一种遍历随机森林空间目标分类识别方法与流程

本发明属于雷达数据处理
技术领域：
，具体涉及一种遍历随机森林空间目标分类识别方法。
背景技术：
：空间目标识别的现有技术分为：基于窄带和宽带信号体制雷达的空间目标识别技术。基于窄带雷达的空间目标识别技术主要有：根据空间目标轨道运动特征识别、根据空间轨道目标有效散射截面的变化规律进行识别、根据空间轨道目标相参回波信息进行识别，以及空间弹道目标的识别技术。目标的雷达散射面积(radarcrosssection，rcs)包含一定目标信息，是窄带雷达能够获取的关于目标电磁散射特性的主要物理量。窄带信号雷达可利用目标固有特性与反射信号随时间的变化规律之间的对应关系，来推演有关目标的特征信息，如通过信号回波的幅度、相位、极化及其变换特征来估计目标的尺寸、形状、质量、结构、质心运动(如自旋、进动、章动)及航天活动中的特征事件(关机、分离、消旋、释放)，区分工作卫星、失效卫星、空间碎片等。因此，基于rcs的目标识别技术一直是空间目标识别和应用的方向之一，并且最早应用于空间目标的识别。rcs数据所携带易于提取的表征目标特性的信息量有限，且多维特征参数的综合利用不够，从而不利于进行空间目标分类。技术实现要素：针对现有技术存在的缺陷，本发明提供一种遍历随机森林空间目标分类识别方法，可有效解决上述问题。本发明采用的技术方案如下：本发明提供一种遍历随机森林空间目标分类识别方法，包括以下步骤：步骤1，获取并计算得到空间目标rcs序列的统计特征，所述空间目标rcs序列的统计特征包括位置特征参数、散布特征参数、分布特征参数和相关特征参数；步骤2，获取并计算得到空间目标rcs序列的时频特征；步骤3，获取并计算得到空间目标rcs序列的小波特征；步骤4，利用随机森林分类器分别对所述空间目标rcs序列的统计特征、所述空间目标rcs序列的时频特征、所述空间目标rcs序列的小波特征、所述统计特征与所述时频特征的组合、所述统计特征与所述小波特征的组合、所述时频特征与所述小波特征的组合、所述统计特征与所述时频特征与所述小波特征的组合进行100次训练分类，输出空间目标的最大概率分类值，由此实现对空间目标分类识别。优选的，步骤1中，所述位置特征参数包括空间目标位置的均值、极小值、极大值和中位数；所述散布特征参数包括空间目标位置的极差、标准差、标准均差和变异系数；所述分布特征参数包括空间目标位置的标准偏度系数和标准峰度系数；所述相关特征参数包括空间目标位置的线性相关系数和线性时关系数。优选的，步骤2中，所述空间目标rcs序列的时频特征包括时频矩阵的最大奇异值、均值、方差、尺度重心、中心矩和不变矩。优选的，步骤3中，所述空间目标rcs序列的小波特征包括小波变换后矩阵的最大奇异值、有效秩、均值、最大值、方差、尺度重心和中心矩。优选的，5、根据权利要求1所述的一种遍历随机森林空间目标分类识别方法，其特征在于，所述随机森林分类器对所述空间目标rcs序列的所述时频特征与所述小波特征的组合、所述统计特征与所述时频特征与所述小波特征的组合进行分类识别的识别率，高于对其他特征的分类识别的识别率。本发明提供的一种遍历随机森林空间目标分类识别方法具有以下优点：本发明提供的一种遍历随机森林空间目标分类识别方法，可综合rcs序列的多维度特征参数，提高空间目标分类的准确性。本发明对于提高我国空间目标监视与编目能力有着重要的意义。附图说明图1为本发明提供的一种遍历随机森林空间目标分类识别方法的流程示意图；图2为本发明提供的不同特征组合方式下遍历随机森林分类器的识别率图；图3为本发明提供的不同特征组合方式下修正后的遍历随机森林分类器的识别率图。具体实施方式为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。本发明提供一种遍历随机森林空间目标分类识别方法，参考图1，包括以下步骤：步骤1，获取并计算得到空间目标rcs序列的统计特征，所述空间目标rcs序列的统计特征包括位置特征参数、散布特征参数、分布特征参数和相关特征参数；其中，所述位置特征参数包括空间目标位置的均值、极小值、极大值和中位数；所述散布特征参数包括空间目标位置的极差、标准差、标准均差和变异系数；所述分布特征参数包括空间目标位置的标准偏度系数和标准峰度系数；所述相关特征参数包括空间目标位置的线性相关系数和线性时关系数。步骤2，获取并计算得到空间目标rcs序列的时频特征；其中，所述空间目标rcs序列的时频特征包括时频矩阵的最大奇异值、均值、方差、尺度重心、中心矩和不变矩。步骤3，获取并计算得到空间目标rcs序列的小波特征；其中，所述空间目标rcs序列的小波特征包括小波变换后矩阵的最大奇异值、有效秩、均值、最大值、方差、尺度重心和中心矩。步骤4，利用随机森林分类器分别对所述空间目标rcs序列的统计特征、所述空间目标rcs序列的时频特征、所述空间目标rcs序列的小波特征、所述统计特征与所述时频特征的组合、所述统计特征与所述小波特征的组合、所述时频特征与所述小波特征的组合、所述统计特征与所述时频特征与所述小波特征的组合进行100次训练分类，输出空间目标的最大概率分类值，由此实现对空间目标分类识别。具体的，经发明人多次研究发现，所述随机森林分类器对所述空间目标rcs序列的所述时频特征与所述小波特征的组合、所述统计特征与所述时频特征与所述小波特征的组合进行分类识别的识别率，高于对其他特征的分类识别的识别率。验证比较例：分别使用统计特征、时频特征、小波特征、统计特征与时频特征的组合、统计特征与小波特征的组合、时频特征与小波特征的组合、统计特征与时频特征与小波特征三种特征的组合，利用随机森林分类器对20组空间目标rcs序列进行分类，其识别率如图2和表1所示。表1随机森林分类器的识别率统计采用不同分类器对统计特征、时频特征、小波特征、统计特征与时频特征的组合、统计特征与小波特征的组合、时频特征与小波特征的组合、统计特征与时频特征与小波特征三种特征的组合进行识别，并统计平均识别率，结果如表2所示。表2不同分类器的平均识别率分析分类器随机森林knnsvm朴素贝叶斯pnn平均识别率(％)78.2663.985960.259从表1和表2的结果可以看出，随机森林分类器在不同特征值组合的情况下，其平均识别率为78.26％，在仅利用统计特征进行分类时识别率最高，同时，与knn、svm、朴素贝叶斯和pnn分类器相比较，随机森林分类器的平均识别率最高。由于特征参数个数和决策树规模的不同使得随机森林分类器的决策树分裂形式不唯一。遍历特征参数和决策树个数，寻求最优分类识别率，修正过的随机森林分类器识别结果如图3所示。表3遍历随机森林的分类识别率从表3可以看出，通过对特征参数和决策树规模的遍历，平均识别率为91％，识别率明显高于单次随机森林分类结果。在采用时频分析和小波变换特征参数组合，以及全部特征的情况下，识别率均可达95％以上。综上所述，本发明提供的一种遍历随机森林空间目标分类识别方法具有以下优点：本发明提供的一种遍历随机森林空间目标分类识别方法，可综合rcs序列的多维度特征参数，提高空间目标分类的准确性。本发明对于提高我国空间目标监视与编目能力有着重要的意义。以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。当前第1页12