[发明专利]基于仿生模式识别理论的雷达目标识别方法

权利要求书

1.一种基于仿生模式识别理论的雷达目标识别方法，其特征在于步骤如下：

    第一步，采用物理光学法计算雷达目标各个角度的回波数据；

    第二步，分析产生的雷达回波数据并且建立目标的一维距离像，并对一维距离像进行归一化预处理形成仿生模式识别的特征样本空间；

    第三步，将第二步得到的样本空间分成已知样本子空间和未知样本子空间两大类，对已知样本分为训练样本和测试样本；

第四步，利用过滤算法对每个雷达目标的训练样本进行过滤，确定每个雷达目标的超香肠神经元网络的拓扑框架；

第五步，利用超球半径算法确定每个雷达目标的超香肠神经元网络的覆盖范围；

    第六步，分别通过已知样本和未知样本测试超香肠神经元网络的分类性能。

2.根据权利要求1所述的基于仿生模式识别理论的雷达目标识别方法，其特征在于：第四步利用过滤算法对每个雷达目标的训练样本进行过滤的具体步骤如下：

第一步，对每个目标各个角度的一维距离像样本空间的特征向量进行排序，使相邻三个特征向量中，中间的特征向量离前面的特征向量的距离比后面的特征向量离前面的特征向量的距离近，排序后的一维距离像集合为                                                ，Na是角度个数； 

第二步，初始化集合中第一个特征向量为参考向量，并将存入拓扑框架集合中； 

第三步，依次过滤集合中剩余向量，根据剩余向量与参考向量的距离选取拓扑框架节点，确定目标的拓扑框架。

3.根据权利要求1或2所述的基于仿生模式识别理论的雷达目标识别方法，其特征在于：所述拓扑框架节点的选取方法如下：

一、如果被过滤向量与参考向量的距离不断增长，当距离值超过预设阈值时，当前被过滤向量被选为拓扑框架节点，然后以当前被过滤向量为参考向量继续过滤剩余向量； 

二、如果被过滤向量与参考向量的距离在增长过程中出现小幅下降，但下降幅度的大小并没有达到预设阈值，之后继续增长，直到当前被过滤向量与参考向量的距离达到预设阈值，则当前被过滤向量才被选为拓扑框架节点，然后以当前被过滤向量为参考向量继续过滤剩余向量；

三、如果当前被过滤向量与参考向量的距离逐渐增大，但距离值没有超过预设阈值，然后距离值逐渐下降，而且下降的距离超过了预设阈值，此时将对应转折处的向量选为拓扑框架节点，并以其作为参考向量继续过滤剩余向量；

其中，选取为集合中两两向量距离的最小值的6~8倍，而选取为集合中两两向量距离的最小值的3~5倍。

4.根据权利要求1所述的基于仿生模式识别理论的雷达目标识别方法，其特征在于：第五步利用超球半径算法确定每个雷达目标的超香肠神经元网络的覆盖范围的具体步骤如下：

第一步，统计原始的一维距离像集合中未被选中为拓扑框架节点的向量，记这些向量组成的集合为； 

第二步，计算中每个向量距拓扑框架的距离，这些距离构成一个集合，是中样本的个数；相邻两个拓扑框架节点构成一个超香肠神经元，向量x到拓扑框架的距离定义为其到每个超香肠神经元的距离中的最近距离，而向量x到某个超香肠神经元的距离计算公式如下：

其中，，和是超香肠神经元的两个节点，代表了向量在方向上的投影；

第三步，根据集合的大小确定超球半径：如果集合中元素个数小于500个，则对集合中最远的三个距离值取平均，记为，则半径确定为，是集合中两两向量距离的最小值；如果集合中元素个数大于500个，则认为集合中的距离值服从高斯分布，即，和的最大似然估计为

此时的半径通过下式计算

其中取0.01。

5.根据权利要求1所述的基于仿生模式识别理论的雷达目标识别方法，其特征在于：第六步测试超香肠神经元网络分类性能是通过判断与每个雷达目标对应的超香肠神经元网络对测试样本的覆盖情况实现的，如果测试样本不被任一目标的超香肠神经元网络覆盖，则该测试样本对应目标被拒识，如果测试样本只被一个目标的超香肠神经元网络覆盖，则测试样本对应目标被识别为该超香肠神经元网络对应的目标，如果测试样本被多个目标的超香肠神经元网络覆盖，测试样本离哪一个超香肠神经元网络近，就将测试样本识别为其对应目标。