[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

说明书

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。其包括雷达目标探测数据的似然函数建模为高斯分布；将目标待评估性能指标的先验分布建模为Laplace分布；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；利用变分贝叶斯期望最大化方法对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等步骤。本发明采用贝叶斯机器学习方法实现雷达性能指标的动态评估，最大优点就是在模型假设条件下，仅需一次观测数据便可以获得解析的动态指示结果，可显著降低试验次数，从而降低实验成本、周期，同时提供解析的指标动态变化范围，可用性和稳健性明显提升。因此针对雷达系统性能指标动态评估问题适用性佳。

技术领域

本发明属于雷达性能指标评估技术领域，特别是涉及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。

背景技术

目前，针对雷达系统的性能评估方法大多是基于静态指标度量的，这类方法是在固定的目标特性和环境变量下，确定出待评估的雷达系统性能指标的数值，此时仅能以固定值的大小来反映性能的优劣，因此指示作用有限且实际应用存在局限性。

随后人们运用蒙特卡洛(Monte Carlo，MC)这一伪动态评估方法对雷达系统进行性能评估，具体的过程是基于大数定理，通过多次重复随机地选择信干杂噪比的实验来计算出指标的估计值，再通过多次的实验数值结果计算均值和方差，从而确定出指标的估计值及其变化范围。然而这样的评估方法存在一定的局限性，首先，在无法确知待评估指标统计概率模型的前提下，通过MC实验获得的均值和方差并不准确，且评估耗时较长，评估准则过于单一，指示意义有限。其次，由于在实际验证中难以重复随机多次实验，导致该方法无法准确描述相应指标随环境变量变化的真实过程，使得实验成本偏高，性价比降低，而且缺乏理论依据，因此难以形成系统的理论指导，适用性有限。

之后人们借助概率与统计分析的方法对雷达系统性能评估准则进行优化改进，通过建立合理的概率模型对随机变量的“不确定性”进行定量描述，从而来提高信号处理性能，贝叶斯机器学习的方法是其中最具代表性的新兴发展方向，该方法实际上是描述先验知识、数据模型和后验概率这三个数学量的关系并将三者在贝叶斯框架下统一起来，充分吸收了机器学习方法中的优势，因此在实际应用中逐渐显现出强大的生命力。

综上所述，如何利用现有的雷达系统性能指标评估方法及贝叶斯学习方法对指标动态评估方法进行改进，使得雷达系统的评估性能更好也是一项新的挑战。

发明内容

为了解决上述问题，本发明的目的在于提供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。

为了达到上述目的，本发明提供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)。