專利名稱：基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于雷達(dá)目標(biāo)識別技術(shù)領(lǐng)域，特別是一種基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法。
背景技術(shù)：
雷達(dá)目標(biāo)識別技術(shù)的流程一般是先從雷達(dá)目標(biāo)的回波中提取目標(biāo)的有關(guān)信息標(biāo)志和穩(wěn)定特征，構(gòu)造已知目標(biāo)的特征模板庫，然后利用模板庫對分類器進(jìn)行訓(xùn)練，最后利用訓(xùn)練好的分類器來鑒別目標(biāo)。在高分辨雷達(dá)的照射下，目標(biāo)的回波在距離方向上占據(jù)多個距離像單元，呈現(xiàn)連續(xù)起伏特性，通常稱之為目標(biāo)的高分辨一維距離像，雷達(dá)目標(biāo)的高分辨一維距離像能提供目標(biāo)沿雷達(dá)視線方向的幾何結(jié)構(gòu)信息，同時具有易于獲得和處理的特點(diǎn)，避免了成像識別中的復(fù)雜的運(yùn)動補(bǔ)償問題，所以本發(fā)明把它作為特征向量構(gòu)造模板庫。在分類器方面，傳統(tǒng)雷達(dá)目標(biāo)識別技術(shù)常采用人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等傳統(tǒng)模式識別方法構(gòu)造分類器，這些方法是將目標(biāo)的樣本空間按訓(xùn)練目標(biāo)數(shù)目m使用線性函數(shù) (超平面)或非線性函數(shù)(超球面等)劃分成m個部分。在這種方法中，在得到目標(biāo)的特征向量空間后，先根據(jù)訓(xùn)練樣本的目標(biāo)種類和分布特征對空間進(jìn)行完全的劃分，在識別的時候， 根據(jù)特征函數(shù)將要識別的樣本根據(jù)一定的判定規(guī)則將樣本歸入已經(jīng)劃分好的某一空間。這些基于劃分的模式識別方法往往存在幾個問題(1)如果采用線性函數(shù)(超平面)作為分類面，則不能很好地適應(yīng)樣本空間分布復(fù)雜的情況，會導(dǎo)致誤識率很大。(2)這些基于劃分的模式識別方法根據(jù)已知樣本的目標(biāo)數(shù)目將整個樣本空間劃分成相應(yīng)的子空間，對于目標(biāo)模板庫中沒有的新目標(biāo)的樣本，會錯誤地識別為目標(biāo)模板庫中某一類目標(biāo)，導(dǎo)致這種方法的誤識率很高，不具備拒識能力。(3)如果想向模板庫中添加新目標(biāo)的樣本，需要對整個模板庫中的樣本構(gòu)成的樣本空間進(jìn)行重新劃分，費(fèi)時費(fèi)力。將線性函數(shù)改進(jìn)為非線性函數(shù)，如在支持向量機(jī)中使用高斯核函數(shù)，可以解決問題(1)，但這樣做對于第二個問題和第三個問題，還沒有解決。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，該方法在分類判別階段，從思想上否定了原有的雷達(dá)目標(biāo)識別中分類判別的方法，提出了基于“認(rèn)識”目標(biāo)，而不是“劃分”目標(biāo)的判別思想，在有效提高了雷達(dá)目標(biāo)正確識別率的同時，提高了拒識別能力，可為雷達(dá)目標(biāo)識別方法提供重要的參考資料。實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案為
第一步，采用物理光學(xué)法計算雷達(dá)目標(biāo)各個角度的回波數(shù)據(jù)；
第二步，分析產(chǎn)生的雷達(dá)回波數(shù)據(jù)并且建立目標(biāo)的一維距離像，并對一維距離像進(jìn)行歸一化預(yù)處理形成仿生模式識別的特征樣本空間；
