[发明专利]基于空间分布的雷达地面目标鉴别器设计方法

说明书

技术领域

本发明属于雷达目标识别领域，涉及一种基于空间分布的雷达地面目标鉴别器设计方法，可用于复杂环境下雷达系统实现对地面目标的鉴别。

背景技术

雷达目标识别技术是在雷达对目标进行探测与定位的基础上，提取目标的特征信息，实现对目标属性与类型的判断。针对雷达系统的特定应用背景，采用合成宽带雷达体制生成地面场景高分辨一维距离像HRRP，场景中包括待攻击目标与假目标干扰，如铁塔、民用车辆、路牌，该类假目标散射特性与待攻击目标类似，利用目标检测技术无法进行区分，需采用目标鉴别技术进行辨别与剔除，即雷达地面目标识别系统主要面临的问题是复杂环境下对特定目标的实时鉴别。

假目标种类繁多，几何尺寸与物理形状各异，无法通过实际测量与建模仿真的方式建立相应的模板库。针对这种模板库非完备问题，常规最大相关系数分类器与支持向量机分类器均基于二分类构架设计，由于严重的模板规模不均衡，生成的分类边界无法准确对样本空间进行划分。在模式识别理论中针对模板库非完备的问题，常采用单类分类器OCC加以解决，如支撑向量域描述SVDD分类器与K近邻KNN分类器。SVDD是一种典型的OCC分类器，该分类器通过寻找支撑向量确定模板库样本特征区域边界，利用该边界与待测样本之间的位置关系确定测试样本类别，其缺点是当模板库样本特征区域呈现多区域聚合性时，所确定的特征区域边界中将包含大片非样本目标特征空间区域，导致性能的严重下降。KNN分类器基于模板匹配构架，需要遍历所有模板库样本特征，计算复杂度高，无法达到雷达信号实时处理的要求。

发明内容

本发明的目的在于针对上述已有技术的不足，在考虑雷达目标识别系统在复杂环境下的实际应用情况，提出一种基于空间分布的雷达地面目标鉴别器设计方法，以提高鉴别性能，减少运算量，实现对雷达信号的实时处理。

实现本发明的技术思路是：利用基于相关系数预处理的K-Means聚类方法对雷达目标鉴别器模板库中的目标特征行区域划分，利用基于空间分布的SVDD模型确定区域边界，在此基础上以K近邻准则为基础，计算测试样本特征与各个特征区域的位置关系，从而得到最终判决结果。其实现步骤包括如下：

1)构建雷达目标鉴别器训练模板库特征空间：

(1a)对M类典型目标进行雷达回波仿真，生成第m类第n个典型目标高分辨一维距离像h_m,n，提取该h_m,n的长度特征l_m,n与散射点个数特征t_m,n，将第m类目标的共N_m个长度特征集合表示为散射点个数特征集合表示为其中，m＝1,...,M，n代表第m类目标高分辨一维距离像数目，即n＝1,...,N_m；

(1b)建立M类典型目标的训练模板库特征空间B：

B＝{X_m,n＝(l_m,n,t_m,n)}

其中，X_m,n表示第m类目标的第n个特征向量，l_m,n∈L_m，t_m,n∈T_m。

2)对训练模板库特征空间B进行区域划分：

(2a)计算特征空间B中所有特征之间的相关性ρ(X_m,n,X_m',n')，基于最大相关系数准则获取K-Means算法的区域划分数目Q和初始区域中心ψ_q，其中q表示区域数目，q＝1,...,Q；

(2b)利用K-Means聚类算法对特征空间B进行精细化区域划分，生成Q块特征空间子区域，将第q块特征空间子区域表示为F_q＝(θ_q,η_q,ψ_q)，其中θ_q表示第q块子区域中目标特征个数，η_q表示第q块子区域目标特征集合，η_q＝{ε_v,q＝X_m,n}，ε_v,q表示η_q中的目标特征，v＝1,...,θ_q。