[發明專利]基于決策樹的地面運動目標分類算法

有效

• 申請號: 201710727147.4
• 申請日: 2017-08-23
• 公開（公告）號: CN107506794B
• 公開（公告）日: 2020-08-14
• 發明（設計）人: 王勇;羅丁利;楊磊;戴巧娜;陳尹翔;徐丹蕾;張軍
• 申請（專利權）人: 西安電子工程研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 劉新瓊

1.一種基于決策樹的地面運動目標分類算法，其特征在于步驟如下：

步驟1：雜波抑制：

1a)對時域信號進行傅里葉變換得到多普勒譜；

1b)在雜波范圍內搜索最大值，記錄最大值的幅度A、相位θ以及多普勒頻率f_c；

1c)重構最大值對應的雜波時域信號：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脈沖積累數，從原信號中減去雜波時域信號得到新的時域信號；

1d)重復1a)到1c)步驟直到最大迭代次數；所述的最大迭代次數其中f_r表示脈沖重復頻率、M表示動目標檢測MTD點數；σ_c表示雜波譜寬度，σ_c＝2σ_v/λ；其中σ_v表示頻譜標準偏差，λ表示雷達波長；

步驟2：在雜波抑制后的距離多普勒平面，進行特征提取，提取的特征包括：速度特征、雷達散射截面積RCS特征、兩倍速度2v處微多普勒譜線數特征、L1范數標準差特征、歸一化幅度和均值特征、譜線數均值特征：

2a)速度特征：

其中，N_T和N₀分別表示目標所在的多普勒通道和零多普勒通道；

2b)RCS特征：

其中，R為目標距離；k為波爾茲曼常數；T₀為溫度；F_n為接收機噪聲系數；SNR為信噪比；L為雷達損耗引起的損失系數；P_t為發射功率；τ為發射脈沖寬度；G為天線增益；

2c)2v處微多普勒譜線數特征：

其中，n_2v,i，i＝1,2,…,n_w表示目標在第i幀中的2v處譜線數，n_w表示幀數；

2d)L1范數標準差特征：

f₄＝std(NORM_l1)

其中，std(·)表示求標準差運算，表示目標頻譜的L1范數，U_m代表第m個多普勒通道的歸一化幅度值，i1＝min(2f_v-f₀,f₀)和i2＝max(2f_v-f₀,f₀)分別表示0～2v的多普勒區間的下限和上限，min(·)和max(·)分別表示求最小值和最大值運算，f_v表示目標速度v所對應得的多普勒頻率，f₀表示零多普勒頻率；

2e)歸一化幅度和均值特征：

其中，mean(·)表示求均值運算，U_i代表第i個多普勒通道的歸一化幅度值，ts和te表示目標微多普勒所處的范圍；

2f)譜線數均值特征：

f₆＝mean(te-ts+1)

將特征f₁、f₂和f₄用于人車分類；f₁和f₃用于輪式車輛與履帶式車輛分類；f₂、f₅和f₆用于單人和小分隊分類；

采用交互式二分法構建決策樹，基于熵不純度減小量最大準則確定根節點和層節點；定義熵計算公式，假設一個節點下有p類樣本，其樣本數為n_i，i＝1,2,…,p，則熵可由下式計算：

其中，符號log₂(·)表示求以2為底的對數；

步驟3：建立根節點進行人車分類：

3a)基于訓練數據對特征f₁、f₂和f₄分別進行貝葉斯分類器訓練，基于最小錯誤概率準則確定每個特征的分類器門限，具體流程如下：

3a1)計算先驗概率：

P(w₂)＝1-P(w₁)，

其中，w₁和w₂分別表示兩類目標類型，w₁對應的特征f_i，i＝1,2,4較小；w₁和w₂對應的先驗概率分別用P(w₁)和P(w₂)表示；N₁和N分別表示訓練樣本中w₁的樣本數和總樣本數；

3a2)將特征f_i，i＝1,2,4的分布區間[a_i,b_i]，i＝1,2,4進行等間隔劃分，統計落入各個間隔的樣本數，除以總樣本數N，得到條件概率分布p(x|w₁)和p(x|w₂)；其中和分別表示第i個特征在w₁和w₂中的區間分布；

