专利名称：基于噪声先验的联合高斯模型雷达目标稳健识别方法
技术领域：
本发明属于雷达技术领域，涉及稳健自动目标识别，具体的说是一种雷达目标高分辨距离像的噪声稳健目标识别方法，可用于雷达自动目标识别。
背景技术：
雷达自动目标识别技术可以提供目标属性、类别、型号等信息，高分辨雷达通常工作在微波波段，目标及其部件的长度远长于波长，这时雷达目标可近似为一组离散的散射点。相应地，雷达发射信号被目标散射点后向散射，通过幅度调制的延时后形成散射点子回波，雷达目标高分辨距离像即为各散射点子回波的向量和，这就是高分辨雷达目标的散射点模型。这个模型被广泛地应用于雷达自动目标识别。建立雷达自动目标识别统计模型分两个阶段，分别是训练阶段和测试阶段。在训练阶段，用于训练的雷达目标高分辨距离像是通过实验雷达或者电磁仿真得到的，训练样本的信噪比比较高。而在测试阶段，用于训练的雷达目标高分辨距离像的信噪比和目标特定方位反射特性以及大气条件相关，无法保证高信噪比。当使用测试雷达目标高分辨距离像的信噪比不高的情况下，测试雷达目标高分辨距离像的噪声会影响到测试雷达目标高分辨距离像的统计特性，造成训练阶段得到的雷达自动目标识别统计模型和测试阶段得到的雷达目标高分辨距离像不匹配，大大降低了雷达自动目标识别统计模型的识别性能。目前国内外有许多机构都开展了雷达自动目标识别统计模型的噪声稳健性研究，这些研究考察了测试的雷达目标高分辨距离像被噪声污染后的雷达自动目标识别统计模型的稳健性。L. Du, H. -W. Liu，Z. Bao 和 J. -Y. Zhang 2006 年在 IEEE Trans, on S. P.上发表的 A two-distribution compounded statistical model for radar HRRP targetrecognition文章建立了基于高斯和伽马分布的雷达自动目标识别统计模型，并且考察了该模型在测试的雷达目标高分辨距离像被噪声污染后的稳健性。L. Du, H. -W. Liu, PenghuiWang, Bo Feng, Mian Pan 和 Z. Bao 2012 年在 IEEE Trans, on S. P.发表的 Noise RobustRadar HRRP Target Recognition Based on Multitask Factor Analysis with SmallTraining Data Size文章建立了多任务的因子分析雷达自动目标识别统计模型，并考察了该模型在测试的雷达目标高分辨距离像的信噪比比较低时该模型的稳健性。陈凤2009年在西安电子科技大学博士学位论文雷达自动目标识别技术研究中建立了一个自适应模型来实现的雷达目标高分辨距离像被噪声污染后的稳健识别，但是该模型没有用到噪声的先验知识，性能下降较快。上述这些方法的共同缺点如下I)只给出了雷达自动目标识别模型在测试雷达目标高分辨距离像各个信噪比下的识别性能，而没有利用测试雷达目标高分辨距离像中的噪声先验来改进雷达自动目标识别统计模型。2)提出的雷达自动目标识别统计模型不稳�。谑褂貌馐岳状锬勘旮叻直婢嗬胂竦男旁氡炔桓叩那榭鱿拢侗鹦阅芎懿�。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于噪声先验的联合高斯模型雷达目标稳健识别方法，以通过对雷达目标原始高分辨距离像进行有效的预处理和雷达目标时域特征提�。⑽冉〉睦状锪细咚鼓Ｐ停岣咴诓馐岳状锬勘旮叻直婢嗬胂竦托旁氡认吕状锬勘晔侗鸬男阅�。实行本发明的技术原理是根据测试雷达目标高分辨距离像的信噪比来调整训练阶段得到的联合高斯模型中的模型参数，使训练阶段得到的雷达联合高斯模型和测试阶段得到的雷达目标高分辨距离像匹配以提高识别效果。