基于dpLVSVM模型的雷達HRRP的目標識別方法
【專利摘要】本發(fā)明公開了一種基于dpLVSVM模型的雷達HRRP的目標識別方法，其步驟為：步驟1，對雷達HRRP數(shù)據(jù)進行特征提取得到功率譜特征集X；步驟2，構(gòu)建dpLVSVM模型并得出功率譜特征的概率密度函數(shù)及各個參數(shù)的聯(lián)合條件后驗分布；步驟3，推導各個參數(shù)的條件后驗分布；步驟4，對各個參數(shù)進行循環(huán)采樣I次；步驟5，保存T0次測試階段所需參數(shù)的采樣結(jié)果；步驟6，判斷測試雷達HRRP是否為庫外樣本，若為庫外樣本則拒判；否則步驟7；步驟7，采樣得到測試雷達HRRP的功率譜特征的聚類標號；步驟8，輸出測試雷達HRRP的目標類別標號本發(fā)明具有分類器設計復雜度小，識別性能高以及拒判性能好的優(yōu)點，可用于對雷達目標的識別。
【專利說明】基于dpLVSVM模型的雷達HRRP的目標識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于雷達【技術(shù)領(lǐng)域】，涉及雷達目標識別方法，尤其涉及一種基于dpLVSVM(Dirichlet process latent variable support vector machine, Dirichlet 過程隱
變量支撐向量機)模型的雷達高分辨距離像IIRRP的目標識別方法，用于對飛機，車輛等目標進行識別。
【背景技術(shù)】
[0002]雷達目標識別就是利用目標的雷達回波信號，實現(xiàn)對目標類型的判定。寬帶雷達通常工作在光學區(qū),此時目標可以看作是由大量強度不同的散射點構(gòu)成。高分辨距離像(High-resolution range profile, HRRP)是用寬帶雷達信號獲取的目標體上各散射點回波的矢量和。它反映了目標體上散射點沿雷達視線的分布情況，包含了目標重要的結(jié)構(gòu)特征，被廣泛應用于雷達目標識別領(lǐng)域。由于目標具有姿態(tài)敏感性，同一目標的HRRP具有多模分布特性,尤其是隨著目標庫的增大,訓練樣本個數(shù)也會隨之增加,數(shù)據(jù)分布也變得更加復雜。多模分布數(shù)據(jù)的分類界面往往是高度非線性的,需要采用非線性分類器對其分類。
[0003]作為一種常用的非線性分類器,核方法分類器是將原始空間線性不可分的數(shù)據(jù)映射成為高維空間中線性可分的數(shù)據(jù)，然后進行線性分類。然而核方法分類器面臨核函數(shù)選擇以及核參數(shù)選擇的問題,且當訓練樣本數(shù)過大時,核方法分類器計算困難。另外,若使用所有雷達高分辨距離像數(shù)據(jù)來訓練一個分類器會增加分類器的訓練復雜度,而且容易忽視樣本的內(nèi)在結(jié)構(gòu)，不利于分類。混合專家模型提出后，避免了復雜分類器設計，從而大大簡化分類器設計的復雜度。
[0004]混合專家模型將數(shù)據(jù)集劃分成若干子集,然后在各個子集上分別訓練簡單的分類器,最終構(gòu)造全局非線性的復雜分類器,稱為有限混合專家模型模型。這類模型存在兩個缺點:一是模型選擇問題，即如何選擇樣本子集(聚類)個數(shù)；二是樣本集的聚類過程是無監(jiān)督的，獨立于后端的分類器任務，因此較難保證每個聚類中數(shù)據(jù)的可分性，從而影響全局的分類性能。

【發(fā)明內(nèi)容】

[0005]為了克服以上困難，本發(fā)明提出一種基于dpLVSVM模型的雷達HRRP的目標識別方法，用于提高分類性能，降低模型求解復雜度。
[0006]為達到上述目的,本發(fā)明采用以下技術(shù)方案予以實現(xiàn):
[0007]一種基于dpLVSVM模型的雷達HRRP的目標識別方法,其特征在于,包括以F步驟:
[0008]步驟I,雷達接收M個類別的目標的高分辨距離像HRRP ;再對每個高分辨距離像進行特征提取，得到雷達高分辨距離像的功率譜特征Xn，將M個類別的目標的高分辨距離像的功率譜特征組成功率譜特征集X ;不屬于該M個類別的目標的雷達高分辨距離像為庫外樣本；屬于該M個類別的目標的雷達高分辨距離像為庫內(nèi)樣本；[0009]步驟2,利用功率譜特征集X,將LVSVM分類器和TSB-DPM模型結(jié)合構(gòu)建dpLVSVM模型；根據(jù)dpLVSVM模型推導出雷達高分辨距離像的功率譜特征的概率密度函數(shù)，以及dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布；
