CN109212501A - 基于局部嵌入的雷达高分辨距离像目标识别方法 - Google Patents

Abstract

本发明公开了一种基于局部嵌入的雷达高分辨距离像目标识别方法，首先对时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用共现矩阵得到局部结构编码和其周围数个局部结构编码之间的关系，再利用SVD分解进行降维提取出局部结构编码所对应的嵌入特征，最后通过全局平均嵌入特征和欧式距离法对HRRP进行识别并得到识别结果。

Description

基于局部嵌入的雷达高分辨距离像目标识别方法

技术领域

本发明属于雷达目标识别领域，具体的讲，涉及一种基于局部结构嵌入的雷达高分辨距离像目标识别方法。

背景技术

雷达高分辨距离像(HRRP)是用宽带雷达信号获取的目标散射点子回波在雷达视线方向投影的矢量和，它包含了目标的尺寸和散射点分布等重要结构信息，并且易于获取和快速处理。因此利用HRRP进行目标识别已经成为当前研究的热点。统计识别方法是雷达HRRP目标识别的重要手段，目前大多数的模型都是基于统计识别模型。

隐马尔可夫模型(HMM)一种常用于对时间序列建模的模型，它在雷达HRRP自动目标识别领域中得以广泛应用,是一种重要的HRRP统计识别方法，该方法的原理是先在训练阶段使用HMM模型对由多个HRRP样本构成的数据集统计建模，然后在测试阶段使用最大后验概率准则来判定测试序列所属的目标类别。目前已有不少文献应用该方法对雷达HRRP的时域特征、谱图特征以及雷达整体HRRP序列进行实验，并且取得了很好的识别效果，然而在实际应用中，还存在以下几个主要的问题：(1)基于HMM的方法所需的计算量和内存资源过大，在实际的工程中难以实现，不太适用于实时性较高的场合；(2)对多个HRRP样本组成的序列，HMM模型在建模过程中隐含了一个条件：即在测试阶段中，目标相对雷达视线变化的角速度须和训练阶段保持一致，否则就会导致训练阶段和测试阶段采样频率不一致的问题，而这一条件在实际的工程中是难以满足的；(3)HMM在模型的建立过程中，假设信号符合一阶马尔可夫性，即当前时间点上的信号仅和前一个时间点信号相关，应用该方法对雷达HRRP的时域特征、谱图特征识别时，雷达HRRP特征的当前局部特征结构仅依赖于上一个局部特征结构，未能进一步发掘样本各局部特征结构之间隐含的整体物理结构相关性，尚存在很大的改进空间。由于这些问题的存在，大大限制了HMM模型在实际工程中的应用。因此解决以上HMM存在的问题在实际工程应用中是十分有意义的。

发明内容

本发明针对上述提到的应用HMM模型进行雷达HRRP识别中存在的几点不足，提出一种基于局部嵌入的雷达HRRP目标识别方法，首先对时域特征进行切分和非均匀量化编码得到其局部结构的编码，然后利用共现矩阵得到局部结构编码和其周围数个局部结构编码之间的关系，再利用SVD分解进行降维提取出局部结构编码所对应的嵌入特征，最后通过全局平均嵌入特征和欧式距离法对HRRP进行识别并得到识别结果。

为实现上述目的，本发明的技术方案为一种基于局部嵌入的雷达高分辨距离像目标识别方法，包括以下步骤：

训练阶段：

S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态。

S2:对雷达训练目标距离回波数据进行角域分帧，即对经过S1采集到的每一个样本X_i实行角域分帧。

S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据。

S4:对经过S2、S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练。

S5:循环切分经过处理后的数据集，设定切分的向量长度为p，使p为2的幂级数，如4；之后对数据集内的每一个HRRP样本，将其移位p-1次并进行连接。

S6:提取样本的嵌入表示特征，将每一个经过S5处理后的HRRP样本按10级进行非均匀量化；设定窗口值，初始化一个空矩阵，用于之后存储各列向量的共现次数；依次统计列向量在窗长度下共现的次数；对矩阵中的对应元素赋值；对矩阵中的每个元素限制其动态范围，然后对该矩阵进行SVD分解，取出分解以后得到的U矩阵并保存，U矩阵内每一行即为所在行对应量化向量的嵌入表示。

