[发明专利]基于iMMFA模型的雷达高分辨距离像的目标识别方法

摘要

本发明属于雷达技术领域，公开了一种基于iMMFA模型的雷达高分辨距离像的目标识别方法，用于提高雷达的分类性能，降低模型求解复杂度。该方法包括获取M个类别的目标的雷达高分辨距离像；对每个雷达高分辨距离像进行特征提取；构建iMMFA模型；设定iMMFA模型的各参数的初始值，按照Gibbs采样规则，经过I0次迭代的预热过程后，分别保存T0次各参数的采样值；确定最终的FA模型、最终的TSB‑DPM模型和最终的LVSVM分类器，从而组成最终的iMMFA模型；获取测试目标的雷达高分辨距离像，对测试目标的雷达高分辨距离像进行特征提取；根据测试隐变量的聚类标号，确定测试目标所属的目标类型。

主权项

基于iMMFA模型的雷达高分辨距离像的目标识别方法，其特征在于，包括以下步骤：步骤1，获取M个类别的目标的雷达高分辨距离像，其中，每个类别的目标对应多个雷达高分辨距离像；步骤2，对M个类别的目标的每个雷达高分辨距离像进行特征提取，得到M个类别的目标的每个雷达高分辨距离像的功率谱特征xn，将M个类别的目标的所有雷达高分辨距离像的功率谱特征组成功率谱特征集X；步骤3，将FA模型、TSB‑DPM模型和LVSVM分类器进行顺序组合，构建iMMFA模型，其中，iMMFA模型的所有参数包含所述FA模型的参数、所述TSB‑DPM模型的参数和所述LVSVM分类器的参数；并根据所述iMMFA模型和所述功率谱特征集X得到M个类别的目标的每个雷达高分辨距离像的功率谱特征的隐变量的概率密度函数pf，以及所述iMMFA模型的各参数的联合条件后验分布pU；其中，步骤3中将FA模型、TSB‑DPM模型和LVSVM分类器进行顺序组合，构建iMMFA模型具体包括：(1)设定FA模型：其中(xn表示第n个雷达高分辨距离像的功率谱特征，其维度为L；sn表示雷达高分辨距离像的功率谱特征xn所对应的隐变量，其维度为B；εn表示高斯噪声；dlk表示FA模型中加载矩阵D的第l行第k列元素；αlk是dlk先验分布的协方差精度，k＝1,2,3.....B；snk表示第n个雷达高分辨距离像的功率谱特征xn所对应的隐变量sn的第k个元素；βk是snk先验分布的协方差精度，n＝1,2,3....N，N表示功率谱特征集X中功率谱特征个数；γl是FA模型中高斯噪声第l行先验分布的精度，l＝1,2,3.....L；a0,b0表示dlk的协方差精度αlk的先验分布Gamma分布的超参数；c0,d0表示snk的协方差精度βk的先验分布Gamma分布的超参数；e0,f0表示γl的先验分布Gamma分布的超参数；(2)利用FA模型将功率谱特征集X映射到隐空间，得到雷达高分辨距离像的功率谱特征集的隐变量集S；(3)设定TSB‑DPM模型：(a)在TSB‑DPM模型中设定雷达高分辨距离像的功率谱特征集的隐变量集S的最大聚类个数为C，每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布；(b)设定TSB‑DPM模型中的基分布G0采用Normal‑Wishart分布NW(μ,Σ|μ0,W0,β0,υ0)，其中，μ表示高斯分布的均值，Σ表示高斯分布的协方差矩阵，μ0为Normal‑Wishart分布的均值，W0为尺度矩阵，β0、υ0为两个尺度因子；(c)将(a)和(b)中的设定代入TSB‑DPM模型得到下式：其中，v＝[v1,v2,...,vc,...,vC]表示TSB‑DPM模型的截棍参数，c＝1,2,...,C，C为TSB‑DPM模型设定的功率谱特征集的隐变量集S的最大聚类个数；Beta(·)表示Beta分布；α表示TSB‑DPM模型的截棍参数v的先验分布的参数；{μc,Σc}表示第c个聚类的高斯分布参数，μc表示第c个聚类的均值，Σc表示第c个聚类的协方差矩阵；G0表示基分布，μ0为Normal‑Wishart分布的均值，W0为尺度矩阵，β0、υ0为两个尺度因子；zn表示第n个雷达高分辨距离像的功率谱特征所属的聚类标号，n＝1,2,...,N，N表示功率谱特征集X中功率谱特征个数；π＝[π1,π2,...,πc...,πC]表示每个聚类的权系数(且有Mult(·)表示多项分布；NW(·)表示Normal‑Wishart分布；(4)采用TSB‑DPM模型将雷达高分辨距离像的功率谱特征集的隐变量集S进行聚类；(5)设定LVSVM分类器：(a)设定每个LVSVM分类器系数先验分布为高斯分布模型中有C×M个LVSVM分类器其中wcm表示第c个聚类中的第m个分类器系数；设定wcm的先验分布为高斯分布其中0表示维度为B+1的全零列向量，IB+1表示B+1阶单位矩阵；(b)根据TSB‑DPM模型中的雷达高分辨距离像的功率谱特征集的隐变量集S的最大聚类个数C(以及目标类别个数M，采用一对多策略，分别将M个类别中的一类目标看作正类目标(将M个类别中除所述一类目标之外的其它目标看作负类目标，得到C×M个LVSVM分类器；(c)将LVSVM分类器系数wcm的先验分布分别代入到C×M个LVSVM分类器，得到第c个聚类中第m个LVSVM分类器的系数wcm和第c个聚类中的所有雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的增广隐变量的联合后验分布φ(wcm,λcm|ym)如下式：其中，wcm表示第c个聚类中第m个LVSVM分类器的系数，m＝1,2,...,M，M表示目标类别个数；表示第c个聚类中的所有雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的增广隐变量，其中λnm表示第n个雷达高分辨距离像功率谱特征对应的第m个LVSVM分类器的增广隐变量；ym表示雷达高分辨距离像的功率谱特征对应于第m个LVSVM的类别标号；ynm表示第n个雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号，且若第n个雷达高分辨距离像的功率谱特征的隐变量sn属于第m类目标，则ynm＝+1，否则ynm＝‑1，表示第n个雷达高分辨距离像的功率谱特征的隐变量的增广向量，γ表示调和系数，IB+1表示B+1阶的单位阵，B表示加载矩阵D的总列数；表示高斯分布，(·)T表示转置操作；g0,h0表示第c个聚类中第m个LVSVM分类器的系数wcm的协方差精度σcm的先验分布Gamma分布的超参数；(6)将由FA模型得到的雷达高分辨距离像的功率谱特征集的隐变量S作为LVSVM分类器的输入，将FA模型<1：、TSB‑DPM模型<2：、LVSVM模型<3：统一在一个框架下构建iMMFA模型：步骤4，根据贝叶斯公式和所述iMMFA模型的各参数的联合条件后验分布pU，分别得到所述iMMFA模型的各参数的条件后验分布；步骤5，设定所述iMMFA模型的各参数的初始值，根据各参数在步骤4中对应的条件后验分布，按照Gibbs采样对设定初始值的各参数依次进行I0次循环采样，I0为自然数；从第I0+1次开始，每间隔Sp次保存所述iMMFA模型的各参数的采样值一次，分别保存T0次各参数的采样值；步骤6，根据所述iMMFA模型的各参数的T0次的采样值，确定最终的FA模型、最终的TSB‑DPM模型和最终的LVSVM分类器，从而组成最终的iMMFA模型；步骤7，获取测试目标的雷达高分辨距离像，对所述测试目标的雷达高分辨距离像进行特征提取，得到所述测试目标的雷达高分辨距离像的功率谱特征根据所述功率谱特征采用所述FA模型得到所述功率谱特征对应的测试隐变量的条件后验分布，并采用所述TSB‑DPM模型得到所述测试隐变量对应的聚类标号的条件后验分布；步骤8，根据所述测试隐变量的条件后验分布和所述测试隐变量对应的聚类标号的条件后验分布，并结合步骤5中保存的T0次各参数的采样值，利用Gibbs采样技术对所述测试隐变量和所述测试隐变量对应的聚类标号进行T0次采样，得到T0个测试隐变量以及T0个测试隐变量的聚类标号从而得到T0个测试隐变量对应的T0个概率密度函数值步骤9，预先设定拒判门限Th，将所述T0个概率密度函数值分别与所述拒判门限Th进行比较，若小于所述拒判门限Th的概率密度函数值的个数大于T0/2个，则根据所述测试隐变量的聚类标号，将所述测试隐变量依次输入其所属聚类对应的M个LVSVM分类器中，最终得到所述测试目标的目标类别标号，根据所述目标类别标号确定所述测试目标所属的目标类型；若小于所述拒判门限Th的概率密度函数值的个数小于T0/2个，则将所述测试目标视为库外样本，进行丢弃。