專利名稱：基于狀態(tài)空間模型的雷達高分辨距離像目標識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于雷達技術(shù)領(lǐng)域，涉及目標識別方法，可用于對飛機，車輛等目標進行識別。
背景技術(shù)：
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(xué)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(yīng)用于雷達目標識別領(lǐng)域。傳統(tǒng)的目標識別方法只研究了不同高分辨距離像之間的關(guān)系，而忽略了單個高分辨距離像內(nèi)各距離單元之間存在的聯(lián)系，因而降低了識別系統(tǒng)的性能。同時，由于高分辨距離像具有很高的維度，在利用傳統(tǒng)的目標識別方法訓(xùn)練識別系統(tǒng)時需要提供大量的高分辨距離像訓(xùn)練樣本以保證識別系統(tǒng)參數(shù)的學(xué)習(xí)精度。眾所周知，錄取大量的高分辨距離像代價巨大，尤其是對于非合作目標，實際中更是難以獲取大量的高分辨距離像樣本，因而識別系統(tǒng)參數(shù)的學(xué)習(xí)精度不高。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有方法的不足，提出一種基于狀態(tài)空間模型的雷高分辨距離像目標識別方法，以利用高分辨距離像內(nèi)各距離單元之間的關(guān)系來提高識別系統(tǒng)的性能，同時放松識別系統(tǒng)對高分辨距離像訓(xùn)練樣本數(shù)量的需求，提高識別系統(tǒng)參數(shù)的學(xué)習(xí)精度。為實現(xiàn)上述發(fā)明目的，本發(fā)明的實現(xiàn)步驟如下1)對高分辨距離像訓(xùn)練樣本進行傅里葉變換，將其轉(zhuǎn)換到頻域，并對訓(xùn)練樣本的頻域信號取模值，得到訓(xùn)練樣本的頻譜幅度信號y = [y1 ι2,…，yd]，其中，yf是訓(xùn)練樣本的頻譜幅度信號y的第f個元素，f = 1，2，...，d，d表示訓(xùn)練樣本的頻譜幅度信號y的維度，然后對訓(xùn)練樣本的頻譜幅度信號y進行歸一化，將訓(xùn)練樣本歸一化后的頻譜幅度信號ζ 作為訓(xùn)練樣本的識別特征；2)對訓(xùn)練樣本的識別特征ζ建立狀態(tài)空間模型，即觀測方程、和狀態(tài)方程Xf+1 zf = Cxf+vf,Xf+1 = Axf+wf,其中，Zf表示訓(xùn)練樣本的識別特征ζ的第f維元素，Xf是、對應(yīng)的隱狀態(tài)，C是觀測方程、的觀測矩陣，Vf是觀測方程、的觀測噪聲，觀測噪聲Vf服從均值為0，方差為σ 2 的高斯分布，f = 1，2，. . .，d，xf+1是zf+1對應(yīng)的隱狀態(tài)，zf+1表示訓(xùn)練樣本的識別特征ζ的第f+Ι維元素，A是狀態(tài)方程xf+1的狀態(tài)轉(zhuǎn)移矩陣，Wf是狀態(tài)方程xf+1的狀態(tài)噪聲，狀態(tài)噪聲 服從均值為0，協(xié)方差矩陣為R的高斯分布，f = 1，2，. . .，d ；3)用期望最大化方法估計訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差σ 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，并將這些參數(shù)存入識別系統(tǒng)的模板庫；4)提取高分辨距離像測試樣本的歸一化頻譜幅度信號ζ'作為高分辨距離像測試樣本的識別特征，用各類目標模板庫中觀測方程和狀態(tài)方程的參數(shù)，分別計算測試樣本的識別特征ζ ‘的后驗概率，得到一組后驗概率值，選擇該組后驗概率值中最大后驗概率值對應(yīng)的目標類別，作為識別結(jié)果。本發(fā)明具有訓(xùn)練樣本需求量小，識別性能高的優(yōu)點，可用于對雷達目標的識別。


