CN107506794B - 基于决策树的地面运动目标分类算法 - Google Patents

Abstract

本发明涉及一种基于决策树的地面运动目标分类算法，该算法用于战场环境地面战场侦察雷达对轮式车辆、履带式车辆、单人和小分队的准确分类识别。首先进行杂波抑制和特征提取，基于每个特征利用贝叶斯分类器对训练样本进行训练，确定分类器门限，然后计算熵不纯度，以熵不纯度减少量最大为准则，寻找最优特征，进行分层分类。解决了四类目标分层分类过程中的特征最优选择问题：算法中基于熵不纯度减小量最大准则来选择特征作为根节点和层节点。相比基于经验的特征选择算法，基于决策树的特征选择能够实现分层过程中的特征择优，保证分层分类算法的性能。

Description

基于决策树的地面运动目标分类算法

技术领域

本发明属于雷达技术领域，具体涉及一种基于决策树的地面运动目标分类算法，该算法用于战场环境下轮式车辆、履带式车辆、单兵和小分队的有效分类。

背景技术

地面运动目标分类技术在军事上具有重要的意义，地面运动目标分类可以用于威胁判断、获得战场上详细的态势情况，以供快速响应和决策。对于地面运动目标分类，可以利用运动目标的多普勒和微多普勒特征，进行特征提取，实现目标分类和识别。本发明针对战场侦察雷达重点关注的四类地面运动目标进行分类，目标类型包括轮式车辆、履带式车辆、单兵和小分队。

地面运动目标分类研究主要包括：地面典型运动目标(行人、轮式车辆和履带式车辆)的分类、单人的姿态识别、单人多人分类等。对于战场侦察雷达来说，地面典型运动目标的探测分类可以给出目标的属性和行为意图，因此是很有必要的。

目前，地面四类运动目标分类算法主要通过特征提取，进行分层识别。首先将四类目标分为人和车两大类，然后再进行具体细分，将人分为单兵和小分队，将车分为轮式车辆和履带式车辆。在分层识别的过程中，特征的选取很大程度上依赖于经验，比如进行人车分类时经常选择的特征是RCS特征和速度特征。其实还有其他的特征，比如L1范数的标准差可用于人车分类。因此，传统地面四类运动目标分类算法在进行分层分类方面特征选择没有理论支撑，依赖于经验，特征选择有时并非最优。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于决策树的地面运动目标分类方法，在分层分类的过程中选择最优的特征，从而保证分类的性能。

技术方案

一种基于决策树的地面运动目标分类算法，其特征在于步骤如下：

步骤1：杂波抑制：

1a)对时域信号进行傅里叶变换得到多普勒谱；

1b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

1c)重构最大值对应的杂波时域信号：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原信号中减去杂波时域信号得到新的时域信号；

1d)重复1a)到1c)步骤直到最大迭代次数；所述的最大迭代次数

其中f_r表示脉冲重复频率、M表示动目标检测MTD点数；σ_c表示杂波谱宽度，σ_c＝2σ_v/λ；其中σ_v表示频谱标准偏差，λ表示雷达波长；

步骤2：在杂波抑制后的距离多普勒平面，进行特征提取，提取的特征包括：速度特征、雷达散射截面积RCS特征、两倍速度2v处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征：

2a)速度特征：

其中，N_T和N₀分别表示目标所在的多普勒通道和零多普勒通道；

2b)RCS特征：

其中，R为目标距离；k为波尔兹曼常数；T₀为温度；F_n为接收机噪声系数；SNR为信噪比；L为雷达损耗引起的损失系数；P_t为发射功率；τ为发射脉冲宽度；G为天线增益；

2c)2v处微多普勒谱线数特征：

其中，n_2v,i，i＝1,2,…,n_w表示目标在第i帧中的2v处谱线数，n_w表示帧数；

2d)L1范数标准差特征：

f₄＝std(NORM_l1)

