[发明专利]一种雷达目标的散射中心建模方法

说明书

本发明提出了一种雷达目标散射中心建模方法，实现复杂雷达目标散射特征提取与特征重构，用于雷达自动目标识别。本发明首先进行目标散射中心模型参数先验分布选择与定义，然后建立贝叶斯框架下的最大后验概率散射中心估计模型，最后采用基于概率机器学习中的Markov链蒙特卡洛仿真采样策略，进行目标散射中心参数训练与估计。本发明提出的雷达目标散射中心建模方法，克服了传统散射中心特征提取中的参数初始化要求高、局部最小值影响大、参数估计精度低等难题，采用概率建模的方法能够直接实现目标散射中心的提取与特征重构，建立更加完备地、精度更高的目标电磁散射中心特征模型。

技术领域

本发明属于雷达目标特性与目标识别技术领域，具体涉及雷达目标特性建模与特征提取方法。

背景技术

在高分辨率雷达成像中，舰船、飞机等复杂目标由于散射机制会形成局部的、离散的散射中心，理论计算也表明高频区目标电磁散射主要由局部几何位置上的散射中心贡献，散射中心构成了雷达成像的主要散射特征。对目标散射中心参数化建模，将目标整体散射表示为不同几何形状散射机制的散射中心模型之和，通过散射中心模型的参数估计与特征提取，能够实现基于散射中心模型的合成孔径雷达成像目标识别。

当前国内外学者对雷达目标散射中心建模与特征提取开展了大量研究工作，例如，专利CN103760544A对目标距离像大于一定阈值的像素单元进行逆投影，通过像素单元累积实现目标散射中心的关联与特征提取；专利CN105389582A通过高分辨率谱估计CLEAN算法实现目标散射中心的估计与轮廓特征提取；期刊论文《A parametric model forsynthetic aperture radar measurements》对目标散射中心从散射机理出发的正向建模，将入射波频率、角度、散射体长度、取向、位置等多个参数考虑在内，建立了属性散射中心模型；对于散射中心模型的参数估计，专利CN103064071A采用稀疏模型字典方法实现属性散射中心的模型的参数估计；期刊论文《基于GTD模型的目标二维散射中心提取》采用谱估计的旋转不变性技术进行散射中心参数估计；期刊论文《基于协同粒子群优化的GTD模型参数估计方法》采用协同粒子群优化的方法实现模型参数估计。

发明内容

现有技术中散射中心特征提取参数初始化要求高、局部最小值影响大、参数估计精度低，为解决上述存在的问题，本发明提出了一种雷达目标散射中心建模方法，包含以下过程：

步骤1首先进行目标散射中心模型参数先验分布的选择与定义；

步骤2其次建立贝叶斯框架下的最大后验概率散射中心估计模型；

步骤3最后采用Markov链蒙特卡洛仿真采样方法，进行目标散射中心参数训练与估计。

可选地，步骤1所述目标能够通过散射机制形成多个散射中心，并且每个散射中心的参数各异；

可选地，步骤1采用统计概率分布建模，其目标包含统计散射中心个数以及每个散射中心的参数变化；对散射中心个数进行的统计建模是一个离散的点分布；对每一个散射中心的先验分布进行统计建模，包括散射中心的位置、复数幅值、频率相关参数、角度相关参数和尺度参数。

可选地，步骤2通过观测数据采用非参数方法建模目标散射中心的个数。

可选地，步骤3所述跳变Markov链增加模型阶数表示散射中心个数的增加，减少模型阶数表示散射中心个数的减少，通过跳变Markov链模型阶数的增加或减少实现模型参数的更新。

可选地，步骤3采用蒙特卡洛仿真方法构建收敛于稳态的Markov链，通过达到稳态的Makrov链计算目标散射中心个数与参数。

本发明提出的一种基于概率机器学习的目标散射中心模型参数估计方法，实现了复杂目标散射特征提取与特征重构，克服了传统散射中心特征提取中的参数初始化要求高、局部最小值影响大、参数估计精度低等难题。

附图说明