基于谱图特征的雷达目标高分辨距离像识别方法

摘要

本发明提出了一种基于谱图特征的雷达目标高分辨距离像识别方法，主要解决现有雷达飞机目标识别技术中识别性能差、内存需求和计算量大的问题。其实现过程是：对雷达训练目标距离回波数据做预处理；对预处理后的雷达训练目标距离回波数据和雷达测试目标距离提取其谱图特征；对雷达训练目标回波数据每一帧的谱图特征沿谱图特征的时间维训练多任务隐马尔可夫模型，确定模型参数，并利用前向算法计算雷达测试目标回波数据的后验概率值；将最大后验概率值对应雷达训练目标回波数据的类别属性作为雷达测试目标回波数据的类别属性。本发明具有识别性能高，内存需求量和计算负担小的优点，可用于对飞机目标的识别。

权利要求

1.一种基于谱图特征的雷达目标高分辨距离像识别方法，包括如下步骤：

（1）对雷达训练目标距离回波数据进行角域分帧、帧内对齐和能量归一化的预处理，对雷达测试目标距离回波数据进行能量归一化的预处理，所述的角域分帧，是按照雷达训练目标距离回波数据每一帧内部包含1024次雷达训练目标距离回波数据的要求，等间隔划分雷达训练目标距离回波数据；

所述的帧内对齐，按如下步骤进行：

（1a）取出雷达训练目标距离回波数据每一帧中的第一次回波作为模板固定不动；

（1b）平移雷达训练目标距离回波数据每一帧中的其它回波，分别计算这些回波与它们对应帧的第一次回波的相关系数C(τ)：C(τ)＝cov(Y,Y(τ))，

其中，cov(Y,Y(τ))表示计算雷达训练目标距离回波Y和平移τ个距离单元后的雷达训练目标距离回波Y(τ)的相关系数，得到一组相关系数值；

（1c）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距离回波数据，并用该平移后的雷达训练目标距离回波数据取代原始雷达训练目标距离回波数据,使平移后的雷达训练目标距离回波数据与其对应帧中的第一次回波模板对齐；

（2）对预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据通过matlab软件中的spectrogram函数提取它们的谱图特征；

（3）对雷达训练目标回波数据每一帧的谱图特征沿谱图特征的时间维训练多任务隐马尔可夫模型，进而确定雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数：（3a）初始化多任务隐马尔可夫模型中的参数；

（3b）通过变分贝叶斯EM算法训练多任务隐马尔可夫模型中的参数；

（3c）当变分贝叶斯EM算法终止时，保存训练完毕的多任务隐马尔可夫模型中的参数，这些参数即为雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数；

（4）根据确定的雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数，利用前向算法计算雷达测试目标回波数据与雷达训练目标回波数据每一帧相对应的多任务隐马尔可夫模型的后验概率值：其中， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t的概率值， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t-1的概率值， 表示雷达训练目标距离回波数据的第m帧多任务隐马尔可夫模型的第j个隐状态参数到多任务隐马尔可夫模型的第k个隐状态参数的状态转移概率，p(yt|k)表示多任务隐马尔可夫模型的第k个隐变量参数在t时刻的观测概率，P(y1,y2…yT)表示雷达测试目标距离数据回波的后验概率， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间T的概率值，J表示多任务隐马尔可夫模型的隐状态总数；

（5）将最大后验概率值对应雷达训练目标回波数据那一帧的类别属性作为雷达测试目标回波数据的类别属性。

2.根据权利要求1所述的基于谱图特征的雷达目标高分辨距离像识别方法，其中步骤

1所述的能量归一化，是用雷达训练目标距离数据和雷达测试目标距离数据的每一次回波除以它们自身的范数。

3.根据权利要求1所述的基于谱图特征的雷达目标高分辨距离像识别方法，其中步骤2所述的对预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据通过matlab软件中的spectrogram函数提取它们的谱图特征，是把预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据的每一次回波作为matlab软件中spectrogram函数的输入，该函数的输出即为雷达训练目标距离回波数据和雷达测试目标距离回波数据的每一次回波的谱图特征。

4.根据权利要求1所述的基于谱图特征的雷达目标高分辨距离像识别方法，其中步骤

3所述的对雷达训练目标回波数据每一帧的谱图特征沿谱图特征的时间维训练多任务隐马尔可夫模型，是把雷达训练目标距离回波数据中提取出的每个谱图特征沿时间维作为一个马尔可夫序列，将每个谱图特征的时间维所构成的马尔可夫序列，代入到多任务隐马尔可夫模型中。

