[發(fā)明專利]基于貝葉斯機(jī)器學(xué)習(xí)的雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011010110.8
• 申請(qǐng)日: 2020-09-23
• 公開(kāi)（公告）號(hào): CN112163373A
• 公開(kāi)（公告）日: 2021-01-01
• 發(fā)明（設(shè)計(jì)）人: 楊磊;毛欣瑤;張海;楊曉煒;楊菲;孫麟
• 申請(qǐng)（專利權(quán)）人: 中國(guó)民航大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G01S7/40;G06F111/08
• 代理公司: 天津才智專利商標(biāo)代理有限公司 12108
• 代理人: 龐學(xué)欣

一種基于貝葉斯機(jī)器學(xué)習(xí)的雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估方法。其包括雷達(dá)目標(biāo)探測(cè)數(shù)據(jù)的似然函數(shù)建模為高斯分布；將目標(biāo)待評(píng)估性能指標(biāo)的先驗(yàn)分布建模為L(zhǎng)aplace分布；利用貝葉斯分層概率模型對(duì)目標(biāo)待評(píng)估性能指標(biāo)進(jìn)行分層建模；利用變分貝葉斯期望最大化方法對(duì)各目標(biāo)待評(píng)估性能指標(biāo)的后驗(yàn)分布進(jìn)行近似求解，進(jìn)而得到后驗(yàn)概率密度函數(shù)等步驟。本發(fā)明采用貝葉斯機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)雷達(dá)性能指標(biāo)的動(dòng)態(tài)評(píng)估，最大優(yōu)點(diǎn)就是在模型假設(shè)條件下，僅需一次觀測(cè)數(shù)據(jù)便可以獲得解析的動(dòng)態(tài)指示結(jié)果，可顯著降低試驗(yàn)次數(shù)，從而降低實(shí)驗(yàn)成本、周期，同時(shí)提供解析的指標(biāo)動(dòng)態(tài)變化范圍，可用性和穩(wěn)健性明顯提升。因此針對(duì)雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估問(wèn)題適用性佳。

技術(shù)領(lǐng)域

本發(fā)明屬于雷達(dá)性能指標(biāo)評(píng)估技術(shù)領(lǐng)域，特別是涉及一種基于貝葉斯機(jī)器學(xué)習(xí)的雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估方法。

背景技術(shù)

目前，針對(duì)雷達(dá)系統(tǒng)的性能評(píng)估方法大多是基于靜態(tài)指標(biāo)度量的，這類方法是在固定的目標(biāo)特性和環(huán)境變量下，確定出待評(píng)估的雷達(dá)系統(tǒng)性能指標(biāo)的數(shù)值，此時(shí)僅能以固定值的大小來(lái)反映性能的優(yōu)劣，因此指示作用有限且實(shí)際應(yīng)用存在局限性。

隨后人們運(yùn)用蒙特卡洛(Monte Carlo，MC)這一偽動(dòng)態(tài)評(píng)估方法對(duì)雷達(dá)系統(tǒng)進(jìn)行性能評(píng)估，具體的過(guò)程是基于大數(shù)定理，通過(guò)多次重復(fù)隨機(jī)地選擇信干雜噪比的實(shí)驗(yàn)來(lái)計(jì)算出指標(biāo)的估計(jì)值，再通過(guò)多次的實(shí)驗(yàn)數(shù)值結(jié)果計(jì)算均值和方差，從而確定出指標(biāo)的估計(jì)值及其變化范圍。然而這樣的評(píng)估方法存在一定的局限性，首先，在無(wú)法確知待評(píng)估指標(biāo)統(tǒng)計(jì)概率模型的前提下，通過(guò)MC實(shí)驗(yàn)獲得的均值和方差并不準(zhǔn)確，且評(píng)估耗時(shí)較長(zhǎng)，評(píng)估準(zhǔn)則過(guò)于單一，指示意義有限。其次，由于在實(shí)際驗(yàn)證中難以重復(fù)隨機(jī)多次實(shí)驗(yàn)，導(dǎo)致該方法無(wú)法準(zhǔn)確描述相應(yīng)指標(biāo)隨環(huán)境變量變化的真實(shí)過(guò)程，使得實(shí)驗(yàn)成本偏高，性價(jià)比降低，而且缺乏理論依據(jù)，因此難以形成系統(tǒng)的理論指導(dǎo)，適用性有限。

