本發(fā)明涉及一種雷達(dá)一維信號識別的方法，尤其涉及一種在干擾環(huán)境下快速準(zhǔn)確識別雷達(dá)一維距離像的技術(shù)。
背景技術(shù)：
：雷達(dá)目標(biāo)識別是雷達(dá)信號處理的一個(gè)重要研究方向。雷達(dá)高分辨率一維距離像(HRRP)反映了目標(biāo)散射點(diǎn)沿雷達(dá)視線方向的分布情況，其中包含了豐富的目標(biāo)結(jié)構(gòu)特征，而易于獲取且數(shù)據(jù)量較小也是其先天優(yōu)勢。因此，基于HRRP的目標(biāo)識別一直是雷達(dá)目標(biāo)識別領(lǐng)域的研究熱點(diǎn)。由于大角度HRRP數(shù)據(jù)本身具有的線性不可分性在噪聲干擾環(huán)境下越發(fā)嚴(yán)重，一些傳統(tǒng)的分類識別方案比如最大相關(guān)性準(zhǔn)則分類等在處理這種數(shù)據(jù)時(shí)分類精度較低，抗干擾能力較差，難以在工程上有效應(yīng)用。關(guān)于一維距離像的穩(wěn)健識別，目前主要從兩方面入手：一是提取一維距離像易于識別且穩(wěn)定的特征。二是通過設(shè)計(jì)新型分類器或者將分類結(jié)果進(jìn)行融合達(dá)到抗干擾提高識別率的目的。核主成分分析(KernelPrincipleComponentAnalysis，KPCA)通過核函數(shù)先將原始一維距離像信號特征投影到高維空間使其變得線性可分，再由PCA算法對高維特征進(jìn)行主成分提取，達(dá)到降維的目的，且可以在一定程度上降低噪聲的影響，提高識別率。然而隨著一維距離像信號維度的增加，傳統(tǒng)的核主成分分析法運(yùn)算量也大幅提高，且其投影到高維空間必然伴隨著能量的分散，想要達(dá)到較高的識別率必須要提取相對高維的核空間特征主成分，在后續(xù)的分類中也大大增加了學(xué)習(xí)成本。技術(shù)實(shí)現(xiàn)要素：：發(fā)明目的：針對上述現(xiàn)有技術(shù)，提出一種基于歐拉核主成分分析的一維距離像穩(wěn)健識別方法，在噪聲環(huán)境中能夠以較小的計(jì)算代價(jià)獲得滿意的識別精度，在最終識別特征維度和分類器固定的情況下識別精度可比傳統(tǒng)核主成分分析法提高3-4個(gè)百分點(diǎn)。技術(shù)方案：一種基于歐拉核主成分分析的一維距離像穩(wěn)健識別方法，包括如下步驟：訓(xùn)練階段：第1步：對訓(xùn)練樣本集X＝[x1,x2,...,xn]，提取其歸一化頻譜幅度特征P＝[p1,p2,...,pn]；第2步：利用歐拉核函數(shù)顯式表達(dá)f對歸一化頻譜幅度特征進(jìn)行核空間映射，得到訓(xùn)練樣本歐拉核空間投影向量集Z＝[z1,z2,...,zn]；第3步：在核空間內(nèi)構(gòu)造核矩陣K，并對核矩陣進(jìn)行主分量分析，求得主元特征投影矩陣B；第4步：將訓(xùn)練樣本核歐拉核空間投影向量集Z在主元特征投影矩陣B上進(jìn)行空間投影，得到訓(xùn)練樣本核空間特征主成分集第5步：利用支持向量機(jī)分類器對進(jìn)行學(xué)習(xí)；測試階段：第1步：對測試樣本y提取其歸一化頻譜幅度特征py，py∈Rm；其中，Rm表示m維實(shí)空間信號向量，m表示樣本維度；第2步：利用歐拉核函數(shù)顯式表達(dá)f對特征py進(jìn)行核空間映射，得到測試樣本歐拉核空間投影向量zy；第3步：將測試樣本歐拉核空間投影向量zy在主元特征投影矩陣B上進(jìn)行空間投影，得到測試樣本核空間特征主成分第4步：利用學(xué)習(xí)完成的支持向量機(jī)分類器對進(jìn)行分類，得到測試樣本的目標(biāo)類別編號。進(jìn)一步的，訓(xùn)練和測試階段的第1步中提取歸一化頻譜幅度特征采用同樣的方法；其中，訓(xùn)練階段的第1步中提取訓(xùn)練樣本xk的歸一化頻譜幅度特征pk為：pk＝|FFT(xk)|,k＝1,2,..n(1)其中，F(xiàn)FT(·)代表傅里葉變換，|·|表示求模運(yùn)算，n表示樣本個(gè)數(shù)。