基于匹配字典和壓縮感知的雷達一維距離像目標識別方法
【專利摘要】本發(fā)明屬于雷達高分辨一維距離像(High?Resolution?Range?Profile，HRRP)自動目標識別【技術(shù)領(lǐng)域】，尤其涉及基于壓縮感知理論的一維距離像目標識別。本發(fā)明根據(jù)雷達回波模型構(gòu)造匹配字典，選取合適的測試矩陣對已知種類信息的訓練樣本一維像和待識別的測試樣本一維像分別進行壓縮感知，達到數(shù)據(jù)降維的目的。然后，對壓縮感知后的數(shù)據(jù)進行稀疏重構(gòu)，得到訓練樣本一維像和測試樣本一維像在匹配字典下的稀疏系數(shù)。以訓練樣本的稀疏系數(shù)作為模板矢量，采用最近鄰法對測試樣本進行識別。本發(fā)明構(gòu)造匹配字典，提取目標在該字典下的稀疏系數(shù)特征以避免冗余，減少計算量，同時，避免不必要的噪聲。
【專利說明】基于匹配字典和壓縮感知的雷達一維距離像目標識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達高分辨一維距離像（High Resolution Range Profile,HRRP)自動 目標識別【技術(shù)領(lǐng)域】，尤其涉及基于壓縮感知理論的一維距離像目標識別。

【背景技術(shù)】
[0002] 雷達目標識別是從雷達接收到的目標散射回波中提取穩(wěn)定特征，并根據(jù)已有的目 標先驗信息，對待識別目標的屬性、種類等進行自動識別。
[0003] 雷達目標回波包含的特征很多，如目標在時域、頻域和極化域等的特征信息。但 是，并不是所有的特征都能夠有效地用于目標識別。通常需要從目標回波中抽取與目標屬 性直接相關(guān)的一個或多個特征作為目標識別的依據(jù)，這樣才能有效地避免特征的冗余和噪 聲的引入。HRRP反映了目標散射中心沿雷達徑向的分布情況，包含了很多有關(guān)目標幾何結(jié) 構(gòu)和形狀的信息，因此利用HRRP進行雷達目標識別具有簡明的物理意義。
[0004] 壓縮感知（Compressive Sensing, CS)理論是近幾年提出的一種非常有效的信號 處理領(lǐng)域新框架。CS所處理的信號為稀疏信號或者在某個變換域下可以稀疏表示的信號。 根據(jù)光學區(qū)雷達目標識別的多散射中心理論，可以知道雷達一維距離像是可以在變換域下 稀疏表示的，所以CS理論適用于該信號的處理。
[0005] 將壓縮感知理論應用于雷達一維距離像識別，是對傳統(tǒng)的一維像識別手段的補 充。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種基于匹配字典和壓縮感知的雷達一維距離像目標識 別方法。
[0007] 本發(fā)明根據(jù)雷達回波模型構(gòu)造匹配字典，選取合適的測試矩陣對已知種類信息的 訓練樣本一維像和待識別的測試樣本一維像分別進行壓縮感知，達到數(shù)據(jù)降維的目的。然 后，對壓縮感知后的數(shù)據(jù)進行稀疏重構(gòu)，得到訓練樣本一維像和測試樣本一維像在匹配字 典下的稀疏系數(shù)，所述稀疏系數(shù)為特征矢量。以訓練樣本的稀疏系數(shù)作為模板矢量，采用最 近鄰法對測試樣本進行識別。
[0008] 基于匹配字典和壓縮感知的雷達一維距離像目標識別方法，具體如下：
[0009] S1、進行數(shù)據(jù)預處理，劃分模區(qū)：根據(jù)雷達回波一維距離像的姿態(tài)角對訓練樣本中 不同種類的目標的雷達回波一維距離像進行模區(qū)劃分；
[0010] S2、壓縮感知：根據(jù)雷達回波模型構(gòu)造匹配字典Ψ作為稀疏基，高斯隨機矩陣作 為測量矩陣，對處理后的樣本數(shù)據(jù)進行壓縮感知得到觀測信號，包括：
[0011] S21、構(gòu)造匹配字典，具體為：
