基于卷積因子分析模型的雷達高分辨距離像目標識別方法
【專利摘要】本發(fā)明公開了一種基于卷積因子分析模型的雷達高分辨距離像目標識別方法，主要解決現(xiàn)有技術(shù)在小樣本情況下目標識別性能較差的問題。其實現(xiàn)步驟為：1)分別對各類目標的雷達高分辨距離像按角域分幀并對各幀數(shù)據(jù)取模得到時域特征；2)對各幀數(shù)據(jù)進行預處理；3)分別對預處理后的各幀高分辨距離像構(gòu)建卷積因子分析模型，并計算各模型參數(shù)的條件后驗分布；4)對各參數(shù)初始化并進行I次迭代更新；5)對測試樣本強度歸一化，并與各幀平均像平移對齊；6)根據(jù)各幀卷積因子分析模型參數(shù)的后驗均值計算該測試樣本的幀概率密度函數(shù)值；7)找出最大概率密度函數(shù)值，判定測試樣本的所屬類別。本發(fā)明模型復雜度較小，可用于小樣本情況下的雷達目標識別。
【專利說明】
基于卷積因子分析模型的雷達高分辨距離像目標識別方法
技術(shù)領域
[0001 ]本發(fā)明屬于雷達技術(shù)領域，涉及雷達目標識別方法，可用于對飛機目標的識別分 類。
【背景技術(shù)】
[0002] 高分辨雷達通常工作在光學區(qū)，此時，距離分辨單元遠小于目標尺寸，故可將目標 看作多個散射點的集合。而高分辨距離像HRRP是寬帶雷達目標散射點子回波沿雷達視線方 向投影的疊加，包含有豐富的目標距離向幾何結(jié)構(gòu)信息，因此在目標識別領域得到了廣泛 的應用。
[0003] 基于貝葉斯理論的統(tǒng)計識別方法是以測試樣本在各類別下的后驗概率為依據(jù)確 定其所屬類別，被廣泛地用于HRRP的識別。相關(guān)文獻提出了多種利用統(tǒng)計建模進行目標識 別的方法，包括自適應高斯AGC模型、伽馬混合Gamma Mixture模型、伽馬-高斯混合Gamma-Gaussian Mixture模型以及因子分析FA模型等。
[0004] 其中，Du L，Liu H 和 Bao Z 在 IEEE Trans.on S.P?上發(fā)表的 Radar HRRP statistical recognition:parametric and model selection文章利用傳統(tǒng)因子分析FA 模型對高分辨距離像進行統(tǒng)計建模，在訓練樣本數(shù)充足時獲得了較好的識別性能。傳統(tǒng)FA 的處理步驟是:對各類各幀的訓練樣本分別構(gòu)建一個傳統(tǒng)FA模型并對模型參數(shù)進行學習， 利用學出的參數(shù)計算測試樣本在各類別下的后驗概率，選擇最大后驗概率值，最終確定目 標的類別標號。該方法的不足之處是，由于傳統(tǒng)FA描述了各距離單元之間的相關(guān)性，模型復 雜度增加，當訓練樣本數(shù)較少時模型參數(shù)的估計精度變差，識別性能大大降低。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對上述現(xiàn)有技術(shù)的不足，提出一種基于卷積因子分析CFA模型的雷達高 分辨距離像目標識別方法以降低模型復雜度，提高小樣本情況下的目標識別性能。
[0006] 實現(xiàn)本發(fā)明的技術(shù)思路是:在訓練階段利用CFA模型分別對不同類別目標的各幀 HRRP數(shù)據(jù)進行統(tǒng)計建模，得出各幀數(shù)據(jù)模型參數(shù)的后驗分布;在測試階段，利用訓練過程得 到的模型參數(shù)，計算測試樣本對應于各類目標各幀的幀概率密度函數(shù)值，從而將該測試樣 本判為幀概率密度函數(shù)值最大的一幀，該幀對應的類別即為測試樣本對應的類別。具體步 驟如下：
[0007] (1)訓練步驟