说明书

基于谱图特征的雷达目标高分辨距离像识别方法

技术领域

[0001] 本发明属于雷达技术领域，涉及自动目标识别，具体的说是一种雷达目标高分辨距离像的目标识别方法。

背景技术

[0002] 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，雷达目标回波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。

[0003] 目前国内外有许多机构都开展了雷达自动目标识别技术的研究，这些研究在预处理、特征提取和分类器设计等方面各不相同。B.Pei和Z.Bao 2002年在proc.Radar上发表的Radar target recognition based on peak location of HRR profile and HMMs classifiers文章直接从单次回波中利用松弛Relax算法提取强散射点位置特征，利用马尔可夫模型进行识别。Feng Zhu、Xian-Da Zhang和YaFeng Hu 2007年在IEEE Trans.on Signal Processing发表的Nonstationary Hidden Markov Models for Multiaspect Discriminative Feature Extraction From Radar Targets从多次雷达目标回波中利用多松弛Multirelax算法提取出强散射点位置和强度特征，再通过计算特征的矩来对特征进行降维，最后通过隐马尔可夫模型进行识别。

[0004] 上述这些方法的共同缺点如下：

[0005] (1)只研究了雷达目标高分辨距离像之间的关系，而忽略了回波内各距离单元存在的联系，当训练样本数很少的时候，其识别性能急剧下降。

[0006] (2)采用松弛Relax算法提取散射点的特征作为雷达目标的特征，增加了测试时的内存需求量和计算负担。

发明内容

[0007] 本发明的目的在于克服上述已有技术的不足，提出一种基于谱图特征的雷达目标高分辨率距离像识别方法，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谱图特征提取，沿雷达目标谱图特征进行识别，提高雷达目标识别的性能，并在测试时减小内存需求量和计算负担。

[0008] 实行本发明的技术原理是：根据飞机目标高分辨距离像的不同来提取谱图特征，回波的谱图特征时间维体现了目标的空间结构特征，将一次回波的谱图特征时间维看成是一个序列，沿着回波内距离单元建立马尔可夫模型将目标的空间结构特征融入模型中。在训练样本比较少的时候，利用多任务马尔可夫模型来将全部样本参与训练，提高了识别效果。

[0009] 根据以上原理，本发明的实现步骤如下：

[0010] (1)对雷达训练目标距离回波数据进行角域分帧、帧内对齐和能量归一化的预处理，对雷达测试目标距离回波数据进行能量归一化的预处理；

[0011] (2)对预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据通过matlab中的spectrogram函数提取它们的谱图特征；；

[0012] (3)对雷达训练目标回波数据每一帧的谱图特征沿谱图的时间维训练多任务隐马尔可夫模型，进而确定雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数；

[0013] (4)根据确定的雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数，利用前向算法计算雷达测试目标回波数据与雷达训练目标回波数据每一帧相对应的多任务隐马尔可夫模型的后验概率值：

[0014]

[0015] 其中， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t的概率值， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t-1的概率值， 表示雷达训练目标距离回波数据的第m帧多任务隐马尔可夫模型的第j个隐状态参数到多任务隐马尔可夫模型的第k个隐状态参数的状态转移概率，p(yt|k)表示多任务隐马尔可夫模型的第k个隐变量参数在t时刻的观测概率，P(y1，y2 L yT)表示雷达测试目标距离数据回波的后验概率， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间T的概率值；

[0016] (5)将最大后验概率值对应雷达训练目标回波数据那一帧的类别属性作为雷达测试目标回波数据的类别属性。

[0017] 本发明与现有技术相比具有以下优点：

[0018] (1)现有的文献在使用马尔可夫模型时均采用松弛relax算法降维，在降维过程中对雷达测试目标回波数据内部的空间结构信息损失很大，松弛relax算法的内存需求量和计算量都很大。在本发明中，由于提取了谱图特征，保留了雷达测试目标回波数据内部的空间结构信息，因此提高了雷达测试目标回波数据识别性能，并在测试时减小内存需求量和计算负担；

