数,表示W0的协方差精度,λ0表示隐变量支持向量机LVSVM分类器的隐变量,p(·)表示先验分布,y0表示X0的标签;
第3步,使用下述的变分贝叶斯方法,对模型参数进行迭代更新,直至目标函数LB收敛为止,得到训练好的最大间隔因子分析MMFA模型:
最大间隔因子分析MMFA模型中A0的更新公式表示如下:
其中,表示A0中的第k列向量,K表示A0的原子个数,N(·)表示高斯分布,分别表示的后验分布的均值向量和的后验分布的协方差矩阵,和分别表示的第m个元素和第k个元素,表示A0中的第m列向量,表示的协方差精度;
其中,分别表示的后验分布的均值和的后验分布的方差,(·)T表示转置操作,表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号,若属于第c类目标,则否则 表示第c个隐变量支持向量机LVSVM分类器的系数的第k个元素,表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量,表示的第m个元素,表示β0的第k个元素;
其中,IG(·)表示逆高斯分布;
最大间隔因子分析MMFA模型中γ0的更新公式表示如下:
4.根据权利要求1所述的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法,其特征在于:步骤(6)中所述的训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中的步骤如下:
第1步,按照下式,计算当前t时刻的雷达HRRP数据的零均值功率谱特征:
其中,BDr表示第r个时刻使用训练数据,μt-1表示t-1时刻的二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量;
第2步,设置当前t时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的目标函数Lt如下:
其中,St表示BDt中雷达HRRP数据的零均值功率谱特征的隐变量,βt表示St的协方差精度,Wt表示当前t时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中隐变量支持向量机LVSVM分类器的系数,λt表示当前t时刻隐变量支持向量机LVSVM分类器的隐变量,yt表示BDt中雷达HRRP数据的零均值功率谱特征的标签集合,u表示权重,KL(q(At,γt,Wt)||q(At-1,γt-1,Wt-1))表示q(At,γt,Wt)和q(At-1,γt-1,Wt-1)之间的Kullback-Leibler距离,Wt-1表示t-1时刻基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中隐变量支持向量机LVSVM分类器的系数;
第3步,在当前t时刻,使用下述的流式变分贝叶斯方法,对模型参数进行迭代更新,直至目标函数L收敛为止,得到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型:
5.根据权利要求4所述的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法,其特征在于:步骤(8c)中所述计算目标类别标号的步骤如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745157.7A CN113361472B (zh) | 2021-07-01 | 2021-07-01 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745157.7A CN113361472B (zh) | 2021-07-01 | 2021-07-01 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361472A CN113361472A (zh) | 2021-09-07 |
CN113361472B true CN113361472B (zh) | 2023-04-18 |
Family
ID=77537791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110745157.7A Active CN113361472B (zh) | 2021-07-01 | 2021-07-01 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361472B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054155A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 |
CN110109110A (zh) * | 2019-04-26 | 2019-08-09 | 西安电子科技大学 | 基于先验最优变分自编码机的hrrp目标识别方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104007431B (zh) * | 2014-05-29 | 2017-03-29 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
CN105116397B (zh) * | 2015-08-25 | 2017-09-26 | 西安电子科技大学 | 基于mmfa模型的雷达高分辨率距离像目标识别方法 |
CN105334504B (zh) * | 2015-09-08 | 2017-11-21 | 西安电子科技大学 | 基于大边界的非线性判别投影模型的雷达目标识别方法 |
US10839302B2 (en) * | 2015-11-24 | 2020-11-17 | The Research Foundation For The State University Of New York | Approximate value iteration with complex returns by bounding |
CN106443632B (zh) * | 2016-12-01 | 2018-11-16 | 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 |
CN107219510B (zh) * | 2017-05-18 | 2019-11-01 | 西安电子科技大学 | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 |
CN108256436B (zh) * | 2017-12-25 | 2021-09-07 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN111208483B (zh) * | 2020-01-03 | 2022-04-19 | 西安电子科技大学 | 基于贝叶斯支持向量数据描述的雷达库外目标识别方法 |
AU2020104006A4 (en) * | 2020-12-10 | 2021-02-18 | Naval Aviation University | Radar target recognition method based on feature pyramid lightweight convolutional neural network |
-
2021
- 2021-07-01 CN CN202110745157.7A patent/CN113361472B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106054155A (zh) * | 2016-06-03 | 2016-10-26 | 西安电子科技大学 | 基于卷积因子分析模型的雷达高分辨距离像目标识别方法 |
CN110109110A (zh) * | 2019-04-26 | 2019-08-09 | 西安电子科技大学 | 基于先验最优变分自编码机的hrrp目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113361472A (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376574B (zh) | 基于cnn的可拒判雷达hrrp目标识别方法 | |
Papamakarios et al. | Fast ε-free inference of simulation models with bayesian conditional density estimation | |
CN108256436B (zh) | 一种基于联合分类的雷达hrrp目标识别方法 | |
US5455892A (en) | Method for training a neural network for classifying an unknown signal with respect to known signals | |
US6157731A (en) | Signature verification method using hidden markov models | |
CN110456355B (zh) | 一种基于长短时记忆和生成对抗网络的雷达回波外推方法 | |
JP2001502831A (ja) | 測定可能な時系列の統計的依存性の分類方法 | |
US11176424B2 (en) | Method and apparatus for measuring confidence | |
CN111398798B (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN111168569B (zh) | 一种磨削材料去除量预测方法、装置、设备及存储介质 | |
CN112613617A (zh) | 基于回归模型的不确定性估计方法和装置 | |
US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
CN108983187B (zh) | 基于ewc的在线雷达目标识别方法 | |
CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
CN113361472B (zh) | 基于ILFAcs模型的雷达HRRP目标识别方法 | |
CN112200271A (zh) | 一种训练样本确定方法、装置、计算机设备及存储介质 | |
CN115906667B (zh) | 一种海洋环境参数反演模型构建方法及装置 | |
US20120059829A1 (en) | Object classification | |
CN106203520A (zh) | 基于深度相关向量机的sar图像分类方法 | |
EP2251819A1 (en) | Object classification with particle filters | |
CN113378910B (zh) | 一种基于纯净标签的电磁信号调制类型识别的中毒攻击方法 | |
CN111160464B (zh) | 基于多隐层加权动态模型的工业高阶动态过程软测量方法 | |
US9177200B2 (en) | Object classification | |
Barkalov et al. | Identification model based on latent variables |
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 |