[0008] la)對雷達接收的各類目標高分辨距離像HRRP訓練數(shù)據(jù)按角域分幀并對分幀后的 訓練樣本取模得到它們的時域特征；
[0009] lb)將各幀內(nèi)的高分辨距離像HRRP依次進行強度歸一化、平移對齊和求平均像的 預處理；
[0010] 1C)分別對預處理后的每幀高分辨距離像HRRP數(shù)據(jù)構(gòu)建一個卷積因子分析CFA模 型：
[0012]其中，c=l，2,…，G，G為目標類別總數(shù)，m=l，2,…，Mc，Mc為第C類目標的總幀數(shù)，k =1，2，…，S，S為字典原子個數(shù)，n=l，2,…，N，N為每幀高分辨距離像HRRP數(shù)據(jù)的樣本數(shù)； $廣為預處理后的第c類第m幀第n個雷達高分辨距離像;為第k個權(quán)向量，其第i個元素 C服從均值為0、
?的高斯分布，服從參數(shù)為a〇、b〇的伽馬分布，i = l，2,…，L， L為的維度;cT為第k個字典原子，其第j個元素#"服從均值為0、
的高斯 分布，爲T服從參數(shù)為cQ、dQ的伽馬分布，j = 1，2，…，J，J為dr的維度;ye，m為第c類第m幀高 分辨距離像數(shù)據(jù)的平均像，C"為高斯噪聲變量，服從均值為〇，
的高斯分 布，y ^為&^的協(xié)方差精度，服從參數(shù)為e〇、f〇的伽馬分布，Ip表示P階單位矩陣;*表示卷積 運算；
[0013] Id)根據(jù)變分貝葉斯VB算法求得各幀卷積因子分析CFA模型中參數(shù)W,7、dr、 y e，m、、戶廠的條件后驗分布；
[0014] le)初始化卷積因子分析CFA模型參數(shù)的均值、方差，設定迭代次數(shù)并根據(jù)（Id)中 參數(shù)的條件后驗分布對各模型參數(shù)進行更新，更新結(jié)束后保存各參數(shù)的最終結(jié)果和各幀高 分辨距離像HRRP數(shù)據(jù)的平均像P m，完成對CFA模型的訓練。
[0015] ⑵測試步驟
[0016] 2a)對測試樣本Xtest取模得到時域特征并進行強度歸一化，再與訓練階段（le)中 保存的各類各幀的平均像移對齊，得到預處理后的測試樣本
[0017] 2b)利用（le)中保存的CFA模型各參數(shù)的條件后驗分布，分別計算測試樣本C在 各類各幀條件下的幀概率密度函數(shù)值;
[0018] 2c)找出（2b)中幀概率密度函數(shù)值的最大值，該值對應的第c類目標即為測試 樣本Xtest的類別。
[0019] 本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點：
[0020] 第一，本發(fā)明的卷積因子分析CFA模型通過字典與權(quán)矩陣的卷積來描述數(shù)據(jù)，實現(xiàn) 了對數(shù)據(jù)局部特征的提取。由于各局部特征具有相似性，因此，本模型學出的字典更能體現(xiàn) 數(shù)據(jù)的基本結(jié)構(gòu)，從而實現(xiàn)對數(shù)據(jù)本質(zhì)特征的挖掘。
[0021] 第二，與傳統(tǒng)FA模型相比，本發(fā)明的卷積因子分析CFA模型一方面由于學出的字典 反映了數(shù)據(jù)的本質(zhì)結(jié)構(gòu)，從而使所需要的字典原子個數(shù)大大減少；另一方面用字典作為卷 積核，其維度也遠遠小于傳統(tǒng)FA模型加載矩陣的維度，因此，CFA模型的字典尺寸大大減小， 從而降低了模型復雜度，保證了小樣本條件下模型的識別性能。
[0022] 本發(fā)明的技術(shù)過程和效果可結(jié)合以下附圖詳細說明。
【附圖說明】
[0023] 圖1為本發(fā)明的實現(xiàn)流程圖。
[0024] 圖2為本發(fā)明與傳統(tǒng)FA模型的模型復雜度隨樣本數(shù)的變化曲線比較圖。
