CN104063591B - 统一模型非库属目标一维距离像判别方法 - Google Patents

Abstract

本发明提出一种基于统一模型的非库属目标一维距离像判别方法，有效的提高对输入目标库属性的判别性能。该方法首先利用所有目标的训练样本数据建立一个统一的非库属目标描述模型，然后以此统一模型作为基础，对库属目标的训练样本数据进行自适应迭代，即可获得库属目标的描述模型，最后使用似然比准则对输入目标的库属性进行判别。该方法只需建立一个统一模型，同时解决了非库属目标和库属目标的描述模型问题，另外，当新目标出现时，经过简单的迭代即可得到新的库属目标和非库属目标的描述模型，从而提高了目标库属性判别性能。

Description

统一模型非库属目标一维距离像判别方法

技术领域

本发明属于雷达目标识别技术领域，涉及一维距离像识别方法，具体为统一模型非库属目标一维距离像判别方法。

背景技术

雷达目标识别是根据雷达目标回波所提供的有关信息，对目标的类别、属性等作出判断。由宽带雷达为观测手段能够获取目标的一维距离像，一维距离像包含目标的结构特征和几何形状，相对于常规雷达而言，更有利于目标的分类。因此，基于一维距离像的目标识别技术成为了当前研究的热点。

在实际工作中，当待识别目标属于库属目标，即在训练过程中已建立了其库特征模板，许多基于一维距离像的识别方法都获得了良好的识别效果。但对于飞机等非协作目标，很难一次性收集目标的所有一维距离像数据建立一个完备的特征模板征库，甚至对于别国的飞机目标，根本就不能得到目标的一维距离像数据，表明待识别目标可能是非库属目标，即没有参与训练的目标，在这种情况下，传统的一维距离像识别方法将会产生错误识别，严重降低对目标的识别性能。

针对上述实际情况，在雷达目标识别过程中必须首先对待识别目标的一维距离像进行判别，若待识别目标判为库属目标，将采用传统的一维距离像方法进行识别；若待识别目标判为新目标，则在原有的特征模板库中增加一个新的库目标。因此，待识别目标的库属性判别是实际识别中的一个重要环节。

目前，常规的目标库属性判别方法称为门限法，即根据库属目标的训练数据确定一个判别门限，当识别统计量小于该门限时，待识别目标判为各目标，如果识别统计量大于门限时，则判待识别目标为非库属目标。然而，门限法中的门限是仅仅根据库属目标的数据确定的，而没有利用任何非库属目标的信息，尽管可以获得高的库属目标的判别率，但是对非库属目标的误判别率明显增加。

发明内容

本发明的目的在于提供了一种统一模型非库属目标一维距离像判别方法，有效的提高对输入目标库属性的判别性能，其技术方案为：

统一模型非库属目标一维距离像判别方法，其特征在于，所述判别方法首先利用所有目标的训练样本数据建立一个统一的非库属目标描述模型，然后以此统一模型作为基础，对库属目标的训练样本数据进行自适应迭代，获得库属目标的描述模型，最后使用似然比准则对输入目标的库属性进行判别，包括以下步骤：

10)利用所有雷达目标的一维距离像训练矢量x_ij确定统一模型λ′＝{w′_k,u′_k,C′_k}k＝1,2,…,M；

11)根据x_ij确定条件概率密度函数P_i(k/x_ij)；

12)根据P_i(k/x_ij)确定平均条件密度l_i,k；

13)利用x_ij、l_i,k和P_i(k/x_ij)确定均值E_i,k{x_i}和均方值

14)根据l_i,k确定自适应控制系数和

15)利用以上参量对统一模型参数自适应更新确定第i类目标的描述模型λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M；

16)确定输入目标一维距离像序列的两个概率密度函数p(X/λ′)和p(X/λ_i)；

17)计算似然比

18)利用似然比规则确定输入目标的库属性。

进一步优选，利用每类目标的一维距离像训练样本集建立非库属目标的统一描述模型和各类库属目标的描述模型，确定属于非库属目标和库属目标的概率密度函数，按似然比是判定输入目标的库属性。

进一步优选，判定目标库属性的具体办法是：由训练一维像样本集确定统一模型λ′＝{w′_k,u′_k,C′_k}k＝1,2,…,M，利用第i类目标的训练目标一维距离像样本集通过迭代方程确定每类目标的描述模型λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M；对输入目标的一维距离像样本序列X_t＝{x₁,x₂,…,x_N}，计算属于非库属目标和属于库属目标的概率密度函数和并计算以下似然比：

如果：Λ_i≥γ，γ为门限，则判输入目标为非库属目标；否则判输入目标为库属目标。

进一步优选的，自适应更新的更新方程为：

其中η为归一化***；为模型参数协方差矩阵C_i,k的对角线元素；w_i,k，u_i,k和分别为第i类库属目标描述模型更新前的参数，将统一模型的参数作为其初始值；和分别为第i类库属目标描述模型更新后的参数。

