[发明专利]基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法

说明书

本发明提出了一种基于块稀疏贝叶斯学习的变体目标高分辨距离像识别方法，主要解决现有技术对变体目标高分辨距离像的概率分布信息未进行充分的利用，导致对变体目标识别率低的问题。其实现方案是：1.建立变体目标高分辨距离像的数学模型；2.定义变体目标数学模型中各个变量的先验概率，及其先验概率参数的先验分布；3.通过块稀疏贝叶斯学习迭代求解模型获取变体目标高分辨距离像中的变体成分；4.从变体目标高分辨距离像中去除变体成分，恢复无变体高分辨距离像，用自适应高斯分类器对恢复出的无变体高分辨距离像进行目标识别，获取目标类别。本发明提高了变体目标识别的准确率，可用于雷达自动目标识别。

技术领域

本发明属于雷达技术领域，特别涉及一种变体目标高分辨距离像识别方法，可用于雷达目标识别。

背景技术

随着高分辨雷达的不断发展，雷达目标识别变得更加可行，现有技术对雷达目标的识别主要使用三种信号：合成孔径雷达图像信号，逆合成孔径雷达图像信号，以及雷达高分辨距离像信号。其中，合成孔径雷达图像和逆合成孔径雷达图像是二维图像，通过分析目标和雷达之间的相对转动产生的多普勒频移得到目标散射中心的横向分辨。而雷达高分辨距离像是一维图像，是目标散射中心回波在雷达视线上投影的矢量和，包含了目标的诸如尺寸，散射中心分布等结构信息，具有获取容易、处理简单的优点，因而在雷达目标识别领域受到了广泛的关注。

在理想条件下，对高分辨距离像进行识别相对容易实现。然而在实际场景中，由于训练样本数量、信噪比等扩展工作条件的限制，使得高分辨距离像识别难以达到理想条件下的效果。因而扩展工作条件下的高分辨距离像识别方法逐渐受到研究者的重视，以希望雷达目标识别能够在复杂多变的实际场景中仍能有良好的表现。扩展工作条件还包括变体目标的识别工作，这种变体目标是指同一目标在执行不同的任务时，其装备的武器配置或有效载荷会发生变化，从而引起该目标外形结构发生变化。其高分辨距离像也和无变体目标的高分辨距离像不同，会造成目标和分类器模板的失配，导致识别性能严重下降。

现有针对变体目标高分辨距离像的识别方法，主要利用信号中变体部分的块稀疏特性，通过贪婪算法对变体部分进行分离，从而实现对变体目标高分辨距离像的恢复和识别。但这种方法由于对变体目标高分辨距离像的概率分布信息没有进行充分的利用，因而恢复得到的信号识别准确率较低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于块稀疏贝叶斯学习的变体目标高分辨距离像恢复识别方法，以消除变体部分对高分辨距离像产生的影响，提高变体目标高分辨距离像恢复识别的准确率。

为实现上述发明目的，本发明的技术方案如下：

1)建立变体目标的高分辨距离像数学模型，表示如下：

y＝Dx+w

其中，高分辨距离像y∈R^M×1，M是高分辨距离像的维数，R^M×1表示行数为M列数为1的实数矩阵集合，D∈R^M×N是对变体高分辨距离像进行稀疏表示的字典矩阵，N是字典矩阵的列数，且有N＝M+50，x∈R^N×1为y在字典D上的稀疏表示，w∈R^M×1为噪声；

2)构建字典矩阵D：

2a)取500个M维高分辨距离像训练样本进行奇异值分解，并取奇异矩阵前50列为第一个子字典D₁，用以对变体目标高分辨距离像的无变体部分进行稀疏表示；

2b)令第二个子字典D₂∈R^M×M为M维单位矩阵，用以对变体部分进行稀疏表示，其中单位矩阵表示所有非对角元素均为0，所有对角元素均为1的矩阵；

2c)将两个子字典D₁，D₂并排连接，得到字典矩阵D＝[D₁,D₂]；