[0025] 圖3為本發(fā)明與傳統(tǒng)FA模型對多類飛機的識別率隨樣本數(shù)的變化曲線比較圖。
【具體實施方式】
[0026] 參照圖1，本發(fā)明的統(tǒng)計識別方法分為訓練和測試兩個階段，具體步驟如下：
[0027] 一、訓練步驟
[0028]步驟1，對接收到的雷達高分辨距離像HRRP按角域分幀并取模得到時域特征 [0029]對雷達錄取到的一維高分辨距離像HRRP按照目標方位分成等間隔的多個數(shù)據(jù)段， 選取其中方位角比較完備的數(shù)據(jù)段做訓練，每段稱為一幀，其余段做測試;對分幀后的訓練 樣本取模得到其時域特征。
[0030] 步驟2,對各幀內(nèi)的高分辨距離像HRRP訓練數(shù)據(jù)進行強度歸一化、平移對齊、求平 均像的預處理。
[0031] 2a)強度歸一化：
[0032]由于雷達-目標距離、氣象條件、信道衰落以及雷達系統(tǒng)損耗等影響，HRRP回波在 強度上會存在差異，這會給識別帶來困難，稱之為強度敏感性。克服強度敏感性的現(xiàn)有方法 主要包括2-范數(shù)歸一化方法、能量相等方法、模一歸一化方法等。
[0033]本發(fā)明采用2-范數(shù)歸一化方法來克服強度敏感性，具體而言第c類目標第m幀的第 n個高分辨距離像樣本可歸一化為：
[0035] 其中，c = l，2,…，G，G表示目標類別數(shù)，m=l，2,…具具表示第c類目標的總幀數(shù)， n=l，2,…，N，N為各幀高分辨距離像HRRP的樣本數(shù)，*r為經(jīng)過強度歸一化后的樣本，|卜 2為2-范數(shù)操作。
[0036] 2b)平移對齊：
[0037]通常高分辨距離像HRRP是用距離窗從回波中截取的包含有目標在內(nèi)且有一定余 度的數(shù)據(jù)向量。而一般待識別的目標都處于機動運動當中，其平動分量會使每次錄取的目 標信號在距離窗內(nèi)產(chǎn)生明顯的平移，這對目標識別是不利的，稱之為平移敏感性?？朔揭?敏感性的現(xiàn)有方法主要包括包絡對齊方法、零相位絕對對齊方法、平移強度聯(lián)合匹配方法、 最大后驗概率方法。
[0038]本發(fā)明采用包絡對齊方法來克服各幀內(nèi)的平移敏感性問題，具體方法為:選取經(jīng) 過強度歸一化后的幀內(nèi)的第一個樣本做基準，表示為XBS ;然后對幀內(nèi)的其他樣本進行滑動， 使它們與XBS的相關(guān)系數(shù)分別最大，此時經(jīng)過滑動使得與XBS相關(guān)系數(shù)最大的樣本稱為對齊 后的樣本;最后將基準樣本與其它對齊后的樣本進行組合然后作為平移對齊后的樣本集 合；
[0039] 2c)求平均像：
[0040]將經(jīng)過強度歸一化、對齊后的第c類目標第m幀高分辨距離像HRRP數(shù)據(jù)表示為 史'm 右'…,，該幀的均值向量可通過對所有樣本統(tǒng)計求平均得到，具體表示 為：
[0042] 步驟3,分別對預處理后的每幀高分辨距離像HRRP構(gòu)建一個卷積因子分析CFA模 型。
[0043] 3a)用經(jīng)過預處理后的第c類第m幀第n個高分辨距離像減去該幀的平均像少，' 得至ijo均值的高分辨距離像，表示為;
[0044] 3b)對〇均值的高分辨距離像ir-yvH模型化，即先將各字典原子與其對應的權(quán)向 量進行卷積得到卷積后的S個向量，再對這S個向量求和，得到能夠反映的基本結(jié)構(gòu)
及每個結(jié)構(gòu)在中的位置的向量，表示為 其中，k= 1， 2，…，S，S為字典原子的個數(shù)，*表示卷積運算；
[0045] 3 c)對步驟（3b)中的
賦予一個噪聲變量er*即
^以表示模型誤差；
[0046] 3d)將步驟（3c)的表示式整理成
的形式，得到卷積 因子分析CFA模型。