第三步，初始化一維距離像樣本空間，將其分成已知樣本子空間和未知樣本子空間兩大類,對已知樣本分為訓(xùn)練樣本和測試樣本；第四步，利用過濾算法對每個雷達(dá)目標(biāo)的訓(xùn)練樣本進(jìn)行過濾，確定每個雷達(dá)目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)的拓?fù)淇蚣埽?br> 第五步，利用超球半徑算法確定每個雷達(dá)目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)的覆蓋范圍； 第六步，分別通過已知樣本和未知樣本測試超香腸神經(jīng)元網(wǎng)絡(luò)模型的分類性能。本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為(1)提高了正確識別率。利用超香腸神經(jīng)元網(wǎng)絡(luò)模型對雷達(dá)目標(biāo)一維距離像在高維空間中的分布進(jìn)行覆蓋，提高了覆蓋精度；(2) 抵抗噪聲能力增強(qiáng)。在回波中加入噪聲后，利用基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法識別能力要比傳統(tǒng)方法強(qiáng)；(3)拒識能力增強(qiáng)?；诜律Ｊ阶R別理論的雷達(dá)目標(biāo)識別方法以“認(rèn)識”目標(biāo)為目的，對于不在超香腸神經(jīng)元網(wǎng)絡(luò)覆蓋范圍內(nèi)的測試樣本直接拒識， 顯著提高了拒識能力。(4)提高了學(xué)習(xí)效率。如果想向訓(xùn)練數(shù)據(jù)集中添加某個新目標(biāo)的訓(xùn)練樣本，傳統(tǒng)識別方法往往要打亂原有知識，對所有訓(xùn)練數(shù)據(jù)進(jìn)行重新學(xué)習(xí)，而基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法可以直接對新目標(biāo)建立超香腸神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)學(xué)習(xí)，無需對所有訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，大大提高了學(xué)習(xí)效率。下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)描述。


圖I是雷達(dá)目標(biāo)識別一般步驟框圖。圖2是雷達(dá)目標(biāo)一維距離像特征向量示意圖。圖3是二維空間的超香腸神經(jīng)元網(wǎng)絡(luò)與超香腸神經(jīng)元示意圖；(a)超香腸神經(jīng)元網(wǎng)絡(luò)示意圖；(b)超香腸神經(jīng)元示意圖。圖4是傳統(tǒng)“劃分”方法與仿生模式識別方法的對比示意圖。圖5是本發(fā)明中進(jìn)行雷達(dá)目標(biāo)識別的流程圖。圖6是建立超香腸神經(jīng)元網(wǎng)絡(luò)拓?fù)淇蚣艿娜N典型情況示意圖。圖7是樣本點(diǎn)到超香腸模型距離計算示意圖。圖8是測試識別效果用到的五種雷達(dá)目標(biāo)模型的示意圖；(a) VFY218模型(b) F15模型(c) F117模型(d)導(dǎo)彈模型(e)普通飛機(jī)模型。圖9是￥ ￥2184154117模型的多角度歸一化一維距離像；(&)￥ ￥218模型的多角度歸一化一維距離像(b) F15模型的多角度歸一化一維距離像(c) Fl 17模型的多角
度歸一化一維距離像。圖10是本發(fā)明與支持向量機(jī)的抗噪聲性能比較。圖11是本發(fā)明與支持向量機(jī)的泛化能力比較。圖12是本發(fā)明與支持向量機(jī)的拒識能力比較。
具體實(shí)施例方式本發(fā)明基于仿生模式識別理論，提出一種側(cè)重“認(rèn)識”的雷達(dá)目標(biāo)識別方法。根據(jù)每個雷達(dá)目標(biāo)產(chǎn)生的一維距離像連續(xù)變化的特點(diǎn)，利用一維流形拓?fù)浣Y(jié)構(gòu)對每個目標(biāo)的一維距離像在高維空間中的分布進(jìn)行描述，在訓(xùn)練階段，采用超香腸神經(jīng)元網(wǎng)絡(luò)模型對一維距離像空間進(jìn)行一類一類的覆蓋，在判決階段，根據(jù)不同目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)對測試樣本的覆蓋情況判斷測試樣本的歸屬，從而能夠克服傳統(tǒng)雷達(dá)目標(biāo)識別方法所帶來的問題，顯著地提高了正確識別率和拒識能力，并且對新增目標(biāo)只需單獨(dú)訓(xùn)練，不需要對整個模板庫的樣本進(jìn)行訓(xùn)練，大大提高了學(xué)習(xí)效率。本發(fā)明為基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，首先采用物理光學(xué)方法獲得雷達(dá)目標(biāo)各個角度的寬頻帶散射場數(shù)據(jù)，對各個角度的寬頻帶散射場數(shù)據(jù)進(jìn)行逆傅里葉變換得到各個角度的一維距離像。