[0019] (2)现有的文献中大多都没有考虑雷达目标回波数据回波内各距离单元的相互联系。由于各雷达目标具有固定的空间结构，如果忽略了各雷达目标具有的固定的结构特征，雷达测试目标回波数据的识别性能就会受到影响。在本发明中，把雷达训练目标距离回波数据中的每次回波的谱图特征沿谱图的时间维作为一个马尔可夫序列，将沿着雷达训练目标距离回波数据中的每次回波谱图特征的时间维所构成的马尔可夫序列，代入到多任务隐马尔可夫模型中，利用了雷达目标固定的空间结构信息，提高了雷达测试目标回波数据识别性能；

[0020] (3)现有的文献采用传统的单任务隐马尔可夫模型，假设雷达训练目标的每一帧之间互相孤立，然而对于同类雷达目标，目标具有的固定空间结构关系使雷达训练目标数据回波的每一帧之间不符合相互独立的假设，本发明采用多任务的隐马尔可夫模型可以利用雷达训练目标数据回波的每一帧之间相互关联的信息，进一步提高了雷达测试目标回波数据识别性能。

附图说明

[0021] 图1是本发明的雷达目标数据回波识别流程图；

[0022] 图2是用本发明对雷达训练目标回波数据进行帧内对齐预处理的前后对比图；

[0023] 图3是用本发明对雷达训练目标回波数据提取的雷达训练目标谱图特征图。

具体实施方式

[0024] 参照图1，本发明的具体步骤如下。

[0025] 步骤1，对雷达训练目标距离回波数据和雷达测试目标距离回波数据进行预处理。

[0026] 由于雷达训练目标距离回波数据有姿态敏感性，平移敏感性，强度敏感性，雷达测试目标数据有强度敏感性，所以要先对雷达训练目标距离回波数据和雷达测试目标数据做预处理，其实现步骤如下：

[0027] (1a)雷达训练目标距离回波数据的角域分帧

[0028] 雷达训练目标距离回波数据由一系列距离单元构成，雷达训练目标距离回波数据距离单元内子回波的包络位移如果大于距离单元，就发生了散射点越距离单元走动MTRC，原来驻留在雷达训练目标距离回波数据中同一距离单元内的散射点会发生变化，从而引起散射点模型的变化。散射点模型变化比较缓慢，在散射点不发生越距离单元走动MTRC的时候，目标的散射点模型基本固定，雷达训练目标距离回波数据可以认为是一个向量平稳过程。越距离单元走动MTRC的值为

[0029]

[0030] 式中ΔR是距离单元长度，L是目标横向长度。

[0031] 为此本发明雷达训练目标距离回波数据的角域分帧，就是按照雷达训练目标距离回波数据每一帧内部包含1024次雷达训练目标距离回波数据的要求，等间隔划分雷达训练目标距离回波数据，使雷达训练目标距离回波数据的每一帧内各次回波的姿态角变化范围小于越距离单元走动MTRC。

[0032] (1b)雷达训练目标距离回波数据的帧内对齐

[0033] 雷达训练目标距离回波数据需要经过平移配准的步骤来避免平移敏感性所带来的影响。在训练阶段，对于同类雷达训练目标距离回波数据的每一帧，可以近似看成来自同一个散射点模型。本发明取出雷达训练目标距离回波数据每一帧中的第一次回波作为模板固定不动，平移雷达训练目标距离回波数据每一帧中的其它回波，分别计算这些回波与它们对应帧的第一次回波的相关系数C(τ)：

[0034] C(τ)＝cov(Y，Y(τ))

[0035] 其中，cov(Y，Y(τ))表示计算雷达训练目标距离回波Y和平移τ个距离单元后的雷达训练目标距离回波Y(τ)的相关系数，得到一组相关系数值，并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距离回波数据，并用该平移后的雷达训练目标距离回波数据取代原始雷达训练目标距离回波数据，使平移后的雷达训练目标距离回波数据与其对应帧中的第一次回波模板对齐。

[0036] 帧内对齐结果如图2所示，其中图2(a)表示未对齐的雷达训练目标距离回波数据样本图，图2(b)表示对齐后的雷达训练目标距离回波数据样本图，由图2(a)可见，在未对齐以前，雷达训练目标距离回波数据帧内训练目标距离回波样本位置混乱；由图2(b)可见，在对齐以后，雷达训练目标距离回波数据帧内训练目标距离回波样本位置同一。