S7:求得每一帧内的嵌入表示模板并保存，对每一帧循环切分数据转换为其嵌入表示，然后将所有的嵌入表示相加取平均即为模板。

测试阶段：

S8:对由S1采集到的测试数据进行训练阶段的步骤S3、S4和S5操作

S9:提取经过S8处理后测试数据的嵌入表示特征，将每一个HRRP样本按10级进行非均匀量化形成一个量化编码，然后根据量化的结果查寻训练阶段得到所对应的U的嵌入表示，并把所有的嵌入表示相加求平均。

S10:将经过S9求得的平均值与S7保存好的各帧模板的平均值求欧氏距离，取最小欧氏距离的帧所对应的目标为测试样本所对应的目标。

步骤S1中各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

进一步的，步骤S2中先将第c类目标(c＝1,2，...C)的训练样本均匀的分为M_c帧，每一帧包含N个训练样本。

进一步的，步骤S3中归一化公式如下：

其中||·||₂表示求2范数。

进一步的，步骤S4中从X'_i内提取每一帧的时域特征作为识别特征,记作其中x^(c,m)表示的是第c个目标第m帧的训练样本的时域特征，C为目标总数，M_c为第c个目标的总帧数。

进一步的，步骤S5具体如下：

S5.1：x＝{x_ijk}，其中i指示第i个目标，j指示的是第j帧，k指示的是第k个HRRP；

S5.2:设定切分的向量的长度为p,使得为p为2的幂级数，如4；

S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接。

进一步的，步骤S6具体如下：

S6.1:对经过S5处理后的每一个x”_ijk按10级进行非均匀量化，得到其量化编码特征，其中对于每个元素：

S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵：

S6.2.1:首先初始化一个空矩阵，记作W＝{W_ij}_{i＝0,1…9999,j＝0,1…9999}，即初始化的空矩阵有10000行和10000列，其中0000代表取出来的列向量[y_i,y_i+1,y_i+2,y_i+3]^T为[0,0,0,0]^T，其余的也是一样，矩阵中的每一个元素W_ij为两个元素之间的共现次数；

S6.2.2:依次统计列向量之间在窗长度下共现的次数，如若窗K＝3(为保证左右对称，K一般取奇数)，则当循环至向量的时候，统计其左侧和其右侧不同向量共同出现的次数，我们遍历所有的量化编码特征，将不同量化编码特征共同出现的总次数对应地记录在空矩阵W中，其中W_ij为量化编码特征与量化编码特征共同出现的次数，其中i₁、i₂、i₃和i₄分别代表i的千位、百位、十位以及个位数字，j₁、j₂、j₃和j₄分别代表j的千位、百位、十位以及个位数字；

S6.2.3:对矩阵W中的每个元素限制其动态范围，公式如下：

W'_ij＝10ln(1+W_ij)，并将更新后的矩阵记作W'＝{W'_ij}；

S6.2.4:对经过S6.2.3处理后的矩阵W'进行奇异值分解(SVD)，使其降维至9999×300，其中分解过程如下式：

[U,S,V]＝SVD(W')

其中SVD()表示奇异值分解操作，U为一个10000×300的矩阵，S为300×300，V为300×10000，其中U的行标号为0000-9999，U内每一行即为所在行对应量化向量的嵌入表示，如[y₁,y₂,y₃,y₄]^T＝[1,2,3,4]^T，即U中行标号为第1234所对应的行向量即为[y₁,y₂,y₃,y₄]^T的嵌入表示；

