基于dpLVSVM模型的雷达HRRP的目标识别方法.docx

基于dpLVSVM模型的雷达HRRP的目标识别方法基于dpLVSVM模型的雷达HRRP的目标识别方法本发明公开了一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其步骤为：步骤1，对雷达HRRP数据进行特征提取得到功率谱特征集X；步骤2，构建dpLVSVM模型并得出功率谱特征的概率密度函数及各个参数的联合条件后验分布；步骤3，推导各个参数的条件后验分布；步骤4，对各个参数进行循环采样I次；步骤5，保存T0次测试阶段所需参数的采样结果；步骤6，判断测试雷达HRRP是否为库外样本，若为库外样本则拒判；否则步骤7；步骤7，采样得到测试雷达HRRP的功率谱特征的聚类标号；步骤8，输出测试雷达HRRP的目标类别标号本发明具有分类器设计复杂度小，识别性能高以及拒判性能好的优点，可用于对雷达目标的识别专利说明】基于dpLVSVM模型的雷达HRRP的目标识别方法【技术领域】[0001]本发明属于雷达【技术领域】，涉及雷达目标识别方法，尤其涉及一种基于dpLVSVM(Dirichlet process latent variable support vector machine, Dirichlet 过程隐变量支撑向量机)模型的雷达高分辨距离像IIRRP的目标识别方法，用于对飞机，车辆等目标进行识别。

背景技术】[0002]雷达目标识别就是利用目标的雷达回波信号，实现对目标类型的判定宽带雷达通常工作在光学区,此时目标可以看作是由大量强度不同的散射点构成高分辨距离像(High-resolution range profile, HRRP)是用宽带雷达信号获取的目标体上各散射点回波的矢量和它反映了目标体上散射点沿雷达视线的分布情况，包含了目标重要的结构特征，被广泛应用于雷达目标识别领域由于目标具有姿态敏感性，同一目标的HRRP具有多模分布特性,尤其是随着目标库的增大,训练样本个数也会随之增加,数据分布也变得更加复杂多模分布数据的分类界面往往是高度非线性的,需要采用非线性分类器对其分类[0003]作为一种常用的非线性分类器,核方法分类器是将原始空间线性不可分的数据映射成为高维空间中线性可分的数据，然后进行线性分类然而核方法分类器面临核函数选择以及核参数选择的问题,且当训练样本数过大时,核方法分类器计算困难另外,若使用所有雷达高分辨距离像数据来训练一个分类器会增加分类器的训练复杂度,而且容易忽视样本的内在结构，不利于分类混合专家模型提出后，避免了复杂分类器设计，从而大大简化分类器设计的复杂度。

[0004]混合专家模型将数据集划分成若干子集,然后在各个子集上分别训练简单的分类器,最终构造全局非线性的复杂分类器,称为有限混合专家模型模型这类模型存在两个缺点:一是模型选择问题，即如何选择样本子集(聚类)个数；二是样本集的聚类过程是无监督的，独立于后端的分类器任务，因此较难保证每个聚类中数据的可分性，从而影响全局的分类性能发明内容】[0005]为了克服以上困难，本发明提出一种基于dpLVSVM模型的雷达HRRP的目标识别方法，用于提高分类性能，降低模型求解复杂度[0006]为达到上述目的,本发明采用以下技术方案予以实现:[0007]一种基于dpLVSVM模型的雷达HRRP的目标识别方法,其特征在于,包括以F步骤:[0008]步骤I,雷达接收M个类别的目标的高分辨距离像HRRP ;再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征Xn，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X ;不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本；[0009]步骤2,利用功率谱特征集X,将LVSVM分类器和TSB-DPM模型结合构建dpLVSVM模型；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布；[0010]dpLVSVM模型各个参数的联合条件后验分布即:TSB-DPM模型中聚类的高斯分布参数?μ￡ ,Σ￡ G、雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数υ.LVSVM分类器系数?忾!'L1、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布；[0011]步骤3，通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的条件后验分布，即聚类的高斯分布参数的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB-DPM模型截棍参数υ的条件后验分布，以及LVSVM分类器系数丨叫}「=1的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的条件后验分布；[0012]步骤4,设定聚类高斯分布参数丨/Xt,SJ二的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB-DPM模型的截棍参数υ的初始值、LVSVM分类器系数{wc的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；[0013]在设定初始值之后,根据设定初始值的参数在步骤3中对应的条件后验分布,按照Gibbs采样技术对设定初始值的参数依次进行采样，总共对设定初始值的参数循环采样10次，I。