3a3)將門限T在區間[a_i,b_i]，i＝1,2,4遍歷，計算總錯誤率：

P_i(e)＝P(w₁)P_i,1(e)+P(w₂)P_i,2(e)，i＝1,2,4，

其中，第一類平均錯誤率為第二類平均錯誤率為

3a4)選擇使總錯誤率最小的門限為貝葉斯分類門限：

其中，符號arg(·)表示滿足代價函數的變量；

3b)根據每一個特征的分類門限對訓練樣本進行訓練：

對不同的特征f_i，i＝1,2,4，依據不同的分類門限T_i，i＝1,2,4，對訓練樣本進行訓練，具體如下：

記人和車的樣本數分別為N_r，N_c，統計正確分類的樣本數：

3b1)對于速度f₁特征，大于門限T₁的車輛樣本為正確判別的車輛樣本，其樣本數記為N₁₁，小于T₁的車輛樣本稱為錯誤判別的車輛樣本，其樣本數記為小于門限T₁的人員樣本為正確判別的人員樣本，其樣本數記為N₁₂，大于T₁的人員樣本稱為錯誤判別的人員樣本，其樣本數記為

3b2)對于特征f₂，大于門限T₂的車輛樣本為正確判別的車輛樣本，其樣本數記為N₂₁，小于T₂的車輛樣本稱為錯誤判別的車輛樣本，其樣本數記為小于T₂的人員樣本為正確判別的人員樣本，其樣本數記為N₂₂，大于T₂的人員樣本稱為錯誤判別的人員樣本，其樣本數記為

3b3)對于特征f₄，小于T₄的車輛樣本為正確判別的車輛樣本，其樣本數記為N₄₁，大于T₄的車輛樣本稱為錯誤判別的車輛樣本，其樣本數記為大于T₄的人員樣本為正確判別的人員樣本，其樣本數記為N₄₂，小于T₄的人員樣本稱為錯誤判別的人員樣本，其樣本數記為

3c)計算熵不純度減小量：

3c1)計算不考慮任何特征時的熵不純度I(N,N_r,N_c)

3c2)分別計算特征f_i，i＝1,2,4的熵不純度減小量：

ΔI_i＝I(N,N_r,N_c)-I_i，i＝1,2,4，

其中，

3d)選擇熵不純度減小量最大的特征作為根節點，將目標分為人車兩類，

步驟4：建立層節點進行輪式車輛和履帶式車輛分類：

4a)基于訓練數據對特征f₁和f₃分別進行貝葉斯分類器訓練，基于最小錯誤概率準則確定每個特征的分類器門限，具體流程如下：

4a1)計算先驗概率：

P(w₄)＝1-P(w₃)

其中，w₃和w₄分別表示兩類車輛目標類型，w₃對應的特征f_i較小，i＝1,3；w₃和w₄對應的先驗概率分別用P(w₃)和P(w₄)表示；N₃和N_c分別表示訓練樣本中w₃的樣本數和總的車輛樣本數；

4a2)將特征f_i，i＝1,3的分布區間[c_i,d_i]，i＝1,3進行等間隔劃分，統計落入各個間隔的樣本數，除以總樣本數N_c，得到條件概率分布p(x|w₃)和p(x|w₄)；其中，和分別表示第i個特征在w₃和w₄中的區間分布；

4a3)將門限在區間[c_i,d_i]，i＝1,3，遍歷，計算總錯誤率：

其中，第一類平均錯誤率為第二類平均錯誤率為

4a4)選擇使總錯誤率最小的門限為貝葉斯分類門限：

4b)根據每一個特征的分類門限對車輛樣本進行訓練：

對不同的特征f_i，i＝1,3，依據不同的分類門限對訓練樣本進行訓練，具體如下：

記輪式車輛和履帶式車輛的樣本數分別為N_l，N_lv，統計正確分類的樣本數：

4b1)對于速度f₁特征，大于門限的輪式車輛樣本為正確判別的輪式車輛樣本，其樣本數記為小于的輪式車輛樣本稱為錯誤判別的輪式車輛樣本，其樣本數記為小于門限的履帶式車輛樣本為正確判別的履帶式車輛樣本，其樣本數記為大于的履帶式車輛樣本稱為錯誤判別的履帶式車輛樣本，其樣本數記為