S6.2.5:将经过S6.2.4处理后的U进行保存。

进一步的，步骤S7中，假设第i个目标第j帧的各HRRP样本的嵌入表示数据可记为{x”'_ijk}_{k＝1,2,...,N}，其中N为该帧的样本总数，则x”'_ijk可表示为x”'_ijk＝[x_ijk(1),x_ijk(2),...x_ijk(256)]，其中x_ijk(·)为一个300×1维的向量，则该帧的平均嵌入表示模板可由下式计算：

本发明的有益效果是：

1：隐马尔可夫(HMM)模型参数太多，运算量较大，本发明的运算量较小，可用于要求较高的实时领域应用。

2：现有的文献在仅利用了HRRP中的一阶马尔可夫性质，它只注重于当前距离单元和之前距离单元的局部结构关系而忽略了各距离单元之间整体所存在的物理关系。在本发明中，通过HRRP的局部结构提取其嵌入表示特征可以很好的反映该结构上下文之间存在的联系。

3：本方法对目标相对雷达视线变化的角速度不作要求，扩展了本方法的工程实用性。

附图说明

图1是本发明的基于局部嵌入的雷达高分辨距离像目标识别方法的步骤流程图。

具体实施方式

参照图1，为本发明的一种基于局部嵌入的雷达高分辨距离像目标识别技术流程图，具体实施步骤如下：

训练阶段：

S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态。各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

S2：对雷达训练目标距离回波数据进行角域分帧，即对经过S1处理得到的每一个样本X_i实行角域分帧，先将第c类目标(c＝1,2，...C)的训练样本均匀的分为M_c帧，每一帧包含N个训练样本。

S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据，归一化公式如下：

其中||·||₂表示求2范数。

S4：对经过S2，S3处理后的雷达训练目标数据，从X'_i内提取每一帧的时域特征作为识别特征,记作其中x^(c,m)表示的是第c个目标第m帧的训练样本的时域特征，C为目标总数，M_c为第c个目标的总帧数。

S5:循环切分经过处理后的数据集，具体操作步骤如下：

S5.1：x＝{x_ijk}，其中i指示第i个目标，j指示的是第j帧，k指示的是第k个HRRP；

S5.2:设定切分的向量的长度为p,使得为p为2的幂级数，如4；

S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接，x'_ijk＝[x_ijk,x_ijk(1),x_ijk(2),x_ijk(3)]

若x_ijk＝[y₁,y₂,…,y_n]，则x_ijk(n)＝[y_n+1,…,y₂₅₆,y₁,y₂,…,y_n]

举例说明切分：X'_ijk＝[y₁,y₂,…,y₁₀₂₄]_1×1024

切分：切分后的数据集可以表示为x”＝{x”_ijk}

S6：提取样本的嵌入表示特征，具体操作步骤如下：

S6.1:对经过S5处理后的每一个x”_ijk按10级进行非均匀量化，得到其量化编码特征，其中对于每个元素：

若y＜e^-3.6，则量化为0

若e^-3.6≤y＜e^-3.2，则量化为1

若e^-3.2≤y＜e^-2.8，则量化为2

若e^-2.8≤y＜e^-2.4，则量化为3

若e^-2.4≤y＜e^-2.0，则量化为4

若e^-2.0≤y＜e^-1.6，则量化为5

若e^-1.6≤y＜e^-1.2，则量化为6

若e^-1.2≤y＜e^-0.8，则量化为7

若e^-0.8≤y＜e^-0.4，则量化为8

若e^-0.4≤y＜e⁰，则量化为9

S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵；

S6.2.1:首先初始化一个空矩阵，记作W＝{W_ij}_{i＝0,19999,j＝0,1…9999}，即初始化的空矩阵有10000行和10000列，其中0000代表取出来的列向量[y_i,y_i+1,y_i+2,y_i+3]^T为[0,0,0,0]^T，其余的也是一样，矩阵中的每一个元素W_ij为两个元素之间的共现次数；