然后將各個角度的一維距離像數(shù)據(jù)歸一化。再利用過濾算法和超球半徑算法建立每個目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)。最后對測試樣本進(jìn)行識別。該方法可以在提聞?wù)_識別率的同時，提聞拒識能力和學(xué)習(xí)效率。參見圖1，雷達(dá)目標(biāo)識別一般需要先對接收到的目標(biāo)回波進(jìn)行預(yù)處理，然后對處理后的回波數(shù)據(jù)進(jìn)行特征提取，提取能代表目標(biāo)本身特點(diǎn)有易于與其他目標(biāo)區(qū)別的特征量， 建立已知目標(biāo)的特征庫，再利用訓(xùn)練算法進(jìn)行訓(xùn)練，最后利用測試算法對測試樣本進(jìn)行分類判決。圖2顯示了本發(fā)明中所使用的特征量，即雷達(dá)目標(biāo)一維距離像特征向量的示意圖。 可以很清楚的看出，雷達(dá)目標(biāo)一維距離像特征向量能提供目標(biāo)沿距離方向的幾何結(jié)構(gòu)信息，是一種非常有效的特征量。圖3是二維空間中超香腸神經(jīng)元網(wǎng)絡(luò)與超香腸神經(jīng)元示意圖。圖4是傳統(tǒng)的“劃分”方法與仿生模式識別方法的在二維空間的對比示意圖。結(jié)合圖 5，本發(fā)明中基于仿生模式識別理論進(jìn)行雷達(dá)目標(biāo)識別，步驟如下
第一步，建立待測目標(biāo)的幾何模型，設(shè)置該目標(biāo)的相關(guān)參數(shù)起始頻率、掃頻間隔、帶寬、初始角度、角度間隔、角度范圍，采用物理光學(xué)方法計算出該目標(biāo)的回波數(shù)據(jù)，作為原始信號 。物理光學(xué)方法從Stratton-Chu公式出發(fā)，引入物理上合理的高頻假設(shè)由物體上某一點(diǎn)對該物體其它點(diǎn)的散射場的貢獻(xiàn)和入射場相比是很小的，從而忽略了各個子散射單元之間的耦合作用，使得求解過程得到簡化。根據(jù)物理光學(xué)近似條件和遠(yuǎn)場近似條件，求解遠(yuǎn)區(qū)散射場的物理光學(xué)法基本公式如下
權(quán)利要求
1.一種基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，其特征在于步驟如下第一步，采用物理光學(xué)法計算雷達(dá)目標(biāo)各個角度的回波數(shù)據(jù)；第二步，分析產(chǎn)生的雷達(dá)回波數(shù)據(jù)并且建立目標(biāo)的一維距離像，并對一維距離像進(jìn)行歸一化預(yù)處理形成仿生模式識別的特征樣本空間；第三步，將第二步得到的樣本空間分成已知樣本子空間和未知樣本子空間兩大類,對已知樣本分為訓(xùn)練樣本和測試樣本；第四步，利用過濾算法對每個雷達(dá)目標(biāo)的訓(xùn)練樣本進(jìn)行過濾，確定每個雷達(dá)目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)的拓?fù)淇蚣埽坏谖宀?，利用超球半徑算法確定每個雷達(dá)目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)的覆蓋范圍； 第六步，分別通過已知樣本和未知樣本測試超香腸神經(jīng)元網(wǎng)絡(luò)的分類性能。
2.根據(jù)權(quán)利要求I所述的基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，其特征在于 第四步利用過濾算法對每個雷達(dá)目標(biāo)的訓(xùn)練樣本進(jìn)行過濾的具體步驟如下第一步，對每個目標(biāo)各個角度的一維距離像樣本空間的特征向量進(jìn)行排序，使相鄰三個特征向量中，中間的特征向量尚前面的特征向量的距尚比后面的特征向量離前面的特征向量的距離近，排序后的一維距離像集合為= \2X ,AbJ ,Na 是角度個數(shù)；第二步，初始化集合JT中第一個特征向量巧為參考向量，并將％存入拓?fù)淇蚣芗蟂中；第三步，依次過濾集合JT中剩余向量，根據(jù)剩余向量與參考向量的距離選取拓?fù)淇蚣芄?jié)點(diǎn)，確定目標(biāo)的拓?fù)淇蚣堋?br> 3.