进一步优选的，自适应控制系数更新方程为：

其中υ^w,υ^u和均为一常系数。

本发明的有益效果为：

本发明提供的统一模型非库属目标一维距离像判别方法只需建立一个统一模型，同时解决了非库属目标和库属目标的描述模型问题，另外，当新目标出现时，经过简单的迭代即可得到新的库属目标和非库属目标的描述模型。该判别方法由于既考虑了库属目标的描述模型，又考虑了非库属目标的描模型，从而提高了目标库属性判别性能。

附图说明

图1为本发明提供的统一模型非库属目标一维像判别方法的流程图

具体实施方式：

下面结合附图与实施例对本发明做进一步详细的说明。

确定统一的非库属目标描述模型：

令非库属目标的条件概率密度函数为

其中x为任意n维的一维距离像矢量，M为分量个数，w_k为权系数，p_k(x)为第k个分量的概率密度分布，其表达式为

其中u′_k为n维的均值矢量，C′_k为n×n维的协方差矩阵。则非库属目标的模型参数集为

λ′＝{w′_k,u′_k,C′_k}k＝1,2,…,M (3)

以上的模型参数可由所有目标的训练一维像样本数据通过期望最大化方法解得。由于所有的非库属目标都由该模型来进行描述，则称为统一的非库属目标描述模型。

自适应库属目标描述模型：

设x_ij(n维列矢量)为第i^th类目标的第j个训练一维距离像,i＝1,2,…,g，j＝1,2,…,N_i，，其中N_i为第i类目标的训练一维距离像样本数。利用第i类目标的训练数据计算如下参量

根据以上参量对统一描述模型参数进行更新，更新方程为

其中η为归一化***；为模型参数协方差矩阵C_i,k的对角线元素；w_i,k，u_i,k和分别为第i类库属目标描述模型更新前的参数，将统一模型的参数作为其初始值；和分别为第i类库属目标描述模型更新后的参数；和为自适应控制系数，按下式计算

其中υ^w,υ^u和均为一常系数，由实验方式确定。对第i类库属目标的每一个训练样本按式(6)-(15)进行迭代完成后，则第i类库属目标的模型参数为

λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M (14)

其中矩阵C_i,k为

基于似然比准则的非库属目标判别：

设定待识别目标的一维距离像数据序列为

X＝{x₁,x₂,…,x_N} (16)

其中x_t(t＝1,2,…,N)为一维距离像矢量，N为一维距离像个数，并且假设不同一维距离像之间是统计独立的。则待识别目标属于非库属目标和第i类库属目标的概率密度函数分别为

计算似然比

则判别规则为：如果所有Λ_i≥γ，则判输入目标为非库属目标；否则判输入目标为库属目标；其中γ为判别门限，常取为1。

附图示意出本发明的统一模型非库属目标一维像判别方法的流程图。

流程图开始于步骤201。

在步骤202，利用g类目标的所有训练一维距离像矢量x_ij确定如下统一模型：

λ′＝{w′_k,u′_k,C′_k}k＝1,2,…,M

其中w_k为权系数，u′_k为n维的均值矢量，C′_k为n×n维的协方差矩阵；g为目标类别数，M为份量数。

在步骤2031，确定参量：

在步骤2032，确定参量：

在步骤2033，确定参量：

在步骤2034，确定迭代控制系数：

其中υ^w,υ^u和均为一常系数，由实验方式确定。

在步骤204，确定每类库属目标的这模型：

λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M

在步骤2051，确定输入目标一维距离像序列X_t的两个概率密度：

在步骤2052，计算似然比：

在步骤2053，确定输入目标一维距离像的库属性：

若Λ_i≥γ，则判为非库属目标；否则判为库属目标。

根据本发明的统一模型非库属目标判别方法的流程结束于步骤206。

仿真实验

设计四种点目标：“|”字型，“V”字型,“干”字型和“小”字型。前三种目标(“|”字型，“V”字型,“干”字型目标)作为库属目标参与训练，建立非库属目标的描述模型和库属目标的描述模型。后一种目标(“小”字型目标)不参与训练(即作为非库属目标)。在目标姿态角为(0°∽50°)范围内每隔1°的一维距离像中,取所有训练目标姿态角为0°、2°、4°、...、50°的一维距离像进行训练，其余姿态角的一维距离像作为测试数据。使用门限法和本文方法对以上仿真数据进行判别实验。

模拟实验中，雷达发射脉冲的带宽为150MHZ(距离分辨率为1m,雷达径向取样间隔为0.5m),目标设置为均匀散射点目标，”|”目标的散射点为5，其余三目标的散射点数均为9。实验结果如下：

表一 门限法对四种目标的判别结果(％)

表二 统一模型法对四种目标的判别结果(％)

从表一的结果可见，门限法对对“|”字型目标、“V”字型目标和“干”字型目标等三种库目标的正确判别率分别为88％、84％和81％；对“小”字型目标等非库属目标，判为非库属目标的正确判别率为78％。相比而言，门限法对库属目标的判别率较高，而对非库属目标的判别性能比较低。这主要是由于门限法在设置门限时只考虑了库属目标的分布模型。