其中，std(·)表示求标准差运算，

表示目标频谱的L1范数，U_m代表第m个多普勒通道的归一化幅度值，i1＝min(2f_v-f₀,f₀)和i2＝max(2f_v-f₀,f₀)分别表示0～2v的多普勒区间的下限和上限，min(·)和max(·)分别表示求最小值和最大值运算，f_v表示目标速度v所对应得的多普勒频率，f₀表示零多普勒频率；

2e)归一化幅度和均值特征：

其中，mean(·)表示求均值运算，U_i代表第i个多普勒通道的归一化幅度值，ts和te表示目标微多普勒所处的范围；

2f)谱线数均值特征：

f₆＝mean(te-ts+1)

将特征f₁、f₂和f₄用于人车分类；f₁和f₃用于轮式车辆与履带式车辆分类；f₂、f₅和f₆用于单人和小分队分类；

采用交互式二分法构建决策树，基于熵不纯度减小量最大准则确定根节点和层节点；定义熵计算公式，假设一个节点下有p类样本，其样本数为n_i，i＝1,2,…,p，则熵可由下式计算：

其中，符号log₂(·)表示求以2为底的对数；

步骤3：建立根节点进行人车分类：

3a)基于训练数据对特征f₁、f₂和f₄分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

3a1)计算先验概率：

其中，w₁和w₂分别表示两类目标类型，w₁对应的特征f_i，i＝1,2,4较小；w₁和w₂对应的先验概率分别用P(w₁)和P(w₂)表示；N₁和N分别表示训练样本中w₁的样本数和总样本数；

3a2)将特征f_i，i＝1,2,4的分布区间[a_i,b_i]，i＝1,2,4进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N，得到条件概率分布p(x|w₁)和p(x|w₂)；其中

和

分别表示第i个特征在w₁和w₂中的区间分布；

3a3)将门限T在区间[a_i,b_i]，i＝1,2,4遍历，计算总错误率：

P_i(e)＝P(w₁)P_i,1(e)+P(w₂)P_i,2(e)(i＝1,2,4)

其中，第一类平均错误率为

第二类平均错误率为

3a4)选择使总错误率最小的门限为贝叶斯分类门限：

其中，符号arg(·)表示满足代价函数的变量；

3b)根据每一个特征的分类门限对训练样本进行训练：

对不同的特征f_i，i＝1,2,4，依据不同的分类门限T_i，i＝1,2,4，对训练样本进行训练，具体如下：

记人和车的样本数分别为N_r，N_c，统计正确分类的样本数：

3b1)对于速度f₁特征，大于门限T₁的车辆样本为正确判别的车辆样本，其样本数记为N₁₁，小于T₁的车辆样本称为错误判别的车辆样本，其样本数记为

小于门限T₁的人员样本为正确判别的人员样本，其样本数记为N₁₂，大于T₁的人员样本称为错误判别的人员样本，其样本数记为

3b2)对于特征f₂，大于门限T₂的车辆样本为正确判别的车辆样本，其样本数记为N₂₁，小于T₂的车辆样本称为错误判别的车辆样本，其样本数记为

小于T₂的人员样本为正确判别的人员样本，其样本数记为N₂₂，大于T₂的人员样本称为错误判别的人员样本，其样本数记为

3b3)对于特征f₄，小于T₄的车辆样本为正确判别的车辆样本，其样本数记为N₄₁，大于T₄的车辆样本称为错误判别的车辆样本，其样本数记为

大于T₄的人员样本为正确判别的人员样本，其样本数记为N₄₂，小于T₄的人员样本称为错误判别的人员样本，其样本数记为

3c)计算熵不纯度减小量：

3c1)计算不考虑任何特征时的熵不纯度I(N,N_r,N_c)

3c2)分别计算特征f_i(i＝1,2,4)的熵不纯度减小量：

ΔI_i＝I(N,N_r,N_c)-I_i(i＝1,2,4)，

其中，

3d)选择熵不纯度减小量最大的特征作为根节点，将目标分为人车两类，

步骤4：建立层节点进行轮式车辆和履带式车辆分类：

4a)基于训练数据对特征f₁和f₃分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

4a1)计算先验概率：

其中，w₃和w₄分别表示两类车辆目标类型，w₃对应的特征f_i(i＝1,3)较小；w₃和w₄对应的先验概率分别用P(w₃)和P(w₄)表示；N₃和N_c分别表示训练样本中w₃的样本数和总的车辆样本数；

