专利名称：基于噪声先验的独立高斯模型的雷达目标稳健识别方法
技术领域：
本发明属于雷达技术领域，涉及稳健自动目标识别，具体的说是一种雷达目标高分辨距离像的稳健目标识别方法，可用于雷达自动目标识别。
背景技术：
雷达自动目标识别技术可以提供目标属性、类别、型号等信息，高分辨雷达通常工作在微波波段，目标及其部件的长度远长于波长，这时雷达目标可近似为一组离散的散射点。相应地，雷达发射信号被目标散射点后向散射，通过幅度调制的延时后形成散射点子回波，雷达目标高分辨距离像即为各散射点子回波的向量和，这就是高分辨雷达目标的散射点模型。这个模型被广泛地应用于雷达自动目标识别。建立雷达自动目标识别统计模型分两个阶段，分别是训练阶段和测试阶段。在训练阶段，用于训练的雷达目标高分辨距离像是通过实验雷达或者电磁仿真得到的，训练样本的信噪比比较高。而在测试阶段，用于训练的雷达目标高分辨距离像的信噪比和目标特定方位反射特性以及大气条件相关，无法保证高信噪比。当使用测试雷达目标高分辨距离像的信噪比不高的情况下，测试雷达目标高分辨距离像的噪声会影响到测试雷达目标高分辨距离像的统计特性，造成训练阶段得到的雷达自动目标识别统计模型和测试阶段得到的雷达目标高分辨距离像不匹配，大大降低了雷达自动目标识别统计模型的识别性能。目前国内外有许多机构都开展了雷达自动目标识别统计模型的噪声稳健性研究，这些研究考察了测试的雷达目标高分辨距离像被噪声污染后的雷达自动目标识别统计模型的稳健性。L. Du, H. -W. Liu，Z. Bao 和 J. _Y. Zhang 2006 年在 IEEE Trans, on S. P.上发表的 A two-distribution compounded statistical model for radar HRRP targetrecognition文章建立了基于高斯和伽马分布的雷达自动目标识别统计模型，并且考察了该模型在测试的雷达目标高分辨距离像被噪声污染后的稳健性。L. Du, H. -W. Liu, PenghuiWang, Bo Feng, Mian Pan 和 Z. Bao 2012 年在 IEEE Trans, on S. P.发表的 Noise RobustRadar HRRP Target Recognition Based on Multitask Factor Analysis with SmallTraining Data Size文章建立了多任务的因子分析雷达自动目标识别统计模型，并考察了该模型在测试的雷达目标高分辨距离像的信噪比比较低时该模型的稳健性。陈凤2009年在西安电子科技大学博士学位论文雷达自动目标识别技术研究中建立了一个自适应模型来实现的雷达目标高分辨距离像被噪声污染后的稳健识别，但是该模型没有用到噪声的先验知识，性能下降较快。上述这些方法的共同缺点如下I)只给出了雷达自动目标识别模型在测试雷达目标高分辨距离像各个信噪比下的识别性能，而没有利用测试雷达目标高分辨距离像中的噪声先验来改进雷达自动目标识别统计模型。 2)提出的雷达自动目标识别统计模型不稳健，在使用测试雷达目标高分辨距离像的信噪比不高的情况下，识别性能很差。

发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于噪声先验的独立高斯模型的雷达目标稳健识别方法，以通过对雷达目标原始高分辨距离像进行有效的预处理和雷达目标时域特征提取，建立稳健的雷达独立高斯模型，提高在测试雷达目标高分辨距离像低信噪比下雷达目标识别的性能。实行本发 明的技术原理是根据测试雷达目标高分辨距离像的信噪比来调整训练阶段得到的独立高斯模型中的模型参数，使训练阶段得到的独立高斯模型和测试阶段得到的雷达目标高分辨距离像匹配以提高识别效果。