基于iMMFA模型的雷達高分辨距離像的目標識別方法
【技術領域】
[0001] 本發明屬于雷達技術領域，尤其涉及一種基于無限最大邊界因子分析 iMMFA(infinite max-margin factor analysis)模型的雷達高分辨距離像HRRP的目標識 別方法，用于對飛機，車輛等目標進行識別。
【背景技術】
[0002] 雷達目標識別就是利用目標的雷達回波信號，實現對目標類型的判定。寬帶雷達 通常工作在光學區，此時目標可以看作是由大量強度不同的散射點構成。高分辨距離像 HRRP(High-resolution range profile)是由寬帶雷達信號獲取的目標體上各散射點回波 的矢量和所組成的。它反映了目標體上各散射點沿雷達視線的分布情況，包含了目標的重 要結構特征，被廣泛應用于雷達目標識別領域。由于目標具有姿態敏感性，同一目標的HRRP 具有多模分布特性，尤其是隨著目標庫的增大，訓練樣本個數也會隨之增加，數據分布也變 得更加復雜。多模分布數據的分類界面往往是高度非線性的，需要采用非線性分類器對其 分類。
[0003] 核方法分類器作為一種常用的非線性分類器，是將原始空間線性不可分的數據映 射成為高維空間中線性可分的數據，然后進行線性分類。然而核方法分類器面臨核函數選 擇以及核參數選擇的問題，且當訓練樣本數過大時，核方法分類器的計算比較復雜。另外， 若使用所有雷達高分辨距離像數據來訓練一個分類器會增加分類器的訓練復雜度，而且容 易忽視樣本的內在結構，不利于分類。
[0004] 混合專家模型將數據集劃分成若干子集，然后在各個子集上分別訓練簡單的分類 器，最終構造全局非線性的復雜分類器，稱為有限混合專家模型。混合專家模型的提出，避 免了復雜分類器的設計，從而大大簡化了分類器設計的復雜度。然而這類模型存在兩個缺 點：一是模型選擇問題，即如何選擇樣本聚類個數是非常困難的；二是樣本集的聚類過程 是無監督的，獨立于后端的分類器任務，從而較難保證每個聚類中數據的可分性，影響全局 的分類性能。
【發明內容】
[0005] 針對上述現有技術的缺點，本發明的目的在于提出一種基于iMMFA模型的雷達高 分辨距離像的目標識別方法，用于提高雷達的分類性能，降低模型求解復雜度。
[0006] 本發明中提出iMMFA是將FA模型、TSB-DPM模型以及LVSVM統一在貝葉斯框架下 進行聯合求解，其中，LVSVM(Latent variable SVM，將隱變量SVM)作為分類器，見[Poison N. G. , Scott S. L. . Data augmentation for support vector machines[J]. Bayesian Analysis，2011，vol. 6 (I)，1-24]，引入 FA 模型和 TSB-DPM 模型（截斷 Stick-breaking 構 造的 Dirichlet process mixture model)，見[Blei D. M. and Jordan Μ. I. . Variational inference for Dirichlet process mixtures[J]. Bayesian Analysis，2006，vol.I (I)， 121-144]，來實現。
[0007] 為達到上述目的，本發明的實施例采用如下技術方案予以實現。
[0008] 基于iMMFA模型的雷達高分辨距離像的目標識別方法，包括以下步驟：
[0009] 步驟1，獲取M個類別的目標的雷達高分辨距離像，其中，每個類別的目標對應多 個雷達高分辨距離像；
[0010] 步驟2,對M個類別的目標的每個雷達高分辨距離像進行特征提取，得到M個類別 的目標的每個雷達高分辨距離像的功率譜特征Xn，將M個類別的目標的所有雷達高分辨距 離像的功率譜特征組成功率譜特征集X ;
[0011] 步驟3,將FA模型、TSB-DPM模型和LVSVM分類器進行順序組合，構建iMMFA模 型，其中，iMMFA模型的所有參數包含所述FA模型的參數、所述TSB-DPM模型的參數和所述 LVSVM分類器的參數；并根據所述iMMFA模型和所述功率譜特征集X得到M個類別的目標 的每個雷達高分辨距離像的功率譜特征的隱變量的概率密度函數pf，以及所述iMMFA模型 的各參數的聯合條件后驗分布Pu;