[0047] 經(jīng)過預處理后的第c類第m幀第n個雷達高分辨距離像 <，的卷積因子分析CFA模型 表示為：
[0049] 其中，k=l，2,…，S，S為字典原子個數(shù)，Wf為第k個權(quán)向量，其第i個元素 Wg服 從均值為〇、方差為
的高斯分布，C服從參數(shù)為ao、bQ的伽馬分布，i = 1，2，…，L，L為 wy的維度；df為第k個字典原子，其第j個元素 服從均值為0、
-的高斯分 布，以"服從參數(shù)為CQ、do的伽馬分布，j = 1，2，…，J，J為dr的維度;為第C類第m幀高分 辨距離像數(shù)據(jù)的平均像，sr為高斯噪聲變量，服從均值為〇，
的高斯分布， 的協(xié)方差精度，服從參數(shù)為eo、f()的伽馬分布，Ip表示P階單位矩陣;*表示卷積運 算；
[0050] 該步驟可理解為：高分辨距離像由位置不同的S個基本結(jié)構(gòu)組合而成，每個基 本結(jié)構(gòu)可通過一個字典原子來反映，而每個基本結(jié)構(gòu)在xr中的位置信息則由反映其結(jié)構(gòu) 的字典原子所對應的權(quán)向量來體現(xiàn)，通過對字典原子與權(quán)向量進行卷積求和操作，便可表 示中的所有基本結(jié)構(gòu)以及它們各自的位置。
[0051 ]步驟4,推導各幀CFA模型各個參數(shù)的條件后驗分布。
[0052]利用變分貝葉斯VB算法，求出各幀CFA模型5個參數(shù)的條件后驗分布，具體步驟如 下：
[0053] 4a)求出各幀卷積因子分析CFA模型中權(quán)向量^丨廣的條件后驗分布=
[0055]
表示權(quán)向量評,:廣的后驗 均值向量，丨為權(quán)向量W:廣各元素的后驗方差組成的向
量
，f，m為第c類第m幀高分辨距離像數(shù)據(jù)的平均像;k = L =[1，1，…，1 ]T為各元素均為1的li隹列向量，L是權(quán)向量的維度；〇(/ …,〇C]T表示 權(quán)向量各元素的超參數(shù)《 所組成的向量，i = l,2,…，L;k=l,2,…，S，S為字典原子 的個數(shù)，（?）T表示轉(zhuǎn)置操作，⑦表示向量的點除運算，0表示向量的點乘運算，*表示卷積運 算，〈?>表示取均值運算，表示模值的平方，N( ?)表示高斯分布；
[0056] 4b)求出各幀卷積因子分析CFA模型中字典原子elf的條件后驗分布=
[0058] 其中
為字典原子的后驗 均值向量，
為字典原子各元素的后驗方差組成的 向量；lj = J=[l，l，…，1]T為各元素均為1的J維列向量，J是字典元素維度， 1T =[尾'尾"'，…,/T]1表示字典原子啦"各元素的超參數(shù)竭#所組成的向量，j = i，2,…，j;
[0059] 4c)求出各幀卷積因子分析CFA模型中權(quán)向量W,;廣各元素 C的方差倒數(shù)的條 件后驗分化冗：
[0061] 其中，表示第C類第m幀CFA模型中第n個樣本的權(quán)向量wy的第i個元素>^的 方差倒數(shù)
分別為后驗分布中的形狀參數(shù)和尺度參數(shù)； ao、b〇分別為的超先驗，i = 1，2，…，L，L為權(quán)向量W,)/"的維度，Gamma ( ?)表示伽馬分布；
[0062] 4d)求出各幀卷積因子分析CFA模型字典原子dr中各元素的方差倒數(shù)爲#的 條件后驗分布
[0064]其中，巧f表示第c類第m幀卷積因子分析CFA模型中的字典原子啦01的第j個元素 的方差倒數(shù)
分別為戌/"后驗分布中的形狀參數(shù)和尺度 參數(shù)，CQ、d〇分別為爲廠的超先驗;j=1，2，…，j，j為字典原子啦"的維度；
[0065] 4e)求各幀卷積因子分析CFA模型中噪聲變量的協(xié)方差精度丫[^的條件后驗分布 A.
