基于mmfa模型的雷达高分辨率距离像目标识别方法
【技术领域】
[0001] 本发明属于雷达技术领域，涉及雷达目标识别方法，尤其涉及一种基于最大边界 因子分析MMFA模型的雷达高分辨距离像目标识别方法，用于对飞机，车辆等目标进行识 别。
【背景技术】
[0002] 雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定。宽带雷达 通常工作在光学区，此时目标可以看作是由大量强度不同的散射点构成。高分辨距离像 HRRP是用宽带雷达信号获取的目标体上各散射点回波的矢量和。它反映了目标体上散射点 沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域。
[0003] 传统模型的原始空间维数过高，会导致计算的复杂性并增加参数估计的难度。若 使用原始维数雷达高分辨距离像数据来训练一个分类器，会增加分类器的训练复杂度，并 且容易忽视样本的内在结构，从而降低分类器的性能。
[0004] 常用的数据降维方法有线性降维方法，如主成分分析PCA，因子分析FA等以及非 线性降维方法，如t-SNE，局部线性嵌入LLE等。然而这些方法均为无监督模型，用这些方法 所提取的特征不一定适合后端的分类任务。线性判别分析LDA是一种常用的有监督降维方 法，然而LDA要求各类数据均为高斯分布且具有相同的协方差矩阵，这在实际应用中是很 难满足的。
[0005] 其中，降维方法 t_SNE 见【L. Maaten and G. Hinton, Visualizing data using t_SNE，The Journal of Machine Learning Research 9(1) (2008)2579-2605.】
【发明内容】
[0006] 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MMFA模型的雷达高 分辨率距离像目标识别方法，以降低模型求解复杂度，提高分类性能。
[0007] 为达到上述目的，本发明的技术方案包括以下步骤：
[0008] (1)雷达接收M类的雷达目标高分辨距离像HRRP，并将属于这M类的目标雷达高 分辨距离像称为库内样本，将不属于这M类的目标雷达高分辨距离像称为库外样本；
[0009] (2)对雷达接收的M类雷达目标高分辨距离像进行特征提取，得到每个雷达高分 辨距离像的功率谱特征Xn，将得到的M类的每个雷达目标高分辨距离像的功率谱特征\组 成功率谱特征集X = [X1, x2, x3,. . .，xn,. . .，χΝ]，η = 1，2, 3,. . .，N, N表示功率谱特征集X 中功率谱特征个数；
[0010] (3)将因子分析FA模型和隐变量支持向量机LVSVM分类器相结合，构建最大边界 因子分析MMFA模型；
[0011] (4)利用最大边界因子分析MMFA模型和功率谱特征集X，得出雷达高分辨距离像 的功率谱特征的概率密度函数Pf、最大边界因子分析MMFA模型各个参数的联合条件后验分 布Pu并设定拒判门限T h;
[0012] (5)根据贝叶斯公式和（4)中最大边界因子分析MMFA模型各个参数的联合条件后 验分布Pu，得出各个参数的条件后验分布：
[0013] 第η个雷达高分辨距离像的功率谱特征的隐变量\对应的第m个隐变量支持向 量机LVSVM分类器的隐变量λ nm的条件后验分布
[0014] 因子分析FA模型中的加载矩阵D的每一列4的条件后验分布A，
[0015] 第η个雷达高分辨距离像的功率谱特征Xn的隐变量s n的第k个元素 s nk的条件后 验分布Pu:
[0016] 第m个隐变量支持向量机LVSVM分类器系数《^的条件后验分布
[0017] 因子分析FA模型中的加载矩阵D的每一列dk的协方差精度α ,的条件后验分布 .?:
[0018] 第η个雷达高分辨距离像的功率谱特征Xn对应的隐变量s n的第k个元素 s nk的协 方差β 条件后验分布;
[0019] 因子分析FA模型中高斯噪声的协方差精度σ E的条件后验分布
[0020] 第m个隐变量支持向量机LVSVM分类器系数Wni的协方差精度σ 条件后验分布 *
[0021] 其中，k = I, 2, . . . , B，B表示加载矩阵D的总列数;m = I, 2, . . . , M，M表示目标类 别个数；Ip表示P阶的单位阵；IB+1表示B+1阶的单位阵;P表示功率谱特征集的维数；
[0022] (6)初始化各参数、设定循环采样次数并采样。
[0023] 6a)分别对因子分析FA模型中的加载矩阵D、雷达高分辨距离像的功率谱特征的 隐变量S、隐变量支持向量机LVSVM分类器系数w、雷达高分辨距离像的功率谱特征的隐变 量S对应的隐变量支持向量机LVSVM分类器的隐变量λ以及FA模型中高斯噪声的方差精 度σ Ε进行初始化；
[0024] 6b)根据初始化参数在（5)中对应的条件后验分布，按照Gibbs采样方法对初始化 的参数依次进行Ic次的循环采样，I c为自然数；
