基于大边界的非线性判别投影模型的雷达目标识别方法
【技术领域】
[0001] 本发明属于雷达技术领域，涉及一种基于大边界的非线性判别投影模型的雷达高 分辨距离像HRRP目标识别方法，可用于对雷达高分辨距离像中的飞机、船舶和车辆进行分 类识别。
【背景技术】
[0002] 雷达目标识别是雷达采用的一种技术手段，用来辨认其搜索体积内已被发现的目 标，其原理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，此时雷达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 宽带雷达信号获取目标体上各散射点回波信号的矢量和。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信息，比如目标尺寸、散射点结构等。因此在 二十世纪末，一些学者提出了利用HRRP完成雷达目标自动识别的技术，见[S.P.Jacobs. Automatictargetrecognitionusinghigh-resolutionradarrangeprofiles.PhD dissertation,WashingtonUniv.，St.Louis,M0, 1999] ·进入二十一世纪后，这一技术在雷 达领域引起了人们的广泛关注。
[0003] 在高频区时，散射中心模型描述了目标电磁散射特性。根据该模型，当目标姿态有 较大变化时，会发生散射中心距离单元走动MTRC，即部分散射中心会从一个距离单元移动 到另一个距离单元，引起目标HRRP的剧烈变化；而姿态发生较小的变化时，即不出现MTRC。 如上所述，HRRP敏感于目标姿态，且同一目标的HRRP具有多模分布特性，这往往使数据在 HRRP空间中的分布具有非线性可分性，这影响了常用目标识别方法的效果与应用。
[0004] 在现有的机器学习技术中，主成分分析PCA，因子分析FA等以及基于核的非线性 的特征提取方法，均为无监督模型，用这些技术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是一种有监督的线性特征提取的基本方法，能对高维的数据线性投影到 低维的判别子空间中，然而LDA模型对数据分布的依赖性非常大，而且它只能解决线性分 类问题，这就限制了它的实际应用；隐变量支持向量机LVSVM，作为一种分类器能在贝叶斯 框架下运用贝叶斯方法求解SVM问题，但是隐变量支持向量机LVSVM只能学习训练出分类 器而不能对数据进行特征提取得到判别子空间。
【发明内容】
[0005] 本发明的目的在于提出一种基于大边界的非线性判别投影模型的雷达目标识别 方法，以解决现有技术不能在贝叶斯框架下将判别子空间和分类器一同学习出来的非线性 分类问题，提高分类的识别率。
[0006] 为达到上述目的，本发明的技术方案包括如下步骤：
[0007] (1)雷达接收C种类别的目标高分辨距离像，对这些高分辨距离像进行特征提取， 得到每个高分辨距离像的功率谱特征χη，用这些高分辨距离像的功率谱特征χη组成训练样 本集X= {Xi,x2，…xn，…xN}，并用y= {yi,y2,…，yn，…，yN}来记录训练样本集X中的每一 个训练样本的类别标号，yne{1，2，···，0}表示xn所对应的类别标号，n= 1，2,…N，N表示 训练样本集X的样本总个数；
[0008] (2)利用非线性的核函数将步骤⑴中的训练样本集X映射到核空间F，计算核矩 阵G;
[0009] (3)将非线性投影模型与隐变量支持向量机LVSVM分类器相结合，构建 大边界的非线性判别投影模型，并计算该模型中各个参数的联合条件后验分布 p(i3，W，λ，α，。|Z，y)，其中：
[0010] β= [^，β2，…，ek，…，eD]表示非线性投影模型的投影系数矩阵，ek为投影 系数矩阵β的第k列向量，k= 1,2,…，D，D表示投影系数矩阵β的中列向量的总个数，
[0011] α= [αα2,…，ak,…，aD]T表示协方差矩阵的精度向量，ak为投影系数矩阵 β的第k列向量i3k的协方差矩阵,的精度，IM表示一个Μ维的单位矩阵，Μ是核空间F的维度，
[0012] Z=[Ζρζ2,…，ζη，…，ζΝ]表示训练样本集X对应的隐变量集，ζη表示第η个隐变 量，
