[发明专利]基于自回归模型的雷达高分辨距离像目标识别方法

说明书

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对飞机，车辆等目标进行识别。

背景技术

雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。

从高分辨距离像中提取识别特征，是雷达目标识别系统中的一个重要环节，这些识别特征包括实高分辨距离像特征和高阶谱特征。然而，这些识别特征往往具有很高的维度，在训练识别系统时需要提供大量的高分辨距离像数据以保证识别系统参数的学习精度。众所周知，录取大量的高分辨距离像代价巨大，尤其是对于非合作目标，实际中更是难以获取大量的高分辨距离像数据，这限制了识别系统的性能。

目前已有的识别方法都需要通过分帧的方法来克服高分辨距离像的姿态敏感性。传统的分帧方法是将录取的高分辨距离像数据均匀分成若干段，每一段称为一帧。同时近似的假设各帧内高分辨距离像数据服从同一分布。但是采用这种方法，总帧数需人为指定。如果帧数过多，会增加识别时间，不利于实时识别；如果帧数过少，识别精度又不能保证。

发明内容

本发明的目的在于克服上述已有方法的不足，提出一种基于自回归模型的雷高分辨距离像目标识别方法。以降低识别特征维数，放松对高分辨距离像训练样本数量的需求，实现总帧数的自动确定，避免人为指定总帧数带来的识别性能下降问题。

为实现上述发明目的，本发明的实现步骤如下：

1)对高分辨距离像训练样本进行傅里叶变换，将其转换到频域，并将频域信号取模值，得到高分辨距离像训练样本对应的频谱幅度信号z＝[z(1)，z(2)，...，z(d)]，其中，z(f)是频谱幅度信号z的第f维元素，f＝1，2，...，d，d表示频谱幅度信号z的维度；

2)设定自回归模型的阶数m，m为正整数，用自回归模型对训练样本的频谱幅度信号z建模为：f＝m+1，m+2，...，d，其中z(f)表示训练样本的频谱幅度信号z的第f维元素，z(f-k)表示训练样本的频谱幅度信号z的第f-k维元素，e(f)是训练样本自回归模型的预测误差，a(k)是训练样本自回归模型的第k个自回归系数，k＝1，2，...，m，将所有自回归系数用向量形式表示为：a＝[a(1)，a(2)，...，a(m)]作为训练样本的识别特征，式中，a(i)是自回归模型的第i个自回归系数，i＝1，2，...，m；

3)用Yule-Walker方程估计训练样本的识别特征a；

4)用高斯混合模型对训练样本的识别特征a分帧，以克服训练样本识别特征a的姿态敏感性，分帧后的训练样本的识别特征a表示为：其中p(a)表示训练样本识别特征a的概率密度函数，L表示训练样本识别特征a的帧数，α_l表示第l帧的先验概率，l＝1，2，...，L，G(a|μ_l，∑_l)表示训练样本识别特征a在第l帧内服从高斯分布，μ_l表示第l帧的均值，∑_l表示第l帧的协方差矩阵，l＝1，2，...，L；

5)用贝叶斯阴阳学习方法自动确定步骤4)中的总帧数L，并估计各帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L；

6)将步骤5)中估计得到的各帧的先验概率α_l，均值μ_l和协方差矩阵∑_l，l＝1，2，...，L，存入识别系统模板库，根据该模板库对高分辨距离像测试样本进行识别。

本发明具有训练样本需求量小，训练样本识别特征总帧数自动确定的优点，可用于对雷达目标的识别。

附图说明

图1是本发明的流程图；

图2是用本发明对所有目标分帧的结果随自回归模型阶数的变化曲线图；

图3是用本发明对所有目标的识别结果随自回归模型阶数的变化曲线图；

图4是用本发明对所有目标的识别结果随训练样本集的大小变化曲线图。

具体实施方式

参照图1，本发明的具体实现步骤如下：

步骤1，计算高分辨距离像训练样本对应的频谱幅度信号。