S6.2.2:依次统计列向量之间在窗长度下共现的次数，如若窗K＝3(为保证左右对称，K一般取奇数)，则当循环至向量的时候，统计其左侧和其右侧不同向量共同出现的次数，我们遍历所有的量化编码特征，将不同量化编码特征共同出现的总次数对应地记录在空矩阵W中，其中W_ij为量化编码特征与量化编码特征共同出现的次数，其中i₁、i₂、i₃和i₄分别代表i的千位、百位、十位以及个位数字，j₁、j₂、j₃和j₄分别代表j的千位、百位、十位以及个位数字；

S6.2.3:对矩阵W中的每个元素限制其动态范围，公式如下：W'_ij＝10ln(1+W_ij)，并将更新后的矩阵记作W'＝{W'_ij}；

S6.2.4:对经过S6.2.3处理后的矩阵W'进行奇异值分解(SVD)，使其降维至9999×300，其中分解过程如下式：

[U,S,V]＝SVD(W')

其中SVD()表示奇异值分解操作，U为一个10000×300的矩阵，S为300×300，V为300×10000，其中U的行标号为0000-9999，U内每一行即为所在行对应量化向量的嵌入表示，如[y₁,y₂,y₃,y₄]^T＝[1,2,3,4]^T，即U中行标号为第1234所对应的行向量即为[y₁,y₂,y₃,y₄]^T的嵌入表示；

S6.2.5:将经过S6.2.4处理后的U进行保存；

S7:求得训练数据平均嵌入表示模板并保存，据转换为其嵌入表示，然后将各帧内所有的嵌入表示相加分别取平均即为各帧的平均嵌入表示模板，该模板为300×1维的向量。示意如下：假设第i个目标第j帧的各HRRP样本的嵌入表示数据可记为{x”'_ijk}_{k＝1,2,...,N}，其中N为该帧的样本总数，则x”'_ijk可表示为x”'_ijk＝[x_ijk(1),x_ijk(2),…x_ijk(256)]，其中x_ijk(·)为一个300×1维的向量，则该帧的平均嵌入表示模板可由下式计算：

测试阶段：

S8:对由S1采集到的训练集进行训练阶段的步骤S3、S4和S5操作；

S9:对经过S8处理后的测试数据提取其嵌入表示特征，同S6.1,将每一个测试HRRP样本按10级进行非均匀量化形成一个量化编码，然后根据量化的结果查找对应的训练阶段所保存的U矩阵对应的嵌入表示，做为该测试HRRP的嵌入表示，将相对应的嵌入表示依次排列构成矩阵Y，并将所找到的嵌入表示求平均其中Y(l)为矩阵Y的第l列；

S10:将经过S9求得的平均值与S7保存好的各帧模板的平均值求欧氏距离如式：其中k表示向量中的第k个元素，下标i表示对应于第i个目标，下标j表示对应于第j帧，

其中n代表的是向量中所包含的元素总数，取最小欧氏距离所对应的目标为测试样本所对应的目标，即对应的目标

经过上述10个步骤便可得到本发明所提出的一种基于局部嵌入的雷达高分辨距离像目标识别模型。

Claims (8)

1.一种基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于包括以下步骤：

训练阶段：

S1:采集数据集，将Q个雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的数据分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集样本的选取过程中，保证所选取训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态；

S2:对雷达训练目标距离回波数据进行角域分帧，即对经过S1采集到的每一个样本X_i实行角域分帧；

S3:对S2处理后的每一个样本进行能量归一化处理，得到归一化后的数据；

S4:对经过S2、S3处理后的雷达训练目标数据，提取时域特征作为识别特征，并用于训练；

S5:循环切分经过处理后的数据集；

S6:提取样本的嵌入表示特征；；

S7:求得每一帧内的嵌入表示模板并保存，对每一帧循环切分数据转换为其嵌入表示，然后将所有的嵌入表示相加取平均即为模板；

测试阶段：

S8:对由S1采集到的测试数据进行训练阶段的步骤S3、S4和S5操作；

S9:提取经过S8处理后测试数据的嵌入表示特征，将每一个HRRP样本按10级进行非均匀量化形成一个量化编码，然后根据量化的结果查寻训练阶段得到所对应的U的嵌入表示，并把所有的嵌入表示相加求平均；

