[发明专利]基于蒙德里安森林的空中微动目标分类在线建库方法

权利要求书

1.一种基于蒙德里安森林的空中微动目标分类在线建库方法，其特征在于，包括：

建立包含微动目标雷达回波信号的初始训练样本集，并对其进行特征提取，得到初始训练样本集的特征矩阵F_O；

建立包含微动目标雷达回波信号的新增训练样本集，并对其进行特征提取，得到新增训练样本集的特征矩阵F_I；

建立包含微动目标雷达回波信号的测试样本集，并对其进行特征提取，得到测试样本集的特征矩阵F_T；

在蒙德里安森林MF模型中设置A棵蒙德里安树，10≤A≤50，将初始训练样本集的特征矩阵F_O输入到该MF模型，通过蒙德里安树生成算法对每棵蒙德里安树进行训练，直到训练完A棵蒙德里安树，得到预训练MF模型；

利用新增训练样本集的特征矩阵F_I，通过蒙德里安树扩展算法，对预训练MF模型中每棵训练好的蒙德里安树进行更新，直到更新完A棵蒙德里安树，得到新的MF模型；

将测试样本集的特征矩阵F_T输入到新的MF模型，得到测试样本集的分类结果。

2.根据权利要求1所述的方法，其特征在于：

所述初始训练样本集，包括D个类别的P个微动目标雷达回波信号，D≥3，P≥150；

所述新增训练样本集，包括D个类别的P'个微动目标雷达回波信号D≥3，P'≥90；

所述测试样本集，包括D个类别的Q个微动目标雷达回波信号，D≥3，Q≥1500。

3.根据权利要求1所述的方法，其特征在于：对初始训练样本集进行特征提取，得到初始训练样本集的特征矩阵F_O，实现如下：

首先，对初始训练样本集中P个回波信号分别进行快速傅里叶变换，得到P个初始训练样本的多普勒域信号，U_n表示第n个初始训练样本的多普勒域信号，n＝1,2,...,P；

接着，按照下式，根据初始训练样本的多普勒域信号计算幅值归一化后初始训练样本的多普勒域信号：

其中，X_n(k)表示幅值归一化后第n个初始训练样本的多普勒域信号X_n中第k个点，k＝1,2,...,N，N表示每个多普勒域信号的总点数，U_n(k)表示第n个初始训练样本的多普勒域信号U_n中第k个点；

按照下式，根据幅值归一化后初始训练样本的多普勒域信号计算初始训练样本的频域波形熵特征：

其中，E_n表示第n个初始训练样本的频域波形熵特征，X_n(l)表示幅值归一化后第n个初始训练样本的多普勒域信号中第l个点，l＝1,2,...,N；

然后，按照下式，根据幅值归一化后初始训练样本的多普勒域信号计算初始训练样本的频域p阶中心矩特征：

其中，Mp_n表示第n个初始训练样本的频域p阶中心矩特征，表示幅值归一化后第n个初始训练样本的多普勒域信号的一阶原点矩，令p＝2,4,6,8，得到第n个初始训练样本的频域二阶中心矩特征M2_n、频域四阶中心矩特征M4_n、频域六阶中心矩特征M6_n、频域八阶中心矩特征M8_n；

最后，根据第n个初始训练样本的频域波形熵特征E_n，频域二阶中心矩特征M2_n、频域四阶中心矩特征M4_n、频域六阶中心矩特征M6_n、频域八阶中心矩特征M8_n，得到初始训练样本集中第n个样本的特征向量F_O,n＝[E_n,M2_n,M4_n,M6_n,M8_n]，由初始训练样本集中P个样本的特征向量组合得到初始训练样本集的特征矩阵：

F_O＝[F_O,1；...；F_O,n；...；F_O,P]。