[发明专利]基于雷达目标距离像时频特征提取的雷达目标识别方法

摘要

本发明提供了一种基于雷达目标距离像时频特征提取的雷达目标识别方法，该方法首先采用匹配追踪时频分析方法计算得到雷达目标距离像的时频分布矩阵，然后应用非负矩阵分解技术分解时频分布矩阵，得到能够有效反映雷达目标HRRP内部时频相干结构的时频特征；最后，再根据雷达目标距离像的时频特征提取方案进行雷达目标识别；该方法能够通过计算机运行执行，减少雷达目标识别观测人员的工作量，有助于提高雷达目标识别效率，并且该方法中采用非负矩阵分解有效实现了目标距离像时频矩阵的降维，并分解得到雷达目标散射的时相结构，能够进一步提高雷达目标识别的运算性能和准确性。

主权项

1.基于雷达目标距离像时频特征提取的雷达目标识别方法，其特征在于，包括如下步骤：A）建立包含有X个基函数的基函数库G_D；其中任意第x个基函数G_x(t)∈G_D，其表达式为：Gx(t)=1sxg(t-pxsx)exp[j2(πfxt+φx)];]]>其中，t表示时间；s_x、p_x、f_x和φ_x分别表示第x个基函数G_x(t)的比例控制参数、时域位置控制参数、频率参数和相角参数；为高斯函数g(t)的时移函数；B）提取雷达目标距离像的时频特征；该步骤具体为：b1）用基函数库G_D中的基函数对雷达目标距离像Θ(t)进行匹配追踪分解，得到其分解表达式：Θ(t)=Σi=1IaiGi(t)+RI;]]>其中，I表示匹配追踪分解的级数，且I＜X，i∈{1,2,…,I}；R_I表示雷达目标距离像Θ(t)在I级匹配追踪分解后的残余信号；G_i(t)表示第i级分解所匹配的基函数，且G_i(t)∈G_D；a_i表示第i级分解的补偿因子，且a_i=|<R_i-1,G_i(t)>|，其中R_i-1雷达目标距离像Θ(t)在第(i-1)级匹配追踪分解后的残余信号，|<R_i-1，G_i(t)>|表示取R_i-1与G_i(t)进行内积运算后的绝对值；b2）取雷达目标距离像Θ(t)分解表达式的匹配追踪分解组成部分作为雷达目标距离像Θ(t)对应的时频函数Γ(t)，即令求取所述时频函数Γ(t)的时频分布函数Ω(t,f)：Ω(t,f)=Σi=1I|ai|2WVGi(t,f)=Σi=1I|ai|2g^2(si(f-fi))g2(t-pisi);]]>其中，f表示频率；WVG_i(t,f)表示基函数G_i(t)的维格纳-威利分布函数；s_i、p_i和f_i分别表示基函数G_i(t)的比例控制参数、时域位置控制参数和频率参数；为高斯函数g(t)的时移函数；为所述时移函数经傅里叶变换得到的频域函数；b3）根据雷达目标距离像Θ(t)的时域采样点总数N以及预设定的频域采样点总数M，N≤M≤2N，求得时频分布函数Ω(t,f)对应的维数为M行×N列的时频分布矩阵V_Ω(n,m)：VΩ(n,m)=Σi=1I|ai|2g^2(si(f1-fi))g^2(si(f2-fi))...g^2(si(fm-fi))...g^2(si(fM-fi))·g2(t1-pisi)g2(t2-pisi)...g2(tn-pisi)...g2(tN-pisi);]]>其中，t_n表示时频分布函数Ω(t,f)在时域上第n个采样点对应的时间，n∈{1,2,…,N}；f_m表示时频分布函数Ω(t,f)在频域上第m个采样点对应的频率，m∈{1,2,…,M}；b4）根据预设定的分解维度K和分解门限阈值ε，K＜N，0<ε≤10^-2，对所述时频分布矩阵V_Ω(n,m)进行非负矩阵分解，获得维数为M行×K列的基元矩阵W_Ω(k,m)和维数为K行×N列的系数矩阵H_Ω(n,k)，使其满足欧氏距离平方值E(W_Ω,H_Ω)<ε；所述欧氏距离平方值E(W_Ω,H_Ω)表示时频分布矩阵V_Ω(n,m)与矩阵乘积W_Ω(k,m)·H_Ω(n,k)之间的欧氏距离的平方，即：E(W_Ω,H_Ω)=||V_Ω(n,m)-W_Ω(k,m)·H_Ω(n,k)||²；其中，基元矩阵W_Ω(k,m)和系数矩阵H_Ω(n,k)均为非负矩阵；k∈{1,2,…,K}；b5）获取基元矩阵W_Ω(k,m)的各个列向量以及系数矩阵H_Ω(n,k)的各个行向量k∈{1,2,…,K}；w→k(m)=w1,kw2,k...wm,k...wM,k;]]>h→k(n)=hk,1hk,2...hk,n...hk,N;]]>其中，w_m，k表示基元矩阵W_Ω(k,m)中第m行第k列的元素；h_k,n表示系数矩阵H_Ω(n,k)中第k行第n列的元素；b6)根据预设定的频域特征阶数Q和时域特征阶数P，计算基元矩阵W_Ω(k，m)各个列向量对应的频域稀疏特征和各阶频域向量矩以及系数矩阵H_Ω(n，k)各个行向量对应的时域稀疏特征和各阶时域向量矩SFw→k=M-[(Σm=1Mwm,k)/Σm=1Mwm,k2]M-1;]]>WFw→k(q)=Σm=1M(m-μw→k)qwm,k;]]>STh→k=N-[(Σn=1Nhk,n)/Σn=1Nwk,n2]N-1;]]>MTh→k(p)=Σn=1N(n-μh→k)pwk,n;]]>其中，k∈{1，2，…，K}；表示基元矩阵W_Ω(k，m)中第k列的列向量对应的第q阶的频域向量矩，q∈{1，2，…，Q}；表示列向量中各个元素的均值，即表示系数矩阵H_Ω(n，k)中第k行的行向量对应的第p阶的时域向量矩，p∈{1，2，…，P}；表示行向量中各个元素的均值，即b7)将基元矩阵W_Ω(k，m)中第k列的列向量对应的频域稀疏特征和各阶频域向量矩以及系数矩阵H_Ω(n，k)中第k行的行向量对应的时域稀疏特征和各阶时域向量矩的集合作为雷达目标距离像Θ(t)的第k个时频特征矢量ξ_k，即：ξk=[MTh→k(1),MTh→k(2),...,MTh→k(p),...,MTh→k(p),]]>MFw→k(1),MFw→k(2),...,MFw→k(q),...,MFw→k(Q),;]]>STh→k,SFw→k]]]>由此，得到雷达目标距离像Θ(t)的时频特征矢量序列f＝{ξ₁，ξ₂，…，ξ_k，…，ξ_K)，并将所述时频特征矢量序列ζ作为从雷达目标距离像Θ(t)提取的时频特征；C)将根据步骤B)所述方案提取的雷达目标距离像的时频特征作为雷达目标识别特征，进行雷达目标识别。