从表二的结果可见，统一模型法对“|”字型目标、“V”字型目标和“干”字型目标等三种库目标的正确判别率分别为94％、89％和85％；对“小”字型目标等非库属目标，判为非库属目标的正确判别率为89％。比较表一和表二的结果可知，统一模型法对库属目标和非库属目标的判别率明显高于门限法，这主要是由于统一模型法在判别时既考虑了库属目标的分布模型，同时又考虑了非库属目标的分布模型，从而大大提高了正确判别率。

Claims (5)

1.统一模型非库属目标一维距离像判别方法，其特征在于，所述判别方法首先利用所有目标的训练样本数据建立一个统一的非库属目标描述模型，然后以此统一模型作为基础，对库属目标的训练样本数据进行自适应迭代，获得库属目标的描述模型，最后使用似然比准则对输入目标的库属性进行判别，包括以下步骤：

1)利用所有雷达目标的一维距离像训练矢量x_ij确定统一模型λ'＝{w'_k,u'_k,C'_k}k＝1,2,…,M；其中，w'_k为权系数，u'_k为n维的均值矢量，C'_k为n×n维的协方差矩阵，M为分量个数；

2)根据x_ij确定条件概率密度函数P_i(k/x_ij)；

3)根据P_i(k/x_ij)确定平均条件密度l_i,k，其中，j＝1,2,…,N_i，N_i为第i类目标的训练一维距离像样本数；

4)利用x_ij、l_i,k和P_i(k/x_ij)确定均值E_i,k{x_i}和均方值其中，

5)根据l_i,k确定自适应控制系数和

6)利用以上参量对统一模型参数自适应更新确定第i类目标的描述模型λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M；

7)确定输入目标一维距离像序列的两个概率密度函数p(X/λ')和p(X/λ_i)；其中，X表示待识别目标的一维距离像数据序列；

8)计算似然比

9)利用似然比规则确定输入目标的库属性。

2.按权利要求1所述统一模型非库属目标一维距离像判别方法，其特征在于，利用每类目标的一维距离像训练样本集建立非库属目标的统一描述模型和各类库属目标的描述模型，确定属于非库属目标和库属目标的概率密度函数，按似然比是判定输入目标的库属性。

3.按权利要求1所述统一模型非库属目标一维距离像判别方法，其特征在于，判定目标库属性的具体办法是：由训练一维像样本集确定统一模型λ'＝{w'_k,u'_k,C'_k}k＝1,2,…,M，利用第i类目标的训练目标一维距离像样本集通过迭代方程确定每类目标的描述模型λ_i＝{w_i,k,u_i,k,C_i,k}k＝1,2,…,M；对输入目标的一维距离像样本序列X_t＝{x₁,x₂,…,x_N}，计算属于非库属目标和属于库属目标的概率密度函数和并计算以下似然比：

如果：Λ_i≥γ，γ为门限，则判输入目标为非库属目标；否则判输入目标为库属目标。

4.按权利要求1所述统一模型非库属目标一维距离像判别方法，其特征在于，自适应更新的更新方程为：

${\hat{w}}_{i,k}=\[{\mathrm{\α}}_{i,k}^w{l}_{i,k}/N+(1-{\mathrm{\α}}_{i,k}^w)w_{i,k}\]\mathrm{\η},$

${\hat{u}}_{i,k}={\mathrm{\α}}_{i,k}^u{E}_{i,k}\left(x_i\right)+(1-{\mathrm{\α}}_{i,k}^u)u_{i,k},$

${\widehat{\mathrm{\σ}}}_{i,k}^2={\mathrm{\α}}_{i,k}^{{\mathrm{\σ}}^2}{E}_{i,k}\left(x_i^2\right)+(1-{\mathrm{\α}}_{i,k}^{{\mathrm{\σ}}^2})({\mathrm{\σ}}_{i,k}^2+u_{i,k}^2)-{\hat{u}}_{i,k}^2,$

其中η为归一化***；为模型参数协方差矩阵C_i,k的对角线元素；w_i,k，u_i,k和分别为第i类库属目标描述模型更新前的参数，将统一模型的参数作为其初始值；和分别为第i类库属目标描述模型更新后的参数。

5.按权利要求1所述统一模型非库属目标一维距离像判别方法，其特征在于，自适应控制系数更新方程为：

${\mathrm{\α}}_{i,k}^w=\frac{l_{i,k}}{l_{i,k}+{\mathrm{\υ}}^w},$

${\mathrm{\α}}_{i,k}^u=\frac{l_{i,k}}{l_{i,k}+{\mathrm{\υ}}^u},$

${\mathrm{\α}}_{i,k}^{{\mathrm{\σ}}^2}=\frac{l_{i,k}}{l_{i,k}+{\mathrm{\υ}}^{{\mathrm{\σ}}^2}},$

其中υ^w,υ^u和均为一常系数。