[0067]
分別為Te'm后驗分 布中的形狀參數(shù)和尺度參數(shù)，eQ、fo分別為協(xié)方差精度的超先驗;N為每幀高分辨距離像 HRRP的樣本數(shù)，P為高分辨距離像HRRP的維度，筆#為經(jīng)過預處理后的第n個高分辨距離像樣 本。
[0068] 步驟5,對每幀卷積因子分析CFA模型的各個參數(shù)進行初始化，設定參數(shù)迭代次數(shù)， 根據(jù)步驟4中對應的參數(shù)條件后驗分布對模型的各個參數(shù)進行迭代更新。
[0069] 5a)分別對各類各幀的卷積因子分析CFA模型中的字典原子dr各元素的均值和方 差、權(quán)矩向量各元素的均值和方差、權(quán)向量Wf各元素的方差的倒數(shù)<：、字典原子 dr各元素的方差的倒數(shù)漢廣、高斯噪聲協(xié)方差精度y進行初始化；
[0070] 5b)設定參數(shù)迭代次數(shù)I，根據(jù)步驟4中對應的參數(shù)的條件后驗分布公式對模型的 各個參數(shù)進行迭代更新，直到迭代終止。
[0071] 步驟6,迭代完成后保存各類各幀CFA模型中的字典D~m、權(quán)矩陣、噪聲變量的 協(xié)方差精度丫^的后驗均值以及各幀的平均像f，m，c = l，2,…，G，m=l，2,…，M。，完成高分 辨距離像HRRP的訓練，得到訓練的卷積因子分析CFA模型。
[0072] 二、測試步驟
[0073]步驟7,對測試樣本進行強度歸一化。
[0074]由于測試樣本與訓練樣本的強度存在差異，在測試前需要先對測試樣本進行強度 歸一化處理，具體處理方法采用與訓練階段一致的準則，即2-范數(shù)歸一化：
[0076] 其中，xtest是雷達錄取的原始測試樣本，S_^Xtest經(jīng)過歸一化處理后的樣本。
[0077] 步驟8,將歸一化后的測試樣本1?,分別與各幀平均像平移對齊。
[0078] 由于測試樣本與訓練樣本存在平移量的差異，在求該測試樣本分別在各幀條件下 的概率密度函數(shù)值時，需要先將測試樣本分別與各幀的平均像對齊，具體為將歸一化后的 測試樣本I,分別與訓練接階段保存的各幀均值向量#1骨動相關(guān)，相關(guān)系數(shù)最大時稱為與 該幀平均像對齊，此時得到與對齊后的測試樣本，「= 12.…，G，G為目標類別數(shù)，m =1，2,…，MC，M。為第c類目標的幀數(shù)。
[0079] 步驟9,計算測試樣本在各類各幀條件下的幀概率密度函數(shù)值iC
[0080] 經(jīng)過預處理后的測試樣本在第c類第m幀條件下的幀概率密度函數(shù)值了可通 過在訓練階段保存的各幀模型參數(shù)的后驗均值來求得，表示如下：
[0082] 其中，字典1)^ =[#'???,為步驟6中保存的第c類第m幀卷積因子 分析CFA模型的第k個字典原子;評廠=[^1'",一, 1^'~,1^：7]，1^"為步驟6中保存的的 第k個權(quán)向量；y~ m為步驟6中保存的第c類第m幀卷積因子分析CFA模型的噪聲變量的協(xié)方 差精度；6~為PXSL的矩陣，P為雷達高分辨距離像數(shù)據(jù)的維度，L為的維度， 旮-=[屯r，，，.，#，a。…，妃、拉,，",拉]，社"為先將dr末尾補零使其成為維度為p的向 量，再將5T循環(huán)移動i-1個單位后所形成的向量，i = l，2,…，1，^?是51^51的矩陣，
