[发明专利]基于高斯选控玻尔兹曼机的HRRP识别方法

说明书

本发明公开了一种基于高斯选控玻尔兹曼机的HRRP识别方法，主要针对已有HRRP识别方法不足，提出了高斯选控玻尔兹曼机应用于HRRP的噪声稳健识别。其实现步骤是：(1)预处理数据；(2)构建高斯选控玻尔兹曼机网络；(3)初始化网络参数；(4)将预处理后的HRRP训练样本输入高斯选控玻尔兹曼机；(5)对隐藏层和选择因子进行迭代采样；(6)更新可见层；(7)更新网络参数；(8)训练线性SVM分类器，输出识别结果。本发明降低了对HRRP数据噪声先验的依赖性，同时能够有效提取原始数据的有用特征，具有良好的噪声稳健性，并提高了HRRP识别正确率。

技术领域

本发明属于通信技术领域，更进一步涉及雷达自动目标识别技术领域中的一种基于高斯选控玻尔兹曼机的高分辨距离像HRRP(High Resolution Range Profiles)识别方法。本发明可以用于对高斯白噪声背景下飞机一维距离像信号进行识别分类。

背景技术

高分辨距离像HRRP是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和，提供了目标散射点沿距离方向的分布情况，是目标重要的结构特征，对于目标识别和分类具有重要意义。

对于高分辨距离像HRRP识别问题，实际得到的高分辨距离像HRRP数据一般都受到噪声干扰，如何从含噪数据中学得有利于识别的信息是个很重要的研究课题。目前已有的高分辨距离像HRRP噪声稳健识别方法一般是基于统计模型的，通过统计模型对信号进行去噪进而提升识别性能。但这些传统方法一般加入很多先验信息，需要很多人工干预，而先验利用不好会对识别性能产生很大影响，模型缺乏特征自动提取能力。近些年流行的深度学习方法能够自动从数据中学得有用的特征，在实际应用中已经表现出优异的性能。作为深度学习中最常用的一种无监督框架限制玻尔兹曼机RBM(Restricted Boltzmann Machine)模型，限制玻尔兹曼机RBM结构简单、含义明确，可以描述很多实际问题并进行有效建模。

西安电子科技大学在其申请的专利文献“基于噪声先验的独立高斯模型的雷达目标稳健识别方法”(专利申请号CN201210131042.X，公开号CN102628939A)中提出了一种基于噪声先验的高分辨距离像HRRP识别方法。该方法的实现过程是：对雷达高分辨距离像HRRP做预处理；对预处理之后的数据取模获得其时域特征；确定训练目标高分辨距离像HRRP每一帧的独立高斯模型的均值和方差；将测试目标高分辨距离像HRRP的开始50个距离单元和最后50个距离单元确定为非信号支撑区部分，统计非信号支撑区中噪声的方差；确定训练目标高分辨距离像HRRP每一帧的独立高斯模型的均值和协方差的修正值；计算雷达测试目标高分辨距离像HRRP对各雷达训练目标的后验概率值；最后确定雷达测试目标高分辨距离像HRRP的类别属性。该方法利用测试目标高分辨距离像HRRP中的噪声先验来改进雷达自动目标识别性能，在测试高分辨距离像HRRP信噪比不高的情况下识别性能得到提高。但是，该方法仍然存在的不足之处是，该方法将测试目标高分辨距离像HRRP的开始50个距离单元和最后50个距离单元确定为非信号支撑区部分，以此来计算非支撑区噪声方差进而估计信噪比，而在实际工程领域中的高分辨距离像HRRP的非支撑区范围并不固定，采用该方法测试的高分辨距离像HRRP信噪比存在误差，进而测试的高分辨距离像HRRP对训练目标的后验概率值也存在误差，该方法取后验概率最大的目标类别作为最后识别结果，采用该方法的高分辨距离像HRRP噪声稳健识别性能对非信号支撑区部分的选取有较高的依赖性。