CN111222575A - 一种基于hrrp目标识别的klxs多模型融合方法及*** - Google Patents

Abstract

本发明提供一种基于HRRP目标识别的KLXS多模型融合方法及***，其中方法包括生成原始训练样本集还包括以下步骤：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；进行样本降噪；基于多模型融合方法构造强化特征；构建分类模型；构建未知样本集X的强化特征；对未知样本结果进行预测；统计准确率。本发明提出的基于HRRP目标识别的KLXS多模型融合方法及***，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。

Description

一种基于HRRP目标识别的KLXS多模型融合方法及***

技术领域

本发明涉及雷达自动目标识别的技术领域，具体地说是一种基于HRRP目标识别的KLXS多模型融合方法及***。

背景技术

随着各领域对数据获取能力的逐步强化，及现代化战争对不同目标精确识别的需要，雷达HRRP不需要目标与雷达之间一定要有相对转角运动，在获取途径和处理方式上，较SAR与ISAR都更加简便。基于雷达HRRP的目标识别算法拥有SAR与ISAR无法实现的识别前方目标的优势，完全可以满足战场环境快速识别目标做出应对的要求，获取了雷达自动目标识别领域的广泛关注。

但传统的雷达HRRP目标识别技术应用到复杂环境中时，仍然普遍存在以下问题：(1)在有限的时间、空间内获取的样本量是有限的，如何充分利用有限的样本？(2)不同的机器学习算法，因其本身的固有特性，适应范围和适应能力不同，如何设计一种更通用，兼容性更强的识别模型？(3)如何有效降低地面小草、树木、水面波浪、空中飞鸟等不相干因素的影响。

传统HRRP多目标识别任务中，其真实数据的采集往往比较复杂，其环境既可能是存在坦克、汽车、行人等的平坦地面，也可能是长满杂草或存在石子的地面。不同的环境中适合使用不同的分类器对目标进行识别和分类。因此基于stacking的多模型融合策略相比普通的单模型和基于voting策略的多模型算法往往适用于更普遍、复杂的应用场景。

现有的多模型融合策略是在原有单模型分类算法和基于voting的多模型融合算法基础上扩展而得的。其中比较经典的单模型算法包括SVM算法、kNN算法和SVM-Random-Forest.Voting算法等。其中基于Voting的融合算法以其不同环境下兼容性强，多模型缺点互补，分类准效果好而得到了广泛的关注和应用。

KLXS算法是Voting融合算法上的拓展，算法将融合模型分为两层，第一层多模型的输出作为第二层分类模型的输入。同时，为使小样本得到充分利用和避免过拟合问题，算法引入了经典的K折交叉验证，通过第一层模型并行独立训练，而构造的更强的分类器特征，最后将分类器特征输入给第二层分类器，得到分类结果。该算法可以实现对多个目标的有效分类。

传统的机器学习算法是面向HRRP小数据集的通用算法，在应用到具体的场景中解决特定的问题时，仍应当结合应用场景的约束条件、需求和数据特征对算法进行优化，以获得最大化的性能提升。具体来说，传统基于Logistic，KNN的Voting算法应用于某些具体应用场景时，存在以下非线性分类问题、拒判问题和结果融合非过程融合问题。

2014年2月的自动化学报第40卷第2期公开了张学峰、王鹏辉、冯博、杜兰和刘宏伟的文章《基于多分类器融合的雷达高分辨距离像目标识别与拒判新方法》，构造了一种将分类器的输出通过最近邻分类器进行拒判和识别“分类器-最近邻”***，并在拒判和识别两个阶段分别采用多分类器融合技术以提高RATR***的拒判和识别综合性能，此外，文中定义了一种代价函数以衡量***综合性能并未***拒判工作点的选取提供依据，进而，采用局部法和全局法两个算法确定的该拒判器的工作点。但该文章采用的KNN算法本身局限性影响，初始样本点选择及K近邻选取等问题，该研究采用的策略兼容性较差且对样本的依赖性高。

发明内容

为了解决上述的技术问题，本发明提出的基于HRRP目标识别的KLXS多模型融合方法及***，能够在HRRP样本集有限的条件下，使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。

本发明的第一目的是提供一种基于HRRP目标识别的KLXS多模型融合方法，包括生成原始训练样本集，还包括以下步骤：

步骤1：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；

步骤2；进行样本降噪；

步骤3：基于多模型融合方法构造强化特征；

步骤4：构建分类模型；

步骤5：构建未知样本集X的强化特征；

步骤6：对未知样本结果进行预测；

步骤7：统计准确率。

优选的是，所述原始训练样本集

为

其中，m为样本数量，原始属性集

d为属性集的维度，原始标记集

q为分类数，

是原始未知样本。

在上述任一方案中优选的是，所述归一化处理的公式为

其中，

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值。

在上述任一方案中优选的是，所述步骤2包括对于原始训练样本中的各属性特征，根据预设的判决门限T₁～T_q规约到正常范围，公式为

其中，

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

在上述任一方案中优选的是，经过所述步骤1和所述步骤2得到训练样本集D＝{(x_i,Y_i)|1≤i≤m}和未知样本X，其中，x_i为根据判决门限规约后，分布在下内限和上内限之间的属性特征，Y_i为样本的真实类别标记。

在上述任一方案中优选的是，所述步骤3包括对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M₁P₁和基于所述Logistic模型的输出M₂P₂，训练过程均采用K折交叉验证。