4b2)對于f₃特征，小于門限的輪式車輛樣本為正確判別的輪式車輛樣本，其樣本數記為大于的輪式車輛樣本稱為錯誤判別的輪式車輛樣本，其樣本數記為大于門限的履帶式車輛樣本為正確判別的履帶式車輛樣本，其樣本數記為小于的履帶式車輛樣本稱為錯誤判別的履帶式車輛樣本，其樣本數記為

4c)計算熵不純度減小量：

4c1)計算不考慮任何特征時的熵不純度I(N_c,N_l,N_lv)；

4c2)分別計算特征f_i，i＝1,3的熵不純度減小量：

其中，

4d)選擇熵不純度減小量最大的特征作為車輛目標分類的層節點，將目標分為輪式車輛和履帶式車輛兩類，

步驟5：建立層節點進行單人和小分隊分類：

5a)基于訓練數據對特征f₂、f₅和f₆分別進行貝葉斯分類器訓練，基于最小錯誤概率準則確定每個特征的分類器門限，具體流程如下：

5a1)計算先驗概率：

P(w₆)＝1-P(w₅)

其中，w₅和w₆分別表示兩類人員目標類型，w₅對應的特征f_i，i＝2,5,6較小；w₅和w₆對應的先驗概率分別用P(w₅)和P(w₆)表示；N₅和N_r分別表示訓練樣本中w₅的樣本數和總的人員樣本數；

5a2)將特征f_i，i＝2,5,6的分布區間[e_i,g_i]，i＝2,5,6進行等間隔劃分，統計落入各個間隔的樣本數，除以總樣本數N_r，得到條件概率分布p(x|w₅)和p(x|w₆)；其中和分別表示第i個特征在w₅和w₆中的區間分布；

5a3)將門限在區間[e_i,g_i]，i＝2,5,6遍歷，計算總錯誤率：

其中，第一類平均錯誤率為第二類平均錯誤率為

5a4)選擇使總錯誤率最小的門限為貝葉斯分類門限：

5b)根據每一個特征的分類門限對人員樣本進行訓練：

對不同的特征f_i，i＝2,5,6，依據不同的分類門限對訓練樣本進行訓練，具體如下：

記單人和小分隊的樣本數分別為N_d，N_x，統計正確分類的樣本數：

5b1)對于速度f₂特征，小于門限的單人樣本為正確判別的單人樣本，其樣本數記為大于的單人樣本稱為錯誤判別的單人樣本，其樣本數記為大于門限的小分隊樣本為正確判別的小分隊樣本，其樣本數記為小于的小分隊樣本稱為錯誤判別的小分隊樣本，其樣本數記為

5b2)對于速度f₅特征，小于門限的單人樣本為正確判別的單人樣本，其樣本數記為大于的單人樣本稱為錯誤判別的單人樣本，其樣本數記為大于門限的小分隊樣本為正確判別的小分隊樣本，其樣本數記為小于的小分隊樣本稱為錯誤判別的小分隊樣本，其樣本數記為

5b3)對于速度f₆特征，小于門限的單人樣本為正確判別的單人樣本，其樣本數記為大于的單人樣本稱為錯誤判別的單人樣本，其樣本數記為大于門限的小分隊樣本為正確判別的小分隊樣本，其樣本數記為小于的小分隊樣本稱為錯誤判別的小分隊樣本，其樣本數記為

5c)計算熵不純度減小量：

5c1)計算不考慮任何特征時的熵不純度I(N_r,N_d,N_x)

5c2)分別計算特征f_i，i＝2,5,6的熵不純度減小量：

其中，

5d)選擇熵不純度減小量最大的特征作為人員目標分類的層節點，將目標分為單人和小分隊兩類，

通過上述處理，將目標分為四個葉節點，對應四種目標類型，完成了決策樹構建；

步驟6：測試：

測試階段，對測試數據進行雜波抑制和特征提取后，按照決策樹給出的規則進行分層判斷，將判別的葉節點目標類型作為測試樣本的識別類型。