[0010]dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布即:TSB-DPM模型中聚類的高斯分布參數(shù)?μ￡ ,Σ￡ G、雷達高分辨距離像的功率譜特征的聚類標號Z、TSB-DPM模型的截棍參數(shù)
υ.LVSVM分類器系數(shù)?愾!'L1、雷達高分辨距離像的功率譜特征對應的LVSVM分類器的隱變量λ的聯(lián)合條件后驗分布；
[0011]步驟3，通過步驟2的dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布，推導各個參數(shù)的條件后驗分布，即聚類的高斯分布參數(shù)的條件后驗分布、雷達高分辨距離像的功率譜特征的聚類標號Z的條件后驗分布、TSB-DPM模型截棍參數(shù)υ的條件后驗分布，以及LVSVM分類器系數(shù)丨叫}「=1的條件后驗分布、雷達高分辨距離像的功率譜特征對應的LVSVM分類器的隱變量λ的條件后驗分布；
[0012]步驟4,設定聚類高斯分布參數(shù)丨/Xt,SJ二的初始值、雷達高分辨距離像的功率譜特征的聚類標號Z的初始值、TSB-DPM模型的截棍參數(shù)υ的初始值、LVSVM分類器系數(shù){wc的初始值以及雷達高分辨距離像的功率譜特征對應的LVSVM分類器的隱變量λ的初始值；
[0013]在設定初始值之后,根據(jù)設定初始值的參數(shù)在步驟3中對應的條件后驗分布,按照Gibbs采樣技術(shù)對設定初始值的參數(shù)依次進行采樣，總共對設定初始值的參數(shù)循環(huán)采樣10次，I。為自然數(shù)；
[0014]步驟5,在對設定 初始值的參數(shù)循環(huán)采樣I。次之后，從第Ifl次開始每間隔Sp次保存聚類的高斯分布參數(shù)丨/Λ,Σ, hCl,、雷達高分辨距離像的功率譜特征的聚類標號Ζ、
TSB-DPM模型的截棍參數(shù)υ ,以及LVSVM分類器系數(shù)，總共保存T0次參數(shù)的采樣結(jié)果;
[0015]在保存Τ。次參數(shù)的采樣結(jié)果后完成高分辨距離像數(shù)據(jù)HRRP的樣本訓練階段，同時得到訓練的LVSVM分類器和訓練的TSB-DPM模型；
[0016]步驟6，對測試雷達高分辨距離像進行特征提取得到測試雷達高分辨距離像的功率譜特征^ ;計算測試雷達高分辨距離像的功率譜特征i的概率密度函數(shù)值,并預先設定拒判門限Th,再與預先設定的拒判門限Th比較,根據(jù)比較結(jié)果判斷測試雷達高分辨距離像是否為庫外樣本；否則繼續(xù)步驟7 ；
[0017]步驟7，將保存的Ttl次參數(shù)的采樣結(jié)果中的聚類的高斯分布參數(shù)(A 、截棍參數(shù)υ代入測試雷達高分辨距離像的功率譜特征i的聚類標號S的條件后驗分布,得到測試雷達高分辨距離像的功率譜特征i的聚類標號的條件后驗分布；
[0018]在得到測試雷達高分辨距離像的功率譜特征4的聚類標號的條件后驗分布之后,從測試雷達高分辨距離像的功率譜特征i的聚類標弓.Wg1的條件后驗分布中采樣得到測試雷達高分辨距離像的功率譜特征4的聚類標號K &;
[0019]步驟8，根據(jù)測試雷達高分辨距離像的功率譜特征i所屬的聚類標號W hr!i，將測試雷達高分辨距離像的功率譜特征i依次輸入其所屬聚類對應的M個訓練的LVSVM分類器中，即，將步驟7得到的測試雷達高分辨距離像的功率譜特征義所屬的聚類標號以及步驟5中保存的LVSVM分類器的系數(shù)IicL1代入到訓練的LVSVM分類器的判別公式中，輸
出測試雷達高分辨距離像的目標類別標號V。
[0020]上述技術(shù)方案的特點和進一步改進在于:
[0021](I)步驟2包括以下子步驟:
[0022]2a)利用TSB-DPM模型將功率譜特征集X進行聚類,包括以下2al)、2a2)和2a3):