[0012] S211、選擇點散射中心模型，將目標回波表示為 4/Γ f E(f)=J^akexpu 一一 g )=Σ& expQ'2句"&)，其中，M為散射中心的數(shù)目，rk代表第k個 kM C i-? 散射中心的雷達徑向距離，τ k代表第k個散射中心的波達時間，a k代表第k個散射中心 的散射強度，c為光速，f為雷達發(fā)射信號頻率，J = , exp (*)表示以自然常數(shù)e為底的 指數(shù)函數(shù)；
[0013] S212、設雷達發(fā)射信號為

【權(quán)利要求】
1.基于匹配字典和壓縮感知的雷達一維距離像目標識別方法，其特征在于，包括以下 步驟： 51、 進行數(shù)據(jù)預處理，劃分模區(qū)：根據(jù)雷達回波一維距離像的姿態(tài)角對訓練樣本中不同 種類的目標的雷達回波一維距離像進行模區(qū)劃分； 52、 壓縮感知：根據(jù)雷達回波模型構(gòu)造匹配字典Ψ作為稀疏基，高斯隨機矩陣作為測 量矩陣，對處理后的樣本數(shù)據(jù)進行壓縮感知得到觀測信號，包括： S21、構(gòu)造匹配字典，具體為： 5211、 選擇點散射中心模型，將目標回波表示為 Μ Λ A- Μ ￡(/)=Σ% exp(./^^ri-)=Σ% exp(./2;r/ri)，其中，Μ 為散射中心的數(shù)目，rk 代表第 k個散射中心的雷達徑向距離，Tk代表第k個散射中心的波達時間，a k代表第k個散射中 心的散射強度，c為光速，f為雷達發(fā)射信號頻率，= exp (*)表示以自然常數(shù)e為底 的指數(shù)函數(shù)； 5212、 設雷達發(fā)射信號為 ? I \ /2jr| 1 ? 1 \ / -, 5(/)^recrI y Je 、 2 ，通過 S211 所述的回波模 型可以得到雷達回波信號為Μ，）= Σ…扣f exp U2，T./: G Lxp ? )2)， k-l \ ^ J 所述雷達回波信號sjt)經(jīng)過相干檢波和匹配濾波器后可得到信號 5(?) = 2^：Γ&(；Γ_-&))，其中，t是所述雷達回波信號的接 收時間，T為所述雷達發(fā)射信號s(t)的脈沖寬度，B為所述雷達發(fā)射信號s(t)的頻帶寬度， ff f。為所述雷達發(fā)射信號S(t)的載波頻率，1=1為所述雷達發(fā)射信號s(t)的調(diào)頻斜率， Fe￡tf(f)為矩形窗函數(shù)，ak代表第k個散射中心的復幅度，Sa(*)是辛克函數(shù)； 5213、 根據(jù)S212所述回波模型建立匹配字典：假設目標為單個距離單元的單一散射 點，原子是由雷達信號經(jīng)過該單個散射點所反射的回波產(chǎn)生，單個散射點的回波信號經(jīng)過 脈沖壓縮后為= 雜-r')>，其中，τ '是雷達發(fā)射信號 經(jīng)散射點散射后到達雷達接收端的時間延遲； 5214、 構(gòu)造 Ν個原子，分別表示不同距離單元里的散射點所反射的回波信號，即 >，(i-/?r} = rSa(;rB(/-i?r))--cr(i^)exp(-./2;γ/>7γ)，其中，τ 表示奈奎斯特采樣間隔，Ν表 不?η可長度，η = 1，2，· · · Ν ; 5215、 選取 Ψη = y(nT)，n = 1，2，···，Ν，則匹配字典為 Ψ = {ψ" Ψ2，···· ΨΝ}，其 中，Ψη為在第η個距離單元存在強散射中心所產(chǎn)生的雷達回波信號； S22、對處理后的樣本數(shù)據(jù)進行壓縮感知得到觀測信號，具體為： S221、選擇隨機投影矩陣作為觀測矩陣實現(xiàn)數(shù)據(jù)降維，得到觀測信號S' = RS，其中，R 為隨機投影矩陣，所述R的維數(shù)為I XJ，J為原子的維數(shù)，與待測信號長度N相同，I為測量 次數(shù)，I = 