根据以上原理，本发明的实现步骤包括如下(I)对雷达训练目标高分辨距离像数据进行角域分帧、帧内对齐和信号能量归一化的预处理，对雷达测试目标高分辨距离像数据进行信号能量归一化的预处理；(2)对预处理后的雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据取模得到它们的时域特征；(3)用雷达训练目标高分辨距离像数据的每一帧时域特征，来训练联合高斯模型，先求得雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值P，并通过最大期望EM算法确定雷达训练目标高分辨距离像数据每一帧联合高斯模型的加载矩阵Σ ,和噪声协方差矩阵Vmise ；(4)统计预处理后的雷达测试目标高分辨距离像中非信号支撑区的噪声方差< ；(5)根据雷达测试目标高分辨距离像中非信号支撑区的噪声方差σ 2，对上述联合高斯模型的均值μ和噪声协方差Vnt5ise进行修正，得到雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值修正值μ ^和噪声协方差修正值Ψο:(5a)计算对应于第c个目标第m帧的雷达训练目标的辅助函数f(x(e’m))
/(X^) = Hf"「_,2产 1(,)expi-i (:1(7))2 l- U。。f+V2-产W 丫) I 12Σ - (Ζ)Σ - (Ζ)^
L 」πσ> 2πΣ”(/)Σ”(/)τ I-2 ~其中，上标(c，m)表示参数对应于第c个目标的第m�。瑆和V为用于积分的变量，xfe’m)(l)表示雷达训练目标高分辨距离像x(c；’m)第I个距离单元，μ (c'm)(l)表示第c个目标第m帧联合高斯模型的均值中的第I个元素，Σ^^/)表示第c个目标第m帧联合高斯模型的加载矩阵中第I行，(· ”表示矩阵的转置操作，L表示雷达训练目标高分辨距离像时域特征中距离单元个数；(5b)根据辅助函数f (x(c；’m))，计算第c个目标第m帧联合高斯模型的均值修正值
JuO ·5bl)根据辅助函数f(x(e’m))，计算辅助向量a(e’m)，^(。’-)是一个1^1维向量，它的第I个元素CI(M)(I)表示为a{c'm\l) =；5b2)计算第c个目标第m帧联合高斯模型的均值修正值/^’m)/4c’m) =a(c’m)-"(c’m)，其中，μ a’m)表示第c个目标第m帧联合高斯模型的均值；
(5c)根据辅助函数f(X(e’m))计算第c个目标第m帧联合高斯模型的噪声协方差的修正值5cl)根据辅助函数f (x(c；’m))，计算第c个目标第m帧的雷达训练目标的辅助矩阵Φ(ε,ηι), 是LXL维的矩阵，它的第I1R 12列的元素I2)表示为Φ(0Μ)(I1Λ) = C…C((x(c,m)(A) -a(c'm)(I1 ))((x(c’m)(I2) -a(c'm)(I2))/(x(c’m))dx(c'm)(I)···dx(c'm)(L)，
其中a ⑴为辅助向量a 中的第I个的元素；5c2)根据辅助矩阵0(c；’m)，计算第c个目标第m帧联合高斯模型的噪声协方差的修正值ψ^Μ) = diag -Σ(χ^}Σ(χ^)τ ) -其中diag( ·)表示令矩阵非对角线元素置零操作，ψ==表示时域特征Xtest对应于第c个目标第m帧联合高斯噪声协方差矩阵；(6)根据雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值μ、均值的修正值μ C1、加载矩阵Σ χ、噪声协方差矩阵及噪声协方差修正值Vtl，计算雷达测试目标高分辨距离像数据时域特征Xtest与每一个雷达训练目标相对应的后验概率值P(XtesJc)P^tcst IC) = mmax〔(2疋)(det(B一))p exp^-|(xtest -产-)' (B一(Xtest -产)-其中，B(e’m) = Σ(^)Σ(^)τ+ψ(^)+ψ(^)，它表示时域特征Xtest对应于第c个目标第m中贞联合高斯模型协方差矩阵，m = I, ···, M。，c = I, ···, N。