[0023]2al)在TSB-DPM模型中設定功率譜特征集X的最大聚類個數(shù)為C，每個聚類中雷達高分辨距離像的功率譜特征服從高斯分布；
[0024]2a2)設定TSB-DPM模型中的基分布G0采用Normal-Wishart分布
【權(quán)利要求】
1.一種基于dpLVSVM模型的雷達HRRP的目標識別方法,其特征在于,包括以下步驟:步驟I,雷達接收M個類別的目標的高分辨距離像HRRP ;再對每個高分辨距離像進行特征提取，得到雷達高分辨距離像的功率譜特征Xn，將M個類別的目標的高分辨距離像的功率譜特征組成功率譜特征集X ;不屬于該M個類別的目標的雷達高分辨距離像為庫外樣本；屬于該M個類別的目標的雷達高分辨距離像為庫內(nèi)樣本； 步驟2,利用功率譜特征集X,將LVSVM分類器和TSB-DPM模型結(jié)合構(gòu)建dpLVSVM模型；根據(jù)dpLVSVM模型推導出雷達高分辨距離像的功率譜特征的概率密度函數(shù)，以及dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布； dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布即=TSB-DPM模型中聚類的高斯分布參數(shù)、雷達高分辨距離像的功率譜特征的聚類標號Z、TSB-DPM模型的截棍參數(shù)u、LVSVM分類器系數(shù){?U:、雷達高分辨距離像的功率譜特征對應的LVSVM分類器的隱變量λ的聯(lián)合條件后驗分布； 步驟3,通過步驟2的dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布，推導各個參數(shù)的 條件后驗分布，即聚類的高斯分布參數(shù){^，馬}「=1的條件后驗分布、雷達高分辨距離像的功率譜特征的聚類標號Z的條件后驗分布、TSB-DPM模型截棍參數(shù)u的條件后驗分布，以及LVSVM分類器系數(shù){?U:的條件后驗分布、雷達高分辨距離像的功率譜特征對應的LVSVMl類器的隱變量λ的條件后驗分布； 步驟4，設定聚類高斯分布參數(shù){/Λ.,A.}:的初始值、雷達高分辨距離像的功率譜特征的聚類標號Z的初始值、TSB-DPM模型的截棍參數(shù)υ的初始值、LVSVM分類器系數(shù)的初始值以及雷達高分辨距離像的功率譜特征對應的LVSVM分類器的隱變量λ的初始值；在設足初始值之后，根據(jù)設足初始值的參數(shù)在步驟3中對應的條件后驗分布，按照Gibbs采樣技術(shù)對設定初始值的參數(shù)依次進行采樣,總共對設定初始值的參數(shù)循環(huán)采樣I。次，I。為自然數(shù)； 步驟5，在對設定初始值的參數(shù)循環(huán)采樣Ici次之后,從第Ifl次開始每間隔Sp次保存聚類的高斯分布參數(shù)、雷達高分辨距離像的功率譜特征的聚類標號Z、TSB-DPM模型的截棍參數(shù)u ,以及LVSVM分類器系數(shù)，總共保存Tci次參數(shù)的采樣結(jié)果； 在保存T。次參數(shù)的采樣結(jié)果后完成高分辨距離像數(shù)據(jù)HRRP的樣本訓練階段，同時得到訓練的LVSVM分類器和訓練的TSB-DPM模型； 步驟6,對測試雷達高分辨距離像進行特征提取得到測試雷達高分辨距離像的功率譜特怔；^ ;計算測試雷達高分辨距離像的功率譜特征i的概率密度函數(shù)值，并預先設定拒判門限Th,再與預先設定的拒判門限Th比較,根據(jù)比較結(jié)果判斷測試雷達高分辨距離像是否為庫外樣本；否則繼續(xù)步驟7 ； 步驟7,將保存的T。次參數(shù)的采樣結(jié)果中的聚類的高斯分布參數(shù)、截棍參數(shù)υ代入測試雷達高分辨距離像的功率譜特征^的聚類標號5的條件后驗分布,得到測試雷達高分辨距離像的功率譜特征i的聚類標號的條件后驗分布；在得到測試雷達高分辨距離像的功率譜特征i的聚類標號{i^的條件后驗分布之后，從測試雷達高分辨距離像的功率譜特征i的聚類標號的條件后驗分布中采樣得到測試雷達高分辨距離像的功率譜特征i的聚類標號； 步驟8，根據(jù)測試雷達高分辨距離像的功率譜特訐義所屬的聚類標號{zr&，將測試雷達高分辨距離像的功率譜特征i依次輸入其所屬聚類對應的M個訓練的LVSVM分類器中，即,將步驟7得到的測試雷達高分辨距離像的功率譜特征i所屬的聚類標3 [ZtIll以及步驟5中保存的LVSVM分類器的系數(shù){%丨二代入到訓練的LVSVM分類器的判別公式中，輸出測試