圖1是本發(fā)明的流程圖；圖2是用本發(fā)明對所有目標的識別結(jié)果隨隱狀態(tài)維數(shù)的變化曲線圖；圖3是用本發(fā)明對所有目標的識別結(jié)果隨訓(xùn)練樣本集的大小變化曲線圖。
具體實施例方式參照圖1，本發(fā)明的具體實現(xiàn)步驟如下步驟1，從高分辨距離像訓(xùn)練樣本中提取歸一化頻譜幅度信號作為訓(xùn)練樣本的識別特征。1. 1)對高分辨距離像訓(xùn)練樣本做傅里葉變換，得到訓(xùn)練樣本的頻域信號，為了克服訓(xùn)練樣本頻域信號的初相敏感性，對訓(xùn)練樣本的頻域信號進行取模操作，得到訓(xùn)練樣本的頻譜幅度信號y = Ly1,12,…，yd]，其中，yf是訓(xùn)練樣本頻譜幅度信號y的第f個元素， f = 1,2,..., d，d表示訓(xùn)練樣本頻譜幅度信號y的維度；1. 2)對訓(xùn)練樣本的頻譜幅度信號y進行歸一化z = y/ |yI I2,以克服訓(xùn)練樣本頻譜幅度信號y的幅度敏感性，式中，ζ表示訓(xùn)練樣本的歸一化后的頻譜幅度信號，I Iy I I2表示訓(xùn)練樣本的頻譜幅度信號ι的模2范數(shù)，用訓(xùn)練樣本的歸一化后的頻譜幅度信號ζ作為訓(xùn)練樣本的識別特征。步驟2，用狀態(tài)空間模型對訓(xùn)練樣本的識別特征ζ建模。高分辨距離像的統(tǒng)計特性符合Bello提出的“寬平穩(wěn)_不相關(guān)散射模型”的要求， 因此，高分辨距離像的頻譜幅度信號是一個平穩(wěn)隨機過程，在模式識別領(lǐng)域，常用狀態(tài)空間模型對平穩(wěn)隨機過程建模，即設(shè)定隱狀態(tài)維數(shù)m，m是正整數(shù)，對訓(xùn)練樣本的識別特征ζ建立狀態(tài)空間模型，即觀測方程、和狀態(tài)方程xf+1 zf = Cxf+vf,xf+1 = Axf+wf其中，Zf表示訓(xùn)練樣本的識別特征ζ的第f維元素，Xf是、對應(yīng)的隱狀態(tài)，C是觀測方程、的觀測矩陣，Vf是觀測方程、的觀測噪聲，觀測噪聲Vf服從均值為0，方差為σ 2 的高斯分布，f = 1，2，. . .，d，d是訓(xùn)練樣本識別特征的維度，xf+1是zf+1對應(yīng)的隱狀態(tài)，zf+1 表示訓(xùn)練樣本的識別特征ζ的第f+Ι維元素，A是狀態(tài)方程Xf+1的狀態(tài)轉(zhuǎn)移矩陣，wf是狀態(tài)方程xf+1的狀態(tài)噪聲，狀態(tài)噪聲Wf服從均值為0，協(xié)方差矩陣為R的高斯分布，f = 1，2，...，
do步驟3，用期望最大化方法估計訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差ο 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，并將這些參數(shù)存入識別系統(tǒng)的模板庫。期望最大化方法是最大似然框架下的一種參數(shù)估計方法，它具有快速收斂的特點，期望最大化方法的具體步驟為3. 1)用Kalman濾波方法，按照標號f從1到d的變化順序，逐次估計訓(xùn)練樣本識別特征ζ的所有隱狀態(tài) 的前向預(yù)測均值和前向預(yù)測協(xié)方差矩陣，f = 1，2，. . .，d，d是訓(xùn)練樣本識別特征的維度，再用RTS平滑方法按照標號f從d到1的變化順序，逐次估計訓(xùn)練樣本識別特征ζ的所有隱狀態(tài)&的后向平滑均值和后向平滑協(xié)方差矩陣；3. 