[0013]W=[ωι，ω2,…，，…，coc]为隐变量支持向量机LVSVM分类器的权系数矩阵， 表示第m个LVSVM分类器的权系数向量，m= 1，2,…，C，C表示雷达目标种类个数，
[0014]σ= [σσ2,…，σn，…，σC]T为协方差精度向量，σn表示权系数向量ωn的协 方差矩阵的精度，ID+1表示一个D+1维的单位矩阵，
[0015]λ= [λ1;λ2，…，，…λε]为隐变量支持向量机LVSVM分类器的隐变量，入^表 示第m个LVSVM分类器中的隐变量，
[0016]y表示雷达高分辨距离像的类别标号；
[0017] (4)根据贝叶斯公式和上述联合条件后验分布ρ(β，ω，λ，α，。|z，y)，推导出 β，ω，λ，α，σ，Z每个参数对应的条件后验分布；
[0018] (5)设定模型中各个参数的先验初始值：
[0019] 设投影系数矩阵β的初始值为一个服从N(0, 1)分布的MXD维的随机矩阵，
[0020] 设协方差精度向量α的初始值为一个全部是1的D维向量，
[0021 ] 设隐变量集Ζ的初始值为一个服从Ν(0, 1)分布的DXΝ维的随机矩阵，
[0022] 设LVSVM分类器的权系数的初始值为一个服从Ν(0, 1)分布的D+1维的随机 向量，
[0023] 设LVSVM分类器的权系数ω"的协方差精度。"的初始值为一个服从Ga(1，0. 001) 分布的随机数，
[0024] 设LVSVM分类器的隐变量的初始值为一个服从C7C7^ 的N维的随机向 量，
[0025] 其中：N( ·)表示高斯分布、Ga( ·)表示Gamma分布、GIG( ·)表示广义逆高斯分 布；
[0026] (6)根据步骤（4)中各个参数的条件后验分布，按照Gibbs采样技术对设定初始值 的参数依次进行Ic次循环采样，其中Ic为自然数；
[0027] (7)在参数循环采样I。次后，从第I。+1次开始每间隔SP次保存核空间中的投影系 数矩阵β和LVSVM分类器的权系数W，总共保存T。次这些参数的采样结果；
[0028] (8)对雷达高分辨距离像测试样本进行特征提取得到具有距离像功率谱特征的测 试样本集戈=b, 4；：，_?…，iν]，将该测试样本集龛映射到核空间，计算出核矩阵&
[0029](9)根据核矩阵悉和步骤（7)中保存的投影系数矩阵β，计算出测试隐变量集念；
[0030] (10)将步骤（9)得到的测试隐变量集i以及步骤（7)中保存的LVSVM分类器的权 值系数W代入到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 I-
[0031] 本发明与现有技术相比具有以下优点：
[0032] 1.与现有的线性分类器相比，本发明采用非线性映射核将非线性的数据映射到一 个高维的核空间，使数据在高维核空间中线性可分，提高了分类性能。
[0033] 2.与现有技术相比，本发明引入一个中间隐变量zn去记录数据投影后的信息，这 样去除了类别标号和投影矩阵之间的强烈依赖性，可以避免计算过程中的冲突。
[0034] 3.与现有技术相比，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。
[0035] 4.本发明在训练阶段，将LVSVM分类器和投影矩阵一同在贝叶斯模型框架下进行 学习的，并利用了类别标号信息，提高了隐空间的可分性。
[0036] 下面结合附图和【具体实施方式】对本发明做进一步说明。
【附图说明】
[0037]图1是本发明的实现流程图；
[0038] 图2是本发明获取原始雷达高分辨距离像的雷达实测场景图；
[0039] 图3是本发明预测类别结果与真实类别结果的比较图；
【具体实施方式】
[0040] 参照图1，本发明的基于大边界的非线性判别投影模型的雷达目标识别方法，其具 体实现步骤如下：
[0041] 步骤1，接收雷达目标的高分辨距离像HRRP数据，产生训练数据。
[0042]la)雷达接收C种类别的目标高分辨距离像，对这些高分辨距离像进行特征提取， 得到每个高分辨距离像的功率谱特征Xn，用这些高分辨距离像的功率谱特征组成训练样本 集X= {Xi,x2，…xn，…xN}，xn为训练本集X中的第η个训练样本，η= 1，2,…N，N表示训 练样本集X的样本总个数；
[0043