之后人們借助概率與統(tǒng)計(jì)分析的方法對(duì)雷達(dá)系統(tǒng)性能評(píng)估準(zhǔn)則進(jìn)行優(yōu)化改進(jìn)，通過(guò)建立合理的概率模型對(duì)隨機(jī)變量的“不確定性”進(jìn)行定量描述，從而來(lái)提高信號(hào)處理性能，貝葉斯機(jī)器學(xué)習(xí)的方法是其中最具代表性的新興發(fā)展方向，該方法實(shí)際上是描述先驗(yàn)知識(shí)、數(shù)據(jù)模型和后驗(yàn)概率這三個(gè)數(shù)學(xué)量的關(guān)系并將三者在貝葉斯框架下統(tǒng)一起來(lái)，充分吸收了機(jī)器學(xué)習(xí)方法中的優(yōu)勢(shì)，因此在實(shí)際應(yīng)用中逐漸顯現(xiàn)出強(qiáng)大的生命力。

綜上所述，如何利用現(xiàn)有的雷達(dá)系統(tǒng)性能指標(biāo)評(píng)估方法及貝葉斯學(xué)習(xí)方法對(duì)指標(biāo)動(dòng)態(tài)評(píng)估方法進(jìn)行改進(jìn)，使得雷達(dá)系統(tǒng)的評(píng)估性能更好也是一項(xiàng)新的挑戰(zhàn)。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明的目的在于提供一種基于貝葉斯機(jī)器學(xué)習(xí)的雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估方法。

為了達(dá)到上述目的，本發(fā)明提供的基于貝葉斯機(jī)器學(xué)習(xí)的雷達(dá)系統(tǒng)性能指標(biāo)動(dòng)態(tài)評(píng)估方法包括按順序進(jìn)行的下列步驟：

步驟1，結(jié)合雷達(dá)探測(cè)背景噪聲以及接收回波復(fù)數(shù)據(jù)的特點(diǎn)，將雷達(dá)目標(biāo)探測(cè)數(shù)據(jù)的似然函數(shù)p(Y|X)建模為高斯分布；

步驟2，基于雷達(dá)探測(cè)場(chǎng)景中目標(biāo)具有稀疏性的特點(diǎn)，將目標(biāo)待評(píng)估性能指標(biāo)的先驗(yàn)分布p(X)建模為L(zhǎng)aplace分布；

步驟3，將步驟1中雷達(dá)目標(biāo)探測(cè)數(shù)據(jù)的似然函數(shù)p(Y|X)和步驟2中目標(biāo)待評(píng)估性能指標(biāo)的先驗(yàn)分布p(X)代入貝葉斯模型，由于高斯分布的似然函數(shù) p(Y|X)和服從Laplace分布的先驗(yàn)分布p(X)不共軛，無(wú)法有效得到閉合解，因此利用貝葉斯分層概率模型對(duì)目標(biāo)待評(píng)估性能指標(biāo)進(jìn)行分層建模，以保證目標(biāo)后驗(yàn)概率密度分布的可解性；

步驟4，由于直接求解后驗(yàn)概率密度函數(shù)的分母p(Y)比較困難，因此利用變分貝葉斯期望最大化方法對(duì)步驟3中分層建模后的各目標(biāo)待評(píng)估性能指標(biāo)的后驗(yàn)分布進(jìn)行近似求解，進(jìn)而得到后驗(yàn)概率密度函數(shù)p(X|Y)。