[发明专利]基于仿生模式识别理论的雷达目标识别方法

说明书

技术领域

本发明属于雷达目标识别技术领域，特别是一种基于仿生模式识别理论的雷达目标识别方法。

背景技术

雷达目标识别技术的流程一般是先从雷达目标的回波中提取目标的有关信息标志和稳定特征，构造已知目标的特征模板库，然后利用模板库对分类器进行训练，最后利用训练好的分类器来鉴别目标。在高分辨雷达的照射下，目标的回波在距离方向上占据多个距离像单元，呈现连续起伏特性，通常称之为目标的高分辨一维距离像，雷达目标的高分辨一维距离像能提供目标沿雷达视线方向的几何结构信息，同时具有易于获得和处理的特点，避免了成像识别中的复杂的运动补偿问题，所以本发明把它作为特征向量构造模板库。

在分类器方面，传统雷达目标识别技术常采用人工神经网络、支持向量机等传统模式识别方法构造分类器，这些方法是将目标的样本空间按训练目标数目m使用线性函数（超平面）或非线性函数（超球面等）划分成m个部分。在这种方法中，在得到目标的特征向量空间后，先根据训练样本的目标种类和分布特征对空间进行完全的划分，在识别的时候，根据特征函数将要识别的样本根据一定的判定规则将样本归入已经划分好的某一空间。这些基于划分的模式识别方法往往存在几个问题：（1）如果采用线性函数（超平面）作为分类面，则不能很好地适应样本空间分布复杂的情况，会导致误识率很大。（2）这些基于划分的模式识别方法根据已知样本的目标数目将整个样本空间划分成相应的子空间，对于目标模板库中没有的新目标的样本，会错误地识别为目标模板库中某一类目标，导致这种方法的误识率很高，不具备拒识能力。（3）如果想向模板库中添加新目标的样本，需要对整个模板库中的样本构成的样本空间进行重新划分，费时费力。将线性函数改进为非线性函数，如在支持向量机中使用高斯核函数，可以解决问题（1），但这样做对于第二个问题和第三个问题，还没有解决。

发明内容

本发明的目的在于提供一种基于仿生模式识别理论的雷达目标识别方法，该方法在分类判别阶段，从思想上否定了原有的雷达目标识别中分类判别的方法，提出了基于“认识”目标，而不是“划分”目标的判别思想，在有效提高了雷达目标正确识别率的同时，提高了拒识别能力，可为雷达目标识别方法提供重要的参考资料。

实现本发明目的的技术方案为：

第一步，采用物理光学法计算雷达目标各个角度的回波数据；

    第二步，分析产生的雷达回波数据并且建立目标的一维距离像，并对一维距离像进行归一化预处理形成仿生模式识别的特征样本空间；

    第三步，初始化一维距离像样本空间，将其分成已知样本子空间和未知样本子空间两大类，对已知样本分为训练样本和测试样本；

第四步，利用过滤算法对每个雷达目标的训练样本进行过滤，确定每个雷达目标的超香肠神经元网络的拓扑框架；

第五步，利用超球半径算法确定每个雷达目标的超香肠神经元网络的覆盖范围；

    第六步，分别通过已知样本和未知样本测试超香肠神经元网络模型的分类性能。

本发明与现有技术相比，其显著优点为：（1）提高了正确识别率。利用超香肠神经元网络模型对雷达目标一维距离像在高维空间中的分布进行覆盖，提高了覆盖精度；（2）抵抗噪声能力增强。在回波中加入噪声后，利用基于仿生模式识别理论的雷达目标识别方法识别能力要比传统方法强；（3）拒识能力增强。基于仿生模式识别理论的雷达目标识别方法以“认识”目标为目的，对于不在超香肠神经元网络覆盖范围内的测试样本直接拒识，显著提高了拒识能力。（4）提高了学习效率。如果想向训练数据集中添加某个新目标的训练样本，传统识别方法往往要打乱原有知识，对所有训练数据进行重新学习，而基于仿生模式识别理论的雷达目标识别方法可以直接对新目标建立超香肠神经元网络实现学习，无需对所有训练数据进行学习，大大提高了学习效率。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是雷达目标识别一般步骤框图。

图2是雷达目标一维距离像特征向量示意图。

图3是二维空间的超香肠神经元网络与超香肠神经元示意图；(a) 超香肠神经元网络示意图；(b) 超香肠神经元示意图。

图4是传统“划分”方法与仿生模式识别方法的对比示意图。

图5是本发明中进行雷达目标识别的流程图。

图6是建立超香肠神经元网络拓扑框架的三种典型情况示意图。

图7是样本点到超香肠模型距离计算示意图。