進(jìn)一步的，訓(xùn)練階段第2步中采用的歐拉核函數(shù)為：其中，k(xi,xj)為訓(xùn)練樣本xi和xj的歐拉核函數(shù)，xi，xj均為向量形式；xi(c)，xj(c)為向量xi，xj的第c個(gè)元素?cái)?shù)值，c為變量參數(shù)，i表示虛數(shù)單位，α為歐拉核參數(shù)；歐拉核函數(shù)的顯式表達(dá)為：其中，zk表示第k個(gè)訓(xùn)練樣本xk的歐拉核空間投影向量，xk(b),b＝1,2,...,m為xk的第b個(gè)元素，i表示虛數(shù)單位，α為歐拉核參數(shù)。進(jìn)一步的，訓(xùn)練階段第3步中，根據(jù)訓(xùn)練樣本歐拉核空間投影向量集Z得到數(shù)據(jù)的核矩陣K為：K＝ZHZ(4)式中，H表示共軛轉(zhuǎn)置，K∈Cn×n，Cn×n表示n×n維復(fù)空間矩陣；對核矩陣K進(jìn)行主成分分析，得到特征值矩陣Λ和特征向量矩陣U，構(gòu)造主元特征投影矩陣B為：其中，Λq∈Rq×q表示Λ中最大的q(q≤d)個(gè)特征值構(gòu)成的特征值矩陣，Uq∈Cn×q是與之對應(yīng)的特征向量矩陣，Rq×q表示q×q維實(shí)空間矩陣，Cn×q表示n×q維復(fù)空間矩陣。進(jìn)一步的，訓(xùn)練階段第4步和測試階段第3步中，根據(jù)空間投影得到樣本核空間特征主成分采用同樣的方法；其中，訓(xùn)練階段第4步中具體為：其中，代表第k個(gè)訓(xùn)練樣本核空間特征主成分。進(jìn)一步的，訓(xùn)練階段第5步和測試階段第4步中均使用線性核支持向量機(jī)作為分類器。有益效果：1.提高識別精度：由于本發(fā)明提出的識別方法基于歐拉核空間投影，將實(shí)數(shù)域投影到相同維度的復(fù)數(shù)域當(dāng)中，變相地增加了特征維度，且可以通過調(diào)節(jié)歐拉核參數(shù)，達(dá)到了一維距離像的線性可分，便于后續(xù)分類器對其進(jìn)行識別。2.識別速度較快：本發(fā)明提出的方法將原始特征投影到相同維度空間，再利用PCA算法進(jìn)行主成分提取降維，在保證識別進(jìn)度的前提下減小了分類器學(xué)習(xí)成本，提高了識別速度。3.應(yīng)用范圍廣泛：本發(fā)明提出的一維距離像識別方法可以應(yīng)用到多種一維信號處理問題，例如目標(biāo)紅外光譜的檢測識別問題、語音信號的識別等。附圖說明圖1是本發(fā)明解決一維距離像穩(wěn)健識別問題的流程示意圖；圖2是本發(fā)明處理的一維距離像原始信號的示意圖；圖3是本發(fā)明提取一維距離像歸一化頻譜幅度特征的示意圖；圖4是本發(fā)明歐拉核所遵循的余弦相異性準(zhǔn)則示意圖。具體實(shí)施方案下面結(jié)合附圖對本發(fā)明做更進(jìn)一步的解釋。本發(fā)明基于歐拉核的主成分一維距離像識別方案來達(dá)到在干擾環(huán)境下的穩(wěn)健識別，由于歐拉核的特殊性，將原始信號特征投影到相同維度的復(fù)空間，沒有增加過多的計(jì)算量，且達(dá)到了增加線性可分性的目的。后續(xù)再通過PCA算法進(jìn)行主特征提取，進(jìn)一步減小噪聲影響降低特征維度，其能在保持核空間特征主成分維度較小的情況下獲得較高的識別率，比傳統(tǒng)KPCA算法更加適合HRRP數(shù)據(jù)的實(shí)時(shí)處理，總流程圖如圖1所示?，F(xiàn)有一飛機(jī)一維距離像回波數(shù)據(jù)如圖2所示，實(shí)際情況中不同型號的飛機(jī)回波各不相同，同一型號飛機(jī)不同角度的回波信號也有所差異。本發(fā)明主要解決該類一維回波信號的識別分類問題。包括以下幾個(gè)步驟：訓(xùn)練階段：第1步：對訓(xùn)練樣本集X＝[x1,x2,...,xn]，xn∈R2m提取其歸一化頻譜幅度特征P＝[p1,p2,...,pn]，pn∈Rm，如圖3所示；pk＝|FFT(xk)|,k＝1,2,..n(1)式中，F(xiàn)FT(·)代表傅里葉變換，|·|表示求模運(yùn)算，n表示樣本個(gè)數(shù)，m表示樣本維度，Rm表示m維實(shí)空間信號向量。由于目標(biāo)一維距離像存在平移敏感性，因此直接對信號進(jìn)行識別要先平移對齊，提取其具有平移不變性的頻譜幅度特征進(jìn)行識別可以有效避免平移對其過程中產(chǎn)生的誤差；由于頻幅特征的對稱性，取其一半長度數(shù)據(jù)作為特征帶入后續(xù)操作，這在一定程度上達(dá)到降維減少數(shù)據(jù)量的目的，減少計(jì)算量。