為SLX 1的列向 量，其各元素為第c類第m幀卷積因子分析CFA模型第n個樣本對應的第k個權(quán)向量Wf 的第i個元素，Ip為P階單位矩陣;N為每幀樣本數(shù)。
[0083] 步驟10,比較測試樣本在各類各幀條件下的幀概率密度函數(shù)值并確定測試樣 本Xtest的類別。
[0084] 找出步驟9中;^的最大值，若該值對應的類別為第c類目標，則該測試樣本Xtest屬 于第c類目標，測試過程結(jié)束。
[0085] 本發(fā)明的效果可以通過以下仿真實驗進一步說明。
[0086] (D實驗條件 [0087] la)實測數(shù)據(jù)設置
[0088]本實驗實測數(shù)據(jù)為維度較高的一維高分辨距離像HRRP數(shù)據(jù)，包含五類目標:雅克_ 42、安-26、獎狀、某型號飛機-1和某型號飛機-2。其中，每類飛機的高分辨距離像HRRP均被 分成若干段，選擇方位比較完備的數(shù)據(jù)做訓練，其余段做測試。各類目標訓練數(shù)據(jù)可分別分 為50幀、50幀、35幀、50幀、73幀，每幀1024個樣本，每個樣本包含256個距離單元。
[0089] lb)卷積因子分析CFA模型超參數(shù)及迭代次數(shù)設置如下：
[0090] ao = 1，b〇 = 10-3，co = 1，(!〇 = 10，eo = 10-6，fo = 10-6,1 = 100，J = 17 [0091] (2)實驗內(nèi)容
[0092]實驗1，對五類飛機目標分別采用本發(fā)明的卷積因子分析CFA模型與傳統(tǒng)FA模型進 行建模，兩種模型下的模型復雜度隨樣本數(shù)的變化如圖2所示。圖2橫坐標為每幀樣本數(shù)，縱 坐標為模型總參數(shù)個數(shù)。
[0093]從圖2可知，本發(fā)明卷積因子分析CFA模型的模型參數(shù)個數(shù)明顯少于傳統(tǒng)FA模型， 因此，本發(fā)明方法更適用于小樣本情況下的目標識別。
[0094]實驗2,對高分辨距離像HRRP實測數(shù)據(jù)分別采用本發(fā)明的卷積因子分析CFA模型與 傳統(tǒng)FA進行統(tǒng)計識別，兩種模型下的平均識別率隨樣本數(shù)的變化如圖3所示。其中圖3(a)為 雅克-42、安-26、獎狀三類目標的平均識別率隨樣本數(shù)的變化示意圖，橫坐標為每幀樣本 數(shù)，縱坐標為平均識別率；圖3(b)為雅克-42、安-26、獎狀、某型號飛機-1、某型號飛機-2五 類目標的平均識別率隨樣本數(shù)的變化示意圖，橫坐標為每幀樣本數(shù)，縱坐標為平均識別率。
[0095]從圖3可以看出，在每幀樣本數(shù)小于256的小樣本情況下，本發(fā)明方法的目標平均 識別率高于傳統(tǒng)FA模型；當訓練樣本數(shù)充足時，兩種模型的識別率均會有較大的提升且逐 漸趨于相同。
[0096]因此，在考慮高分辨距離像HRRP各距離單元相關(guān)性的條件下，本發(fā)明的CFA模型更 適用于小樣本目標識別問題。
【主權(quán)項】