根據(jù)權(quán)利要求I或2所述的基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，其特征在于所述拓?fù)淇蚣芄?jié)點(diǎn)的選取方法如下一、如果被過濾向量與參考向量的距離不斷增長，當(dāng)距離值超過預(yù)設(shè)閾值今時，當(dāng)前被過濾向量被選為拓?fù)淇蚣芄?jié)點(diǎn)，然后以當(dāng)前被過濾向量為參考向量繼續(xù)過濾剩余向量；二、如果被過濾向量與參考向量的距離在增長過程中出現(xiàn)小幅下降，但下降幅度的大小并沒有達(dá)到預(yù)設(shè)閾值％，之后繼續(xù)增長，直到當(dāng)前被過濾向量與參考向量的距離達(dá)到預(yù)設(shè)閾值A(chǔ)，則當(dāng)前被過濾向量才被選為拓?fù)淇蚣芄?jié)點(diǎn)，然后以當(dāng)前被過濾向量為參考向量繼續(xù)過濾剩余向量；三、如果當(dāng)前被過濾向量與參考向量的距離逐漸增大，但距離值沒有超過預(yù)設(shè)閾值％，然后距離值逐漸下降，而且下降的距離超過了預(yù)設(shè)閾值^，此時將對應(yīng)轉(zhuǎn)折處的向量選為拓?fù)淇蚣芄?jié)點(diǎn)，并以其作為參考向量繼續(xù)過濾剩余向量；其中，選取為集合I中兩兩向量距離的最小值的6、倍,而％選取為集合I中兩兩向量距離的最小值的3飛倍。
4.根據(jù)權(quán)利要求I所述的基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，其特征在于 第五步利用超球半徑算法確定每個雷達(dá)目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)的覆蓋范圍的具體步驟如下第一步，統(tǒng)計原始的一維距離像集合I中未被選中為拓?fù)淇蚣芄?jié)點(diǎn)的向量，記這些向量組成的集合為Γ；第二步，計算Γ中每個向量距拓?fù)淇蚣躍的距離，這些距離構(gòu)成一個集合
5.根據(jù)權(quán)利要求I所述的基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，其特征在于 第六步測試超香腸神經(jīng)元網(wǎng)絡(luò)分類性能是通過判斷與每個雷達(dá)目標(biāo)對應(yīng)的超香腸神經(jīng)元網(wǎng)絡(luò)對測試樣本的覆蓋情況實(shí)現(xiàn)的，如果測試樣本不被任一目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)覆蓋，則該測試樣本對應(yīng)目標(biāo)被拒識，如果測試樣本只被一個目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)覆蓋， 則測試樣本對應(yīng)目標(biāo)被識別為該超香腸神經(jīng)元網(wǎng)絡(luò)對應(yīng)的目標(biāo)，如果測試樣本被多個目標(biāo)的超香腸神經(jīng)元網(wǎng)絡(luò)覆蓋，測試樣本離哪一個超香腸神經(jīng)元網(wǎng)絡(luò)近，就將測試樣本識別為其對應(yīng)目標(biāo)。
全文摘要
本發(fā)明公開了一種基于仿生模式識別理論的雷達(dá)目標(biāo)識別方法，采用物理光學(xué)法計算雷達(dá)目標(biāo)的相應(yīng)的回波數(shù)據(jù)，分析雷達(dá)回波數(shù)據(jù)并且建立目標(biāo)的一維距離像，將得到的目標(biāo)一維距離像進(jìn)行預(yù)處理作為特征向量，利用仿生模式識別方法對不同目標(biāo)進(jìn)行識別。仿生雷達(dá)目標(biāo)識別方法作為一種新的模式識別方法，其特征在于基于“認(rèn)識”而不是“劃分”，通過對每類目標(biāo)的特征樣本在高維空間利用超香腸模型進(jìn)行覆蓋，達(dá)到“認(rèn)識”目標(biāo)的目的，從而有效提高了正確識別率，同時避免了傳統(tǒng)雷達(dá)目標(biāo)識別方法拒識別能力差、每添加一類目標(biāo)需要對原有數(shù)據(jù)重新訓(xùn)練的缺點(diǎn)。
文檔編號G01S7/539GK102608589SQ20121007005
公開日2012年7月25日 申請日期2012年3月16日 優(yōu)先權(quán)日2012年3月16日
發(fā)明者丁大志, 張歡歡, 樊振宏, 盛亦軍, 陳如山, 陳磊 申請人:南京理工大學(xué)