4a2)将特征f_i，i＝1,3的分布区间[c_i,d_i]，i＝1,3进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_c，得到条件概率分布p(x|w₃)和p(x|w₄)；其中，

和

分别表示第i个特征在w₃和w₄中的区间分布；

4a3)将门限

在区间[c_i,d_i](i＝1,3)遍历，计算总错误率：

其中，第一类平均错误率为

第二类平均错误率为

4a4)选择使总错误率最小的门限为贝叶斯分类门限：

4b)根据每一个特征的分类门限对车辆样本进行训练：

对不同的特征f_i，i＝1,3，依据不同的分类门限

i＝1,3，对训练样本进行训练，具体如下：

记轮式车辆和履带式车辆的样本数分别为N_l，N_lv，统计正确分类的样本数：

4b1)对于速度f₁特征，大于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

小于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

小于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

大于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4b2)对于f₃特征，小于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

大于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

大于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

小于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4c)计算熵不纯度减小量：

4c1)计算不考虑任何特征时的熵不纯度I(N_c,N_l,N_lv)；

4c2)分别计算特征f_i，i＝1,3的熵不纯度减小量：

其中，

4d)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点，将目标分为轮式车辆和履带式车辆两类，

步骤5：建立层节点进行单人和小分队分类：

5a)基于训练数据对特征f₂、f₅和f₆分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

5a1)计算先验概率：

其中，w₅和w₆分别表示两类人员目标类型，w₅对应的特征f_i，i＝2,5,6较小；w₅和w₆对应的先验概率分别用P(w₅)和P(w₆)表示；N₅和N_r分别表示训练样本中w₅的样本数和总的人员样本数；

5a2)将特征f_i，i＝2,5,6的分布区间[e_i,g_i]，i＝2,5,6进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_r，得到条件概率分布p(x|w₅)和p(x|w₆)；其中

和

分别表示第i个特征在w₅和w₆中的区间分布；

5a3)将门限

在区间[e_i,g_i]，i＝2,5,6遍历，计算总错误率：

其中，第一类平均错误率为

第二类平均错误率为

5a4)选择使总错误率最小的门限为贝叶斯分类门限：

5b)根据每一个特征的分类门限对人员样本进行训练：

对不同的特征f_i，i＝2,5,6，依据不同的分类门限

i＝2,5,6，对训练样本进行训练，具体如下：

记单人和小分队的样本数分别为N_d，N_x，统计正确分类的样本数：

5b1)对于速度f₂特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5b2)对于速度f₅特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5b3)对于速度f₆特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5c)计算熵不纯度减小量：

5c1)计算不考虑任何特征时的熵不纯度I(N_r,N_d,N_x)

5c2)分别计算特征f_i，i＝2,5,6的熵不纯度减小量：

其中，

5d)选择熵不纯度减小量最大的特征作为人员目标分类的层节点，将目标分为单人和小分队两类，

通过上述处理，将目标分为四个叶节点，对应四种目标类型，完成了决策树构建；

步骤6：测试：

测试阶段，对测试数据进行杂波抑制和特征提取后，按照决策树给出的规则进行分层判断，将判别的叶节点目标类型作为测试样本的识别类型。

有益效果

本发明提出的一种基于决策树的地面运动目标分类方法，在决策树构建过程中，根节点和层节点的特征选择基于最小错分率准则，实现了分层分类过程中的特征择优，保证了分类器的性能。

附图说明

图1是本发明的实现流程图；

图2是本发明的决策树构建流程图；

具体实施方式

现结合实施例、附图对本发明作进一步描述：

实现本发明的技术思路是：首先进行杂波抑制和特征提取，基于每个特征利用贝叶斯分类器对训练样本进行训练，确定分类器门限，然后计算熵不纯度，以熵不纯度减少量最大为准则，寻找最优特征，进行分层分类。