,表示时域特征Xtest对应于第c个目标第m帧联合高斯噪声协方差矩阵，上标(c，m)表示参数对应于第c个目标的第m�。琩et(·)表示求矩阵的行列式操作，(Bic^r1表示求协方差矩阵Bfe’m)的逆，Μ。表示第c个目标的包含的帧数，Nc表示雷达训练目标总数；(7)取雷达训练目标相对应的后验概率值P (Xtest I c)中最大值所对应的雷达训练目标的类别属性，作为雷达测试目标高分辨距离像数据的类别属性。本发明与现有技术相比具有以下优点现有的文献没有分析测试雷达目标高分辨距离像中的噪声给联合高斯模型带来的影响，训练阶段得到的联合高斯模型和测试阶段得到的雷达目标高分辨距离像不匹配，提出的联合高斯模型对噪声不稳�。贾略诓馐岳状锬勘旮叻直婢嗬胂竦男旁氡炔桓叩那榭鱿拢侗鹦阅芎懿�。在本发明中，根据估计雷达测试目标高分辨距离像数据的信噪比，确定雷达训练目标高分辨距离像数据每一帧联合高斯模型的参数的修正值，使训练阶段得到联合高斯模型和测试阶段得到的雷达目标高分辨距离像匹配，提高了联合高斯模型对噪声的稳健性，使在测试雷达目标高分辨距离像的信噪比不高的情况下的识别性能大大提高。
图I是本发明的雷达目标高分辨距离像识别流程图；图2是用本发明对雷达训练目标高分辨距离像数据进 行帧内对齐预处理的前后对比图；图3是用本发明对雷达训练目标高分辨距离像数据取模，提取的雷达训练目标时域特征图；图4是用本发明和普通联合高斯模型对不同信噪比的雷达测试目标高分辨距离像数据的平均识别率对比图。
具体实施例方式以下参照附图对本发明的实现步骤及效果作进一步详细描述。参照图I，本发明具体步骤如下步骤1，对雷达训练目标高分辨距离像数据和雷达测试高分辨距离像数据进行预处理。由于雷达训练目标高分辨距离像数据有姿态敏感性，平移敏感性，强度敏感性，雷达测试目标数据有强度敏感性，所以要先对雷达训练目标高分辨距离像数据和雷达测试目标数据做预处理，其预处理步骤如下(I. I)雷达训练目标高分辨距离像数据的角域分帧雷达训练目标高分辨距离像数据由一系列距离单元构成，雷达训练目标高分辨距离像数据距离单元内子回波的包络位移如果大于距离单元，就发生了散射点越距离单元走动MTRC，原来驻留在雷达训练目标高分辨距离像数据中同一距离单元内的散射点会发生变化，从而引起散射点模型的变化。散射点模型变化比较缓慢，在散射点不发生越距离单元走动MTRC的时候，目标的散射点模型基本固定，雷达训练目标高分辨距离像数据可以认为是一个向量平稳过程。越距离单元走动MTRC的值为(却^mtrc
WMTRC = _，式中AR是距离单元长度，P是目标横向长度。为此，本发明雷达训练目标高分辨距离像数据的角域分帧，就是按照雷达训练目标高分辨距离像数据每一帧内部包含1024次雷达训练目标高分辨距离像数据的要求，等间隔划分雷达训练目标高分辨距离像数据，使雷达训练目标高分辨距离像数据的每一帧内各次高分辨距离像的姿态角变化范围小于越距离单元走动MTRC ；(I. 2)对雷达训练目标高分辨距离像数据进行帧内对齐雷达训练目标高分辨距离像数据需要经过平移配准的步骤来避免平移敏感性所带来的影响。在训练阶段，对于同类雷达训练目标高分辨距离像数据的每一�。梢越瓶闯衫醋酝桓錾⑸涞隳Ｐ�。本发明取出雷达训练目标高分辨距离像数据每一帧中的第一次高分辨距离像作为模板固定不动，平移雷达训练目标高分辨距离像数据每一帧中的其它高分辨距离像，分别计算这些高分辨距离像与它们对应帧的第一次高分辨距离像的相关系数C( τ ) = cov(x,x( τ ))，其中，cov(x,x( τ ))表示计算雷达训练目标高分辨距离像χ和平移τ个距离单元后的雷达训练目标高分辨距离像χ(τ)的相关系数，分别平移距离单元数τ，使τ =1，···，Lci,其中Lci表示雷达 训练目标高分辨距离像中距离单元个数,并计算C( τ )得到一组相关系数值，在这组相关系数值最大的时刻，保存平移后的雷达训练目标高分辨距离像数据，并用该平移后的雷达训练目标高分辨距离像数据取代原始雷达训练目标高分辨距离像数据，使平移后的雷达训练目标高分辨距离像数据与其对应帧中的第一次高分辨距离像模板对齐，帧内对齐的前后结果如图2所示，其中图2(a)表示未对齐的雷达训练目标高分辨距离像数据样本图，图2(b)表示对齐后的雷达训练目标高分辨距离像数据样本图，由图2(a)可见，在未对齐以前，雷达训练目标高分辨距离像数据帧内训练高分辨距离像样本位置混乱；由图2(b)可见，在对齐以后，雷达训练目标高分辨距离像数据帧内训练高分辨距离像样本位置同一；
