[发明专利]基于状态空间模型的雷达高分辨距离像目标识别方法

说明书

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对飞机，车辆等目标进行识别。

背景技术

雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。

传统的目标识别方法只研究了不同高分辨距离像之间的关系，而忽略了单个高分辨距离像内各距离单元之间存在的联系，因而降低了识别系统的性能。同时，由于高分辨距离像具有很高的维度，在利用传统的目标识别方法训练识别系统时需要提供大量的高分辨距离像训练样本以保证识别系统参数的学习精度。众所周知，录取大量的高分辨距离像代价巨大，尤其是对于非合作目标，实际中更是难以获取大量的高分辨距离像样本，因而识别系统参数的学习精度不高。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于状态空间模型的雷高分辨距离像目标识别方法，以利用高分辨距离像内各距离单元之间的关系来提高识别系统的性能，同时放松识别系统对高分辨距离像训练样本数量的需求，提高识别系统参数的学习精度。

为实现上述发明目的，本发明的实现步骤如下：

1)对高分辨距离像训练样本进行傅里叶变换，将其转换到频域，并对训练样本的频域信号取模值，得到训练样本的频谱幅度信号y＝[y₁，y₂，...，y_d]，其中，y_f是训练样本的频谱幅度信号y的第f个元素，f＝1，2，...，d，d表示训练样本的频谱幅度信号y的维度，然后对训练样本的频谱幅度信号y进行归一化，将训练样本归一化后的频谱幅度信号z作为训练样本的识别特征；

2)对训练样本的识别特征z建立状态空间模型，即观测方程z_f和状态方程x_f+1：

                          z_f＝Cx_f+v_f，

                          x_f+1＝Ax_f+w_f，

其中，z_f表示训练样本的识别特征z的第f维元素，x_f是z_f对应的隐状态，C是观测方程z_f的观测矩阵，v_f是观测方程z_f的观测噪声，观测噪声v_f服从均值为0，方差为σ²的高斯分布，f＝1，2，...，d，x_f+1是z_f+1对应的隐状态，z_f+1表示训练样本的识别特征z的第f+1维元素，A是状态方程x_f+1的状态转移矩阵，w_f是状态方程x_f+1的状态噪声，状态噪声w_f服从均值为0，协方差矩阵为R的高斯分布，f＝1，2，...，d；

3)用期望最大化方法估计训练样本识别特征的观测方程的观测矩阵C、观测噪声v_f的方差σ²、状态方程的状态转移矩阵A和状态噪声w_f的协方差矩阵R，并将这些参数存入识别系统的模板库；

4)提取高分辨距离像测试样本的归一化频谱幅度信号z′作为高分辨距离像测试样本的识别特征，用各类目标模板库中观测方程和状态方程的参数，分别计算测试样本的识别特征z′的后验概率，得到一组后验概率值，选择该组后验概率值中最大后验概率值对应的目标类别，作为识别结果。

本发明具有训练样本需求量小，识别性能高的优点，可用于对雷达目标的识别。

附图说明

图1是本发明的流程图；

图2是用本发明对所有目标的识别结果随隐状态维数的变化曲线图；

图3是用本发明对所有目标的识别结果随训练样本集的大小变化曲线图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，从高分辨距离像训练样本中提取归一化频谱幅度信号作为训练样本的识别特征。