参照图1，本发明的具体实现步骤包括如下：

步骤1，杂波抑制：杂波抑制的准则：在进行杂波抑制的同时尽可能的保留原始信号的频率成分。

1a)对时域信号进行傅里叶变换得到多普勒谱，给定杂波谱宽度，确定最大迭代次数；杂波谱宽度和最大迭代次数可以利用如下规则确定：

1a1)对于地面战场侦察雷达来讲，其工作时雷达一般是静止的，此时地杂波主要分布在零多普勒频率附近；

1a2)由于地面目标通常活动于地面上，因此所处的杂波环境通常是地杂波。对于地面目标来说，其所处的杂波环境通常是地杂波环境。根据《雷达原理第五版》表8.1可以查得不同杂波的频谱标准偏差σ_v值。然后由σ_c＝2σ_v/λ确定杂波谱宽度，其中λ表示雷达波长；

1a3)由脉冲重复频率f_r、动目标检测(MTD)点数M和杂波谱宽度σ_c确定最大迭代次数

1b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

1c)重构最大值对应的杂波时域信号：

s_c＝(A／K)exp[j(2πf_ct+θ)]，

其中K表示脉冲积累数，从原信号中减去杂波信号得到新的时域信号；

1d)重复1a)到1c)步骤直到最大迭代次数。

步骤2，对杂波抑制后的信号，进行特征提取：在杂波抑制后的距离多普勒平面，进行特征提取，提取的特征包括：速度特征、雷达散射截面积(RCS)特征、两倍速度(2v)处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征。

2a)速度特征：

其中N_T和N₀分别表示目标所在的多普勒通道和零多普勒通道。

2b)RCS特征：

式中，R为目标距离；k为波尔兹曼常数；T₀为温度；F_n为接收机噪声系数；SNR为信噪比；L为雷达损耗引起的损失系数；P_t为发射功率；τ为发射脉冲宽度；G为天线增益。

2c)2v处微多普勒谱线数特征：

其中n_2v,i(i＝1,2,…,n_w)表示目标在第i帧中的2v处谱线数，n_w表示帧数。

2d)L1范数标准差特征：

f₄＝std(NORM_l1)，

其中std(·)表示求标准差运算，

表示目标频谱的L1范数，U_m代表第m个多普勒通道的归一化幅度值，i1＝min(2f_v-f₀,f₀)和i2＝max(2f_v-f₀,f₀)分别表示0～2v的多普勒区间的下限和上限，min(·)和max(·)分别表示求最小值和最大值运算，f_v表示目标速度v所对应得的多普勒频率，f₀表示零多普勒频率。对每一个相干处理间隔(CPI)，提取NORM_l1，统计不同CPI之间NORM_l1的方差。

2e)归一化幅度和均值特征：

其中mean(·)表示求均值运算，U_i代表第i个多普勒通道的归一化幅度值，ts和te表示目标微多普勒所处的范围。对每一个CPI，提取幅度和，统计不同CPI之间幅度和的均值。

2f)谱线数均值特征：

f₆＝mean(te-ts+1)，

对每一个CPI，提取谱线数，统计不同CPI之间谱线数的均值。

步骤3，构建决策树：

首先定义熵计算公式，假设一个节点下有p类样本，其样本数为n_i(i＝1,2,…,p)，则熵可由下式计算：

其中符号log₂(·)表示求以2为底的对数。然后基于熵不纯度减小量最大准则确定根节点和层节点：

3a)建立根节点进行人车分类：

3a1)将特征f₁、f₂和f₄用于人车分类，基于训练数据对特征f_i(i＝1,2,4)分别进行贝叶斯分类器训练，具体流程如下：

3a11)计算先验概率：

其中w₁和w₂分别表示两类目标类型，w₁对应的特征f_i(i＝1,2,4)较小。w₁和w₂对应的先验概率分别用P(w₁)和P(w₂)表示。N₁和N分别表示训练样本中w₁的样本数和总样本数。

3a12)将特征f_i(i＝1,2,4)的分布区间[a_i,b_i](i＝1,2,4)进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N，得到条件概率分布p(x|w₁)和p(x|w₂)。其中