[0037] (1c)雷达训练目标距离回波数据能量归一化

[0038] 雷达目标距离回波数据的强度是雷达发射功率、目标距离、目标处的雷达天线增益、电波传播、雷达高频系统损耗和雷达接收机增益等的函数，不同雷达甚至不同批次的雷达目标距离回波数据在强度上都有不同的尺度标准。为了统一雷达训练目标距离回波数据在强度上的尺度标准，将雷达训练目标距离回波数据每一次回波除以它们自身的范数，完成对雷达训练目标距离回波数据能量的归一化。

[0039] (1d)雷达测试目标距离回波数据能量归一化

[0040] 在测试阶段，为了统一雷达测试目标距离回波数据在强度上的尺度标准，将雷达测试目标距离数据每一次回波除以它们自身的范数，完成雷达测试目标距离数据能量归一化。

[0041] 步骤2，对预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据通过matlab软件中的spectrogram函数提取它们的谱图特征。

[0042] 由于雷达目标的空间相对结构固定，利用这一固定的空间结构能提高识别率，本发明正是通过提取包含这一固定空间结构的谱图特征来提高识别性能。在提取雷达训练目标回波数据和雷达测试目标距离回波数据的谱图特征中，是把预处理后的雷达训练目标距离回波数据和雷达测试目标距离回波数据的每一次回波作为matlab软件中spectrogram函数的输入，该函数的输出即为雷达训练目标距离回波数据和雷达测试目标距离回波数据的每一次回波的谱图特征。本发明对雷达训练目标回波数据的某一次回波提取的谱图特征如图3所示。

[0043] 步骤3，对雷达训练目标回波数据每一帧的谱图特征沿谱图特征的时间维，训练多任务隐马尔可夫模型，进而确定雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数。

[0044] (3a)把雷达训练目标距离回波数据中提取出的每个谱图特征沿时间维作为一个马尔可夫序列，将每个谱图特征的时间维所构成的马尔可夫序列，代入到多任务隐马尔可夫模型中；

[0045] (3b)通过变分贝叶斯期望最大VB-EM算法，确定雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数：

[0046] 3b1)设定好变分贝叶斯期望最大VB-EM算法的期望对数概率值变化的最小门限初始值ε，作为算法终止条件，在本发明中ε设定为0.0001，但只是作为一个实例，不仅限于此；

[0047] 3b2)通过计算变分贝叶斯期望最大VB-EM算法的期望对数概率值，得到表示雷达训练目标距离回波数据中第c个目标第m帧第n次回波的隐状态参数的对数概率值([c]，m，n)logq(s )：

[0048]

[0049] 其中表示雷达训练目标距离回波数据中第c个目标第m帧的第n次回波对应的初始状态对数概率的期望值，[c]表示这个多任务隐马尔可夫模型是由雷([c]，m，n)达训练目标距离回波数据中第c个目标的所有数据建立起来的，π 表示雷达训练目标距离回波数据中第c个目标第m帧的第n次回波对应的初始状态； 表
示雷达训练目标距离回波数据中第c个目标第m帧的状态转移矩阵对数概率的期望值，T表示雷达训练目标距离回波数据的一次回波的谱图特征的总时间， 代表雷达训练目标距离回波数据中第c个目标第m帧的状态转移矩阵从时间t到时间t+1的对数概率值；
表示雷达训练目标距离回波数据的第c个目标第m帧中第n次回波
的观测对数概率的期望值，其中 代表雷达训练目标距离回波数据的第c个目标第m帧中第n次回波的谱图特征中时间为t的单元，θt代表多任务隐马尔可夫模型中当时间为t时对应的隐参数集；

[0050] 3b3)通过变分贝叶斯期望最大VB-EM算法得到多任务隐马尔可夫模型的隐参数集中第i个元素的对数概率logq(θi)：

[0051]

[0052] 其中 表示多任务隐马尔可夫模型的隐参数集第i个元素的条件对数概率，θi表示多任务隐马尔可夫模型的隐参数集第i个元素， 表示前一次迭代得到的隐参数集， 表示雷达训练目标距离回波数据中第c个目标第m帧的第n次回波在时间t下隐状态s为第i个隐状态的概率的期望， 表示雷达训练目标距离回波数据中第c个目标第m帧的第n次回波在时间t下隐状态s为第i个隐状态的概率，表示雷达训练目标距离回波数据中第c个目标第m帧的第n次回波条件观测对数概率，Mc代表雷达训练目标数据的总帧数，N代表雷达训练目标数据每一帧包含的样本数，T表示雷达训练目标距离回波数据的一次回波在多任务隐马尔可夫模型中对应的总时间；