根据以上原理，本发明的实现步骤如下(I)对雷达训练目标高分辨距离像数据进行角域分帧、帧内对齐和信号能量归一化的预处理，对雷达测试目标高分辨距离像数据进行信号能量归一化的预处理；(2)对预处理后的雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据取模得到它们的时域特征；(3)对雷达训练目标高分辨距离像数据每一帧的时域特征，训练独立高斯模型，并通过最大似然估计算法确定雷达训练目标高分辨距离像数据每一帧的独立高斯模型的均值U和协方差E ；(4)统计预处理后的雷达测试目标高分辨距离像中非信号支撑区的噪声方差A2;(5)根据雷达测试目标高分辨距离像中非信号支撑区的噪声方差A2，对上述独立高斯模型的均值U和协方差E进行修正，得到雷达训练目标高分辨距离像数据每一帧的独立高斯模型的均值修正值U ^和协方差修正值E。(5a)计算对应于第c个目标第m帧的雷达训练目标高分辨距离像的第I个距离单7Ux(c'm)(l)的概率密度函数 f(x(c；’m)a)):
/(x<- (/))=i；i；———H得—’ /=i’...l’
_7] …+ U } 1 J；
Iv I 2wv J y其中，上标(c，m)表示参数对应于第c个目标的第m帧，《和^^为用于积分的变量，U (c'm)⑴表示第C个目标第m帧独立高斯模型的均值中的第I个元素，E (c'm) (I, I)表示第c个目标第m帧独立高斯模型方差中对角线上的第I个元素，(Ot表示矩阵的转置操作，L表示雷达训练目标高分辨距离像时域特征中距离单元个数；(5b)根据概率密度函数f(x(e’m)⑴)，计算第c个目标第m帧独立高斯模型的均值修正值//Pm)=/ = 1,---L,
J 0其中表示第c个目标第m帧独立高斯模型的均值修正值中的第I个元素，x(c'm)(l)表示第I个距离单元；(5c)根据f(Xfe’m)(l))和/计算第c个目标第m帧独立高斯模型的协方差的修正值2^，该协方差的修正值2^为对角矩阵，其对角线上第I个元素1^(/，/)为(I, I) = J: (x(c’m) (I)-戌病(I)-产)(/))2 /(x(c’m) (l))dl - E(c’m) (1,1), / = 1,---L;
(6)根据雷达训练目标高分辨距离像数据每一帧的独立高斯模型的均值U及均值的修正值Po和协方差E及协方差的修正值E O，计算雷达测试目标高分辨距离像数据时域特征与每一个雷达训练目标相对应的后验概率值(6a)计算雷达测试目标高分辨距离像数据的时域特征Xtest对应于第c个目标第m帧的独立高斯模型的后验概率值p (Xtest I c，m)
权利要求
1.ー种基于噪声先验的独立高斯模型的雷达目标稳健识别方法，包括如下步骤 (1)对雷达训练目标高分辨距离像数据进行角域分帧、帧内对齐和信号能量归ー化的预处理，对雷达测试目标高分辨距离像数据进行信号能量归ー化的预处理； (2)对预处理后的雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据取模得到它们的时域特征； (3)对雷达训练目标高分辨距离像数据每ー帧的时域特征，训练独立高斯模型，并通过最大似然估计算法确定雷达训练目标高分辨距离像数据每ー帧的独立高斯模型的均值U和协方差E。
(4)统计预处理后的雷达测试目标高分辨距离像中非信号支撑区的噪声方差び 2； (5)根据雷达测试目标高分辨距离像中非信号支撑区的噪声方差べ，对上述独立高斯模型的均值U和协方差E进行修正，得到雷达训练目标高分辨距离像数据每ー帧的独立高斯模型的均值修正值U ^和协方差修正值E ^ : (5a)计算对应于第c个目标第m帧的雷达训练目标高分辨距离像的第I个距离単元x(c>m)(i)的概率密度函数 f(x(c；’m)a)) /(x-(/))=rr_^_.4 卜-广)(yみ，/=i,..L,。。