和

分别表示第i个特征在w₁和w₂中的区间分布。

3a13)将门限T在区间[a_i,b_i](i＝1,2,4)遍历，计算总错误率：

P_i(e)＝P(w₁)P_i，1(e)+P(w₂)P_i，2(e)(i＝1，2，4)，

其中第一类平均错误率为

第二类平均错误率为

3a14)选择使总错误率最小的门限为贝叶斯分类门限：

其中符号arg(·)表示满足代价函数的变量。

3a2)根据每一个特征的分类门限对训练样本进行训练：

对不同的特征f_i(i＝1,2,4)，依据不同的分类门限T_i(i＝1,2,4)，对训练样本进行训练，具体如下：

记人和车的样本数分别为N_r，N_c，统计正确分类的样本数：

3a21)对于速度f₁特征，大于门限T₁的车辆样本为正确判别的车辆样本，其样本数记为N₁₁，小于T₁的车辆样本称为错误判别的车辆样本，其样本数记为

小于门限T₁的人员样本为正确判别的人员样本，其样本数记为N₁₂，大于T₁的人员样本称为错误判别的人员样本，其样本数记为

3a22)对于特征f₂，大于门限T₂的车辆样本为正确判别的车辆样本，其样本数记为N₂₁，小于T₂的车辆样本称为错误判别的车辆样本，其样本数记为

小于T₂的人员样本为正确判别的人员样本，其样本数记为N₂₂，大于T₂的人员样本称为错误判别的人员样本，其样本数记为

3a23)对于特征f₄，小于T₄的车辆样本为正确判别的车辆样本，其样本数记为N₄₁，大于T₄的车辆样本称为错误判别的车辆样本，其样本数记为

大于T₄的人员样本为正确判别的人员样本，其样本数记为N₄₂，小于T₄的人员样本称为错误判别的人员样本，其样本数记为

3a3)计算熵不纯度减小量

3a31)计算不考虑任何特征时的熵不纯度I(N,N_r,N_c)

3a32)分别计算特征f_i(i＝1,2,4)的熵不纯度减小量：

ΔI_i＝I(N,N_r,N_c)-I_i(i＝1,2,4)，

其中

3a4)选择熵不纯度减小量最大的特征作为根节点，将目标分为人车两类，

3b)建立层节点进行轮式车辆和履带式车辆分类：

3b1)将f₁和f₃用于轮式车辆与履带式车辆分类，基于训练数据对特征f₁和f₃分别进行贝叶斯分类器训练，具体流程如下：

3b11)计算先验概率：

其中w₃和w₄分别表示两类车辆目标类型，w₃对应的特征f_i(i＝1,3)较小。w₃和w₄对应的先验概率分别用P(w₃)和P(w₄)表示。N₃和N_c分别表示训练样本中w₃的样本数和总的车辆样本数。

3b12)将特征f_i(i＝1,3)的分布区间[c_i,d_i](i＝1,3)进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_c，得到条件概率分布p(x|w₃)和p(x|w₄)。其中

和

分别表示第i个特征在w₃和w₄中的区间分布。

3b13)将门限

在区间[c_i,d_i](i＝1,3)遍历，计算总错误率：

其中第一类平均错误率为

第二类平均错误率为

3b14)选择使总错误率最小的门限为贝叶斯分类门限：

3b2)根据每一个特征的分类门限对车辆样本进行训练：

对不同的特征f_i(i＝1,3)，依据不同的分类门限

对训练样本进行训练，具体如下：

记轮式车辆和履带式车辆的样本数分别为N_l，N_lv，统计正确分类的样本数：

3b21)对于速度f₁特征，大于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

小于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

小于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

大于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

3b22)对于f₃特征，小于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

大于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

大于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

小于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

3b3)计算熵不纯度减小量

3b31)计算不考虑任何特征时的熵不纯度I(N_c,N_l,N_lv)