1. 一種基于卷積因子分析CFA模型的雷達高分辨距離像目標識別方法，包括： (1) 訓練步驟 la) 對雷達接收的各類目標高分辨距離像HRRP訓練數(shù)據(jù)按角域分幀并對分幀后的訓練 樣本取模得到它們的時域特征； lb) 將各幀內(nèi)的高分辨距離像HRRP依次進行強度歸一化、平移對齊和求平均像的預處 理； lc) 分別對預處理后的每幀高分辨距離像HRRP數(shù)據(jù)構(gòu)建一個卷積因子分析CFA模型：其中，c = l，2,…，G，G為目標類別總數(shù)，m= 1，2，…，M。，M。為第c類目標的總幀數(shù)，k= 1， 2，…，S，S為字典原子個數(shù)，n= 1，2，…，N，N為每幀高分辨距離像HRRP數(shù)據(jù)的樣本數(shù);$/"為 預處理后的第c類第m幀第n個雷達高分辨距離像;胃f為第k個權(quán)向量，其第i個元素?"服 從均值為〇、方差為?的高斯分布，C服從參數(shù)為a〇、b〇的伽馬分布，i = 1，2，…，L，L為 的維度；為第k個字典原子，其第j個元素服從均值為0、的高斯分 布，戌'?服從參數(shù)為C〇、d〇的伽馬分布，j = l，2,…，J，J為dr的維度;#>m為第c類第m幀高分 辨距離像數(shù)據(jù)的平均像，為高斯噪聲變量，服從均值為〇>的高斯分布， 為^的協(xié)方差精度，服從參數(shù)為eQ、fQ的伽馬分布，Ip表示P階單位矩陣;*表示卷積運 算； ld) 根據(jù)變分貝葉斯VB算法求得各幀卷積因子分析CFA模型中參數(shù)WJ1、dr、yh' 的條件后驗分布； le) 初始化卷積因子分析CFA模型參數(shù)的均值、方差，設定迭代次數(shù)并根據(jù)（Id)中參數(shù) 的條件后驗分布對各模型參數(shù)進行更新，更新結(jié)束后保存各參數(shù)的最終結(jié)果和各幀高分辨 距離像HRRP數(shù)據(jù)的平均像，完成對CFA模型的訓練。 (2) 測試步驟 2a)對測試樣本Xtest取模得到時域特征并進行強度歸一化，再與訓練階段(le)中保存的 各類各幀的平均像#^平移對齊，得到預處理后的測試樣本O 2b)利用（le)中保存的CFA模型各參數(shù)的后驗均值，分別計算測試樣本在各類各幀 條件下的幀概率密度函數(shù)值; 2c)找出（2b)中幀概率密度函數(shù)值的最大值，該值對應的第c類目標即為測試樣本 xtest的類別。2. 根據(jù)權(quán)利要求1所述的方法，步驟（lc)中對每幀高分辨距離像數(shù)據(jù)構(gòu)建一個卷積因 子分析CFA模型，按如下步驟進行： lcl)用經(jīng)過預處理后的第c類第m幀第n個高分辨距離像減去該幀的平均像#，'得 到0均值的高分辨距離像，表示為叉廣-; iC2)對〇均值的高分辨距離像模型化，即先將各字典原子與其對應的權(quán)向量 進行卷積得到卷積后的S個向量，再對這S個向量求和，得到能夠反映的基本結(jié)構(gòu)及 每個結(jié)構(gòu)在-礦中的位置的向量，其中，k = 1，2，…， S，S為字典原子的個數(shù)，*表示卷積運算； 1 c 3 )對步驟（1 c 2 )中的賦予一個噪聲變量☆'即，以表示模型誤差； lc4)將步驟（lc3)的表示式整理成的形式，得到卷積因 子分析CFA模型。3.根據(jù)權(quán)利要求1所述的方法，其中步驟（Id)中利用變分貝葉斯VB算法求得各幀卷積 因子分析C F A模型中W,：T、dr、〇 Y?！返臈l件后驗分布' 心「、T"'巧吣按如下公式計算：表示權(quán)向量w：r的后驗均值向量；表示權(quán)向量wf的各元素的后驗方差所組成的向 量，11=1=[1，1，一，1]1'表示各元素均為1的1維列向量，1是權(quán)向量'評,丨廣的維度， cr ??,?