[发明专利]基于小样本的高精度HRRP雷达多目标识别方法

摘要

本发明涉及基于小样本的高精度HRRP雷达多目标识别方法，属于雷达目标识别技术领域。包括训练阶段与识别阶段。前者包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器；识别阶段包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果。本发明所述雷达多目标识别方法在处理多目标分类问题时具备高精度识别的能力，可以克服LDA在处理多目标分类时精度严重下降的问题及在只有少量训练样本可用时，其高识别精度仍然会保持稳定。

主权项

1.基于小样本的高精度HRRP雷达多目标识别方法，其特征在于：包括两个阶段：训练阶段与识别阶段；其中，训练阶段包括雷达回波信号转换为HRRP训练样本集、训练样本预处理、训练样本的特征提取、多类分类转化为两类分类、训练样本的特征选择以及训练贝叶斯分类器6个阶段；训练阶段，包括如下步骤：步骤1.1：雷达回波信号转换为HRRP训练样本集，处理过程包括将用于训练的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP训练样本集；其中，用于训练的雷达回波信号采集过程为：步骤1.1.1：将探测角度0‑360°平均划分为多个角域；步骤1.1.2：利用雷达依次采集步骤1.1.1中每个角域内多类目标的雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP训练样本集的操作，具体子步骤为：步骤1.1.3：将步骤1.1.2采集的每个雷达回波信号平均分为多段子回波信号；步骤1.1.4：对子回波信号进行FFT处理，输出多个HRRP训练样本集；步骤1.2：训练样本预处理，得到HRRP训练样本的有效片段；包括训练样本降噪、训练样本归一化以及训练样本截取处理三部分；步骤1.3：训练样本的特征提取，从步骤1.2截取的HRRP训练样本的有效片段中提取能够表征多类目标本质属性的一组多类目标特征，包括物理特征与数学特征；步骤1.4：多类分类转化为两类分类，将从步骤1.3提取的一组多类目标特征转化为多组两类目标特征，两类目标特征的组数与目标类型的数目相同，具体为：并行地将每一类目标的特征单独划为一类，其它类目标的特征划为另一类，从而将一个多类分类转化为多组两类分类，且两类分类的数目与目标类型的数目一致；其中，将第i类目标的特征单独划为一类，命名为“isi”，含义为“是第i类目标的特征”，其它类目标的特征划为另一类，命名为“noti”，含义为“不是第i类目标的特征”，“isi”和“noti”为第i组两类目标特征；步骤1.5：训练样本的特征选择，具体为：并行地对步骤1.4得到的多组两类目标特征的每一组两类目标特征执行LDA操作，得到一系列LDA映射矩阵，LDA映射矩阵的数目与目标类型数目相同，且每个LDA映射矩阵都对应一类目标；其中，对每一组两类目标特征执行LDA操作得到一个LDA映射矩阵；一系列LDA映射矩阵的数目与并行数目相同，与目标类型数目也相同；其中，对第i组两类目标特征“isi”和“noti”执行LDA操作，得到第i个LDA映射矩阵，对应第i类目标；步骤1.6：训练贝叶斯分类器，包括LDA映射矩阵映射与贝叶斯分类器先验概率参数的计算两个子步骤，具体为：步骤1.6.1：并行地将步骤1.4得到的多组两类目标特征与步骤1.5求得的一系列LDA映射矩阵相乘，映射出多组新特征，新特征的组数与目标类型数目相同；其中，第i组两类目标特征“isi”和“noti”与第i个LDA映射矩阵相乘，映射出第i组新特征；步骤1.6.2：并行地计算步骤1.6.1求出的多组新特征中每组每个新特征的平均值与均方差，从而计算出一系列贝叶斯分类器的先验概率参数，即一系列贝叶斯分类器被训练出来，分类器的数目与目标类型数目相同，且每个分类器对应识别一类目标；其中，计算出的每一组新特征的每个特征的平均值与均方差都属于一个贝叶斯分类器的先验概率参数，即通过计算每一组新特征的每个特征的平均值与均方差能够训练出一个贝叶斯分类器；一系列贝叶斯分类器的数目与并行数目相同，与目标类型数目也相同；其中，计算第i组新特征中每个特征的平均值与均方差，从而计算出第i个贝叶斯分类器的先验概率参数，即第i个贝叶斯分类器被训练出来，且对应识别第i类目标；至此，从步骤1.1到步骤1.6.2，完成了训练阶段；识别阶段，包括雷达回波信号转换为HRRP识别样本、识别样本预处理、识别样本的特征提取、识别样本的特征选择、分类器识别以及求比并输出识别结果6个阶段，具体包括如下步骤：步骤2.1：雷达回波信号转换为HRRP识别样本，处理过程包括将用于识别的雷达回波信号平均划分为多段子回波信号以及对划分得到的子回波信号进行FFT处理，输出HRRP识别样本；其中，用于识别的雷达回波信号的采集过程为：步骤2.1.1：使用训练阶段步骤1.1.1的同一雷达从任一待测目标的任意角度采集1个雷达回波信号；采集到雷达回波信号后，执行将其转换为HRRP识别样本的操作，具体子步骤为：步骤2.1.2：将步骤2.1.1采集到的雷达回波信号平均分为多段子回波信号，划分的子回波信号个数与训练阶段步骤1.1.3划分的子回波信号个数不必相等；步骤2.1.3：对步骤2.1.2划分的子回波信号进行FFT处理，输出与子回波信号数目等量的HRRP识别样本；步骤2.2：识别样本预处理，得到HRRP识别样本的有效片段，包括识别样本降噪、识别样本归一化以及识别样本截取处理三部分，具体为：步骤2.2.1：识别样本降噪处理，具体为：对步骤2.1.3输出的全部HRRP识别样本求平均距离像；步骤2.2.2：识别样本归一化处理，具体为：对步骤2.2.1计算出的平均距离像采用最大值归一化；步骤2.2.3：识别样本截取处理，采用阈值法将步骤2.2.2输出的归一化后的平均距离像的有效片段截取出来，即得到HRRP识别样本的有效片段；步骤2.3：识别样本的特征提取，从步骤2.2.3截取的HRRP识别样本的有效片段中提取一组识别样本特征，包括物理特征与数学特征；其中，特征类型和顺序必须与训练阶段的步骤1.3完全一致；步骤2.4：识别样本的特征选择，将步骤2.3提取出的一组识别样本特征分别与训练阶段步骤1.5得到的一系列LDA映射矩阵相乘，得到多组识别样本新特征，识别样本新特征的组数与目标类型数目相同；其中，将步骤2.3提取出的一组识别样本特征通过与第i个LDA映射矩阵相乘，求出第i组识别样本新特征；步骤2.5：分类器识别，并行地将步骤2.4得到的多组识别样本新特征输入到由训练阶段步骤1.6.2训练出来的一系列贝叶斯分类器中，每个分类器输出识别样本是对应识别类目标的概率与不是对应识别类目标的概率；其中，将第i组识别样本新特征输入到第i个贝叶斯分类器中，输出识别样本是第i类目标的概率与不是第i类目标的概率；步骤2.6：求比并输出识别结果，求步骤2.5中每个分类器输出的识别样本是对应识别类目标的概率与不是对应识别类目标的概率的比值，最大比值所在的贝叶斯分类器对应识别的目标类型被输出为识别结果。