3b32)分别计算特征f_i(i＝1,3)的熵不纯度减小量：

其中

3b4)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点，将目标分为轮式车辆和履带式车辆两类，

3c)建立层节点进行单人和小分队分类：

3c1)将f₂、f₅和f₆用于单人和小分队分类，基于训练数据对特征f_i(i＝2,5,6)分别进行贝叶斯分类器训练，具体流程如下：

3c11)计算先验概率：

其中w₅和w₆分别表示两类人员目标类型，w₅对应的特征f_i(i＝2,5,6)较小。w₅和w₆对应的先验概率分别用P(w₅)和P(w₆)表示。N₅和N_r分别表示训练样本中w₅的样本数和总的人员样本数。

3c12)将特征f_i(i＝2,5,6)的分布区间[e_i,g_i](i＝2,5,6)进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_r，得到条件概率分布p(x|w₅)和p(x|w₆)。其中

和

分别表示第i个特征在w₅和w₆中的区间分布。

3c13)将门限

在区间[e_i,g_i](i＝2,5,6)遍历，计算总错误率：

其中第一类平均错误率为

第二类平均错误率为

3c14)选择使总错误率最小的门限为贝叶斯分类门限：

3c2)根据每一个特征的分类门限对人员样本进行训练：

对不同的特征f_i(i＝2,5,6)，依据不同的分类门限

对训练样本进行训练，具体如下：

记单人和小分队的样本数分别为N_d，N_x，统计正确分类的样本数：

3c21)对于速度f₂特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

3c22)对于速度f₅特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

3c23)对于速度f₆特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

3c3)计算熵不纯度减小量

3c31)计算不考虑任何特征时的熵不纯度I(N_r,N_d,N_x)

3c32)分别计算特征f_i(i＝2,5,6)的熵不纯度减小量：

其中

3c4)选择熵不纯度减小量最大的特征作为人员目标分类的层节点，将目标分为单人和小分队两类，

通过上述处理，将目标分为四个叶节点，对应四种目标类型，完成了决策树构建。

步骤4，测试

测试阶段，对测试数据进行杂波抑制和特征提取后，按照决策树给出的规则进行分层判断，将判别的叶节点目标类型作为测试样本的识别类型。

Claims (1)

1.一种基于决策树的地面运动目标分类算法，其特征在于步骤如下：

步骤1：杂波抑制：

1a)对时域信号进行傅里叶变换得到多普勒谱；

1b)在杂波范围内搜索最大值，记录最大值的幅度A、相位θ以及多普勒频率f_c；

1c)重构最大值对应的杂波时域信号：

s_c＝(A/K)exp[j(2πf_ct+θ)]

其中K表示脉冲积累数，从原信号中减去杂波时域信号得到新的时域信号；

1d)重复1a)到1c)步骤直到最大迭代次数；所述的最大迭代次数

其中f_r表示脉冲重复频率、M表示动目标检测MTD点数；σ_c表示杂波谱宽度，σ_c＝2σ_v/λ；其中σ_v表示频谱标准偏差，λ表示雷达波长；

步骤2：在杂波抑制后的距离多普勒平面，进行特征提取，提取的特征包括：速度特征、雷达散射截面积RCS特征、两倍速度2v处微多普勒谱线数特征、L1范数标准差特征、归一化幅度和均值特征、谱线数均值特征：

2a)速度特征：

其中，N_T和N₀分别表示目标所在的多普勒通道和零多普勒通道；

2b)RCS特征：

其中，R为目标距离；k为波尔兹曼常数；T₀为温度；F_n为接收机噪声系数；SNR为信噪比；L为雷达损耗引起的损失系数；P_t为发射功率；τ为发射脉冲宽度；G为天线增益；

2c)2v处微多普勒谱线数特征：

其中，n_2v,i，i＝1,2,…,n_w表示目标在第i帧中的2v处谱线数，n_w表示帧数；

2d)L1范数标准差特征：

f₄＝std(NORM_l1)

其中，std(·)表示求标准差运算，

表示目标频谱的L1范数，U_m代表第m个多普勒通道的归一化幅度值，i1＝min(2f_v-f₀,f₀)和i2＝max(2f_v-f₀,f₀)分别表示0～2v的多普勒区间的下限和上限，min(·)和max(·)分别表示求最小值和最大值运算，f_v表示目标速度v所对应得的多普勒频率，f₀表示零多普勒频率；