r rv+v2 X一Vハぺ)11J Wj ]j { { 2wv J J 其中，上标(c，m)表示參数对应于第c个目标的第m帧，w和V为用于积分的变量，u (c,m)(l)表示第c个目标第m帧独立高斯模型的均值中的第I个元素，E (c'm)(l,l)表示第c个目标第m帧独立高斯模型方差中对角线上的第I个元素，( )T表示矩阵的转置操作，L表示雷达训练目标高分辨距离像时域特征中距离单元个数； (5b)根据概率密度函数f (x(c'm) (I))，计算第c个目标第m帧独立高斯模型的均值修正值す) ォm)(/) = J/ = 1，…L， 其中/^’m)(/)表示第c个目标第m帧独立高斯模型的均值修正值中的第I个元素，x(e’m)(I)表示第I个距离単元； (5c)根据/(ぜ ⑴)和//ぐ’—G)计算第c个目标第m帧独立高斯模型的协方差的修正值4’m)，该协方差的修正值ぐm)为对角矩阵，其对角线上第I个元素#’、/，/)为(LI) = (x(c’m) (/)—老―(I) — "(c’m)(I))2 /(x(c’m) (l))dl — E(c’m)(/，/)，1 = 1,---U (6)根据雷达训练目标高分辨距离像数据每ー帧的独立高斯模型的均值U及均值的修正值Po和协方差！:及协方差的修正值E O，计算雷达测试目标高分辨距离像数据时域特征与每ー个雷达训练目标相对应的后验概率值 (6a)计算雷达测试目标高分辨距离像数据的时域特征Xtest对应于第c个目标第m帧的独立高斯模型的后验概率值p (Xtest I c，m) w , 、_!^If (Xtest(/)- /)-オ—(/))2〕AXtest, , -1 し ^27r0^(lJ) + jjr^U))+7rcJl2(2^(/,/) + 2^(/,/))+^ j其中Xtest(I)表示雷达测试目标高分辨距离像时域特征中的第I个距离単元； (6b)计算对应于第c个雷达训练目标的后验概率值p Utest I c) 尸Otest I c)= max^(Xtest \c,m), w = 1，-,Mc， 其中M。表示第c个目标的包含的帧数； (7)将最大后验概率值对应雷达训练目标的类别属性，作为雷达测试目标高分辨距离像数据的类别属性。
2.根据权利要求书I所述的基于噪声先验的独立高斯模型的雷达目标稳健识别方法，其中步骤I所述的角域分帧，是按照雷达训练目标高分辨距离像数据每ー帧内部包含1024次雷达训练目标高分辨距离像数据的要求，等间隔划分雷达训练目标高分辨距离像数据。
3.根据权利要求书I所述的基于噪声先验的独立高斯模型的雷达目标稳健识别方法，其中步骤I所述的帧内对齐，按如下步骤进行 (Ia)取出雷达训练目标高分辨距离像数据每ー帧中的第一次高分辨距离像作为模板固定不动； (Ib)平移雷达训练目标高分辨距离像数据每ー帧中的其它高分辨距离像，分别计算这些高分辨距离像与它们对应帧的第一次高分辨距离像的相关系数C ( T ) C(T)= COV (X，X い)ノ， 其中，C0V(X，x(x))表示计算雷达训练目标高分辨距离像X和平移T个距离単元后的雷达训练目标高分辨距离像X( T )的相关系数，得到一组相关系数值； (Ic)在一组相关系数值最大的时刻，保存平移后的雷达训练目标高分辨距离像数据，并用该平移后的雷达训练目标高分辨距离像数据取代原始雷达训练目标高分辨距离像数据，使平移后的雷达训练目标高分辨距离像数据与其对应帧中的第一次雷达高分辨距离像模板对齐。
4.根据权利要求书I所述的基于噪声先验的独立高斯模型的雷达目标稳健识别方法，其中步骤I所述的信号能量归ー化，是用雷达训练目标高分辨距离像数据和雷达测试目标高分辨距离像数据的每一次高分辨距离像除以该次高分辨距离像自身所包含的信号能量。
全文摘要
本发明提出了一种基于噪声先验的独立高斯模型的雷达目标稳健识别方法，主要解决现有雷达飞机目标识别技术中的统计模型对噪声不稳健的问题。其实现过程是对雷达高分辨距离像数据做预处理；对预处理之后的数据取模获得其时域特征；确定雷达训练目标高分辨距离像数据每一帧的独立高斯模型的均值和方差；统计雷达测试高分辨距离像数据非信号支撑区中噪声的方差；确定雷达训练目标高分辨距离像数据每一帧的独立高斯模型的均值和协方差的修正值；计算雷达测试目标高分辨距离像数据对各雷达训练目标的后验概率值；确定雷达测试目标高分辨距离像数据的类别属性。本发明具有对噪声稳健和测试运算量小的优点，可用于对雷达飞机目标的稳健识别。
文档编号G01S7/41GK102628939SQ20121013104
公开日2012年8月8日 申请日期2012年4月29日 优先权日2012年4月29日
发明者冯博, 刘宏伟, 张学峰, 杜兰, 潘勉, 王鹏辉 申请人:西安电子科技大学