[发明专利]基于极化分解的噪声稳健宽带全极化目标识别方法

权利要求书

1.基于极化分解的噪声稳健宽带全极化目标识别方法，其特征在于，包括以下步骤：

S1：利用雷达接收多组全极化通道距离像信号；获取全极化通道距离像信号的多个训练样本；

S2：针对每个训练样本，采用目标极化特征提取方法，获取每个训练样本的平均距离像和分类特征；

所述步骤S2具体包括以下步骤：

S21：分别对每个训练样本的HH极化通道距离像信号、每个训练样本的HV极化通道距离像信号、每个训练样本的VH极化通道距离像信号、以及每个训练样本的VV极化通道距离像信号进行归一化处理，得到每个训练样本的HH极化通道归一化距离像信号、每个训练样本的HV极化通道归一化距离像信号、每个训练样本的VH极化通道归一化距离像信号、以及每个训练样本的VV极化通道归一化距离像信号；估计出每个训练样本的每个极化通道距离像信号的噪声平均功率；

在步骤S21中，对应训练样本的HH极化通道距离像信号表示为s_HH，对应训练样本的HV极化通道距离像信号表示为s_HV，对应训练样本的VH极化通道距离像信号表示为s_VH，对应训练样本的VV极化通道距离像信号表示为s_VV；其中，

s_HH＝[s_HH1,...,s_HHk,...,s_HHM]，s_HV＝[s_HV1,...,s_HVk,...,s_HVM]

s_VH＝[s_VH1,...,s_VHk,...,s_VHM]，s_VV＝[s_VV1,...,s_VVk,...,s_VVM]

其中，s_HHk表示对应训练样本的HH极化通道第k个距离单元的距离像信号，s_HVk表示对应训练样本的HV极化通道第k个距离单元的距离像信号，s_VHk表示对应训练样本的VH极化通道第k个距离单元的距离像信号，s_VVk表示对应训练样本的VV极化通道第k个距离单元的距离像信号，k取1至M，M为雷达接收的每个极化通道距离像信号的长度；

分别对对应训练样本的HH极化通道距离像信号s_HH、对应训练样本的HV极化通道距离像信号s_HV、对应训练样本的VH极化通道距离像信号s_VH、以及对应训练样本的VV极化通道距离像信号s_VV进行归一化处理，得到s_HH经归一化处理后的信号s_HV经归一化处理后的信号s_VH经归一化处理后的信号以及s_VV经归一化处理后的信号

${\tilde{s}}_{HH}=\[{\tilde{s}}_{HH1},...,{\tilde{s}}_{HHk},...,{\tilde{s}}_{HHM}\],{\tilde{s}}_{HV}=\[{\tilde{s}}_{HV1},...,{\tilde{s}}_{HVk},...,{\tilde{s}}_{HVM}\]$

${\tilde{s}}_{VH}=\[{\tilde{s}}_{VH1},...,{\tilde{s}}_{VHk},...,{\tilde{s}}_{VHM}\],{\tilde{s}}_{VV}=\[{\tilde{s}}_{VV1},...,{\tilde{s}}_{VVk},...,{\tilde{s}}_{VVM}\]$

其中，表示对应训练样本的HH极化通道第k个距离单元经归一化处理之后的距离像信号，表示对应训练样本的HV极化通道第k个距离单元经归一化处理之后的距离像信号，表示对应训练样本的VH极化通道第k个距离单元经归一化处理之后的距离像信号，表示对应训练样本的VV极化通道第k个距离单元经归一化处理之后的距离像信号；以及分别为：

${\tilde{s}}_{HHk}=\frac{s_{HHk}}{\left|\right|\[s_{HH},s_{HV},s_{VH},s_{VV}\]|{|}_2},{\tilde{s}}_{HVk}=\frac{s_{HVk}}{\left|\right|\[s_{HH},s_{HV},s_{VH},s_W\]|{|}_2}$

${\tilde{s}}_{VHk}=\frac{s_{VHk}}{\left|\right|\[s_{HH},s_{HV},s_{VH},s_{VV}\]|{|}_2},{\tilde{s}}_{VVk}=\frac{s_{VVk}}{\left|\right|\[s_{HH},s_{HV},s_{VH},s_W\]|{|}_2}$

其中，||·||₂表示求2-范数；

然后，估计出对应训练样本的每个极化通道距离像信号的噪声平均功率，对应训练样本的每个极化通道距离像信号的噪声平均功率均为σ²；

S22：针对每个训练样本，在所有训练样本中选取与对应训练样本对应的多个训练样本，选取的每个训练样本的目标方位角与对应训练样本的目标方位角的角度差小于设定角度阈值；每个训练样本的目标方位角指：每个训练样本中目标相对于雷达的方位角；