[0053] 3b4)由计算得到的对数概率logq(θi)更新步骤3b2)的多任务隐马尔可夫模型的隐参数集，完成多任务隐马尔可夫模型的隐参数集的更新过程；

[0054] 3b5)往复迭代步骤3b2)～3b4)，直到变分贝叶斯EM算法的期望的对数概率值变化小于步骤3b1)设定的门限ε时终止；

[0055] 3b6)当变分贝叶斯EM算法终止时，保存训练完毕的多任务隐马尔可夫模型中的参数，这些参数即为雷达训练目标回波数据每一帧的多任务隐马尔可夫模型的参数。

[0056] 步骤4，根据雷达训练目标回波数据每一帧多任务隐马尔可夫模型的参数，利用前向算法，计算雷达测试目标回波数据与雷达训练目标回波数据每一帧多任务隐马尔可夫模型的后验概率值：

[0057]

[0058] 其中， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t的概率值， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间t-1的概率值， 表示雷达训练目标距离回波数据的第m帧多任务隐马尔可夫模型的第j个隐状态参数到多任务隐马尔可夫模型的第k个隐状态参数的状态转移概率，p(yt|k)表示多任务隐马尔可夫模型的第k个隐变量参数在t时刻的观测概率，P(y1，y2L yT)表示雷达测试目标距离数据回波的后验概率， 表示雷达训练目标距离回波数据的第m帧前向算法的第k个节点在时间T的概率值，J表示多任务隐马尔可夫模型的隐状态总数。

[0059] 步骤5，将最大后验概率值对应雷达训练目标回波数据那一帧的类别属性作为雷达测试目标回波数据的类别属性C：

[0060]

[0061] 其中P(y1，y2L yT)表示雷达测试目标距离数据回波的后验概率。

[0062] 例如，有两类雷达训练目标回波数据，分别是C1和C2，每个雷达训练目标回波数据被分成两帧，雷达测试目标回波数据对应雷达训练目标C1回波数据的两帧的后验概率值分别为1和2，对应雷达训练目标C2回波数据的两帧的后验概率值分别为0和1，此时最大后验概率值对应雷达训练目标回波数据是C1的第二帧，最大后验概率值为2，雷达训练目标回波数据类别属性为C1，则雷达测试目标回波数据的类别属性就是最大后验概率值对应雷达训练目标回波数据那一帧的类别属性C1。

[0063] 本发明的效果可以通过以下实测结果进一步说明：

[0064] 1.实测内容

[0065] 本实验包含的三类飞机数据库的飞机参数和雷达参数如下表所示：

[0066] 表1三类飞机数据库的飞机参数和雷达参数

[0067]

[0068] 本实验中雷达飞机目标雅克-42数据库共包含七段数据，雷达飞机目标安-26数据库共包含七段数据，雷达飞机目标奖状数据库共包含五段数据。在本实验中雷达训练目标回波数据和雷达测试目标回波数据分别来自雷达飞机目标的不同数据段。本实验将雅克-42飞机的第二段数据和第五段数据、奖状飞机的第六段和第七段数据以及安-26飞机的第五段和第六段数据作为雷达训练目标回波数据，剩余的数据作为雷达测试目标回波数据。

[0069] 2.实测结果分析

[0070] 表2给出了雷达训练目标回波数据每一帧内的1024次回波中抽取128次回波作为训练样本时雷达测试目标回波数据的平均识别率。

[0071] 表2雷达测试目标回波数据的识别结果

[0072]

[0073] 从表2可以看出，在雷达训练目标回波数据每一帧抽取128个训练样本时，识别性能非常好。

[0074] 表3给出了雷达测试目标回波数据平均识别率随雷达训练目标回波数据每一帧内样本变化情况。

[0075] 表3雷达测试目标回波数据识别的性能变化

[0076]平均识别率\样本个数 4 8 16 32 64 128
谱图特征 89.14 91.50 91.75 92.35 94.40 95.10

[0077] 从表3可以看出，在雷达训练回波数据样本比较少的时候，多任务的隐马尔可夫模型可以利用雷达训练目标数据回波的每一帧之间相互关联的信息，雷达训练回波数据样本比较少的时候，雷达测试目标回波数据识别性能非常好。

[0078] 此外，在本实验过程中不需要用松弛relax算法，通过谱图特征，保留了雷达测试目标回波数据内部的空间结构信息，提高了雷达测试目标回波数据识别性能，并在测试时减小内存需求量和计算负担。