[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

摘要

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。

主权项

1.一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，包括：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∈RM×1，M是高分辨距离像的维数，RM×1表示行数为M列数为1的实数矩阵集合，D∈RM×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∈RN×1为y在字典D上的稀疏表示，w∈RM×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∈RM×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]；3)令稀疏表示x和噪声w各自服从零均值的高维正态分布，定义x的先验概率p(x)和w的先验概率p(w)：p(x)＝N(x|0,Σ)p(w)＝N(w|0,Λ)其中N(·)表示高维正态分布，Σ为x的协方差矩阵，Λ为w的协方差矩阵；4)根据步骤3)定义的先验概率，通过块稀疏贝叶斯学习，计算变体目标高分辨距离像y对应的稀疏表示x；5)利用步骤4)获得的稀疏表示x，去除变体目标高分辨距离像y中的变体成分，得到无变体成分的高分辨距离像6)通过自适应高斯分类器计算与各类目标模板的似然值，并将似然值最大的目标类别作为变体目标高分辨距离像y的类别。