[发明专利]合成孔径雷达目标的全贝叶斯特征提取方法

说明书

本发明提供一种合成孔径雷达目标的全贝叶斯特征提取方法，能够自适应的估计属性散射中心的数目以及属性散射中心的各个参数。包括：获取雷达回波信号的属性散射中心模型；确定每个未知特征参数服从的先验概率分布；建立完整的分层贝叶斯模型；确定所述属性散射中心模型中所有未知特征参数的联合后验概率分布；确定每个未知特征参数的建议分布；对每个未知特征参数进行采样；得到每个未知特征参数的N个采样值，由每个未知特征参数的N个采样值生成该未知特征参数的马尔科夫链；确定每个未知特征参数的估计值。

技术领域

本发明属于雷达技术领域，涉及合成孔径雷达目标的全贝叶斯特征提取方法，可用于合成孔径雷达目标的自动识别。

背景技术

从雷达信号中提取和估计散射中心的特征参数是雷达目标识别应用领域的热点问题。属性散射中心模型通过引入物理含义明确的多维参数，可实现对目标散射中心进行简单而精确的描述，通过分析模型参数还可进一步分析散射中心的几何尺寸和散射类型等多种性质。属性散射中心模型从几何绕射解和物理光学的角度出发为散射中心提供了更完备的电磁特性和几何特性信息。同点散射模型相比，属性散射中心模型可以更好地描述线、面结构的物体。因此，属性散射中心模型被广泛应用于合成孔径雷达目标的相关特征参数的提取。

由于特征参数的高度非线性以及参数空间的维度较高，基于属性散射中心模型的特征提取变得很困难。为了解决这个问题，主要采用两类方法，分别是基于图像域和基于频域的方法。由于基于图像域的处理方法中存在图像不能被精确分割的困扰，因此特征参数的提取更多的集中在基于频域的处理上。然而，基于频域的处理方法也有自身的缺陷。比如已经提出的一种改进的RELAX算法，在这种方法中，首先只有一个属性散射中心被假设和估计，然后加入另一个属性散射中心，同时根据RELAX策略更新现有的参数集，这样逐次迭代直到参数达到相应的阈值。

这种改进的RELAX算法在实际应用中存在较大问题，因为所需阈值的相关知识在实际应用中并不能总是被获取，而且，阈值的选取错误将会带来难以预料的错误。同时，其余的基于频域的处理方法的实施往往需要占用过大的内存空间，这个缺陷大大影响了这些处理方法在实际应用中的推广使用。

发明内容

针对上述缺点，本发明的目的在于提出一种合成孔径雷达目标的全贝叶斯特征提取方法，能够克服常规算法中占用内存过大的不足，自适应的估计属性散射中心的数目以及属性散射中心的各个参数。

本发明基于数据的剩余能量，提出了使用过完备字典随机扩展的全贝叶斯算法来完成基于属性散射中心模型的特征提取算法。该算法基于利维自适应回归核(LevyAdaptive Regression Kernel)LARK模型，引入伽马随机场来模拟属性散射中心ASC模型所有未知参数的分层先验，然后，基于先验导出后验联合分布，最后，在完成对所谓的冗余变量的积分之后，采用一种改进的可逆转跳跃马尔可夫链蒙特卡洛RJ-MCMC方法对维度变化的参数进行后验推导以及采用马尔可夫链蒙特卡洛MCMC方法对固定维度的参数进行后验推断。

为达到上述目的，本发明采用如下技术方案予以实现。

一种合成孔径雷达目标的全贝叶斯特征提取方法，包括如下步骤：

步骤1，获取雷达回波信号的属性散射中心模型；

步骤2，确定所述属性散射中心模型中每个未知特征参数服从的先验概率分布；

步骤3，根据所述所有未知特征参数服从的先验概率分布，建立完整的分层贝叶斯模型；

步骤4，根据所述完整的分层贝叶斯模型和雷达回波信号，确定所述属性散射中心模型中所有未知特征参数的联合后验概率分布；

步骤5，确定所述属性散射中心模型中每个未知特征参数的建议分布；

步骤6，对所述属性散射中心模型中的每个未知特征参数分别进行采样；