[0114] 步骤9,对大边界的非线性判别投影模型进行Gibbs循环采样。
[0115] 9a)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；
[0116] 9b)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。
[0117] 步骤10,对大边界的非线性判别投影模型进行测试。
[0118] 10a)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=匕乂.·，·，兔将该测试样本集文映射到核空间F，计算出测试样本 集X的核矩阵G:
[0119] 0 =A：(V,X)，
[0120] 其中：V=[Vuν2,…，νη,…，νΜ]表示基向量组，νη是基向量组V中的第η个基向 量，Μ为核空间F的维度，Κ( ·)是一个核函数，表示核空间中的向量积。
[0121] 10b)根据核矩阵悫和步骤9中保存的投影系数矩阵β，计算出测试隐变量集
[0122] Z = pC
[0123] 其中：β为核空间中的投影系数矩阵，G表示测试样本的核矩阵；
[0124] 10c)将测试隐变量集竟以及步骤9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f:
[0125]
[0126]
[0127]
[0128]
[0129] 其中：兔表示测试样本I的预测类别标号，ei表示第t次采样的第m个LVSVM分 类器的权值系数，m= 1，2,…，C，t= 1，2,…，T。，C表示目标类别个数，T。表示步骤（5)中 设定的保存采样参数的个数，表示第m个LVSVM分类器的平均输出，表示求 解最大值对应的m值。
[0130] 本发明的效果通过以下对三类飞机的实测数据仿真做进一步说明：
[0131] 1.仿真条件
[0132] 获得雷达高分辨距离像HRRP的实测数据S，实测场景参照图2,其中图2a是飞机 Yark-42的实测场景图，图2b是飞机CessnaCitationS/II的实测场景图，图2c是飞机 An-26的实测场景图，具体飞机和雷达参数如表1所示：
[0133]表1
[0134]
[0135] 参照图2,选择飞机Yark-42的第2、5段，飞机CessnaCitationS/II的第6、7段 以及飞机An-26的第5、6段的雷达高分辨距离像HRRP共600个样本作为训练样本Tr，其余 段中的2400个雷达高分辨距离像HRRP作为测试样本Te;
[0136] 预处理：采用幅度2范数归一的方法，对雷达高分辨距离像HRRP进行归一，然后提 取功率谱特征。原始雷达高分辨距离像HRRP的维数为256,由于功率谱具有对称性，只需取 雷达高分辨距离像HRRP的128维作为特征。
[0137] 2.仿真内容：
[0138] 采用本发明与现有技术中的两种模型对三类飞机进行分类识别仿真，得到对三类 飞机的识别结果，如表2和图3所示，其中图3是本发明的预测类别结果与真实类别结果的 比较。
[0139] 现有技术中的两种模型是：线性SVM模型、KLDA-BSVM模型。其中，线性SVM模型 表不直接将目标样本输入到线性的支持向量机SVM分类器进行分类；KLDA-BSVM模型表不 先用基于核的线性判别分析LDA对目标样本进行特征提取，然后将提取后的特征用贝叶 斯SVM进行分类，因为LDA是一种有监督的线性特征提取方法，再加上利用核方法，这样 KLDA-BSVM模型也能对非线性数据进行分类。
[0140] 表 2
[0141]
[0142] 从表2中可以看出：
[0143] 1)与线性SVM模型相比，本发明对雷达高分辨距离像具有更高的识别率。这表明 了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。
[0144] 2)与KLDA-BSVM模型相比，本发明对雷达高分辨距离像的识别更有优势。因为本 发明在训练阶段，将投影矩阵和LVSVM分类器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。
[0145] 从图3可以看出：本发明获得的预测类别结果如图3a与真实类别结果如图3b基 本吻合。
[0146] 由于本实验采用的雷达高分辨距离像数据具有较好的线性可分性，所以线性SVM 模型、KLDA-BSVM模型获得的识别率相对较高，但当雷达高分辨距离像数据的线性可分性差 的时候，本发明的优越性能将会更好的体现。
【主权项】
1. 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，包括以下步骤： (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\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； (2) 利用非线性的核函数将步骤（1)中的训练样本集X映射到核空间F，计算核矩阵G ; (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(IW，λ，α，〇 |Z，y)， 其中： β = [ β β 2，…，β k，…，β D]表示非线性投影模型的投影系数矩阵，β k为投影系数 矩阵β的第k列向量，k= 1,2, ···，0, D表示投影系数矩阵β的中列向量的总个数，α = [αι，α2，…，ak，···，aD] T表示协方差矩阵的精度向量，α k为投影系数矩阵β 的第k列向量β k的协方差矩阵a,"/?的精度，ΙΜ表示一个Μ维的单位矩阵，Μ是核空间F 的维度， Z = [Zd ζ2,…，ζη，…，ζΝ]表示训练样本集X对应的隐变量集，ζ η表示第η个隐变量， W= [ωι，ω2，…，，…，ωε]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， σ = [ σ i，σ 2，…，σ m，…，σ C]T为协方差精度向量，〇 m表示权系数向量ω m的协方差 矩阵的精度，ID+1表示一个D+1维的单位矩阵， 入=[h，入2,…，入n，…入c]为隐变量支持向量机LVSVM分类器的隐变量矩阵，λ "表 示第m个LVSVM分类器中的隐变量向量， y表示雷达高分辨距离像的类别标号； (4) 根据贝叶斯公式和上述联合条件后验分布ρ(β，ω，λ，α，〇 |Z，y)，推导出 β，ω，λ，a，σ，Z每个参数对应的条件后验分布； (5) 设定模型中各个参数的先验初始值： 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， 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， 设功隐变量集Z的初始值为一个服从N(0, 1)分布的DXN维的随机矩阵，设LVSVM分类器的权系数的初始值为一个服从N(0, 1)分布的D+1维的随机向量， 设LVSVM分类器的权系数的协方差精度σ n的初始值为一个服从Ga(l，0.001)分 布的随机数， 设LVSVM分类器的隐变量λ "的初始值为一个服从 的Ν维的随机向量， 其中：Ν ( ·)表示高斯分布、Ga ( ·)表示Ga_a分布、GIG ( ·)表示广义逆高斯分布； (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I c为自然数； (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； (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：，将该测试样本集:食映射到核空间，计算出核矩阵 (9) 根据核矩阵G湘步骤（7)中保存的投影系数矩阵β，计算出测试隐变量集氧； (10) 将步骤（9)得到的测试隐变量集J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f。2.根据权利要求1中所述的方法，其中步骤（2)所述的利用非线性的核函数将步骤 (1)中的功率谱特征样本集X映射到核空间F，