[发明专利]基于dpKMMDP模型的雷达目标识别方法

摘要

本发明提出了一种基于dpKMMDP模型的雷达目标识别方法，用于解决现有基于分类器模型的雷达目标识别方法中存在的识别率较低的技术问题。实现步骤为：1.提取雷达SAR图像训练样本集X；2.计算训练样本集的核函数矩阵G；3.构建dpKMMDP模型，并计算模型中各参数的联合条件后验分布；4.计算各参数的条件后验分布；5.设定各参数的初始值；6.各参数进行循环采样，保存T₀次测试阶段所需参数的采样结果；7.提取测试样本集并计算测试样本集的隐变量集8.将隐变量集代入LVSVM分类器计算测试样本的目标类别标号并输出。本发明能实现对复杂非线性可分雷达SAR图像数据的分类，用于对雷达目标的识别。

主权项

一种基于dpKMMDP模型的雷达目标识别方法，包括以下步骤：(1)从SAR图像中提取感兴趣区域ROIs并对其进行预处理，得到D类目标区域切片，再对各个目标区域切片进行特征提取，得到训练样本集X＝{x₁,x₂,...,x_n,...,x_N}，并通过y＝{y₁,y₂,...,y_n,...,y_N}记录训练样本集X中每一个训练样本的类别标号，其中，y_n∈{1,2,...,D}表示x_n所对应的类别标号，n＝1,2,...,N，N表示训练样本集X的样本总个数；(2)利用核方法将训练样本集X映射到核空间F，得到核空间F中的训练样本集Φ(X)，并通过Φ(X)计算训练样本的核函数矩阵G；(3)将狄利克雷过程DP混合模型、基于核的投影模型和隐变量支持向量机分类器相结合，构建dpKMMDP模型，并计算该模型中各个参数的联合条件后验分布其中：{μ_c,Σ_c}为第c个聚类的聚类分布参数，c＝1,2,...,C，C表示总聚类个数，W_c＝[ω_c,1,ω_c,2,...,ω_c,m,...,ω_c,D]表示第c个聚类中隐变量支持向量机分类器的权系数矩阵，ω_c,m表示第m个隐变量支持向量机分类器的权系数向量，m＝1,2,...,D，D表示雷达目标种类个数，Ψ_c＝[ψ_c,1,ψ_c,2,...,ψ_c,k,...,ψ_c,K]表示第c个聚类中dpKMMDP模型的投影矩阵，ψ_c,k为投影矩阵Ψ_c的第k列向量，k＝1,2,...,K，K表示投影矩阵Ψ_c中列向量的总个数，Z＝[z₁,z₂,...,z_n,...,z_N]表示雷达SAR图像训练样本集的隐变量集，z_n表示第n个隐变量，h＝[h₁,h₂,....,h_n,....,h_N]表示样本聚类标记，υ＝[υ₁,υ₂,...,υ_c,...,υ_C]表示基于Stick‑breaking构造的狄利克雷过程DP混合模型的参数，c＝1,2,...,C，C为聚类总个数；(4)根据贝叶斯公式和dpKMMDP模型中各个参数的联合条件后验分布计算参数各自对应的条件后验分布；(5)设定dpKMMDP模型中各个参数的联合条件后验分布中各个参数的初始值：设ω_c,m的初始值为一个服从N(0,1)分布的K+1维的随机向量，设ω_c,m的协方差精度β_c,m的初始值为一个服从Ga(10³,1)分布的随机数，设Ψ_c的初始值为一个服从N(0,1)分布的M×K维的随机矩阵，M为核空间维度，设协方差精度向量κ_c,k的初始值为一个全部是1的K维向量，设Z的初始值为一个服从N(0,1)分布的K×N维的随机矩阵，设{μ_c,Σ_c}的初始值为一个服从Normal‑Wishart分布NW({μ_c,Σ_c}|μ₀,W₀,ν₀,β₀)的随机矩阵，其中μ₀＝0,W₀＝10^‑5I,ν₀＝K+1,β₀＝10^‑3，设聚集参数α的初始值为一个服从Ga(1,10^‑10)分布的随机数，其中N(·)表示高斯分布、Ga(·)表示Gamma分布、NW(·)表示Normal‑Wishart分布；(6)根据步骤(4)计算的参数各自对应的条件后验分布，按照Gibbs采样方法，对步骤(5)中设定有初始值的参数依次进行循环采样，在Burn‑in后，每间隔S_P次保存参数{μ_c,Σ_c}、Ψ_c和W_c的采样结果，共保存T₀次；(7)从SAR图像中提取感兴趣区域ROIs并对其进行预处理，得到目标区域切片，再对各个目标区域切片进行特征提取，得到测试样本集将该测试样本集映射到核空间，得到核空间F中的训练样本集并通过计算测试样本的核函数矩阵(8)根据测试样本的核函数矩阵及步骤(6)中保存的T₀次参数{μ_c,Σ_c}、Ψ_c和W_c的采样结果，计算测试隐变量集(9)将步骤(8)计算出的测试隐变量集和步骤(6)中保存的T₀次参数W_c的采样结果，代入到隐变量支持向量机分类器的判别公式中，得到测试SAR图像目标切片的目标类别标号并输出。