[发明专利]基于决策树的地面运动目标分类算法

权利要求书

1.一种基于决策树的地面运动目标分类算法，其特征在于步骤如下：

步骤1：杂波抑制：

1a)对时域信号进行傅里叶变换得到多普勒谱；

1b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

1c)重构最大值对应的杂波时域信号：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原信号中减去杂波时域信号得到新的时域信号；

1d)重复1a)到1c)步骤直到最大迭代次数；所述的最大迭代次数其中f_r表示脉冲重复频率、M表示动目标检测MTD点数；σ_c表示杂波谱宽度，σ_c＝2σ_v/λ；其中σ_v表示频谱标准偏差，λ表示雷达波长；

步骤2：在杂波抑制后的距离多普勒平面，进行特征提取，提取的特征包括：速度特征、雷达散射截面积RCS特征、两倍速度2v处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征：

2a)速度特征：

其中，N_T和N₀分别表示目标所在的多普勒通道和零多普勒通道；

2b)RCS特征：

其中，R为目标距离；k为波尔兹曼常数；T₀为温度；F_n为接收机噪声系数；SNR为信噪比；L为雷达损耗引起的损失系数；P_t为发射功率；τ为发射脉冲宽度；G为天线增益；

2c)2v处微多普勒谱线数特征：

其中，n_2v,i，i＝1,2,…,n_w表示目标在第i帧中的2v处谱线数，n_w表示帧数；

2d)L1范数标准差特征：

f₄＝std(NORM_l1)

其中，std(·)表示求标准差运算，表示目标频谱的L1范数，U_m代表第m个多普勒通道的归一化幅度值，i1＝min(2f_v-f₀,f₀)和i2＝max(2f_v-f₀,f₀)分别表示0～2v的多普勒区间的下限和上限，min(·)和max(·)分别表示求最小值和最大值运算，f_v表示目标速度v所对应得的多普勒频率，f₀表示零多普勒频率；

2e)归一化幅度和均值特征：

其中，mean(·)表示求均值运算，U_i代表第i个多普勒通道的归一化幅度值，ts和te表示目标微多普勒所处的范围；

2f)谱线数均值特征：

f₆＝mean(te-ts+1)

将特征f₁、f₂和f₄用于人车分类；f₁和f₃用于轮式车辆与履带式车辆分类；f₂、f₅和f₆用于单人和小分队分类；

采用交互式二分法构建决策树，基于熵不纯度减小量最大准则确定根节点和层节点；定义熵计算公式，假设一个节点下有p类样本，其样本数为n_i，i＝1,2,…,p，则熵可由下式计算：

其中，符号log₂(·)表示求以2为底的对数；

步骤3：建立根节点进行人车分类：

3a)基于训练数据对特征f₁、f₂和f₄分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

3a1)计算先验概率：

P(w₂)＝1-P(w₁)，

其中，w₁和w₂分别表示两类目标类型，w₁对应的特征f_i，i＝1,2,4较小；w₁和w₂对应的先验概率分别用P(w₁)和P(w₂)表示；N₁和N分别表示训练样本中w₁的样本数和总样本数；

3a2)将特征f_i，i＝1,2,4的分布区间[a_i,b_i]，i＝1,2,4进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N，得到条件概率分布p(x|w₁)和p(x|w₂)；其中和分别表示第i个特征在w₁和w₂中的区间分布；

3a3)将门限T在区间[a_i,b_i]，i＝1,2,4遍历，计算总错误率：

P_i(e)＝P(w₁)P_i,1(e)+P(w₂)P_i,2(e)，i＝1,2,4，

其中，第一类平均错误率为第二类平均错误率为

3a4)选择使总错误率最小的门限为贝叶斯分类门限：

其中，符号arg(·)表示满足代价函数的变量；

3b)根据每一个特征的分类门限对训练样本进行训练：

对不同的特征f_i，i＝1,2,4，依据不同的分类门限T_i，i＝1,2,4，对训练样本进行训练，具体如下：

记人和车的样本数分别为N_r，N_c，统计正确分类的样本数：

3b1)对于速度f₁特征，大于门限T₁的车辆样本为正确判别的车辆样本，其样本数记为N₁₁，小于T₁的车辆样本称为错误判别的车辆样本，其样本数记为小于门限T₁的人员样本为正确判别的人员样本，其样本数记为N₁₂，大于T₁的人员样本称为错误判别的人员样本，其样本数记为

3b2)对于特征f₂，大于门限T₂的车辆样本为正确判别的车辆样本，其样本数记为N₂₁，小于T₂的车辆样本称为错误判别的车辆样本，其样本数记为小于T₂的人员样本为正确判别的人员样本，其样本数记为N₂₂，大于T₂的人员样本称为错误判别的人员样本，其样本数记为

3b3)对于特征f₄，小于T₄的车辆样本为正确判别的车辆样本，其样本数记为N₄₁，大于T₄的车辆样本称为错误判别的车辆样本，其样本数记为大于T₄的人员样本为正确判别的人员样本，其样本数记为N₄₂，小于T₄的人员样本称为错误判别的人员样本，其样本数记为