2)用訓(xùn)練樣本識別特征ζ的所有隱狀態(tài)&的前向預(yù)測均值、前向預(yù)測協(xié)方差矩陣、后向平滑均值和后向平滑協(xié)方差矩陣，更新訓(xùn)練樣本識別特征的觀測方程的觀測矩陣 C、觀測噪聲Vf的方差σ 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，f = 1，2，.. .，d ；3. 3)將步驟3. 1) -3. 2)重復(fù)迭代100次，最終得到訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差ο 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R。步驟4，提取高分辨距離像測試樣本的歸一化頻譜幅度信號ζ'作為高分辨距離像測試樣本的識別特征，用各類目標模板庫中狀態(tài)空間模型的參數(shù)，分別計算測試樣本的識別特征ζ ‘的后驗概率，得到一組后驗概率值，選擇該組后驗概率值中最大后驗概率值對應(yīng)的目標類別，作為識別結(jié)果。4. 1)對高分辨距離像測試樣本進行傅里葉變換，將其轉(zhuǎn)換到頻域，并對測試樣本的頻域信號取模值，得到測試樣本的頻譜幅度信號y' =[y/ ,I2'，...，yd']，其中，y/ 是測試樣本的頻譜幅度信號1’的第i個元素，i = 1，2，...，d，d表示測試樣本的頻譜幅度信號y'的維度；4. 2)對測試樣本的頻譜幅度信號f進行歸一化，將測試樣本歸一化后的頻譜幅度信號ζ'作為測試樣本的識別特征；4. 3)利用識別系統(tǒng)中各類目標模板庫中的狀態(tài)空間模型參數(shù)，分別計算測試樣本識別特征ζ ‘的后驗概率，得到一組測試樣本識別特征ζ ‘的后驗概率值，從該組后驗概率值中選擇最大后驗概率值對應(yīng)的目標類別，作為識別結(jié)果。本發(fā)明的效果通過以下對實測數(shù)據(jù)的實驗進一步說明1.實驗場景本實驗采用三類飛機目標的高分辨距離像來訓(xùn)練識別系統(tǒng)，三類飛機目標的參數(shù)和錄取三類飛機目標高分辨距離像的雷達參數(shù)如下表所示表1三類飛機目標的參數(shù)和雷達參數(shù)
權(quán)利要求
1.一種基于狀態(tài)空間模型的雷達高分辨距離像目標識別萬法，包括如下步驟1)對高分辨距離像訓(xùn)練樣本進行傅里葉變換，將其轉(zhuǎn)換到頻域，并對訓(xùn)練樣本的頻域信號取模值，得到訓(xùn)練樣本的頻譜幅度信號y = [yi; y2，...，yd]，其中，yf是訓(xùn)練樣本的頻譜幅度信號ι的第f個元素，f = 1，2，...，d，d表示訓(xùn)練樣本的頻譜幅度信號y的維度，然后對訓(xùn)練樣本的頻譜幅度信號y進行歸一化，將訓(xùn)練樣本歸一化后的頻譜幅度信號ζ作為訓(xùn)練樣本的識別特征；2)對訓(xùn)練樣本的識別特征ζ建立狀態(tài)空間模型，即觀測方程、和狀態(tài)方程xf+1Zf CXf+Vf j xf+1 = Axf+wf，其中，Zf表示訓(xùn)練樣本的識別特征Z的第f維元素，Xf是、對應(yīng)的隱狀態(tài)，C是觀測方程、的觀測矩陣，Vf是觀測方程、的觀測噪聲，觀測噪聲Vf服從均值為0，方差為σ 2的高斯分布，f = 1,2,...，d，Xf+1是zf+1對應(yīng)的隱狀態(tài)，zf+1表示訓(xùn)練樣本的識別特征ζ的第f+1 維元素，A是狀態(tài)方程xf+1的狀態(tài)轉(zhuǎn)移矩陣，wf是狀態(tài)方程xf+1的狀態(tài)噪聲，狀態(tài)噪聲Wf服從均值為0，協(xié)方差矩陣為R的高斯分布，f = 1,2,...,d；3)用期望最大化方法估計訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差σ 