[发明专利]基于标签保持多任务因子分析模型的雷达目标识别方法

摘要

本发明公开了一种基于标签保持多任务因子分析模型的雷达目标识别方法，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)对各类目标的雷达高分辨距离像进行归一化和对齐的预处理，2)利用预处理后的高分辨距离像构建标签保持多任务因子分析模型，3)对该模型的各参数进行吉布斯采样，保存模型参数的采样均值；4)对测试样本进行归一化和对齐的预处理，5)根据训练步骤学得的标签保持多任务因子分析模型参数的采样均值计算该测试样本的帧概率密度函数值，6)根据该帧概率密度函数值判定测试样本的类别属性。本发明实现了模型的有监督学习，提高了小样本条件下的识别性能，可用于小样本情况下的雷达目标识别。

主权项

1.一种基于标签保持多任务因子分析模型的雷达目标识别方法，包括如下：(1)训练步骤(1a)获取G个类别的雷达目标的高分辨距离像HRRP训练数据，依次进行分帧、取模、归一化和对齐的预处理，得到预处理后的训练数据x^c,m表示预处理后的第c类第m帧的训练数据，G为雷达目标类别总数，M_c为第c类目标的总帧数；(1b)求取预处理后的各帧高分辨距离像训练数据X的平均像μc,m，并保存；(1c)对预处理后的各帧高分辨距离像训练数据X构建标签保持多任务因子分析模型如下：其中，表示第c类第m帧训练数据x^c,m的第n个雷达高分辨距离像；A表示所有帧共享的加载矩阵，加载矩阵A的第k列a_k服从均值为0、方差为的高斯分布，I_P表示P阶单位矩阵；表示高分辨距离像对应的权值，权值的第k个元素服从均值为0、方差为的高斯分布，α^c,m服从形状参数为g₀、尺寸参数为h₀的伽马分布；表示对应的稀疏选择因子，稀疏选择因子的第k个元素服从伯努利分布，为1的概率用表示，服从形状参数为e₀和f₀的贝塔分布，k＝1,2,…R；是高斯噪声变量，服从均值为0、协方差为的高斯分布；γ^c,m是高斯噪声变量的协方差精度，γ^c,m服从形状参数为a₀、尺寸参数为b₀的伽马分布，I_P表示P阶单位矩阵；表示高分辨距离像对应的标签，表示服从伯努利分布，表示标签为1的标签保持概率，σ(·)表示Sigmoid函数，exp(·)表示指数函数，的第l个元素对应的变换参数为表示高分辨距离像对应的标签保持项，的第l个元素服从伯努利分布，l＝1,2,…,L；D表示所有帧共享的标签保持字典，标签保持字典D的第k列d_k服从均值为0、方差为的高斯分布，I_L表示L阶单位矩阵；为高斯偏置项，服从均值为0、协方差为的高斯分布，λ^c,m为高斯偏置项的协方差精度，服从形状参数为c₀、尺寸参数为d₀的伽马分布，I_L表示L阶单位矩阵；n＝1,2,…,Nm，Nm为每帧高分辨距离像数据的样本数，⊙表示两个向量的点乘；(1d)根据贝叶斯理论得到所述标签保持多任务因子分析模型中参数a_k、γ^c,m、α^c,m、λ^c,m、和d_k的条件后验分布；(1e)设定所述标签保持多任务因子分析模型的各参数的初始值，根据(1d)中各参数的条件后验分布，按照吉布斯采样，对设定初始值后的各参数依次进行I0次循环采样，从第I0+1次开始，每间隔S0次保存所述标签保持多任务因子分析模型的各参数的采样值一次，分别保存各参数T0次的采样值，其中I0为自然数；(1f)求标签保持多任务因子分析模型的各参数T0次采样值的采样均值并保存，完成对标签保持多任务因子分析模型的训练；(2)测试步骤(2a)对测试样本x_test进行依次取模和归一化后，再与训练阶段(1b)中保存的各类各帧的平均像对齐，得到预处理后的测试样本(2b)利用(1f)中保存的标签保持多任务因子分析模型各参数的采样均值，分别计算预处理后的测试样本在各类各帧条件下的帧概率密度函数值(2c)找出(2b)中的帧概率密度函数值的最大值，并根据该最大值判定测试样本x_test所属类别。