[发明专利]基于iMMFA模型的雷达高分辨距离像的目标识别方法

说明书

技术领域

本发明属于雷达技术领域，尤其涉及一种基于无限最大边界因子分析iMMFA(infinite max-margin factor analysis)模型的雷达高分辨距离像HRRP的目标识别方法，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HRRP(High-resolution range profile)是由宽带雷达信号获取的目标体上各散射点回波的矢量和所组成的。它反映了目标体上各散射点沿雷达视线的分布情况，包含了目标的重要结构特征，被广泛应用于雷达目标识别领域。由于目标具有姿态敏感性，同一目标的HRRP具有多模分布特性，尤其是随着目标库的增大，训练样本个数也会随之增加，数据分布也变得更加复杂。多模分布数据的分类界面往往是高度非线性的，需要采用非线性分类器对其分类。

核方法分类器作为一种常用的非线性分类器，是将原始空间线性不可分的数据映射成为高维空间中线性可分的数据，然后进行线性分类。然而核方法分类器面临核函数选择以及核参数选择的问题，且当训练样本数过大时，核方法分类器的计算比较复杂。另外，若使用所有雷达高分辨距离像数据来训练一个分类器会增加分类器的训练复杂度，而且容易忽视样本的内在结构，不利于分类。

混合专家模型将数据集划分成若干子集，然后在各个子集上分别训练简单的分类器，最终构造全局非线性的复杂分类器，称为有限混合专家模型。混合专家模型的提出，避免了复杂分类器的设计，从而大大简化了分类器设计的复杂度。然而这类模型存在两个缺点：一是模型选择问题，即如何选择样本聚类个数是非常困难的；二是样本集的聚类过程是无监督的，独立于后端的分类器任务，从而较难保证每个聚类中数据的可分性，影响全局的分类性能。

发明内容

针对上述现有技术的缺点，本发明的目的在于提出一种基于iMMFA模型的雷达高分辨距离像的目标识别方法，用于提高雷达的分类性能，降低模型求解复杂度。

本发明中提出iMMFA是将FA模型、TSB-DPM模型以及LVSVM统一在贝叶斯框架下进行联合求解，其中，LVSVM(Latent variable SVM，将隐变量SVM)作为分类器，见[Polson N.G.，Scott S.L..Data augmentation for support vector machines[J].Bayesian Analysis，2011，vol.6(1)，1-24]，引入FA模型和TSB-DPM模型(截断Stick-breaking构造的Dirichlet process mixture model)，见[Blei D.M.and Jordan M.I..Variational inference for Dirichlet process mixtures[J].Bayesian Analysis，2006，vol.1(1)，121-144]，来实现。

为达到上述目的，本发明的实施例采用如下技术方案予以实现。

基于iMMFA模型的雷达高分辨距离像的目标识别方法，包括以下步骤：

步骤1，获取M个类别的目标的雷达高分辨距离像，其中，每个类别的目标对应多个雷达高分辨距离像；

步骤2，对M个类别的目标的每个雷达高分辨距离像进行特征提取，得到M个类别的目标的每个雷达高分辨距离像的功率谱特征x_n，将M个类别的目标的所有雷达高分辨距离像的功率谱特征组成功率谱特征集X；

步骤3，将FA模型、TSB-DPM模型和LVSVM分类器进行顺序组合，构建iMMFA模型，其中，iMMFA模型的所有参数包含所述FA模型的参数、所述TSB-DPM模型的参数和所述LVSVM分类器的参数；并根据所述iMMFA模型和所述功率谱特征集X得到M个类别的目标的每个雷达高分辨距离像的功率谱特征的隐变量的概率密度函数p_f，以及所述iMMFA模型的各参数的联合条件后验分布p_U；

步骤4，根据贝叶斯公式和所述iMMFA模型的各参数的联合条件后验分布p_U，分别得到所述iMMFA模型的各参数的条件后验分布；