2e)归一化幅度和均值特征：

其中，mean(·)表示求均值运算，U_i代表第i个多普勒通道的归一化幅度值，ts和te表示目标微多普勒所处的范围；

2f)谱线数均值特征：

f₆＝mean(te-ts+1)

将特征f₁、f₂和f₄用于人车分类；f₁和f₃用于轮式车辆与履带式车辆分类；f₂、f₅和f₆用于单人和小分队分类；

采用交互式二分法构建决策树，基于熵不纯度减小量最大准则确定根节点和层节点；定义熵计算公式，假设一个节点下有p类样本，其样本数为n_i，i＝1,2,…,p，则熵可由下式计算：

其中，符号log₂(·)表示求以2为底的对数；

步骤3：建立根节点进行人车分类：

3a)基于训练数据对特征f₁、f₂和f₄分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

3a1)计算先验概率：

P(w₂)＝1-P(w₁)，

其中，w₁和w₂分别表示两类目标类型，w₁对应的特征f_i，i＝1,2,4较小；w₁和w₂对应的先验概率分别用P(w₁)和P(w₂)表示；N₁和N分别表示训练样本中w₁的样本数和总样本数；

3a2)将特征f_i，i＝1,2,4的分布区间[a_i,b_i]，i＝1,2,4进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N，得到条件概率分布p(x|w₁)和p(x|w₂)；其中

和

分别表示第i个特征在w₁和w₂中的区间分布；

3a3)将门限T在区间[a_i,b_i]，i＝1,2,4遍历，计算总错误率：

P_i(e)＝P(w₁)P_i,1(e)+P(w₂)P_i,2(e)，i＝1,2,4，

其中，第一类平均错误率为

第二类平均错误率为

3a4)选择使总错误率最小的门限为贝叶斯分类门限：

其中，符号arg(·)表示满足代价函数的变量；

3b)根据每一个特征的分类门限对训练样本进行训练：

对不同的特征f_i，i＝1,2,4，依据不同的分类门限T_i，i＝1,2,4，对训练样本进行训练，具体如下：

记人和车的样本数分别为N_r，N_c，统计正确分类的样本数：

3b1)对于速度f₁特征，大于门限T₁的车辆样本为正确判别的车辆样本，其样本数记为N₁₁，小于T₁的车辆样本称为错误判别的车辆样本，其样本数记为

小于门限T₁的人员样本为正确判别的人员样本，其样本数记为N₁₂，大于T₁的人员样本称为错误判别的人员样本，其样本数记为

3b2)对于特征f₂，大于门限T₂的车辆样本为正确判别的车辆样本，其样本数记为N₂₁，小于T₂的车辆样本称为错误判别的车辆样本，其样本数记为

小于T₂的人员样本为正确判别的人员样本，其样本数记为N₂₂，大于T₂的人员样本称为错误判别的人员样本，其样本数记为

3b3)对于特征f₄，小于T₄的车辆样本为正确判别的车辆样本，其样本数记为N₄₁，大于T₄的车辆样本称为错误判别的车辆样本，其样本数记为

大于T₄的人员样本为正确判别的人员样本，其样本数记为N₄₂，小于T₄的人员样本称为错误判别的人员样本，其样本数记为

3c)计算熵不纯度减小量：

3c1)计算不考虑任何特征时的熵不纯度I(N,N_r,N_c)

3c2)分别计算特征f_i，i＝1,2,4的熵不纯度减小量：

ΔI_i＝I(N,N_r,N_c)-I_i，i＝1,2,4，

其中，

3d)选择熵不纯度减小量最大的特征作为根节点，将目标分为人车两类，

步骤4：建立层节点进行轮式车辆和履带式车辆分类：

4a)基于训练数据对特征f₁和f₃分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

4a1)计算先验概率：

P(w₄)＝1-P(w₃)

其中，w₃和w₄分别表示两类车辆目标类型，w₃对应的特征f_i较小，i＝1,3；w₃和w₄对应的先验概率分别用P(w₃)和P(w₄)表示；N₃和N_c分别表示训练样本中w₃的样本数和总的车辆样本数；

