[发明专利]一种基于HRRP目标识别的KLXS多模型融合方法及系统

说明书

本发明提供一种基于HRRP目标识别的KLXS多模型融合方法及系统，其中方法包括生成原始训练样本集还包括以下步骤：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；进行样本降噪；基于多模型融合方法构造强化特征；构建分类模型；构建未知样本集X的强化特征；对未知样本结果进行预测；统计准确率。本发明提出的基于HRRP目标识别的KLXS多模型融合方法及系统，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。

技术领域

本发明涉及雷达自动目标识别的技术领域，具体地说是一种基于HRRP目标识别的KLXS多模型融合方法及系统。

背景技术

随着各领域对数据获取能力的逐步强化，及现代化战争对不同目标精确识别的需要，雷达HRRP不需要目标与雷达之间一定要有相对转角运动，在获取途径和处理方式上，较SAR与ISAR都更加简便。基于雷达HRRP的目标识别算法拥有SAR与ISAR无法实现的识别前方目标的优势，完全可以满足战场环境快速识别目标做出应对的要求，获取了雷达自动目标识别领域的广泛关注。

但传统的雷达HRRP目标识别技术应用到复杂环境中时，仍然普遍存在以下问题：(1)在有限的时间、空间内获取的样本量是有限的，如何充分利用有限的样本？(2)不同的机器学习算法，因其本身的固有特性，适应范围和适应能力不同，如何设计一种更通用，兼容性更强的识别模型？(3)如何有效降低地面小草、树木、水面波浪、空中飞鸟等不相干因素的影响。

传统HRRP多目标识别任务中，其真实数据的采集往往比较复杂，其环境既可能是存在坦克、汽车、行人等的平坦地面，也可能是长满杂草或存在石子的地面。不同的环境中适合使用不同的分类器对目标进行识别和分类。因此基于stacking的多模型融合策略相比普通的单模型和基于voting策略的多模型算法往往适用于更普遍、复杂的应用场景。

现有的多模型融合策略是在原有单模型分类算法和基于voting的多模型融合算法基础上扩展而得的。其中比较经典的单模型算法包括SVM算法、kNN算法和SVM-Random-Forest.Voting算法等。其中基于Voting的融合算法以其不同环境下兼容性强，多模型缺点互补，分类准效果好而得到了广泛的关注和应用。

KLXS算法是Voting融合算法上的拓展，算法将融合模型分为两层，第一层多模型的输出作为第二层分类模型的输入。同时，为使小样本得到充分利用和避免过拟合问题，算法引入了经典的K折交叉验证，通过第一层模型并行独立训练，而构造的更强的分类器特征，最后将分类器特征输入给第二层分类器，得到分类结果。该算法可以实现对多个目标的有效分类。

传统的机器学习算法是面向HRRP小数据集的通用算法，在应用到具体的场景中解决特定的问题时，仍应当结合应用场景的约束条件、需求和数据特征对算法进行优化，以获得最大化的性能提升。具体来说，传统基于Logistic，KNN的Voting算法应用于某些具体应用场景时，存在以下非线性分类问题、拒判问题和结果融合非过程融合问题。

2014年2月的自动化学报第40卷第2期公开了张学峰、王鹏辉、冯博、杜兰和刘宏伟的文章《基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法》，构造了一种将分类器的输出通过最近邻分类器进行拒判和识别“分类器-最近邻”系统，并在拒判和识别两个阶段分别采用多分类器融合技术以提高RATR系统的拒判和识别综合性能，此外，文中定义了一种代价函数以衡量系统综合性能并未系统拒判工作点的选取提供依据，进而，采用局部法和全局法两个算法确定的该拒判器的工作点。但该文章采用的KNN算法本身局限性影响，初始样本点选择及K近邻选取等问题，该研究采用的策略兼容性较差且对样本的依赖性高。

发明内容

为了解决上述的技术问题，本发明提出的基于HRRP目标识别的KLXS多模型融合方法及系统，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。