[發明專利]一種基于標簽一致字典學習的雷達目標識別方法

有效

• 申請號: 201810414265.4
• 申請日: 2018-05-03
• 公開（公告）號: CN108734115B
• 公開（公告）日: 2020-03-27
• 發明（設計）人: 于雪蓮;曲學超;趙林森;唐永昊;申威
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 陳一鑫

本發明公開了一種基于標簽一致字典學習的雷達目標識別方法，屬于雷達領域,特別是通過構建稀疏信號的具有鑒別能力的完備字典和稀疏編碼，實現了信號的稀疏表征。該方法主要流程：首先，構建高分辨距離像的LC?KSVD字典學習模型；然后再初始化模型中的相關參數；再使用K?SVD算法求解LC?KSVD字典學習模型的最優解；接下來，再對字典D和線性分類器矩陣W進行歸一化；最后，更具D、W來確定測試樣本所屬類別。本發明方法可以使得學習到的完備字典具備鑒別能力，不僅能夠更好地實現對信號的稀疏表征，而且可以用于分類。

技術領域

本發明屬于雷達領域,特別是通過構建稀疏信號的具有鑒別能力的完備字典和稀疏編碼， 實現了信號的稀疏表征。

背景技術

雷達高分辨距離像(HRRP)是利用寬帶雷達信號獲取的目標散射點子回波在雷達視線方向 上投影的矢量和。它包含了目標尺寸、散射點分布等許多重要的結構信息，且易于獲取、存儲 和處理，因此被廣泛地用于雷達自動目標識別領域。

對于雷達HRRP信號的獲取，通常需要用一個比其物理過程的有效維數更高的采樣率去采 樣信息。這樣數據維數必然增加，多余的維數不但會顯著地增加計算和存儲代價，更嚴重的是 可能導致所謂的“維數災難”。此外，當樣本數遠小于數據維數時，又會導致典型的小樣本問 題及過匹配現象，從而最終影響識別算法的推廣能力，因此在許多實際應用中如何有效地減少 數據維數顯得尤為重要。

傳統的基于數據降維的雷達HRRP目標識別算法主要包含兩類：(1)重構模型類算法，例如： 主成分分析(PCA)、因子分析(FA)等；(2)判別模型類算法，例如：線性判別分析(LDA)等。 所有這些算法都隱含一個假設：構成觀測信號的物理過程總數要小于觀測信號的維數。但是， 這樣的假設對于錯綜復雜的宏觀世界顯然不盡合理，我們希望可以冗余地表示信號，即描述信 號的過程可以比信號維數更多。事實上，盡管描述信號的過程很多，但是雷達單獨時刻觀測到 的物理過程是很少的，即相對于過程集合是稀疏的。基于信號稀疏表示的超完備字典學習就是 這樣一種數據降維方法，它通過選取超完備字典中少數原子來線性稀疏表示信號。稀疏表示可 以構建一個簡單的模型以避免過學習問題，并且選取的原子通常具有物理或生物上的意義，這 常常是模型解釋所感興趣的。

基于聚類思想的K次奇異值分解(K-SVD)算法，可以自適應的學習構建完備字典和稀疏編 碼，很好地構建了稀疏信號的稀疏表征。2011年西安電子科技大學馮博、杜蘭等人將K-SVD 字典學習算法應用到雷達目標識別領域，以K-SVD算法學習到的字典作為分類的依據，提出了 基于字典學習的雷達高分辨距離像目標識別方法。但K-SVD算法模型是在最小稀疏表征重構誤 差約束條件下得到信號的稀疏表征，構建的完備字典并不具備鑒別能力，受此約束該方法的識 別率并不理想。2013年Jiang等人在人臉特征識別領域提出了具有鑒別力的標簽一致K次奇 異值分解(LC-KSVD)算法，該算法通過對鑒別矩陣的設計，在K-SVD的代價函數中引入了鑒 別稀疏編碼誤差項，在約束字典對信號重構能力的同時，約束同類目標具有相似的稀疏編碼模 式，即約束同類目標的稀疏編碼具有標號一致性，以提高所學字典的鑒別能力。該方法在人臉 特征識別中取得了很好的識別率。由于數據結構和屬性不一樣，LC-KSVD直接應用到雷達目標 識別領域識別率較低，因此本發明結合雷達數據的實際結構特征和LC-KSVD算法的原理，對 LC-KSVD算法進行改進，應用到雷達目標識別領域。本發明公開了一種基于LC-KSVD字典學習 的雷達高分辨距離像目標識別方法。

發明內容

本發明依據雷達高分辨距離像的稀疏特性，使用標簽一致K次奇異值分解算法學習到距離 像的具有鑒別力的完備字典，實現距離像的稀疏表征。以該鑒別字典對雷達目標進行分類，提 高識別率。

本發明技術方案為：一種基于標簽一致字典學習的雷達目標識別方法，該方法包括：

步驟1：對訓練距離像樣本Y進行預處理，消除平移敏感性和幅度敏感性；