[发明专利]基于空间分布的雷达地面目标鉴别器设计方法

摘要

本发明公开了一种基于空间分布的雷达地面目标鉴别器设计方法，解决了复杂环境下无法对地面目标进行准确的实时鉴别的问题。其实现过程是：1)构建雷达目标鉴别器训练模板库特征空间；2)对训练模板库特征空间进行区域划分；3)利用基于加权优化的支持向量域模型生成区域的边界与支持向量；4)根据测试目标特征与区域的边界和支持向量的位置关系对测试目标类别进行鉴别。本发明通过对训练模板库特征空间进行区域划分，大幅提高了运算速度，同时采用精细化区域描述的方法，有效地保证了目标鉴别的准确性，提高了复杂环境下地面目标的鉴别性能，同时使目标鉴别器具备了实时处理能力。可用于复杂环境下雷达系统对地面目标的有效鉴别。

主权项

基于空间分布的雷达地面目标鉴别器设计方法，包括如下步骤：1)构建雷达目标鉴别器训练模板库特征空间：(1a)对M类典型目标进行雷达回波仿真，生成第m类第n个典型目标高分辨一维距离像h_m,n，提取该h_m,n的长度特征l_m,n与散射点个数特征t_m,n，将第m类目标的共N_m个长度特征集合表示为散射点个数特征集合表示为其中，m＝1,...,M，n代表第m类目标高分辨一维距离像数目，即n＝1,...,N_m；(1b)建立M类典型目标的训练模板库特征空间B：B＝{X_m,n＝(l_m,n,t_m,n)}其中，X_m,n表示第m类第n个目标的特征向量，l_m,n∈L_m，t_m,n∈T_m。2)对训练模板库特征空间B进行区域划分：(2a)计算特征空间B中所有特征之间的相关性ρ(X_m,n,X_m',n')，基于最大相关系数准则获取K‑Means算法的区域划分数目Q和初始区域中心ψ_q，其中q表示区域数目，q＝1,...,Q；(2b)利用K‑Means聚类算法对特征空间B进行精细化区域划分，生成Q块特征空间子区域，将第q块特征空间子区域表示为F_q＝(θ_q,η_q,ψ_q)，其中θ_q表示第q块子区域中目标特征个数，η_q表示第q块子区域目标特征集合，η_q＝{ε_v,q＝X_m,n}，ε_v,q表示η_q中的目标特征，v＝1,...,θ_q。3)根据第q块特征空间子区域中目标特征的空间分布生成密度中心偏离权值ρ(ε_v,q)与区域密度权值δ(ε_v,q)，利用这两个权值对支持向量域描述模型进行加权优化，得到目标鉴别器训练集Y＝{J_q＝(O_q,S_q,R_q)}，其中J_q表示第q块特征空间子区域，O_q表示第q块特征空间子区域支持向量个数，S_q表示第q块特征空间子区域支持向量集合，即S_q＝{s_i,q}，s_i,q表示该区域的支持向量，i＝1,...,O_q，R_q表示第q块特征空间子区域的半径；4)根据测试目标特征与训练模板库特征空间子区域的位置关系对测试目标类别进行判决：(4a)对测试目标雷达回波e_z进行如步骤1的高分辨一维距离成像与特征提取，生成测试目标特征Z；(4b)利用支持向量域描述模型对测试目标进行第一次判决：分别判断测试目标特征Z与Q块特征空间子区域J_q的位置关系，q＝1,...,Q，当测试目标特征Z位于第q块特征空间子区域J_q中时，则得到最终判决结果为库内目标；当测试目标特征Z不在任何一块特征空间子区域中时执行步骤(4c)；(4c)基于K近邻准则对测试目标进行第二次判决：(4c1)计算测试目标特征Z与特征空间子区域支持向量s_i,q之间的距离d(s_i,q,Z)，对该距离进行从小到大的排序，根据K近邻准则选择前Ω个距离所对应的支持向量作为近邻向量s_k，k＝1,...,Ω；(4c2)根据支持向量密度分布计算近邻向量s_k所对应的权值w_k：$w_k=\frac{1}{\exp \[d(s_k,Z)\·\underset{q=1}{\overset{Q}{\Σ}}|R_q-d(s_k,{\mathrm{\ψ}}_q)|/Q\]}$其中d(s_k,Z)表示近邻向量s_k与测试目标特征Z的距离，d(s_k,ψ_q)表示近邻向量s_k与第q块特征空间子区域中心ψ_q的距离，Q表示特征空间子区域数目，R_q表示第q块特征空间子区域的半径；(4c3)计算Ω个近邻向量的加权均值向量计算测试目标特征Z与s_mean的距离d(Z,s_mean)；(4c4)设定近邻阈值ζ∈[0,1]，利用近邻阈值ζ对测试样本Z进行第二次判决：若d(Z,s_mean)≤ζ，则最终判决结果为库内目标；否则，最终判决结果为库外目标。