[0025] (7)从第1。+1次开始每间隔Sp次保存因子分析FA模型中的加载矩阵D、雷达高分 辨距离像的功率谱特征的隐变量S、以及隐变量支持向量机LVSVM分类器系数w，总共保存 T。次参数的采样结果，完成高分辨距离像数据HRRP的样本训练，得到训练的因子分析FA模 型和训练的隐变量支持向量机LVSVM分类器；
[0026] (8)对测试雷达高分辨距离像进行特征提取，得到测试雷达高分辨距离像的功率 谱特征?，通过FA模型得到测试隐变量S ;计算测试雷达高分辨距离像的功率谱特征炎的 概率密度函数值p' f;
[0027] (9)将计算得出的功率谱特征身的隐变量概率密度函数值p' f与预先设定的拒判 门限Th进行比较，根据保存T。次模型参数的采样结果，比较功率谱特征f的概率密度函数 值V f与拒判门限T h的大小，得到测试雷达高分辨距离像的T。次比较结果，对T。次比较 结果采用投票法则，若出现V T #吉果的概率不小0. 5,测试雷达高分辨距离像为库外 样本，则拒判，即不给定目标类别号并结束测试阶段；若否，则执行步骤（10);
[0028] (10)将测试隐变量S依次输入其所属聚类对应的M个训练的LVSVM分类器中，即： 将⑶中得到的测试隐变量S以及（7)中保存的LVSVM分类器的系数W代入到训练的LVSVM 分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号
[0029] 本发明与现有方法相比具有以下优点：
[0030] 1)与复杂分类器相比，本发明采用FA模型大大降低原始数据的维数，简化分类器 设计，同时，消除了冗余数据，提高了分类性能。
[0031] 2)与现有方法相比，本发明采用LVSVM作为分类器，可以通过Gibbs采样算法对参 数进行估计，大大简化了求解复杂度。
[0032] 3)本发明的MMFA模型采用FA模型将原始数据映射到隐空间，通过对数据潜在结 构的挖掘，实现对数据的非线性分类并提高识别性能。
[0033] 4)本发明的MMFA模型利用FA模型的观测似然函数和LVSVM的最大边缘约束条 件，将FA模型以及LVSVM统一在一个贝叶斯框架下，使隐变量的监督预测工作更加可分和 合理。
[0034] 5)本发明的MMFA模型可以实现拒判功能，当观测目标不属于模板库内的任一目 标类别时，需要能够对该库外目标进行拒判，MMFA模型就可以实现对库外样本的拒判。
【附图说明】
[0035] 下面结合附图和【具体实施方式】对本发明做进一步说明。
[0036] 图1是本发明的实现流程图；
[0037] 图2是本发明与现有两种方法在不同特征维数下对三类飞机的识别结果图；
[0038] 图3是本发明与现有两种方法的接收机工作特性ROC曲线对比图。
【具体实施方式】
[0039] 本发明中提出MMFA是将FA模型、LVSVM统一在贝叶斯框架下进行联合 求解，其中，将LVSVM(Latent variable SVM，隐变量SVM)作为分类器，见[Poison N.G., Scott S.L.. Data augmentation for support vector machines[J]. Bayesian Analysis, 2011, vol. 6 (I), 1-24]，引入 FA 模型来实现。
[0040] 参照图1，本发明的具体实现包括两部分：训练阶段和测试阶段。其中，训练阶段 的任务是对MMFA模型进行参数估计，在训练阶段之后，测试阶段的任务是先执行拒判任 务，最后输出目标的类别标号从而完成识别任务。
[0041] 一.训练阶段
[0042] 步骤1，接收雷达目标的高分辨距离像HRRP。
[0043] 雷达接收M类的雷达目标高分辨距离像HRRP，并将属于这M类的目标雷达高分辨 距离像称为库内样本，将不属于这M类的目标雷达高分辨距离像称为库外样本。
[0044] 步骤2,提取雷达目标高分辨距离像的功率谱特征。
[0045] 对雷达接收的M类雷达目标高分辨距离像进行特征提取，得到每个雷达高分辨距 离像的功率谱特征Xn;
[0046] 将得到的M类的每个雷达目标高分辨距离像的功率谱特征Xn，组成功率谱特征集 X = [x1; X2, X3. . . xn. . . xN], η = 1, 2, 3......N, N表示功率谱特征集X中功率谱特征个数。
[0047] 步骤3，构建MMFA模型。
[0048] 本发明提出MMFA是将现有的FA模型与LVSVM分类器统一在贝叶斯框架下进行 联合求解，其中，LVSVM 分类器，见[Poison N.G. ,Scott S.L..Data augmentation for support vector machines[J] · Bayesian Analysis, 2011，vol. 6(I)，1-24]〇
[0049] 3a)设定FA模型：
[0051] 其中，dk表示FA模型中加载矩阵D的第k列；α ,是d k先验分布的协方差精度，k = 1,2,3……B，B表示加载矩阵D的总列数；Snk表示第η个雷达高分辨距离像的功率谱特 征的隐变量sn的第k个元素 ；β ,是s nk先验分布的协方差精度，η = 1，2, 3. ... N，N表示功 率谱特征集X中功率谱特征个数；σ Ε是FA模型中高斯噪声先验分布的协方差精度；I。表 示P阶的单