0(Pl〇g(J))，P為信號的稀疏度，將觀測信號表示為S' = RS = RWa，a是待處理 信號S在匹配字典Ψ上的稀疏系數(shù)，其維數(shù)是NX 1，需要通過下面步驟求得； 53、 稀疏重構(gòu)獲得稀疏系數(shù)向量：用MP算法對S2所述觀測信號進行重構(gòu)，求得原始數(shù) 據(jù)相對于匹配字典的最稀疏表達，得到一維稀疏系數(shù)向量a，所述一維稀疏向量a是通過匹 配追蹤MP算法對arg min| |a| L s. t. S' = RWa = Aa優(yōu)化所得，所述一維稀疏向量就是 用于最終識別的特征向量，其中，一個模區(qū)得到一個一維稀疏向量； 54、 根據(jù)S1的模區(qū)劃分，對不同種類不同模區(qū)內(nèi)的訓練樣本所求得的特征向量計算平 均值，得到該種類在該模區(qū)下的模板矢量組合成模板矢量庫； 55、 對測試樣本進行特征提取，根據(jù)S4所述模板矢量庫對所述測試樣本的特征向量進 行目標識別。
2. 根據(jù)權(quán)利要求1所述的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法， 其特征在于： S1所述模區(qū)劃分具體如下：設訓練樣本姿態(tài)角的范圍為[0°，360° ]，取d度為一個 模區(qū)，即將目標所有的一維距離像劃分戈
個模區(qū)，若目標某一維距離像的姿態(tài) 角在[(n-l)d，nd)內(nèi)，則認為所述目標某一維距離像屬于第η個模區(qū)，d = 6，ceil㈩表示 對X往正方向取整。
3. 根據(jù)權(quán)利要求1所述的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法， 其特征在于： S3所述稀疏重構(gòu)獲得稀疏系數(shù)向量a，具體如下： 531、 采用匹配追蹤MP算法對arg min||a||Q，s. t. S' =RWa = Aa進行優(yōu)化求解，字 典更新為A = RW ; 532、 在S31所述字典A中選擇一個最匹配的原子，滿足I〈S'，ΑΛ> I = 8即1^(1，2，...1?|〈3'， 11>|，其中，1'(|表示字典中原子的索引，4^|表示字典六中1' (|所指向的原 子； 533、 S2所述觀測信號在S32所述原子上進行投影，分解成為垂直投影分量和殘差兩部 分，S' =〈S'，其中，〈S'表示垂直投影分量，&表示第一次迭代后的殘差； 534、 對S33所述殘差進行分解，在第k+Ι次迭代時可以得到Rk = <Rk，AA>AA+Rk+1，k = 1，2，· · ·，K，Ark ?兩足 I〈Rk, Ark〉I - supn e (n...N) I〈Rk, An〉I ; 535、 設定一個閾值Q，當殘差I(lǐng) |Rk+1| |2<Q時，迭代結(jié)束，若迭代次數(shù)為K時，迭代 K 過程結(jié)束，此時觀測信號被分解為^ = 即得到稀疏系數(shù)向量a = A-=0 [〈R0, Ar0>，〈R" Arl>，· · ·，〈RK，ArK>]T。
4. 根據(jù)權(quán)利要求3所述的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法， 其特征在于：S35所述Q = 0· 1* | | S' | 12。
5. 根據(jù)權(quán)利要求1所述的基于匹配字典和壓縮感知的雷達一維距離像目標識別方法， 其特征在于：S5所述目標識別采用最近中心鄰法。
【文檔編號】G01S7/41GK104122540SQ201410371180
【公開日】2014年10月29日 申請日期:2014年7月31日 優(yōu)先權(quán)日:2014年7月31日
【發(fā)明者】周代英, 譚敏潔, 譚發(fā)曾, 賈繼超, 田兵兵 申請人:電子科技大學