]q 表示第q块特征空间子区域的第j个拉格朗日算子；
[0089] (3b)计算公式〈2>所述优化问题，得到目标鉴别器训练集Y=IJq= (0q，Sq，Rq)}， 其中Jq表示第q块特征空间子区域，0q表示第q块特征空间子区域支持向量个数，Sq表示 第q块特征空间子区域支持向量集合，即Sq={sliq}，Sliq表示第q块子区域的第i个支持 向量，i= 1，. . .，〇q，Rq表示第q块特征空间子区域的半径。
[0090] 步骤4,根据测试目标特征与训练模板库特征空间子区域的位置关系对测试目标 类别进行判决。
[0091] (4a)对测试目标雷达回波ez进行如步骤1的高分辨一维距离成像与特征提取，生 成测试目标特征Z;
[0092] (4b)利用支持向量域描述模型对测试目标进行第一次判决：
[0093] (4bl)利用第q块特征空间子区域Jq的子区域支持向量个数0 q和子区域支持向 量集合Sq确定测试目标特征Z与支持向量S&之间的距离dq (Z):
[0094]
[0095] 其中，P(Sliq)表示第q块特征空间子区域的第i个支持向量的密度中心偏离度权 值，P(Sjiq)表示第q块特征空间子区域的第j个支持向量的密度中心偏离度权值，aiq表 示第q块特征空间子区域的第i个拉格朗日算子，aM表示第q块特征空间子区域的第j 个拉格朗日算子，Sliq表示第q块特征空间子区域的第i个支持向量，sM表示第q块特征 空间子区域的第j个支持向量，其中SiiqGSq，S.j,qGSq，i= 1，. . .，0q，j= 1，. . .，0q，q=
[0096] (4b2)将上述距离dq (Z)与特征空间子区域半径Rq进行比较：
[0097] 若dq⑵彡Rq，则测试目标特征Z位于第q块特征空间子区域J q中，得到最终判决 结果为库内目标；
[0098] 若dq (Z) > Rq，则测试目标特征Z位于第q块特征空间子区域Jq外，得到判决结果 为疑似库外目标，执行步骤（4c)进行第二次判决；
[0099]需要说明的是，由于训练模板库的非完备性造成的支持向量域描述目标特征区域 紧缩，在第一次判决后，大量的库内目标会被判决为库外目标，所以在本发明中，基于K近 邻准则，利用特征区域的支持向量对疑似库外目标进行第二次判决。
[0100] (4c)基于K近邻准则对测试目标进行第二次判决：
[0101] (4cl)计算测试目标特征Z与特征空间子区域支持向量Sl，q之间的距离d(Sl，q，Z)， 对该距离进行从小到大的排序，根据K近邻准则选择前n个距离所对应的支持向量作为近 邻向量Sk，k= 1，…，Q;
[0102] (4c2)根据支持向量密度分布计算近邻向量Sk所对应的权值wk:
[0104] 其中d(sk，Z)表示近邻向量81<与测试目标特征Z的距离，d(sk,Itq)表示近邻向量 Sk与第q块特征空间子区域中心也凋距离，Q表示特征空间子区域数目，Rq表示第q块特 征空间子区域的半径；
[0105] (4c3)计算Q个近邻向量的加权均值向量 特征Z与s_n的距离d(Z,s_n) =IIZ,s_nIIi，I卜II:表示Ll范数距离；
[0106] (4c4)设定近邻阈值GG[0, 1]，利用近邻阈值e对测试样本Z进行第二次判决： 若d(Z，s_n) <I则最终判决结果为库内目标；否则，最终判决结果为库外目标。
[0107] 本发明的效果通过以下仿真试验进一步说明：
[0108] 1.仿真条件：
[0109] 设雷达发射信号采用简单脉冲步进频率体制，其载频为f。= 34GHz，信号脉冲宽度 为T=l〇〇ns，脉冲重复周期为L= 32ys，时域采样频率fs= 40MHz，脉冲步进频率个数 N= 128,脉冲步进频率Af= 4MHz，由此参数可得雷达发射信号合成带宽为B= 512MHz， 其对应的距离分辨率为Ar =C/2B= 0. 293m。
[0110] 2?仿真内容与结果：