雷達高分辨距離像的目標類別標號y。
2.根據(jù)權(quán)利要求1所述的基于dpLVSVM模型的雷達HRRP的目標識別方法，其特征在于,步驟2包括以下子步驟: 2a)利用TSB-DPM:模型將功率譜特征集X進行聚類,包括以下2al)、2a2)和2a:3):2al)在TSB-DPM模型中設定功率譜特征集X的最大聚類個數(shù)為C,每個聚類中雷達高分辨距離像的功率譜特征服從高斯分布； 2a2)設定TSB-DPM模型中的基分布G。采用Normal-Wishart分布NW (μ，Σ|u0,W0,β0,u0)，其中，μ表示高斯分布的均值，Σ表示高斯分布的協(xié)方差矩陣，μ。為Normal-Wishart分布的均值,W0為尺度矩陣，β。、υ。為兩個尺度因子； 2a3)將以....1:: 2aI)和2a2)中的設定代入TSB-DPM模型得到F式(l_a)； 2b)利用LVSVM分類器對每個聚類中的雷達高分辨距離像的功率譜特征進行分類,包括以下 2bl)、2b2)和 2b3): 2bI)設定每個LVSVM分類器系數(shù)先驗分布為高斯分布w ~ Af (W.，O, I)，N(.)表示高斯分布，I表不單位矩陣； 2b2)根據(jù)TSB-DPM模型中的功率譜特征集X的最大聚類個數(shù)為C個聚類且目標類別個數(shù)為M,采用一對多策略,即分別將M個類別中的一類目標看作正類目標,其它類別看作負類目標，分別訓練LVSVM分類器，則需訓練CXM個LVSVM分類器； 2b8)將LVSVM分類器系數(shù)cocm的先驗分布wcm~N(ωcm;0,1)代入到訓練的CXM個LVSVM分類器，得到以下式(Ι-b)； 2c)通過公式(Ι-a)和(1-b)共同構(gòu)建dpLVSVM模型；
3.根據(jù)權(quán)利要求2所述的基于dpLVSVM模型的雷達HRRP的目標識別方法,其特征在于,步驟3包括以下子步驟: 3a)根據(jù)貝葉斯公式和dpLVSVM模型各個參數(shù)的聯(lián)合條件后驗分布，得到第c個聚類的高斯分布參數(shù){μ。，σ。}條件后驗分布為:
4.根據(jù)權(quán)利要求2所述的基于dpLVSVM模型的雷達HRRP的目標識別方法,其特征在于，步驟6包括以下子步驟: 6a)將保存的采樣結(jié)果中的聚類的高斯分布參數(shù){μ。，Σ。}和截棍參數(shù)υ代入步驟2得到的雷達高分辨距離像的功率譜特征的概率密度函數(shù)公式(2)計算測試雷達高分辨距離像的功率譜特征4的概率密度函數(shù)值； 6b)給定預先設定的拒判門限Th ;將測試雷達高分辨距離像的功率譜特?+Λ:的概率密度函數(shù)值與拒判門限Th比較,判斷測試雷達高分辨距離像是否為庫外樣本； 6c)根據(jù)保存T。次參數(shù)的采樣結(jié)果得到測試雷達高分辨距離像的Tti個判斷結(jié)果；對Tti個判斷結(jié)果采用投票法則，即采用出現(xiàn)比例大于等于50%的判斷結(jié)果,判斷測試雷達高分辨距離像是否為庫外樣本；若為庫外樣本則將測試雷達高分辨距離像拒判，即不給定目標類別號并結(jié)束測試階段；否則繼續(xù)步驟7。
5.根據(jù)權(quán)利要求1所述的基于dpLVSVM模型的雷達HRRP的目標識別方法，其特征在于， 步驟7中測試雷達高分辨距離像的功率譜特#χ的聚類標號i的條件后驗分布公式見公式(9):

6.根據(jù)權(quán)利要求1所述的基于dpLVSVM模型的雷達HRRP的目標識別方法,其特征在于， 步驟8中LVSVM分類器的判別公式為下式(10):
【文檔編號】G01S7/41GK104007431SQ201410234677
【公開日】2014年8月27日 申請日期:2014年5月29日 優(yōu)先權(quán)日:2014年5月29日
【發(fā)明者】陳渤, 張學峰, 陳步華, 王鵬輝, 劉宏偉 申請人:西安電子科技大學