[發明專利]基于自回歸模型的雷達高分辨距離像目標識別方法

有效

• 申請號: 201110089912.7
• 申請日: 2011-04-11
• 公開（公告）號: CN102184408A
• 公開（公告）日: 2011-09-14
• 發明（設計）人: 劉宏偉;王鵬輝;戴奉周;杜蘭;李彥兵;王英華
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01S13/02;G01S7/41
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于自回歸模型的雷達高分辨距離像目標識別方法，包括如下步驟：

1)對高分辨距離像訓練樣本進行傅里葉變換，將其轉換到頻域，并將頻域信號取模值，得到高分辨距離像訓練樣本對應的頻譜幅度信號z＝[z(1)，z(2)，...，z(d)]，其中，z(f)是頻譜幅度信號z的第f維元素，f＝1，2，...，d，d表示頻譜幅度信號z的維度；

2)設定自回歸模型的階數m，m為正整數，用自回歸模型對訓練樣本的頻譜幅度信號z建模為：f＝m+1，m+2，....，d，其中z(f)表示訓練樣本的頻譜幅度信號z的第f維元素，z(f-k)表示訓練樣本的頻譜幅度信號z的第f-k維元素，e(f)是訓練樣本自回歸模型的預測誤差，a(k)是訓練樣本自回歸模型的第k個自回歸系數，k＝1，2，...，m，將所有自回歸系數用向量形式表示為：a＝[a(1)，a(2)，...，a(m)]作為訓練樣本的識別特征，式中，a(i)是自回歸模型的第i個自回歸系數，i＝1，2，...，m；

3)用Yule-Walker方程估計訓練樣本的識別特征a；

4)用高斯混合模型對訓練樣本的識別特征a分幀，以克服訓練樣本識別特征a的姿態敏感性，分幀后的訓練樣本的識別特征a表示為：其中p(a)表示訓練樣本識別特征a的概率密度函數，L表示訓練樣本識別特征a的幀數，α_l表示第l幀的先驗概率，l＝1，2，...，L，G(a|μ_l，∑_l)表示訓練樣本識別特征a在第l幀內服從高斯分布，μ_l表示第l幀的均值，∑_l表示第l幀的協方差矩陣，l＝1，2，...，L；

5)用貝葉斯陰陽學習方法自動確定步驟4)中的總幀數L，并估計各幀的先驗概率α_l，均值μ_l和協方差矩陣∑_l，l＝1，2，...，L；

6)將步驟5)中估計得到的各幀的先驗概率α_l，均值μ_l和協方差矩陣∑_l，l＝1，2，...，L，存入識別系統模板庫，根據該模板庫對高分辨距離像測試樣本進行識別。

2.根據權利要求1所述的雷達高分辨距離像目標識別方法，其中步驟3)所述的用Yule-Walker方程計算識別特征a，按如下步驟進行：

3a)計算頻譜幅度信號z的自相關系數向量r＝[r₁，r₂，r₃，...，r_m]^T和頻譜幅度信號z的自相關矩陣式中，上標T是向量轉置操作符，頻譜幅度信號z的k階自相關系數r_k＝E_f[z(f)z(f-k)]，k＝0，1，2，...，m，z(f)表示z的第f維元素，z(f-k)表示z的第f-k維元素，E_f表示取均值操作符

3b)利用Yule-Walker方程估計訓練樣本的識別特征a＝R^-1r，式中，R^-1表示自相關矩陣的逆。

3.根據權利要求1所述的雷達高分辨距離像目標識別方法，其中步驟5)所述的貝葉斯陰陽學習方法，按如下步驟進行：

5a)令初始總幀數L＝100，設定丟幀門限δ＝1/100，隨機初始化各幀先驗概率α_l，均值μ_l和協方差矩陣∑_l，l＝1，2，...，L；

5b)以梯度方式更新所有幀的先驗概率α_l，均值μ_l和協方差矩陣∑_l，l＝1，2，...，L；

5c)比較各幀先驗概率α_l與丟幀門限δ的大小，如果第l幀的先驗概率α_l＜δ，則丟掉第l幀，更新總幀數；

5d)將步驟3a)-3c)重復迭代100次，得到總幀數L，以及所有幀的先驗概率α_l，均值μ_l和協方差矩陣∑_l，l＝1，2，...，L。

4.根據權利要求1所述的雷達高分辨距離像目標識別方法，其中步驟6)所述的根據模板庫對高分辨距離像測試樣本進行識別，按如下步驟進行：

6a)將高分辨距離像測試樣本進行傅里葉變換，將其轉換到頻域，并將頻域信號取模值，得到高分辨距離像測試樣本對應的頻譜幅度信號z′＝[z′(1)，z′(2)，...，z′(d)]，其中，z′(f)是頻譜幅度信號z′的第f維元素，f＝1，2，...，d，d表示頻譜幅度信號z′的維度；

6b)用階數為m的自回歸模型對測試樣本的頻譜幅度信號z′建模為：f＝m+1，m+2，...，d，其中z′(f)表示測試樣本的頻譜幅度信號z′的第f維元素，z′(f-k)表示測試樣本的頻譜幅度信號z′的第f-k維元素，e′(f)是測試樣本頻譜幅度信號的自回歸模型的預測誤差，a′(k)是測試樣本頻譜幅度信號的自回歸模型的第k個自回歸系數，k＝1，2，...，m，將測試樣本頻譜幅度信號的所有自回歸系數用向量形式表示為：a′＝[a′(1)，a′(2)，...，a′(m)]作為測試樣本的識別特征，式中，a′(i)是測試樣本頻譜幅度信號的自回歸模型的第i個自回歸系數，i＝1，2，...，m；

6c)用Yule-Walker方程估計測試樣本的識別特征a′；

6d)根據權利要求1中步驟6)所述的識別系統模板庫，對模板庫中各類目標分別計算測試樣本識別特征a′的后驗概率得到一組測試樣本識別特征的后驗概率值，其中，各個測試樣本識別特征的后驗概率值分別表示測試樣本的識別特征a′屬于該類目標的概率，式中，L表示識別系統模板庫的總幀數，α_l表示第l幀的先驗概率，l＝1，2，...，L，G(a′|μ_l，∑_l)表示測試樣本的識別特征a′在第l幀內服從高斯分布，μ_l表示第l幀的均值，∑_l表示第l幀的協方差矩陣，l＝1，2，...，L；

6e)選擇測試樣本識別特征的最大后驗概率值對應的目標類別，作為識別結果。