[发明专利]基于卷积因子分析模型的雷达高分辨距离像目标识别方法

摘要

本发明公开了一种基于卷积因子分析模型的雷达高分辨距离像目标识别方法，主要解决现有技术在小样本情况下目标识别性能较差的问题。其实现步骤为：1)分别对各类目标的雷达高分辨距离像按角域分帧并对各帧数据取模得到时域特征；2)对各帧数据进行预处理；3)分别对预处理后的各帧高分辨距离像构建卷积因子分析模型，并计算各模型参数的条件后验分布；4)对各参数初始化并进行I次迭代更新；5)对测试样本强度归一化，并与各帧平均像平移对齐；6)根据各帧卷积因子分析模型参数的后验均值计算该测试样本的帧概率密度函数值；7)找出最大概率密度函数值，判定测试样本的所属类别。本发明模型复杂度较小，可用于小样本情况下的雷达目标识别。

主权项

1.一种基于卷积因子分析CFA模型的雷达高分辨距离像目标识别方法，包括：(1)训练步骤1a)对雷达接收的各类目标高分辨距离像HRRP训练数据按角域分帧并对分帧后的训练样本取模得到它们的时域特征；1b)将各帧内的高分辨距离像HRRP依次进行强度归一化、平移对齐和求平均像的预处理；1c)分别对预处理后的每帧高分辨距离像HRRP数据构建一个卷积因子分析CFA模型：其中，c＝1,2,…,G，G为目标类别总数，m＝1,2,…,M_c，M_c为第c类目标的总帧数，k＝1,2,…,S,S为字典原子个数，n＝1,2,…,N，N为每帧高分辨距离像HRRP数据的样本数；为预处理后的第c类第m帧第n个雷达高分辨距离像；为第k个权向量，其第i个元素服从均值为0、方差为的高斯分布，服从参数为a₀、b₀的伽马分布，i＝1,2,…,L,L为的维度；为第k个字典原子，其第j个元素服从均值为0、方差为的高斯分布，服从参数为c₀、d₀的伽马分布，j＝1,2,…,J，J为的维度；μ^c,m为第c类第m帧高分辨距离像数据的平均像，为高斯噪声变量，服从均值为0，协方差为的高斯分布，γ^c,m为的协方差精度，服从参数为e₀、f₀的伽马分布，I_P表示P阶单位矩阵；*表示卷积运算；1d)根据变分贝叶斯VB算法求得各帧卷积因子分析CFA模型中参数γ^c,m、的条件后验分布；1e)初始化卷积因子分析CFA模型参数的均值、方差，设定迭代次数并根据(1d)中参数的条件后验分布对各模型参数进行更新，更新结束后保存各参数的最终结果和各帧高分辨距离像HRRP数据的平均像μc,m，完成对CFA模型的训练；(2)测试步骤2a)对测试样本x_test取模得到时域特征并进行强度归一化，再与训练阶段(1e)中保存的各类各帧的平均像μ^c,m平移对齐，得到预处理后的测试样本2b)利用(1e)中保存的CFA模型各参数的后验均值，分别计算测试样本在各类各帧条件下的帧概率密度函数值其中，c＝1,2,…,G，G为目标类别数，m＝1,2,…,M_c，M_c为第c类目标的帧数，为经过强度归一化并与第c类第m帧高分辨距离像的平均像平移对齐后的测试样本，μ^c,m为第c类第m帧数据的平均像，为训练阶段(1e)保存的第c类第m帧卷积因子分析CFA模型的第k个字典原子，k＝1,2,…,S，S为字典原子个数；为训练阶段(1e)中保存的第k个权向量，n＝1,2,…,N，N为每帧高分辨距离像数据的样本个数；γ^c,m为第c类第m帧卷积因子分析CFA模型噪声变量的协方差精度；为P×SL的矩阵，P为雷达高分辨距离像数据的维度,L为的维度,为先将末尾补零使其成为维度为P的向量再将循环移动i‑1个单位后所形成的向量，i＝1,2,…,L，Ω^c,m是SL×SL的矩阵，具体表示为为SL×1的列向量，其各元素为第c类第m帧卷积因子分析CFA模型第n个样本对应的第k个权向量的第i个元素，I_P为P阶单位矩阵；N为每帧样本数，<·>表示取均值操作，(·)^T表示转置操作；2c)找出(2b)中帧概率密度函数值的最大值，该值对应的第c类目标即为测试样本x_test的类别。