骤5中对应的条件后验分布中，按照Gibbs采样方法 对初始化的模型参数依次进行Ic次的循环采样，I c为自然数。
[0109] 步骤7.继续对模型参数进行采样，每隔Sp次保存一次采样结果。
[0110] 从第Ic+l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。
[0111] 二.测试阶段
[0112] 步骤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i，通过FA模型得到测试隐变量I。：
[0113] 步骤9.计算测试雷达高分辨距离像的功率谱特征的概率密度值并完成拒判任 务。
[0114] 9a)计算测试雷达高分辨距离像的功率谱特征i的概率密度函数值p' f，表示如 下：
[0116] 其中，D表示保存的采样结果中的FA模型中的加载矩阵；i表示测试雷达高分辨 距离像的功率谱特征集；Af ―以/·?, \爲71,.,,,.?1,,.?} 阵，k = 1，2,. . .，B，B表示加载矩阵D的总列数；diag( ·)表示对元素进行对角（·）τ表示 转置操作。σ Ε表示FA模型中高斯噪声的协方差精度；表示均值为 〇协方差矩阵为DA#!)1 +I1Ip的高斯分布；Ip表示P阶的单位阵；P表示功率谱特征集的维 数；（*广表示转置操作。9b)拒判
[0117] 将计算得出的功率谱特征i的隐变量概率密度函数值p' f与拒判门限T h进行比 较，判断测试雷达高分辨距离像是否为库外样本：
[0118] 具体判断方法：根据保存T。次模型参数的采样结果，比较功率谱特征I的隐变量 概率密度函数值P' 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p' T h结果的概率不小于0. 5,则测试雷达高分辨 距离像为库外样本，若否，则测试雷达高分辨距离像为库内样本；
[0119] 对于库外样本，则拒判，即不给定目标类别号并结束测试阶段；
[0120] 对于库内样本时，则执行步骤10。
[0121] 步骤10.将测试隐变量带入分类器判定目标类别。
[0122] 将测试隐变量I依次输入其所属聚类对应的M个训练的LVSVM分类器中，即：将步 骤8中得到的测试隐变量々以及步骤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J:
[0126] 其中，J，表示测试雷达高分辨距离像的目标类别标号；wL表示第t次采样第m个 LVSVM分类器的系数；m = 1，2,. . .，M，M表示目标类别个数；t = 1，2,. . .，T。，T。表示步骤5 中设定的保存参数采样的个数；Si =陵1]表示第t次采样测试雷达高分辨距离像的功率谱 特征i的隐变量S的增广向量；P "表示第m个LVSVM分类器的平均输出；at'g 〇表示求 解最大值对应的m的值；（· "表示转置操作。
[0127] 下面结合仿真实验对本发明的效果做进一步说明。
[0128] ⑴实验条件
[0129] 本实验采用维数较高且测飞机的一维HRRP数据。数据中包含三类飞机目标，即 雅-42、奖状、安-26。雷达参数和三类飞机目标的参数如表1所示。
[0130] 表 1
[0132] 三类飞机的HRRP数据均被划分成了若干段。分别选择"雅-42"的第2、5段，"奖 状"的第6、7段以及"安-26"的第5、6段共600个样本作为训练数据集，选择其余段中2400 个雷达高分辨距离像样本作为测试数据集。
[0133] 预处理：采用幅度2范数归一的方法，对HRRP信号进行归一；然后提取功率谱特 征。原始HRRP维数为256,由于功率谱具有称性，只需取128维作为特征。为了提高计算效 率，采用PCA算法对数据进行降维，并比较了不同维数下各个分类器的识别性能。
[0134] MMFA模型参数设置如下：γ = l，w。= Ie 6Iq，β。= 0. 01，u。= q，其中q为样本 维数，α = 〇· 1，I = 1000, Sp= 10, T = 100。
[0135] ⑵实验内容
[0136] 实验1，采用本发明与现有技术中的两种模型对在不同特征维数下的三类飞机 进行识别，得到在不同特征维数下对三类飞机的识别结果图如附图2所示。其中图2横 坐标为雷达高分辨距离像功率谱特征的维数（Number of Components)，纵坐标为识别率 (Accurary) ο
[0137] 现有的两种技术是SVM、子类鉴别分析SDA。其中，SVM表示直接将目标样本输入 SVM分类器进行分类；SDA表示先将每一类分为几个子类，然后在子类中运用线性鉴别分析 算法进行分类。
[0138] 从图2可以看出，本发明方法在各个特征维度下的性能优于现有技术中的两种模 型（SVM，SDA)，特别是当特征维数为20时平均正确识别率达到了最高的0. 770。
