[发明专利]低信噪比条件下的地面运动目标稳健识别方法

摘要

本发明公开了一种低信噪比条件下的地面运动目标稳健识别方法。主要解决现有识别方法在低信噪比条件下识别性能差的问题。其实现过程是：将录取的高信噪比慢时间信号能量归一；估计自相关阵并对其特征值分解，将特征值按非递增顺序排列成特征谱并提取特征谱散布特征；用特征谱和特征谱散布特征分别训练分类器；估计噪声时域功率并用信号能量将录取的低信噪比慢时间信号归一化；估计自相关阵并对其特征值分解，将特征值按非递增顺序排列成特征谱并去噪；提取特征谱散布特征；将去噪后的特征谱和特征谱散布特征带入训练好的分类器，得到目标的分类结果。本发明具有识别性能稳健的优点，可用于在低信噪比条件下区分轮式车辆和履带式车辆。

主权项

1.一种低信噪比条件下的地面运动目标稳健识别方法，包括：A．训练步骤（A2）设低分辨雷达录取的高信噪比慢时间信号为：s=s1s2···sk···sM,]]>将其能量归一化为1后，得到归一化后的高信噪比慢时间信号为s~=s~1s~2···s~k···s~M,]]>其中，s_k为第k个归一化前的慢时间信号，为第k个归一化后的慢时间信号，k＝1,2…M,M为训练数据的样本数；（A2）对归一化后信号的每个高信噪比慢时间信号以步长为1进行滑窗，得到它的自相关矩阵：其中，上标H表示复共轭转置，为第k个高信噪比慢时间信号第c次滑窗后的数据，N为的长度，表示向下取整，取为窗长；（A3）对自相关矩阵R_sk做特征值分解，并将获得的特征值按非递增顺序排列，得到特征谱：其中，λ_kr为第k个归一化后的高信噪比慢时间信号特征谱中的第r个特征值，（A4）用特征谱矩阵Λ训练其对应的支撑向量机分类器的参数，其中Λ=λ1,λ2···λk···λM;]]>（A5）从特征谱λ_k中提取4维特征谱散布特征：其中，f_k1为第一维特征谱散布特征：f_k2为第二维特征谱散布特征：fk2=argu((Σj=1uλkj/(Σr=1Eλkr))=0.98),]]>f_k3为第三维特征谱散布特征：f_k4为第四维特征谱散布特征：fk4=-Σt=1E[(λkt/(Σr=1Eλkr))log(λkt/(Σr=1Eλkr))],]]>其中，λ_k1为第k个高信噪比慢时间信号特征谱中的第1个特征值，E为特征谱λ_k的长度，λ_kj为第k个高信噪比慢时间信号特征谱中的第j个特征值，j＝1,2…u，argu((Σj=1uλkj/(Σr=1Eλkr))=0.98)]]>表示满足(Σj=1uλkj/(Σr=1Eλkr))=0.98]]>时u的取值，1≤u≤E，λ_kt为第k个高信噪比慢时间信号特征谱中的第t个特征值，t＝1,2…E；（A6）用上述4维特征谱散布特征构成矩阵：把Ψ带入支撑向量机分类器，对支撑向量机分类器的参数进行训练；B.测试步骤（B1）设低分辨雷达录取的用于测试的低信噪比慢时间信号为x=x1x2···xd···xL,]]>其中，x_d为第d个归一化之前的慢时间信号，d＝1,2…L,L为测试数据的样本数；（B2）估计出x_d所含噪声的时域平均功率σ_d²,利用σ_d²计算去噪后的信号能量P_sd，并用该信号能量对x_d和σ_d²归一化，得到归一化后的慢时间信号和归一化后的噪声时域平均功率（B3）对归一化后的第d个低信噪比慢时间信号以步长为1进行滑窗，得到它的自相关矩阵：其中，为第d个归一化后的慢时间信号第e次滑窗后的数据，为窗长；（B4）对自相关矩阵做特征值分解，并将获得的特征值按非递增顺序排列，得到特征谱：其中，μ_dh为第d个归一化后的低信噪比慢时间信号特征谱的第h个特征值，（B5）利用上述噪声的时域平均功率和噪声时域功率所服从的概率分布确定对特征谱进行修正的噪声门限v,然后将特征谱中的特征值μ_dh与噪声门限v进行比较并做相应的处理，得到修正后的特征谱：其中，λ-dh=0,μdh≤vμdh-v,μdh>v;]]>（B6）用修正后的特征谱构成特征谱矩阵Λ-=λ-1,λ-2···λ-d···λ-L,]]>并把作为识别特征带入训练步骤（A4）中特征谱矩阵Λ训练好参数的支撑向量机分类器中进行分类；（B7）利用训练步骤（A5）中提取4维特征谱散布特征的方法，从修正后的特征谱中提取该4维特征谱散布特征ζ_d，其中，ζd=βd1βd2βd3βd4,]]>β_d1,β_d2,β_d3,β_d4分别为第一维到第四维特征谱散布特征；（B8）用上述4维特征谱散布特征构成特征谱散布特征矩阵Γ=ζ1ζ2···ζd···ζL,]]>再把Γ带入训练步骤（A6）中特征谱散布特征矩阵Ψ训练好参数的支撑向量机分类器中进行分类。