若原始一維距離像數(shù)據(jù)樣本為2m維，則第一步特征提取后的樣本為m維。第2步：利用歐拉核函數(shù)顯式表達(dá)f對歸一化頻譜幅度特征進(jìn)行核空間映射，得到訓(xùn)練樣本歐拉核空間投影向量集Z＝[z1,z2,...,zn]：其中，zk表示第k個(gè)訓(xùn)練樣本xk的歐拉核空間投影向量，xk(b),b＝1,2,...,m為xk的第b個(gè)元素，i表示虛數(shù)單位，α為歐拉核參數(shù)，α可人為設(shè)置，這里設(shè)α＝1.9。這里利用歐拉核特有的同維度特征映射，相比傳統(tǒng)的高維核投影能有效減少數(shù)據(jù)量，且具有核投影的共同特征，使數(shù)據(jù)更加線性可分，提高在噪聲環(huán)境中的識別率。歐拉核函數(shù)遵循余弦相異性準(zhǔn)則，在α變化情況下其距離和樣本相異度的關(guān)系如圖4所示。其中，歐拉核函數(shù)為：其中，k(xi,xj)為訓(xùn)練樣本xi和xj的歐拉核函數(shù)，xi，xj均為向量形式；xi(c)，xj(c)為向量xi，xj的第c個(gè)元素?cái)?shù)值，c為變量參數(shù)。第3步：在核空間內(nèi)構(gòu)造核矩陣K，核矩陣的定義為：K＝ZHZ，K∈Cn×n(4)式中，H表示共軛轉(zhuǎn)置，Cn×n表示n×n維復(fù)空間矩陣。對核矩陣進(jìn)行主成分分析(PCA)，求得主元特征投影矩陣B。具體來說就是先通過核矩陣K得到一組正交特征向量矩陣U，即：K＝UΛUH(5)式中，U＝[u1,u2,...,ud]，Λ＝diag([λ1,λ2,...,λd]T)分別表示核矩陣K的d個(gè)特征向量構(gòu)成的特征向量矩陣和對應(yīng)的特征值矩陣，且滿足λ1≥λ2≥...≥λd，這里，選擇特征值矩陣Λ中最大的q個(gè)特征值Λq∈Rq×q對應(yīng)的特征向量矩陣Uq∈Cn×q(q≤d)，構(gòu)造主元特征投影矩陣B：其中，Rq×q表示q×q維實(shí)空間矩陣，Cn×q表示n×q維復(fù)空間矩陣。第4步：將訓(xùn)練樣本核歐拉核空間投影向量集Z在主元特征投影矩陣B上進(jìn)行空間投影，得到訓(xùn)練樣本核空間特征主成分集具體為：其中，代表第k個(gè)訓(xùn)練樣本核空間特征主成分。利用樣本核空間特征主成分便可進(jìn)行后續(xù)特征識別。第5步：利用支持向量機(jī)(SVM)分類器對進(jìn)行學(xué)習(xí)。這里選用線性核支持向量機(jī)作為分類工具。經(jīng)過以上步驟求得的核空間主成分本身已具有一定的線性可分性且線性核參數(shù)少、速度快，能夠節(jié)省識別時(shí)間。測試階段：第1步：對測試樣本y提取其歸一化頻譜幅度特征py，(py∈Rm)，方法與訓(xùn)練階段第1步中一致。第2步：利用歐拉核函數(shù)顯式表達(dá)f對特征py進(jìn)行核空間投影，得到測試樣本歐拉核空間投影向量zy，方法與訓(xùn)練階段第2步中一致。第3步：將測試樣本歐拉核空間投影向量zy在主元特征投影矩陣B上進(jìn)行空間投影，得到訓(xùn)練樣本核空間特征主成分方法與訓(xùn)練階段第4步中一致。第4步：利用學(xué)習(xí)完成的支持向量機(jī)(SVM)分類器對進(jìn)行分類，得到測試樣本的目標(biāo)類別編號。表1給出本發(fā)明所提方法與傳統(tǒng)高斯核主成分分析法的分類識別準(zhǔn)確率對比；表2給出本發(fā)明所提方法與傳統(tǒng)高斯核主成分分析法的分類識別時(shí)間比較。表1表2計(jì)算時(shí)間(s)傳統(tǒng)方法6.8本方案4.5由以上數(shù)據(jù)可以看出，本發(fā)明所提出的一維距離像識別方法相比傳統(tǒng)高斯核主成分分析法識別精度高出3個(gè)百分點(diǎn)左右，計(jì)算時(shí)間也有所縮短，在計(jì)算大批量樣本的情況下優(yōu)點(diǎn)更加突出。由于其特有的同維度復(fù)空間映射，既能使數(shù)據(jù)線性可分也不至于增加過多計(jì)算量，在工程實(shí)踐中具有很好的應(yīng)用前景。以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3