[0139] 实验2,选取4类其它飞机目标作为库外目标，每个目标等间隔抽取200个样本， 共800个样本作为测试数据集中的库外目标样本。采用本发明方法和现有技术中的KSVDD、 K-means的三种方法对在不同特征维数下的4类库外目标和3类库内目标飞机进行识别，测 试拒判性能，得到接收机工作特性ROC曲线对比图，如附图3所示。图3的横坐标为虚警概 率，纵坐标为检测概率。
[0140] 分类器的拒判性能通常由接收机工作特性ROC曲线来衡量，ROC曲线下的面积AUC 越大，说明分类器的拒判性能越好。
[0141] 本发明方法和现有技术KSVDD、K-means方法的AUC值如表2。
[0142] 表 2
[0144] 由图3和表2可知，采用本发明方法可以对数据的分布进行较好的描述，其拒判性 能要强于现有技术的KSVDD方法以及K-means方法。
[0145] 综合识别和拒判结果可见，本发明方法既能提高分类性能又有良好的拒判性能。
【主权项】
1. 一种基于最大边界因子分析MMFA模型的雷达高分辨率距离像的目标识别方法，包 括以下步骤： (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； (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xn组成功 率谱特征集X= [Xi,x2,x3,. . .，xn,. . .，xN]，n= 1，2, 3,. . .，N,N表示功率谱特征集X中功 率谱特征个数； (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； (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Th; (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P。，得出各个参数的条件后验分布： 第n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Anm的条件后验分布 符合高斯分布的参数的条件后验分布如下： 因子分析FA模型中的加载矩阵D的每一列dk的条件后验分布/\ * 第n个雷达高分辨距离像的功率谱特征xn的隐变量sn的第k个元素snk的条件后验分 布氧J 第m个隐变量支持向量机LVSVM分类器系数Wni的条件后验分布U 符合Gamma分布的参数的条件后验分布如下： 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a,的条件后验分布; 第n个雷达高分辨距离像的功率谱特征xn对应的隐变量sn的第k个元素snk的协方差 心的条件后验分布'心; 因子分析FA模型中高斯噪声的协方差精度〇 ,的条件后验分布; 第m个隐变量支持向量机LVSVM分类器系数Wni的协方差精度〇 "的条件后验分布爲， 其中，k= 1，2,. . .，B，B表示加载矩阵D的总列数;m= 1，2,. . .，M，M表示目标类别个 数；Ip表示P阶的单位阵；IB+i表示B+1阶的单位阵;P表示功率谱特征集的维数； (6) 初始化各参数、设定循环采样次数并采样。 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A以及FA模型中高斯噪声的方差精度 〇E进行初始化； 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，Ic为自然数； (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； (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i，通过FA模型得到测试隐变量I;计算测试雷达高分辨距离像的功率谱特征交的概率 密度函数值P' f; (9) 将计算得出的功率谱特征i的隐变量概率密度函数值p' f与预先设定的拒判门 限1；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.￡的概率密度函数值P'f与拒判门限Th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P' 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); (10) 将测试隐变量f依次输入其所属聚类对应的M个训练的LVSVM分类器中，S卩：将 (8)中得到的测试隐变量f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多。2.根据权利要求1所述的方法，其中步骤3所述的将因子分析FA模型和隐变量支持向 量机LVSVM分