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，并將這些參數(shù)存入識別系統(tǒng)的模板庫；4)提取高分辨距離像測試樣本的歸一化頻譜幅度信號ζ'作為高分辨距離像測試樣本的識別特征，用各類目標模板庫中觀測方程和狀態(tài)方程的參數(shù)，分別計算測試樣本的識別特征ζ ‘的后驗概率，得到一組后驗概率值，選擇該組后驗概率值中最大后驗概率值對應(yīng)的目標類別，作為識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的雷達高分辨距離像目標識別方法，其中步驟幻所述的用期望最大化方法估計訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差ο 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，按如下步驟進行3a)用Kalman濾波方法，按照標號f從1到d的變化順序，逐次估計訓(xùn)練樣本識別特征 ζ的所有隱狀態(tài) 的前向預(yù)測均值和前向預(yù)測協(xié)方差矩陣，f = 1，2，. . .，d，d是訓(xùn)練樣本識別特征的維度，再用RTS平滑方法按照標號f從d到1的變化順序，逐次估計訓(xùn)練樣本識別特征ζ的所有隱狀態(tài)&的后向平滑均值和后向平滑協(xié)方差矩陣；3b)用訓(xùn)練樣本識別特征ζ的所有隱狀態(tài)&的前向預(yù)測均值、前向預(yù)測協(xié)方差矩陣、 后向平滑均值和后向平滑協(xié)方差矩陣，更新訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差ο 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R，f = 1， 2，·· ·，d ；3c)將步驟3a)-3b)重復(fù)迭代100次，最終得到訓(xùn)練樣本識別特征的觀測方程的觀測矩陣C、觀測噪聲Vf的方差σ 2、狀態(tài)方程的狀態(tài)轉(zhuǎn)移矩陣A和狀態(tài)噪聲Wf的協(xié)方差矩陣R。
3.根據(jù)權(quán)利要求1所述的雷達高分辨距離像目標識別方法，其中步驟4)所述的提取高分辨距離像測試樣本的歸一化頻譜幅度信號ζ'作為高分辨距離像測試樣本的識別特征， 按如下步驟進行4a)對高分辨距離像測試樣本進行傅里葉變換，將其轉(zhuǎn)換到頻域，并對測試樣本的頻域信號取模值，得到測試樣本的頻譜幅度信號y' = [y/ ,I2' ,...,ιΑ']，其中，y/是測試樣本的頻譜幅度信號Y’的第i個元素，i = 1,2, ... , d, d表示測試樣本的頻譜幅度信號y'的維度；4b)對測試樣本的頻譜幅度信號y'進行歸一化，將測試樣本歸一化后的頻譜幅度信號ζ'作為測試樣本的識別特征。
全文摘要
本發(fā)明提出了一種基于狀態(tài)空間模型的雷達高分辨距離像目標識別方法，主要解決現(xiàn)有雷達高分辨距離像目標識別技術(shù)中，訓(xùn)練樣本需求量大，識別性能差的問題。其實現(xiàn)過程是提取訓(xùn)練樣本歸一化后的頻譜幅度信號作為訓(xùn)練樣本的識別特征；對訓(xùn)練樣本的識別特征用狀態(tài)空間模型建模；用期望最大化方法估計訓(xùn)練樣本狀態(tài)空間模型的所有參數(shù)，并將所有參數(shù)存入識別系統(tǒng)模板庫；提取測試樣本歸一化后的頻譜幅度信號作為測試樣本的識別特征，并對測試樣本的識別特征進行識別。本發(fā)明具有訓(xùn)練樣本需求量小，識別性能高的優(yōu)點，可用于對雷達目標的識別。
文檔編號G06K9/62GK102254176SQ20111008913
公開日2011年11月23日 申請日期2011年4月11日 優(yōu)先權(quán)日2011年4月11日
發(fā)明者劉宏偉, 戴奉周, 杜蘭, 王鵬輝, 糾博 申請人:西安電子科技大學(xué)