(I. 3)对雷达训练目标高分辨距离像数据信号能量归一化雷达高分辨距离像数据的强度是雷达发射功率、目标距离、目标处的雷达天线增益、电波传播、雷达高频系统损耗和雷达接收机增益等的函数，不同雷达甚至不同批次的雷达高分辨距离像数据在强度上都有不同的尺度标准，为了统一雷达训练目标高分辨距离像数据在强度上的尺度标准，将雷达训练目标高分辨距离像数据每一个距离像除以它们自身包含的信号能量，完成对雷达训练目标高分辨距离像数据信号能量的归一化；(1.4)对雷达测试高分辨距离像数据信号能量归一化，在测试阶段，为了统一雷达测试高分辨距离像数据在强度上的尺度标准，将雷达测试目标高分辨距离像数据每一个距离像除以它们自身包含的信号能量，完成雷达测试目标高分辨距离像数据信号能量归一化。步骤2，对预处理后的雷达训练目标高分辨距离像数据和雷达测试高分辨距离像数据取模得到它们的时域特征。由于雷达目标的空间相对结构固定，故可直接将雷达训练目标高分辨距离像数据沿距离单元看成一个时间的序列，但是由于物理上的原因，接收到的雷达高分辨距离像数据存在初始相位，不能直接建立联合高斯模型学习，为了去除初始相位的影响，通过对雷达训练目标高分辨距离像数据和雷达测试高分辨距离像数据取模，提取出它们的时域特征，其中本发明对雷达训练目标高分辨距离像数据的某一次高分辨距离像取模提取出的时域特征如图3所示，由图3可见提取出来的时域特征是实数，已经去除了初始相位的影响。步骤3，利用雷达训练目标高分辨距离像数据的每一帧时域特征，求联合高斯模型的均值μ //= {//(一广 ，
V/c=l,w=l产)=士/雾亡'其中μ (c'm)是对应于雷达训练目标高分辨距离像数据中第c个目标第m帧的联合高斯模型均值，上标(c，m)表示参数对应于第c个目标第m�。琋c代表雷达训练目标数，Mc目标c中包含的帧数，N(c' ffl)为第c个目标第m帧的样本数目，x(/’m)为雷达训练目标高分辨距离像第c个目标第m帧中第j个训练数据时域特征的样本。步骤4，利用最大期望EM算法，求得雷达训练目标高分辨距离像数据第c个目标第m帧联合高斯模型的加载矩阵2^—和噪声协方差矩阵ψ==(4. I)设定最大期望EM算法的期望值变化的最小门限初始值ε，作为求解的终止条件，在本发明中ε设定为O. 0001，但只是作为一个实例，不仅限于此；(4. 2)将加载矩阵故―1和噪声协方差矩阵ψ==中所有元素初始值设定为O ;(4. 3)通过最大期望EM算法的期望E步，计算雷达训练目标高分辨距离像数据第c个目标第m帧的对数概率的期望值Qa’m)
权利要求
1.基于噪声先验的联合高斯模型雷达目标稳健识别方法，包括如下步骤 (1)对雷达训练目标高分辨距离像数据进行角域分帧、帧内对齐和信号能量归一化的预处理，对雷达测试目标高分辨距离像数据进行信号能量归一化的预处理； (2)对预处理后的雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据取模得到它们的时域特征； (3)用雷达训练目标高分辨距离像数据的每一帧时域特征，来训练联合高斯模型，先求得雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值μ，并通过最大期望EM算法确定雷达训练目标高分辨距离像数据每一帧联合高斯模型的加载矩阵Σ χ和噪声协方差矩阵Vmise ； (4)统计预处理后的雷达测试目标高分辨距离像中非信号支撑区的噪声方差σ 2; (5)根据雷达测试目标高分辨距离像中非信号支撑区的噪声方差σ 2，对上述联合高斯模型的均值μ和噪声协方差Vntjise进行修正，得到雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值修正值μ ^和噪声协方差修正值Ψο: (5a)计算对应于第c个目标第m帧的雷达训练目标的辅助函数f(xfe’m))