S10:将经过S9求得的平均值与S7保存好的各帧模板的平均值求欧氏距离，取最小欧氏距离的帧所对应的目标为测试样本所对应的目标。

2.如权利要求1所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S1中各类目标训练集和测试集样本数的比例为8:2，将挑选的数据集记作其中X_i表示第i个样本，y_k表示第k种目标，i₀表示样本总数。

3.如权利要求2所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S2中先将第c类目标(c＝1,2，...C)的训练样本均匀的分为M_c帧，每一帧包含N个训练样本。

4.如权利要求3所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S3中归一化公式如下：

其中||·||₂表示求2范数。

5.如权利要求4所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S4中从X_i'内提取每一帧的时域特征作为识别特征,记作其中x^(c,m)表示的是第c个目标第m帧的训练样本的时域特征，C为目标总数，M_c为第c个目标的总帧数。

6.如权利要求5所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S5具体如下：

S5.1：x＝{x_ijk}，其中i指示第i个目标，j指示的是第j帧，k指示的是第k个HRRP；

S5.2:设定切分的向量的长度为p,使得为p为2的幂级数，如4；

S5.3:对数据集内的每一个样本，将其移位p-1次并进行连接。

7.如权利要求6所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S6具体如下：

S6.1:对经过S5处理后的每一个x″_ijk按10级进行非均匀量化，得到其量化编码特征，其中对于每个元素：

S6.2:设定窗口值K，计算向量与向量之间共同出现的矩阵：

S6.2.1:首先初始化一个空矩阵，记作W＝{W_ij}_{i＝0,1...9999,j＝0,1...9999}，即初始化的空矩阵有10000行和10000列，其中0000代表取出来的列向量[y_i,y_i+1,y_i+2,y_i+3]^T为[0,0,0,0]^T，其余的也是一样，矩阵中的每一个元素W_ij为两个元素之间的共现次数；

S6.2.2:依次统计列向量之间在窗长度下共现的次数，如若窗K＝3(为保证左右对称，K一般取奇数)，则当循环至向量的时候，统计其左侧和其右侧不同向量共同出现的次数，我们遍历所有的量化编码特征，将不同量化编码特征共同出现的总次数对应地记录在空矩阵W中，其中W_ij为量化编码特征与量化编码特征共同出现的次数，其中i₁、i₂、i₃和i₄分别代表i的千位、百位、十位以及个位数字，j₁、j₂、j₃和j₄分别代表j的千位、百位、十位以及个位数字；

S6.2.3:对矩阵W中的每个元素限制其动态范围，公式如下：

W′_ij＝10ln(1+W_ij)，并将更新后的矩阵记作W'＝{W′_ij}；

S6.2.4:对经过S6.2.3处理后的矩阵W'进行奇异值分解(SVD)，使其降维至9999×300，其中分解过程如下式：

[U,S,V]＝SVD(W')

其中SVD()表示奇异值分解操作，U为一个10000×300的矩阵，S为300×300的矩阵，V为300×10000的矩阵，其中U的行标号为0000-9999，U内每一行即为所在行对应量化向量的嵌入表示，如[y₁,y₂,y₃,y₄]^T＝[1,2,3,4]^T，即U中行标号为第1234所对应的行向量即为[y₁,y₂,y₃,y₄]^T的嵌入表示；

S6.2.5:将经过S6.2.4处理后的U进行保存。

8.如权利要求7所述的基于局部嵌入的雷达高分辨距离像目标识别方法，其特征在于：步骤S7中，假设第i个目标第j帧的各HRRP样本的嵌入表示数据可记为{x″′_ijk}_{k＝1,2,...,N}，其中N为该帧的样本总数，则x″′_ijk可表示为x″′_ijk＝[x_ijk(1),x_ijk(2),...x_ijk(256)]，其中x_ijk(·)为一个300×1维的向量，则该帧的平均嵌入表示模板可由下式计算：