在步骤S22中，根据以下公式得出对应训练样本的极化散射矩阵S：

S＝[S₁,…S_k,…,S_M]

其中，S_k为：

$S_k=\left[\begin{array}{cc}{\tilde{s}}_{HHk}& {\tilde{s}}_{HVk}\\ {\tilde{s}}_{VHk}& {\tilde{s}}_{VVk}\end{array}\right];$

根据以下公式得出对应训练样本的极化相干矩阵T：

T＝[T₁,…T_k,…,T_M]

$T_k=\frac{1}{2}\left[\begin{array}{ccc}\<|A{|}^2\>& \<{\mathrm{AB}}^{*}\>& \<{\mathrm{AC}}^{*}\>\\ \<A^{*}B\>& \<|B{|}^2\>& \<{\mathrm{BC}}^{*}\>\\ \<A^{*}C\>& \<B^{*}C\>& \<|C{|}^2\>\end{array}\right]$

其中，|·|表示取模，上标*表示矩阵的共轭，在步骤S22中，对于选取的每个训练样本，均有对应的A值、B值和C值，<·>表示：根据步骤S22选取的多个训练样本求集合平均；根据步骤S22选取的多个训练样本，对或进行集合平均计算，得出对应训练样本的平均距离像或

根据选取的每个训练样本的HH极化通道归一化距离像信号、选取的每个训练样本的HV极化通道归一化距离像信号、选取的每个训练样本的VH极化通道归一化距离像信号、以及选取的每个训练样本的VV极化通道归一化距离像信号，得出对应训练样本的极化相干矩阵T、以及对应训练样本的平均距离像

S23：根据对应训练样本的极化相干矩阵T、以及对应训练样本的每个极化通道距离像信号的噪声平均功率，得出对应训练样本的修正后极化相干矩阵根据对应训练样本的修正后极化相干矩阵得出对应训练样本的分类特征；

在步骤S23中，针对对应训练样本，分别对T₁至T_M进行修正，得出矩阵至然后利用矩阵至组合成对应训练样本的修正后极化相干矩阵对T_k进行修正包括以下步骤：

首先对T_k进行特征值分解，得出T_k＝U_kΛ_kU_k^-1，其中，上标-1表示求矩阵的逆，Λ_k为3×3维的矩阵，Λ_k为：

${\mathrm{\&Lambda;}}_k=\left[\begin{array}{ccc}{\mathrm{\&lambda;}}_{1k}& & \\ & {\mathrm{\&lambda;}}_{2k}& \\ & & {\mathrm{\&lambda;}}_{3k}\end{array}\right]$

其中，λ_1k为T_k的第1个特征值，λ_2k为T_k的第2个特征值，λ_3k为T_k的第3个特征值；U_k为3×3维的矩阵，U_k＝[U_1k,U_2k,U_3k]，U_1k为与λ_1k对应的T_k的特征向量，U_2k为与λ_2k对应的T_k的特征向量，U_3k为与λ_3k对应的T_k的特征向量；U_1k、U_2k和U_3k分别表示为如下形式：

其中，α_1k、α_2k、α_3k、β_1k、β_2k、β_3k、δ_1k、δ_2k、δ_3k、γ_1k、γ_2k、以及γ_3k均为角度参数；

根据对应训练样本的每个极化通道距离像信号的噪声平均功率σ²，对Λ_k进行修正，得到修正后特征值矩阵为：

${\widetilde{\mathrm{\&Lambda;}}}_k=\left[\begin{array}{ccc}{\mathrm{\&lambda;}}_{1k}-{\mathrm{\&sigma;}}^2& & \\ & {\mathrm{\&lambda;}}_{2k}-{\mathrm{\&sigma;}}^2& \\ & & {\mathrm{\&lambda;}}_{3k}-{\mathrm{\&sigma;}}^2\end{array}\right]$

则得出矩阵

在矩阵至中，针对每个矩阵提取归一化后比例特征、归一化后散射熵特征和归一化后平均散射角特征；在矩阵中提取归一化后比例特征、归一化后散射熵特征和归一化后平均散射角特征包括以下步骤：

根据以下公式矩阵的比例特征P_k、散射熵特征H_k、以及平均散射角特征

$P_k=\frac{{\mathrm{\&lambda;}}_{1k}}{{\mathrm{\&lambda;}}_{1k}+{\mathrm{\&lambda;}}_{2k}+{\mathrm{\&lambda;}}_{3k}},$