[0012] 步驟4,根據貝葉斯公式和所述iMMFA模型的各參數的聯合條件后驗分布Pu，分別 得到所述iMMFA模型的各參數的條件后驗分布；
[0013] 步驟5,設定所述iMMFA模型的各參數的初始值，根據各參數在步驟4中對應的條 件后驗分布，按照Gibbs采樣對設定初始值的各參數依次進行I。次循環采樣，I。為自然數； 從第1。+1次開始每間隔Sp次保存所述iMMFA模型的各參數的采樣值一次，分別保存T。次 各參數的采樣值；
[0014] 步驟6,根據所述iMMFA模型的各參數的T。次的采樣值，確定最終的FA模型、最終 的TSB-DPM模型和最終的LVSVM分類器，從而組成最終的iMMFA模型；
[0015] 步驟7,獲取測試目標的雷達高分辨距離像，對所述測試目標的雷達高分辨距離像 進行特征提取，得到所述測試目標的雷達高分辨距離像的功率譜特征$，根據所述功率譜 特征t，采用所述最終的FA模型得到所述功率譜特征f對應的測試隱變量I的條件后驗分 布，并采用所述最終的TSB-DPM模型得到所述測試隱變量I對應的聚類標號的條件后驗分 布！；
[0016] 步驟8,確定所述測試隱變量i的條件后驗分布和所述測試隱變量I對應的聚類 標號I的條件后驗分布，并結合步驟5中保存的T。次各參數的采樣值，利用Gibbs采樣技術 對所述測試隱變量f和所述測試隱變量I對應的聚類標號《進行T。次采樣，得到T。個測試 隱變量s'= 以及T。個測試隱變量f的聚類標號I ,從而得到T。個測試隱變量 對應的T。個概率密度函數值
[0017] 步驟9,預先設定拒判門限Th，將所述T。個概率密度函數值分別與預先設定 的拒判門限Th進行比較，若大于所述拒判門限T ^勺概率密度函數值的個數大于T。/2個，則 根據所述測試隱變量f的聚類標號，將所述測試隱變量i依次輸入其所屬聚類對應的1個 LVSVM分類器中，最終得到所述測試目標的目標類別標號，根據所述目標類別標號確定所述 測試目標所屬的目標類型；
[0018] 若小于所述拒判門限Th的概率密度函數值的個數小于T。/2個，則將所述測試目標 視為庫外樣本，進行丟棄。
[0019] 本發明技術方案的特點和進一步的改進為：
[0020] (一）步驟3中將FA模型、TSB-DPM模型和LVSVM分類器進行順序組合，構建iMMFA 模型具體包括：
[0021] (1)設定FA模型：
[0023] 其中，Xn表示第η個雷達高分辨距離像的功率譜特征，其維度為L ;sn表示雷達高 分辨距離像的功率譜特征\所對應的隱變量，其維度為B ; ε "表示高斯噪聲；dlk表示FA模 型中加載矩陣D的第1行第k列元素 ；a lk是d lk先驗分布的協方差精度，k = 1，2, 3……B ; Snk表示第η個雷達高分辨距離像的功率譜特征X n所對應的隱變量s n的第k個元素 ；β ,是 snk先驗分布的協方差精度，η = 1，2, 3. ... N，N表示功率譜特征集X中功率譜特征個數；γ 1 是FA模型中高斯噪聲第1行先驗分布的精度，1 = 1，2, 3……L 表示d lk的協方差精 度a lk的先驗分布Gamma分布的超參數；c。，d。表示s nk的協方差精度β k的先驗分布Gamma 分布的超參數；e。，f。表示γ 1的先驗分布Gamma分布的超參數；
[0024] (2)利用FA模型將功率譜特征集X映射到隱空間，得到雷達高分辨距離像的功率 譜特征集的隱變量集S ;
[0025] (3)設定 TSB-DPM 模型：
[0026] (a)在TSB-DPM模型中設定雷達高分辨距離像的功率譜特征集的隱變量集S的最 大聚類個數為C，每個聚類中雷達高分辨距離像的功率譜特征服從高斯分布；
[0027] (b)設定 TSB-DPM 模型中的基分布 G。采用 Normal-Wishart 分布 NW( μ，Σ I μ 〇， W。，β。，U。)，其中，μ表示高斯分布的均值，Σ表示高斯分布的協方差矩陣，μ。為 Normal-Wishart分布的均值，W。為尺度矩陣，β。、υ。為兩個尺度因子；