为自然数；[0014]步骤5,在对设定 初始值的参数循环采样I次之后，从第Ifl次开始每间隔Sp次保存聚类的高斯分布参数丨/Λ,Σ, hCl,、雷达高分辨距离像的功率谱特征的聚类标号Ζ、TSB-DPM模型的截棍参数υ ,以及LVSVM分类器系数，总共保存T0次参数的采样结果;[0015]在保存Τ次参数的采样结果后完成高分辨距离像数据HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB-DPM模型；[0016]步骤6，对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特征^ ;计算测试雷达高分辨距离像的功率谱特征i的概率密度函数值,并预先设定拒判门限Th,再与预先设定的拒判门限Th比较,根据比较结果判断测试雷达高分辨距离像是否为库外样本；否则继续步骤7 ；[0017]步骤7，将保存的Ttl次参数的采样结果中的聚类的高斯分布参数(A 、截棍参数υ代入测试雷达高分辨距离像的功率谱特征i的聚类标号S的条件后验分布,得到测试雷达高分辨距离像的功率谱特征i的聚类标号的条件后验分布；[0018]在得到测试雷达高分辨距离像的功率谱特征4的聚类标号的条件后验分布之后,从测试雷达高分辨距离像的功率谱特征i的聚类标弓.Wg1的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征4的聚类标号K &;[0019]步骤8，根据测试雷达高分辨距离像的功率谱特征i所属的聚类标号W hr!i，将测试雷达高分辨距离像的功率谱特征i依次输入其所属聚类对应的M个训练的LVSVM分类器中，即，将步骤7得到的测试雷达高分辨距离像的功率谱特征义所属的聚类标号以及步骤5中保存的LVSVM分类器的系数IicL1代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号V。

[0020]上述技术方案的特点和进一步改进在于:[0021](I)步骤2包括以下子步骤:[0022]2a)利用TSB-DPM模型将功率谱特征集X进行聚类,包括以下2al)、2a2)和2a3):[0023]2al)在TSB-DPM模型中设定功率谱特征集X的最大聚类个数为C，每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布；[0024]2a2)设定TSB-DPM模型中的基分布G0采用Normal-Wishart分布【权利要求】1.一种基于dpLVSVM模型的雷达HRRP的目标识别方法,其特征在于,包括以下步骤:步骤I,雷达接收M个类别的目标的高分辨距离像HRRP ;再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征Xn，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X ;不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本； 步骤2,利用功率谱特征集X,将LVSVM分类器和TSB-DPM模型结合构建dpLVSVM模型；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布； dpLVSVM模型各个参数的联合条件后验分布即=TSB-DPM模型中聚类的高斯分布参数、雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数u、LVSVM分类器系数{?U:、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布； 步骤3,通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的 条件后验分布，即聚类的高斯分布参数{^，马}「=1的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB-DPM模型截棍参数u的条件后验分布，以及LVSVM分类器系数{?U:的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVMl类器的隐变量λ的条件后验分布； 步骤4，设定聚类高斯分布参数{/Λ.,A.}:的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB-DPM模型的截棍参数υ的初始值、LVSVM分类器系数的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；在设足初始值之后，根据设足初始值的参数在步骤3中对应的条件后验分布，按照Gibbs采样技术对设定初始值的参数依次进行采样,总共对设定初始值的参数循环采样I。

次，I为自然数； 步骤5，在对设定初始值的参数循环采样Ici次之后,从第Ifl次开始每间隔Sp次保存聚类的高斯分布参数、雷达高分辨距离像的功率谱特征的聚类标号Z、TSB-DPM模型的截棍参数u ,以及LVSVM分类器系数，总共保存Tci次参数的采样结果； 在保存T次参数的采样结果后完成高分辨距离像数据HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB-DPM模型； 步骤6,对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特怔；^ ;计算测试雷达高分辨距离像的功率谱特征i的概率密度函数值，并预先设定拒判门限Th,再与预先设定的拒判门限Th比较,根据比较结果判断测试雷达高分辨距离像是否为库外样本；否则继续步骤7 ； 步骤7,将保存的T次参数的采样结果中的聚类的高斯分布参数、截棍参数υ代入测试雷达高分辨距离像的功率谱特征^的聚类标号5的条件后验分布,得到测试雷达高分辨距离像的功率谱特征i的聚类标号的条件后验分布；在得到测试雷达高分辨距离像的功率谱特征i的聚类标号{i^的条件后验分布之后，从测试雷达高分辨距离像的功率谱特征i的聚类标号的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征i的聚类标号； 步骤8，根据测试雷达高分辨距离像的功率谱特讦义所属的聚类标号{zr&，将测试雷达高分辨距离像的功率谱特征i依次输入其所属聚类对应的M个训练的LVSVM分类器中，即,将步骤7得到的测试雷达高分辨距离像的功率谱特征i所属的聚类标3 [ZtIll以及步骤5中保存的LVSVM分类器的系数{%丨二代入到训练的LVSVM分类器的判别公式中，输出测试 雷达高分辨距离像的目标类别标号y。

2.根据权利要求1所述的基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于,步骤2包括以下子步骤: 2a)利用TSB-DPM:模型将功率谱特征集X进行聚类,包括以下2al)、2a2)和2a:3):2al)在TSB-DPM模型中设定功率谱特征集X的最大聚类个数为C,每个聚类中雷达高分辨距离像的功率谱特征服从高斯分布； 2a2)设定TSB-DPM模型中的基分布G采用Norma。