3c)计算熵不纯度减小量：

3c1)计算不考虑任何特征时的熵不纯度I(N,N_r,N_c)

3c2)分别计算特征f_i，i＝1,2,4的熵不纯度减小量：

ΔI_i＝I(N,N_r,N_c)-I_i，i＝1,2,4，

其中，

3d)选择熵不纯度减小量最大的特征作为根节点，将目标分为人车两类，

步骤4：建立层节点进行轮式车辆和履带式车辆分类：

4a)基于训练数据对特征f₁和f₃分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

4a1)计算先验概率：

P(w₄)＝1-P(w₃)

其中，w₃和w₄分别表示两类车辆目标类型，w₃对应的特征f_i较小，i＝1,3；w₃和w₄对应的先验概率分别用P(w₃)和P(w₄)表示；N₃和N_c分别表示训练样本中w₃的样本数和总的车辆样本数；

4a2)将特征f_i，i＝1,3的分布区间[c_i,d_i]，i＝1,3进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_c，得到条件概率分布p(x|w₃)和p(x|w₄)；其中，和分别表示第i个特征在w₃和w₄中的区间分布；

4a3)将门限在区间[c_i,d_i]，i＝1,3，遍历，计算总错误率：

其中，第一类平均错误率为第二类平均错误率为

4a4)选择使总错误率最小的门限为贝叶斯分类门限：

4b)根据每一个特征的分类门限对车辆样本进行训练：

对不同的特征f_i，i＝1,3，依据不同的分类门限对训练样本进行训练，具体如下：

记轮式车辆和履带式车辆的样本数分别为N_l，N_lv，统计正确分类的样本数：

4b1)对于速度f₁特征，大于门限的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为小于的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为小于门限的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为大于的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4b2)对于f₃特征，小于门限的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为大于的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为大于门限的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为小于的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4c)计算熵不纯度减小量：

4c1)计算不考虑任何特征时的熵不纯度I(N_c,N_l,N_lv)；

4c2)分别计算特征f_i，i＝1,3的熵不纯度减小量：

其中，

4d)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点，将目标分为轮式车辆和履带式车辆两类，

步骤5：建立层节点进行单人和小分队分类：

5a)基于训练数据对特征f₂、f₅和f₆分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

5a1)计算先验概率：

P(w₆)＝1-P(w₅)

其中，w₅和w₆分别表示两类人员目标类型，w₅对应的特征f_i，i＝2,5,6较小；w₅和w₆对应的先验概率分别用P(w₅)和P(w₆)表示；N₅和N_r分别表示训练样本中w₅的样本数和总的人员样本数；

5a2)将特征f_i，i＝2,5,6的分布区间[e_i,g_i]，i＝2,5,6进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_r，得到条件概率分布p(x|w₅)和p(x|w₆)；其中和分别表示第i个特征在w₅和w₆中的区间分布；

5a3)将门限在区间[e_i,g_i]，i＝2,5,6遍历，计算总错误率：

其中，第一类平均错误率为第二类平均错误率为

5a4)选择使总错误率最小的门限为贝叶斯分类门限：

5b)根据每一个特征的分类门限对人员样本进行训练：

对不同的特征f_i，i＝2,5,6，依据不同的分类门限对训练样本进行训练，具体如下：

记单人和小分队的样本数分别为N_d，N_x，统计正确分类的样本数：

5b1)对于速度f₂特征，小于门限的单人样本为正确判别的单人样本，其样本数记为大于的单人样本称为错误判别的单人样本，其样本数记为大于门限的小分队样本为正确判别的小分队样本，其样本数记为小于的小分队样本称为错误判别的小分队样本，其样本数记为

5b2)对于速度f₅特征，小于门限的单人样本为正确判别的单人样本，其样本数记为大于的单人样本称为错误判别的单人样本，其样本数记为大于门限的小分队样本为正确判别的小分队样本，其样本数记为小于的小分队样本称为错误判别的小分队样本，其样本数记为

5b3)对于速度f₆特征，小于门限的单人样本为正确判别的单人样本，其样本数记为大于的单人样本称为错误判别的单人样本，其样本数记为大于门限的小分队样本为正确判别的小分队样本，其样本数记为小于的小分队样本称为错误判别的小分队样本，其样本数记为

5c)计算熵不纯度减小量：

5c1)计算不考虑任何特征时的熵不纯度I(N_r,N_d,N_x)

5c2)分别计算特征f_i，i＝2,5,6的熵不纯度减小量：

其中，

5d)选择熵不纯度减小量最大的特征作为人员目标分类的层节点，将目标分为单人和小分队两类，

通过上述处理，将目标分为四个叶节点，对应四种目标类型，完成了决策树构建；

步骤6：测试：

测试阶段，对测试数据进行杂波抑制和特征提取后，按照决策树给出的规则进行分层判断，将判别的叶节点目标类型作为测试样本的识别类型。