[发明专利]基于贝叶斯支持向量数据描述的雷达库外目标识别方法

权利要求书

1.一种基于贝叶斯支持向量数据描述的雷达库外目标识别方法，其特征在于，包括如下：

(1)建立贝叶斯支持向量数据描述模型：

其中，λ＝[λ₁,…,λ_n,…,λ_N]表示隐变量，λ_n表示第n个样本对应的隐变量，N表示样本总数，n表示第n个样本，n＝1,…,N，K表示核矩阵，拉格朗日系数α服从高斯分布，方差项引入γ，参数γ为调和参数，服从形状参数为c，尺度参数为d的Gamma分布，稀疏系数z服从参数为π的伯努利分布，z的先验分布参数π服从形状参数为τ₁，τ₂的贝塔分布，α＝[α₁,…,α_n,…,α_N]^T，z＝[z₁,…z_n,…z_N]^T，π＝[π₁,…,π_n,…,π_N]^T，α_n表示第n个样本对应的拉格朗日系数，z_n表示第n个样本拉格朗日系数α_n对应的稀疏系数，π_n表示第n个样本z_n的先验分布参数，k_n表示K的第n列，C₀为调节常数，表示α和z的点乘，(·)^T表示转置操作；

(2)生成高分辨距离像样本集：

(2a)选择三类飞机的雷达高分辨距离像HRRP数据，其中两类作为库内样本，剩下的一类作为库外样本，从库内的两类样本中各选择300个样本，共600个样本组成训练样本集，从每类飞机样本中分别选择800个样本，共2400个样本组成测试样本集；

(2b)用测试样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数，得到归一化后的测试样本集；

(2c)用训练样本集中的每个高分辨距离像数据除以该高分辨距离像数据的模二范数，得到归一化后的训练样本集；

(3)对(1)建立的贝叶斯支持向量数据描述模型进行训练：

(3a)对贝叶斯支持向量数据描述模型进行参数初始化，设置收敛门限ξ＝0.1；

(3b)将归一化后的训练样本集输入到贝叶斯支持向量数据描述模型中，对模型中的所有参数进行更新；

(3c)计算在当前迭代次数t下的变分下界LB(t)，并判断下界是否收敛：

当|LB(t)-LB(t-1)|/|LB(t-1)|＞ξ，则认为下界不收敛，重复步骤(3b)，其中t为迭代次数，LB(t)为第t次的变分下界，LB(t-1)为第t-1次的变分下界；

当|LB(t)-LB(t-1)|/|LB(t-1)|≤ξ，则认为下界收敛，将当前参数取值作为模型的解，得到训练好的贝叶斯支持向量数据描述模型；

(4)将归一化后的测试样本集中所有样本输入到训练好的贝叶斯支持向量数据描述模型中进行目标识别，得到测试样本集所有样本的分类标签，库内为1，库外为-1。