[发明专利]基于贝叶斯机器学习的雷达系统性能指标动态评估方法

权利要求书

1.一种基于贝叶斯机器学习的雷达系统性能指标动态评估方法，其特征在于：所述的雷达系统性能指标动态评估方法包括按顺序进行的下列步骤：

步骤1，结合雷达探测背景噪声以及接收回波复数据的特点，将雷达目标探测数据的似然函数p(Y|X)建模为高斯分布；

步骤2，基于雷达探测场景中目标具有稀疏性的特点，将目标待评估性能指标的先验分布p(X)建模为Laplace分布；

步骤3，将步骤1中雷达目标探测数据的似然函数p(Y|X)和步骤2中目标待评估性能指标的先验分布p(X)代入贝叶斯模型，由于高斯分布的似然函数p(Y|X)和服从Laplace分布的先验分布p(X)不共轭，无法有效得到闭合解，因此利用贝叶斯分层概率模型对目标待评估性能指标进行分层建模，以保证目标后验概率密度分布的可解性；

步骤4，由于直接求解后验概率密度函数的分母p(Y)比较困难，因此利用变分贝叶斯期望最大化方法对步骤3中分层建模后的各目标待评估性能指标的后验分布进行近似求解，进而得到后验概率密度函数p(X|Y)。

2.根据权利要求1所述的基于贝叶斯机器学习的雷达系统性能指标动态评估方法，其特征在于：在步骤1中，所述的结合雷达探测背景噪声以及接收回波复数据的特点，将雷达目标探测数据的似然函数p(Y|X)建模为高斯分布的方法是：首先考虑包括系统误差、系统热噪声以及背景杂波在内的非理想因素的影响，然后结合实际情况对这些非理想因素进行分析，将其中的系统误差建模成乘性误差的信号模型；将系统热噪声在原有信号模型上附加一个加性噪声，并对该加性噪声施以高斯分布；当背景杂波为均匀杂波时，用高斯分布进行统计描述，由此建立起符合高斯分布的雷达目标探测数据的似然函数p(Y|X)模型。

3.根据权利要求1所述的基于贝叶斯机器学习的雷达系统性能指标动态评估方法，其特征在于：在步骤2中，所述的基于雷达探测场景中目标具有稀疏性的特点，将目标待评估性能指标的先验分布p(X)建模为Laplace分布的方法是：首先分析目标待评估性能指标的不同特征，然后根据特征选择对应的概率密度函数，对于没有任何先验特征的目标待评估性能指标选择简单的高斯分布作为先验概率密度函数；对于目标待评估性能指标存在稀疏特征的情况，选择具有重尾特性的概率分布作为先验概率模型，最后根据目标待评估性能指标存在稀疏特征的情况将先验分布p(X)建模为Laplace分布。

4.根据权利要求1或2所述的基于贝叶斯机器学习的雷达系统性能指标动态评估方法，其特征在于：在步骤3中，所述的利用贝叶斯分层概率模型对目标待评估性能指标进行分层建模的方法是：首先将目标待评估性能指标X建模为高斯分布p(X|α)，其次对引入的超参数α建模为Gamma分布p(α|λ)，然后再针对新引入的稀疏参数λ继续建模为Gamma分布p(λ|a,b)，为了使建立的贝叶斯分层概率模型更加实用，将步骤1中的加性噪声的精度建模为Gamma分布p(β|c,d)，通过以上的建模过程实现了贝叶斯分层概率模型的建模。

5.根据权利要求4所述的基于贝叶斯机器学习的雷达系统性能指标动态评估方法，其特征在于：在步骤4中，所述的利用变分贝叶斯期望最大化方法对步骤3中各目标待评估性能指标的后验分布进行近似求解，进而得到后验概率密度函数p(X|Y)的方法是：基于步骤3中的贝叶斯分层概率模型，运用变分贝叶斯期望最大化方法依次求得目标待评估性能指标X、超参数α、稀疏参数λ和加性噪声的精度β对应的后验概率密度函数，首先进行变分期望值求解，解得目标待评估性能指标X的均值和方差以及超参数α、稀疏参数λ和加性噪声的精度β对应的均值，然后进行变分期望值最大求解，解得方位向时变误差E的估计值，最后得到后验概率密度函数p(X|Y)。