[0111] 仿真1，利用坦克目标与雷达站目标实际测量数据建立训练模板库特征空间。
[0112] 采集360°下的坦克目标与雷达站目标雷达回波数据，对坦克目标与雷达站目标 的雷达回波数据进行处理，生成高分辨一维距离像，并提取该高分辨一维距离像的长度特 征与散射点个数特征，组成坦克目标与雷达站目标训练模板库特征空间，实验结果如图2 所示。
[0113] 从图2可见，本发明利用K-Means聚类算法进行特征空间区域划分，并通过支持向 量域描述模型对特征空间子区域进行准确的描述。
[0114] 仿真2,生成坦克目标与雷达站目标的鉴别器训练集。
[0115] 利用基于相关系数预处理的K-Means聚类算法对模板库特征空间进行区域划分， 结果如图3所示。在此基础上，利用基于加权优化的支持向量域描述SVDD模型确定各个特 征空间子区域的支持向量与区域边界，结果如图4所示。
[0116] 从图3可见，通过K-Means聚类算法处理，可将图2中的特征空间分为三块特征区 域。
[0117] 从图4可见利用支持向量域描述算法处理，可确定图3中的特征空间子区域的区 域边界与支持向量，以此作为鉴别器的训练集。
[0118] 仿真3,本发明鉴别器与常规鉴别器的鉴别性能对比。
[0119] 衡量鉴别器性能的通用评估准则是接收机工作特性ROC曲线，ROC曲线为二维曲 线，鉴别器的ROC曲线下方的积分面积越大，鉴别性能越好，ROC曲线的横轴表示负样本被 错分为正目标的比率，用Pf+表示；纵轴表示正样本被正确分为正目标的比率，用Pt+表示；
[0120] 为保证鉴别性能对比的公平性，进行对比的三类鉴别器的训练模板库均采用仿真 的300组坦克目标高分辨一维距离像与300组雷达站目标的高分辨一维距离像；
[0121] 测试数据均采用400组运动小车的高分辨一维距离像、300组静止坦克高分辨一 维距离像与100组运动坦克高分辨一维距离像；
[0122] 分别利用本发明鉴别器和现有的K近邻分类器、支持向量域模型鉴别器对测试数 据进行鉴别，调整近邻阈值GG[0，1]，绘制的ROC曲线，如图5所示。
[0123] 从图5可见，K近邻分类器和支持向量域模型鉴别器在Pf+= 0. 1时，Pt+仅为0. 7， 本发明鉴别器在Pf+= 〇. 1时，Pt+为〇. 9,该结果体现了本发明鉴别器在低Pf+时，仍具有良 好的鉴别性能，并且本发明鉴别器的ROC曲线下面积明显大于两类现有鉴别器的ROC曲线 下面积，说明其鉴别性能稳定性明显优于两类现有鉴别器。
[0124] 仿真4,本发明鉴别器与常规鉴别器的实时性能对比。
[0125] 为保证实时性能对比的公平性，进行对比的三类鉴别器的测试数据采用400组运 动小车的高分辨一维距离像、300组静止坦克高分辨一维距离像与100组运动坦克高分辨 一维距离像；
[0126] 调整训练模板库的规模，绘制本发明鉴别器和现有的K近邻分类器、支持向量域 模型鉴别器的实时性能曲线，如图6所示。
[0127] 从图6可见，由于K近邻分类器和支持向量域模型鉴别器需要对训练模板库中的 特征进行遍历，随着模板库规模的增大，其运行时间呈现指数形式的增加，这说明现有鉴别 器在大规模模板库的情况下，无法实现雷达信号的实时处理，本发明鉴别器采用区域划分 方法，有效地减少了模板库规模，当模板库规模增大时，运行时间平稳且小于ls，可见在实 际应用中本发明鉴别器不受模板库规模影响，可有效实现雷达信号的实时处理。
[0128] 综上所述，本发明鉴别器对训练模板库特征空间进行区域划分操作，有效的减少 了训练模版库规模，大幅提高了运算速度，同时采用精细化区域描述的方法，有效地保证了 目标鉴别的准确性，从实验结果可以看出本发明鉴别器相比于现有鉴别器具有更好的鉴别 性能，且具备雷达信号实时处理的能力。
【主权项】
1.基于空间分布的雷达地面目标鉴别器设计方法，包括如下步骤： 1) 构建雷达目标鉴别器训练模板库特征空间： (la) 对M类典型目标进行雷达回波仿真，生成第m