2.根据权利要求书I所述的基于噪声先验的联合高斯模型雷达目标稳健识别方法，其中步骤I所述的角域分�。前凑绽状镅盗纺勘旮叻直婢嗬胂袷菝恳恢∧诓堪�1024次雷达训练目标高分辨距离像数据的要求，等间隔划分雷达训练目标高分辨距离像数据。
3.根据权利要求书I所述的基于噪声先验的联合高斯模型雷达目标稳健识别方法，其中步骤I所述的帧内对齐，按如下步骤进行 (Ia)取出雷达训练目标高分辨距离像数据每一帧中的第一次高分辨距离像作为模板固定不动； (Ib)平移雷达训练目标高分辨距离像数据每一帧中的其它高分辨距离像，分别计算这些高分辨距离像与它们对应帧的第一次高分辨距离像的相关系数C( T ) C ( τ ) = cov (χ，χ ( τ ))， 其中，cov(X，χ(τ))表示计算雷达训练目标高分辨距离像χ和平移τ个距离单元后的雷达训练目标高分辨距离像Χ( τ )的相关系数，得到一组相关系数值； (Ic)在一组相关系数值最大的时刻，保存平移后的雷达训练目标高分辨距离像数据，并用该平移后的雷达训练目标高分辨距离像数据取代原始雷达训练目标高分辨距离像数据，使平移后的雷达训练目标高分辨距离像数据与其对应帧中的第一次雷达高分辨距离像模板对齐。
4.根据权利要求书I所述的基于噪声先验的联合高斯模型雷达目标稳健识别方法，其中步骤I所述的信号能量归一化，是用雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据的每一次高分辨距离像除以该次高分辨距离像自身所包含的信号能量。
5.根据权利要求书I所述的基于噪声先验的联合高斯模型雷达目标稳健识别方法，其中步骤3所述的求得雷达训练目标高分辨距离像数据每一帧联合高斯模型的均值μ可由如下公式确定
6.根据权利要求书I所述的基于噪声先验的联合高斯模型雷达目标稳健识别方法，其中步骤3所述的通过最大期望EM算法确定雷达训练目标高分辨距离像数据每一帧联合高斯模型的加载矩阵Σ x和噪声协方差矩阵Vntjise步骤如下 (3.1)最大期望EM算法的期望值变化的最小门限初始值ε设定为O. 0001，作为求解的终止条件。
(3. 2)将加载矩阵故―1和噪声协方差矩阵ψ==中所有元素初始值设定为O ; (3. 3)通过最大期望EM算法的期望E步，计算雷达训练目标高分辨距离像数据第c个目标第m帧的对数概率的期望值Qa’m)
全文摘要
本发明提出了一种基于噪声先验的联合高斯模型雷达目标稳健识别方法，主要解决现有雷达飞机目标识别技术中的统计模型对噪声不稳健的问题。其实现过程是对雷达高分辨距离像数据做预处理；将预处理之后的数据取模获得其时域特征；确定雷达训练目标高分辨距离像数据每一帧的联合高斯模型的均值、加载矩阵和噪声协方差矩阵；统计雷达测试高分辨距离像数据非信号支撑区中噪声的方差，并以此计算联合高斯模型的均值和噪声协方差矩阵的修正值；计算雷达测试目标高分辨距离像数据时域特征对应每一个雷达训练目标的后验概率值；确定雷达测试目标高分辨距离像数据的类别属性。本发明具有对噪声稳健的优点，可用于对雷达飞机目标的稳健识别。
文档编号G01S7/41GK102628938SQ20121013102
公开日2012年8月8日 申请日期2012年4月29日 优先权日2012年4月29日
发明者冯博, 刘宏伟, 张学峰, 杜兰, 潘勉, 王鹏辉 申请人:西安电子科技大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
