[发明专利]基于自回归模型的雷达高分辨距离像目标识别方法

权利要求书

1.一种基于自回归模型的雷达高分辨距离像目标识别方法，包括如下步骤：

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，并将频域信号取模值，得到高分辨距离像训练样本对应的频谱幅度信号z＝[z(1)，z(2)，...，z(d)]，其中，z(f)是频谱幅度信号z的第f维元素，f＝1，2，...，d，d表示频谱幅度信号z的维度；

2)设定自回归模型的阶数m，m为正整数，用自回归模型对训练样本的频谱幅度信号z建模为：f＝m+1，m+2，....，d，其中z(f)表示训练样本的频谱幅度信号z的第f维元素，z(f-k)表示训练样本的频谱幅度信号z的第f-k维元素，e(f)是训练样本自回归模型的预测误差，a(k)是训练样本自回归模型的第k个自回归系数，k＝1，2，...，m，将所有自回归系数用向量形式表示为：a＝[a(1)，a(2)，...，a(m)]作为训练样本的识别特征，式中，a(i)是自回归模型的第i个自回归系数，i＝1，2，...，m；

3)用Yule-Walker方程估计训练样本的识别特征a；

4)用高斯混合模型对训练样本的识别特征a分帧，以克服训练样本识别特征a的姿态敏感性，分帧后的训练样本的识别特征a表示为：其中p(a)表示训练样本识别特征a的概率密度函数，L表示训练样本识别特征a的帧数，α_l表示第l帧的先验概率，l＝1，2，...，L，G(a|μ_l，∑_l)表示训练样本识别特征a在第l帧内服从高斯分布，μ_l表示第l帧的均值，∑_l表示第l帧的协方差矩阵，l＝1，2，...，L；

5)用贝叶斯阴阳学习方法自动确定步骤4)中的总帧数L，并估计各帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L；

6)将步骤5)中估计得到的各帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L，存入识别系统模板库，根据该模板库对高分辨距离像测试样本进行识别。

2.根据权利要求1所述的雷达高分辨距离像目标识别方法，其中步骤3)所述的用Yule-Walker方程计算识别特征a，按如下步骤进行：

3a)计算频谱幅度信号z的自相关系数向量r＝[r₁，r₂，r₃，...，r_m]^T和频谱幅度信号z的自相关矩阵式中，上标T是向量转置操作符，频谱幅度信号z的k阶自相关系数r_k＝E_f[z(f)z(f-k)]，k＝0，1，2，...，m，z(f)表示z的第f维元素，z(f-k)表示z的第f-k维元素，E_f表示取均值操作符

3b)利用Yule-Walker方程估计训练样本的识别特征a＝R^-1r，式中，R^-1表示自相关矩阵的逆。

3.根据权利要求1所述的雷达高分辨距离像目标识别方法，其中步骤5)所述的贝叶斯阴阳学习方法，按如下步骤进行：

5a)令初始总帧数L＝100，设定丢帧门限δ＝1/100，随机初始化各帧先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L；

5b)以梯度方式更新所有帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L；

5c)比较各帧先验概率α_l与丢帧门限δ的大小，如果第l帧的先验概率α_l＜δ，则丢掉第l帧，更新总帧数；

5d)将步骤3a)-3c)重复迭代100次，得到总帧数L，以及所有帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L。

4.根据权利要求1所述的雷达高分辨距离像目标识别方法，其中步骤6)所述的根据模板库对高分辨距离像测试样本进行识别，按如下步骤进行：

6a)将高分辨距离像测试样本进行傅里叶变换，将其转换到频域，并将频域信号取模值，得到高分辨距离像测试样本对应的频谱幅度信号z′＝[z′(1)，z′(2)，...，z′(d)]，其中，z′(f)是频谱幅度信号z′的第f维元素，f＝1，2，...，d，d表示频谱幅度信号z′的维度；

6b)用阶数为m的自回归模型对测试样本的频谱幅度信号z′建模为：f＝m+1，m+2，...，d，其中z′(f)表示测试样本的频谱幅度信号z′的第f维元素，z′(f-k)表示测试样本的频谱幅度信号z′的第f-k维元素，e′(f)是测试样本频谱幅度信号的自回归模型的预测误差，a′(k)是测试样本频谱幅度信号的自回归模型的第k个自回归系数，k＝1，2，...，m，将测试样本频谱幅度信号的所有自回归系数用向量形式表示为：a′＝[a′(1)，a′(2)，...，a′(m)]作为测试样本的识别特征，式中，a′(i)是测试样本频谱幅度信号的自回归模型的第i个自回归系数，i＝1，2，...，m；

6c)用Yule-Walker方程估计测试样本的识别特征a′；

6d)根据权利要求1中步骤6)所述的识别系统模板库，对模板库中各类目标分别计算测试样本识别特征a′的后验概率得到一组测试样本识别特征的后验概率值，其中，各个测试样本识别特征的后验概率值分别表示测试样本的识别特征a′属于该类目标的概率，式中，L表示识别系统模板库的总帧数，α_l表示第l帧的先验概率，l＝1，2，...，L，G(a′|μ_l，∑_l)表示测试样本的识别特征a′在第l帧内服从高斯分布，μ_l表示第l帧的均值，∑_l表示第l帧的协方差矩阵，l＝1，2，...，L；

6e)选择测试样本识别特征的最大后验概率值对应的目标类别，作为识别结果。