[发明专利]一种舰船高分辨距离像幂变换方法及系统

说明书

本发明涉及一种舰船高分辨距离像幂变换方法及系统，通过正态概率图以及实测舰船高分辨距离像验证，利用改进Jarque‑Bera正态性检验的参数估计方法得到的幂变换参数，对实测距离像进行幂变换预处理，其结果更趋近与正态分布；同时，利用幂变换后的实测舰船距离像数据进行目标分类识别实验，识别准确率得到一定提高。

技术领域

本发明涉及幂变换预处理领域，特别是涉及一种舰船高分辨距离像幂变换方法及系统。

背景技术

在实测高分辨一维距离像(High Resolution Range Profile,HRRP)目标识别中，尤其是在战场环境下，所测目标大多为非合作目标，很难实现对目标全角域进行数据录取及测量，因此，传统的针对目标HRRP姿态敏感性的处理方法，如利用一定方位角域内的平均距离像作为模板，与待测试样本最优匹配来进行目标识别的方法，在使用上受到了局限。幂变换通过减弱强散射点对弱散射点的遮掩，改善了HRRP存在的闪烁现象，在一定程度上缓解了HRRP的姿态敏感性。

在对HRRP进行幂变换处理时，幂变换参数的选择是研究的关键之一。由HRRP统计特性可知，通过对数据进行合适参数下的幂变换处理，可以使得距离像数据趋于正态分布，从而提高线性判别函数、K近邻(KNN)等常用分类器的识别效果，因此需要对幂变换参数进行估计与选择，从而提高幂变换后HRRP识别率。基于正态性检验的幂变换参数学习，是通过正态性检验的方法，对不同参数下的幂变换结果进行检验，寻找使得结果最趋近于正态分布的幂参数，从而实现目标识别效果的改善。

目前，已有很多种成熟的正态性检验方法，包括person检验、偏峰度检验、高阶矩检验、Jarque-Bera检验等，现有技术中，有文献运用person检验，但在样本较小的情况下错误率较高，还有文献运用高阶矩正态性检验进行幂参数学习，但其统计准确率与其统计速度成反比，因此效率不高，还有文献运用偏峰度进行正态性检验，还有文献运用Jarque-Bera正态性检验，但这两种方法在一定程度上都对有效信息进行了舍弃，检验效果较差。基于上述方法存在的问题，本发明中提出了基于自适应Jarque-Bera正态性检验的幂参数学习方法，并利用实测数据对其有效性进行检验。

发明内容

本发明的目的是提供一种舰船高分辨距离像幂变换方法及系统，使得结果更趋近于正态分布提高线性判别函数、K近邻等常用分类器的识别效果，同时可以增加弱散射点在识别中的作用，减弱强散射点存在时对弱散射点的屏蔽作用，从而缓解距离像的姿态敏感性问题。

为实现上述目的，本发明提供了如下方案：

一种舰船高分辨距离像幂变换方法，所述幂变换方法包括：

S1：获取原始样本集{x_i,i＝1,2,…,N}；

S2：确定幂变换参数的初始值λ＝λ₀,λ₀∈(0,1]和步长；

S3：基于所述幂变换参数的初始值对原始样本集进行幂变换；

S4：计算幂变换后的原始样本的偏度和峰度；

S5：计算幂变换后的原始样本偏度的估计量和峰度的估计量；

S6：判断所述偏度的估计量和峰度的估计量是否满足第一设定条件；

S7：若满足，则将此时的λ计入λ′集合；

S8：若不满足，则执行下一步骤；

S9：将λ增加一个步长重复步骤S3-S8，直到遍历完所有λ的取值，得到λ′＝{λ₁,λ₂,…,λ_s}或λ′＝Φ；

S10：当λ′＝Φ时，计算偏度的估计量，遍历所有λ，λ_output＝argmin|g₁|；