[0028] (c)將（a)和（b)中的設定代入TSB-DPM模型得到下式：
[0030] 其中，V = [V1, v2,…，vc，…，vc]表示TSB-DPM模型的截棍參數，c = 1，2,…， C，C為TSB-DPM模型設定的功率譜特征集的隱變量集S的最大聚類個數；Beta( ·)表示 Beta分布；α表示TSB-DPM模型的截棍參數V的先驗分布的參數；{ μ。，Σ。}表示第c個 聚類的高斯分布參數，μ。表示第c個聚類的均值，Σ。表示第c個聚類的協方差矩陣；G。表 示基分布，μ。為Normal-Wishart分布的均值，W。為尺度矩陣，β。、υ。為兩個尺度因子； ζη表示第η個雷達高分辨距離像的功率譜特征所屬的聚類標號，η = 1，2, ...，N，N表示 功率譜特征集X中功率譜特征個數；JT = [ JT i，JT 2, . . .，JT。. . .，JT c]表示每個聚類的權 系數，且有
表不多項分布；NW( ·)表不 Normal-Wishart 分布；
[0031] (4)采用TSB-DPM模型將雷達高分辨距離像的功率譜特征集的隱變量S進行聚 類；
[0032] (5)設定LVSVM分類器：
[0033] (a)設定每個LVSVM分類器系數先驗分布為高斯分布Ν(μ〇，:Ιβ+!):
[0034] 模型中有CXM個LVSVM分類器(MV ,其中表示第c個聚類中的第m個分 類器系數；設定先驗分布為高斯分布Wiw~N〇"";0，d+1)，其中0表示維度為B+1的 全零列向量，IB+1表示B+1階單位矩陣；
[0035] (b)根據TSB-DPM模型中的雷達高分辨距離像的功率譜特征集的隱變量集S的最 大聚類個數C，以及目標類別個數M，采用一對多策略，分別將M個類別中的一類目標看作正 類目標，將M個類別中除所述一類目標之外的其它目標看作負類目標，得到 CXM個LVSVM 分類器；
[0036] (c)將LVSVM分類器系數Wail的先驗分布σ=Ι_):分別代入到CXM 個LVSVM分類器，得到第c個聚類中第m個LVSVM分類器的系數Wail和第c個聚類中的所有 雷達高分辨距離像的功率譜特征對應于第m個LVSVM分類器的增廣隱變量 的聯合后驗分布Φ (%"，AaJyJ如下式：
[0040] 其中，Wail表示第C個聚類中第m個LVSVM分類器的系數，m= 1，2, ...，M，M表示 目標類別個數；
表示第c個聚類中的所有雷達高分辨距離像的功率譜特征 對應于第m個LVSVM分類器的增廣隱變量，其中λ ηηι表示第η個雷達高分辨距離像功率譜 特征對應的第m個LVSVM分類器的增廣隱變量；yni表示雷達高分辨距離像的功率譜特征對 應于第m個LVSVM的類別標號；ynni表示第η個雷達高分辨距離像的功率譜特征對應于第m 個LVSVM分類器的類別標號，且若第η個雷達高分辨距離像的功率譜特征的隱變量Sn屬于 第m類目標，則ynni= +1，否則y nni= -I，元=[s";l]表示第η個雷達高分辨距離像的功率譜特 征的隱變量的增廣向量，γ表示調和系數，ΙΒ+1表示Β+1階的單位陣，B表示加載矩陣D的 總列數；請(·)表示高斯分布，（·廣表示轉置操作；g c，h。表示第c個聚類中第m個LVSVM分 類器的系數Wail的協方差精度σ M的先驗分布Gamma分布的超參數；
[0041] (6)將由FA模型得到的雷達高分辨距離像的功率譜特征集的隱變量S作為LVSVM 分類器的輸入，將FA模型〈1>、TSB-DPM模型〈2>、LVSVM模型〈3>統一在一個框架下構建 iMMFA模型：
[0043](二）步驟3中所述的每個雷達高分辨距離像的功率譜特征的隱變量的概率密度 函數Pf，表達式如下：
[0045] 其中，D是FA模型中的加載矩陣；π = [ π ^ π 2, . . .，π。，. . .，π c]表示每個聚 類的權系數，為）表示均值為μ。，協方差矩陣為D Σ y+Λ E的高斯分布， c = 1，2, ...，C，C為TSB-DPM模型設定的隱變量集S的最大聚類個數；FA模型的噪聲協防 差矩陣Λ E = diag(y i，γ2，...... γ J，diag ( ·)表示對元素進行對角化；Ν(·)表示高斯分 布。
[00