[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

说明书

本发明公开了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，主要可决现有技术因无法对参数提出概率分布假设而造成的识别率较低的问题。其实现步骤为：加入隐变量，对支持向量数据描述SVDD的参数提出概率分布假设，建立贝叶斯支持向量数据描述模型；生成雷达高分辨距离像训练样本集和测试样本集；对贝叶斯支持向量数据描述模型进行参数初始化，将训练样本集输入到该模型中，对模型中所有参数进行更新，当变分下界收敛时得到训练好的模型；将测试样本集中的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。本发明提高了对雷达高分辨距离像的识别性能，可用于雷达库外目标识别。

技术领域

本发明属于雷达技术领域，特别涉及一种雷达库外目标识别方法，可用于雷达高分辨距离像的自动识别。

背景技术

随着智能化水平的提高，雷达自动目标识别RATR技术受到广泛关注。雷达高分辨距离像HRRP是用宽带雷达信号获取的目标散射点子回波在雷达视线上投影的向量和。HRRP包含了对目标分类和识别十分有价值的结构信息，如目标的径向尺寸、散射点分布等，而具有且易于获取、存储和处理等优点。

在实际应用中，RATR系统所要识别的目标往往是非合作目标。因此在训练过程中想建立完备的数据库十分困难甚至难以实现。由于实际RATR系统的目标库往往是不完备的，当有别于库内所有目标的新目标的测试数据出现时，将其判别为库内的任一类样本目标都是不合理的，因此需要对库外目标进行预先识别。

库外目标识别问题的本质是针对库内和库外这两类目标的分类问题，然而在训练阶段往往难以获取库外目标的数据，因此常用单类分类器来实现对库外目标的识别。单类分类器只需用库内目标数据进行学习，形成对库内类别数据的描述，然后设计相似性度量方式，通过计算新来数据与库内类别数据的相似度，并同设定的阈值进行比较，来判定新数据的类别属性。

支持向量数据描述SVDD是常见的单类分类器，其思想是通过对训练数据的学习，形成一个围绕训练数据的超球体，并且最小化该超球体的体积，等价于最小化超球体的半径，来达到最小识别错误率的目的。然而由于传统支持向量数据描述SVDD在训练阶段是通过优化算法来求解模型参数，无法对模型参数提出概率分布假设，造成识别结果的置信度难以评估，且识别性能受限的不足。

发明内容

本发明的目的在于针对上述传统SVDD无法与概率模型相结合的问题，提出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，以提高对库外目标的识别性能。

实现本发明目的的思路是，通过理论推导，加入隐变量，将SVDD目标函数用概率模型来代替，对SVDD的参数提出概率分布假设，从而给出贝叶斯支持向量数据描述BSVDD的层次化概率模型，实现传统的SVDD算法与贝叶斯框架相结合。BSVDD具有全共轭先验分布，能够利用变分贝叶斯VB方法对其进行参数估计。

根据上述思路，本发明的实现步骤包括如下：

(1)建立贝叶斯支持向量数据描述模型：