$H_k=\underset{g=1}{\overset{3}{\&Sigma;}}-\frac{{\mathrm{\&lambda;}}_{gk}}{{\mathrm{\&lambda;}}_{1k}+{\mathrm{\&lambda;}}_{2k}+{\mathrm{\&lambda;}}_{3k}}{\log }_3\left(\frac{{\mathrm{\&lambda;}}_{gk}}{{\mathrm{\&lambda;}}_{1k}+{\mathrm{\&lambda;}}_{2k}+{\mathrm{\&lambda;}}_{3k}}\right)$

${\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_k=\underset{g=1}{\overset{3}{\&Sigma;}}\frac{{\mathrm{\&lambda;}}_{gk}}{{\mathrm{\&lambda;}}_{1k}+{\mathrm{\&lambda;}}_{2k}+{\mathrm{\&lambda;}}_{3k}}{\mathrm{\&alpha;}}_{gk}$

其中，g取1至3；由于k取1至M，此时便得出P₁至P_M、H₁至H_M、以及至计算出P₁至P_M的均值μ_P、P₁至P_M的标准差σ_P、H₁至H_M的均值μ_H、H₁至H_M的标准差σ_H、至的均值以及至的标准差

根据以下公式得出矩阵的归一化后比例特征归一化后散射熵特征和归一化后平均散射角特征

${\tilde{P}}_k=\frac{P_k-{\mathrm{\&mu;}}_P}{{\mathrm{\&sigma;}}_P},{\tilde{H}}_k=\frac{H_k-{\mathrm{\&mu;}}_H}{{\mathrm{\&sigma;}}_H},{\widetilde{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}}_k=\frac{{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}_k-{\mathrm{\&mu;}}_{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}}{{\mathrm{\&sigma;}}_{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}};$

然后将矩阵至的归一化后比例特征组合成矢量将矩阵至的归一化后散射熵特征组合成矢量将矩阵至的归一化后平均散射角特征组合成矢量矢量矢量和矢量分别为：

$\tilde{P}=\&lsqb;{\tilde{P}}_1,...,{\tilde{P}}_k,...,{\tilde{P}}_M\&rsqb;$

$\tilde{H}=\&lsqb;{\tilde{H}}_1,...,{\tilde{H}}_k,...,{\tilde{H}}_M\&rsqb;$

$\widetilde{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}=\&lsqb;{\widetilde{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}}_1,...,{\widetilde{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}}_k,...,{\widetilde{\stackrel{\&OverBar;}{\mathrm{\&alpha;}}}}_M\&rsqb;$

将矢量矢量和矢量组合成对应训练样本的分类特征C，C为：

S3：将雷达接收的每组全极化通道距离像信号作为对应的测试样本，针对每个测试样本采用基于噪声修正的目标极化特征提取方法，获取每个测试样本的平均距离像和分类特征；针对每个测试样本，执行步骤S4至步骤S6；

在步骤S3中，获取每个测试训练样本的平均距离像和分类特征包括以下步骤：

S31：分别对每个测试样本的HH极化通道距离像信号、每个测试样本的HV极化通道距离像信号、每个测试样本的VH极化通道距离像信号、以及每个测试样本的VV极化通道距离像信号进行归一化处理，得到每个测试样本的HH极化通道归一化距离像信号、每个测试样本的HV极化通道归一化距离像信号、每个测试样本的VH极化通道归一化距离像信号、以及每个测试样本的VV极化通道归一化距离像信号；估计出每个测试样本的每个极化通道距离像信号的噪声平均功率；

S32：针对每个测试样本，在所有测试样本选取与对应测试样本对应的多个测试样本，选取的每个测试样本的雷达接收时刻与对应测试样本的雷达接收时刻的差小于设定时间长度；每个测试样本的雷达接收时刻指：雷达接收对应一组全极化通道距离像信号的时刻；

根据选取的每个测试样本的HH极化通道归一化距离像信号、选取的每个测试样本的HV极化通道归一化距离像信号、选取的每个测试样本的VH极化通道归一化距离像信号、以及选取的每个测试样本的VV极化通道归一化距离像信号，得出对应测试样本的极化相干矩阵T′、以及对应测试样本的平均距离像

S33：根据对应测试样本的极化相干矩阵T′、以及对应测试样本的每个极化通道距离像信号的噪声平均功率，得出对应测试样本的修正后极化相干矩阵根据对应测试样本的修正后极化相干矩阵得出对应测试样本的分类特征；

S4：将对应测试样本的平均距离像分别与每个训练样本的平均距离像进行对齐；得出对应测试样本的平均距离像在与每个训练样本的平均距离像进行对齐时，向右移动的距离单元数；

S5：根据对应测试样本的平均距离像在与每个训练样本的平均距离像进行对齐时，向右移动的距离单元数，得出每个训练样本的对应测试样本融合特征；

S6：根据每个训练样本的对应测试样本融合特征、以及每个训练样本的分类特征，得出对应测试样本的目标类别。