=]表示權(quán)向量^T各元素的超先驗《 :所組成的向量，i = l，2,…，L;|表示字典原子dr的后驗均值向 量；表示字典原子各元素的后驗方差組成的向 量，lj = J=[l，l，…，1]T是各元素均為1的J維列向量，J是字典原子df"的維度， pr=[ at，凡r，…，爲r ]表示各元素的超先驗馬#所組成的向量，j=1，2，…，j; 表示經(jīng)過預處理后的高分辨距離像，ye，m表示第C類第m幀高分辨距離像的平均像；分別表示「后驗分布中的形狀參數(shù)和尺度參數(shù)， a〇、b〇表不_%4丨"的超先驗；分別表示片/，后驗分布中的形狀參數(shù)和尺度 參數(shù)，c。、do表示爲的超先驗；>分別表示丫^后驗分布中的 形狀參數(shù)和尺度參數(shù)，eo、fQ表示的超先驗； 0表示點除運算，Q表示點乘運算，〈?>表示取均值操作，||*||:表示模值的平方，（?）T表 不轉(zhuǎn)置操作，N( ?)表不高斯分布，Gamma( ?)表不伽馬分布。4. 根據(jù)權(quán)利要求1所述的方法，其中步驟(2a)中對測試樣本Xtest進行強度歸一化，通過 如下公式進行：其中，Xtest為測試樣本，| Ixtestl |2表示Xtest的模值，1^為經(jīng)過強度歸一化后的測試樣 本，I I ? I h表示取模運算。5. 根據(jù)權(quán)利要求1所述的方法，其中步驟(2b)中計算測試樣本在各類各幀條件下的 幀概率密度函數(shù)值.通過下式計算：其中，c=l，2,…，G，G為目標類別數(shù)，m=l，2,…，MC，M。為第C類目標的幀數(shù)，為經(jīng)過 強度歸一化并與第c類第m幀高分辨距離像的平均像平移對齊后的測試樣本，為第c類第 m幀數(shù)據(jù)的平均像，CH，…，ddr為訓練階段(le)保存的第c類第m幀卷積 因子分析CFA模型的第k個字典原子，k = 1，2，…，S，S為字典原子個數(shù)； W,?H = [W,;廣,…Wf ]，W:為訓練階段（1 e)中保存的第k個權(quán)向量，n=l，2,…， N，N為每幀高分辨距離像數(shù)據(jù)的樣本個數(shù)；y c^為第c類第m幀卷積因子分析CFA模型噪聲變 量的協(xié)方差精度；為口 X SL的矩陣，P為雷達高分辨距離像數(shù)據(jù)的維度，L為的維度， 啟岸名f，…，3趑，.."，虼，.",袷],趣-為先將(^末尾補零使其成為維度為？的向 量母'再將祀，盾環(huán)移動i-1個單位后所形成的向量，i = l，2,…，1，〇。'》是51^51的矩陣， 具體表示為SLX1的列向量，其各元素 t^為第c類第m幀卷積因子分析CFA模型第n個樣本對應的第k 個權(quán)向量W,;/H的第i個元素，Ip為P階單位矩陣;N為每幀樣本數(shù)，〈? >表示取均值操作，（? )T表示轉(zhuǎn)置操作。
【文檔編號】G01S7/41GK106054155SQ201610393379
【公開日】2016年10月26日
【申請日】2016年6月3日
【發(fā)明人】杜蘭, 陳健, 和華, 郭昱辰, 王鵬輝, 劉宏偉
【申請人】西安電子科技大學, 西安中電科西電科大雷達技術(shù)協(xié)同創(chuàng)新研究院有限公司