4a2)将特征f_i，i＝1,3的分布区间[c_i,d_i]，i＝1,3进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_c，得到条件概率分布p(x|w₃)和p(x|w₄)；其中，

和

分别表示第i个特征在w₃和w₄中的区间分布；

4a3)将门限

在区间[c_i,d_i]，i＝1,3，遍历，计算总错误率：

其中，第一类平均错误率为

第二类平均错误率为

4a4)选择使总错误率最小的门限为贝叶斯分类门限：

4b)根据每一个特征的分类门限对车辆样本进行训练：

对不同的特征f_i，i＝1,3，依据不同的分类门限

对训练样本进行训练，具体如下：

记轮式车辆和履带式车辆的样本数分别为N_l，N_lv，统计正确分类的样本数：

4b1)对于速度f₁特征，大于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

小于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

小于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

大于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4b2)对于f₃特征，小于门限

的轮式车辆样本为正确判别的轮式车辆样本，其样本数记为

大于

的轮式车辆样本称为错误判别的轮式车辆样本，其样本数记为

大于门限

的履带式车辆样本为正确判别的履带式车辆样本，其样本数记为

小于

的履带式车辆样本称为错误判别的履带式车辆样本，其样本数记为

4c)计算熵不纯度减小量：

4c1)计算不考虑任何特征时的熵不纯度I(N_c,N_l,N_lv)；

4c2)分别计算特征f_i，i＝1,3的熵不纯度减小量：

其中，

4d)选择熵不纯度减小量最大的特征作为车辆目标分类的层节点，将目标分为轮式车辆和履带式车辆两类，

步骤5：建立层节点进行单人和小分队分类：

5a)基于训练数据对特征f₂、f₅和f₆分别进行贝叶斯分类器训练，基于最小错误概率准则确定每个特征的分类器门限，具体流程如下：

5a1)计算先验概率：

P(w₆)＝1-P(w₅)

其中，w₅和w₆分别表示两类人员目标类型，w₅对应的特征f_i，i＝2,5,6较小；w₅和w₆对应的先验概率分别用P(w₅)和P(w₆)表示；N₅和N_r分别表示训练样本中w₅的样本数和总的人员样本数；

5a2)将特征f_i，i＝2,5,6的分布区间[e_i,g_i]，i＝2,5,6进行等间隔划分，统计落入各个间隔的样本数，除以总样本数N_r，得到条件概率分布p(x|w₅)和p(x|w₆)；其中

和

分别表示第i个特征在w₅和w₆中的区间分布；

5a3)将门限

在区间[e_i,g_i]，i＝2,5,6遍历，计算总错误率：

其中，第一类平均错误率为

第二类平均错误率为

5a4)选择使总错误率最小的门限为贝叶斯分类门限：

5b)根据每一个特征的分类门限对人员样本进行训练：

对不同的特征f_i，i＝2,5,6，依据不同的分类门限

对训练样本进行训练，具体如下：

记单人和小分队的样本数分别为N_d，N_x，统计正确分类的样本数：

5b1)对于速度f₂特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5b2)对于速度f₅特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5b3)对于速度f₆特征，小于门限

的单人样本为正确判别的单人样本，其样本数记为

大于

的单人样本称为错误判别的单人样本，其样本数记为

大于门限

的小分队样本为正确判别的小分队样本，其样本数记为

小于

的小分队样本称为错误判别的小分队样本，其样本数记为

5c)计算熵不纯度减小量：

5c1)计算不考虑任何特征时的熵不纯度I(N_r,N_d,N_x)

5c2)分别计算特征f_i，i＝2,5,6的熵不纯度减小量：

其中，

5d)选择熵不纯度减小量最大的特征作为人员目标分类的层节点，将目标分为单人和小分队两类，

通过上述处理，将目标分为四个叶节点，对应四种目标类型，完成了决策树构建；

步骤6：测试：

测试阶段，对测试数据进行杂波抑制和特征提取后，按照决策树给出的规则进行分层判断，将判别的叶节点目标类型作为测试样本的识别类型。

Images