在上述任一方案中优选的是，所述多模型融合方法包括以下子步骤：

步骤31：将原始数据集的初始矩阵划分为TrainA和TrainB 2个部分；

步骤32：用所述TrainA训练模型M_n，然后在所述上TrainB进行预测得到pred3和pred4；

步骤33：用所述TrainB训练模型M_n，然后在所述上TrainA进行预测得到pred1和pred2；

步骤34：把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型n的输出M_nP_n，其中，n＝1,2。

在上述任一方案中优选的是，所述步骤3还包括将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{(P_i,Y_i)|1≤i≤m}，其中

在上述任一方案中优选的是，所述步骤4包括对所述训练集样本DQ和每一个标记项y_j,j＝1～q，训练最终分类模型M。

在上述任一方案中优选的是，所述步骤5包括对未知样本集X，每次训练M_n时直接对整个测试集进行预测，这样K折交叉验证后测试集相当于预测了K次，然后对这k列求平均得到强化特征集T(x)。

在上述任一方案中优选的是，所述步骤6包括对所述训练样本集T(x)中的每一个条训练样本，经过所述模型M，预测得到TP。

在上述任一方案中优选的是，所述步骤7包括对测试集合T(x)，p_i＝{1ifTP_i＝y_ielse0}，1≤i≤n，其中，n代表测试样本集中样本的条数，TP_i代表第i条测试样本的预测结果，y_i代表第i条样本的真实结果。

在上述任一方案中优选的是，最终的所述准确率的计算公式为

发明的第二目的是提供一种基于HRRP目标识别的KLXS多模型融合***，包括原始训练样本集，还包括以下模块：

归一化处理模块：用于对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；

降噪模块：用于进行样本降噪；

强化特征模块：用于基于多模型融合方法构造强化特征；

模型构建模块：用于构建分类模型；

特征构建模块：用于构建未知样本集X的强化特征；

预测模块：用于对未知样本结果进行预测；

统计模块：用于统计准确率。

优选的是，所述原始训练样本集

为

其中，m为样本数量，原始属性集

d为属性集的维度，原始标记集

q为分类数，

是原始未知样本。

在上述任一方案中优选的是，所述归一化处理的公式为

其中，

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值。

在上述任一方案中优选的是，所述降噪模块还用于对于原始训练样本中的各属性特征，根据预设的判决门限T₁～T_q规约到正常范围，公式为

其中，

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

在上述任一方案中优选的是，通过所述归一化模块和所述降噪模块，得到训练样本集D＝{(x_i,Y_i)|1≤i≤m}和未知样本X，其中，x_i为根据判决门限规约后，分布在下内限和上内限之间的属性特征，Y_i为样本的真实类别标记。

在上述任一方案中优选的是，所述强化特征模块还用于对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M₁P₁和基于所述Logistic模型的输出M₂P₂，训练过程均采用K折交叉验证。

在上述任一方案中优选的是，所述多模型融合方法包括以下子步骤：

步骤31：将原始数据集的初始矩阵划分为TrainA和TrainB 2个部分；

步骤32：用所述TrainA训练模型M_n，然后在所述上TrainB进行预测得到pred3和pred4；

步骤33：用所述TrainB训练模型M_n，然后在所述上TrainA进行预测得到pred1和pred2；

步骤34：把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型n的输出M_nP_n，其中，n＝1,2。

在上述任一方案中优选的是，所述强化特征模块还用于将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{(P_i,Y_i)|1≤i≤m}，其中

在上述任一方案中优选的是，所述模型构建模块还用于对所述训练集样本DQ和每一个标记项y_j,j＝1～q，训练最终分类模型M。

在上述任一方案中优选的是，所述特征构建模块还用于对未知样本集X，每次训练M_n时直接对整个测试集进行预测，这样K折交叉验证后测试集相当于预测了K次，然后对这k列求平均得到强化特征集T(x)。

在上述任一方案中优选的是，所述预测模块对所述训练样本集T(x)中的每一个条训练样本，经过所述模型M，预测得到TP。

在上述任一方案中优选的是，所述统计模块还用于对测试集合T(x)，p_i＝{1ifTP_i＝y_ielse0}，1≤i≤n，其中，n代表测试样本集中样本的条数，TP_i代表第i条测试样本的预测结果，y_i代表第i条样本的真实结果。

在上述任一方案中优选的是，最终的所述准确率的计算公式为

本发明提出了一种基于HRRP目标识别的KLXS多模型融合方法及***，根据雷达HRRP采集的真实标记数据，对特定条件下的标记样本进行预测，相比传统的单模型学习算法和基于Voting的多模型融合算法提供更优异的分类预测性能和更高的兼容性。

附图说明

图1为按照本发明的基于HRRP目标识别的KLXS多模型融合方法的一优选实施例的流程图。

图1A为按照本发明的基于HRRP目标识别的KLXS多模型融合方法的如图1所示实施例的多模型融合方法流程图。

图2为按照本发明的基于HRRP目标识别的KLXS多模型融合***的一优选实施例的模块图。

图3为按照本发明的基于HRRP目标识别的KLXS多模型融合方法的另一优选实施例的算法流程图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，执行步骤100，生成原始训练样本集。原始训练样本集

为

其中，m为样本数量，原始属性集

d为属性集的维度，原始标记集

q为分类数，

是原始未知样本。

执行步骤110，对所述原始训练样本和原始未知样本的所有属性项进行归一化处理。归一化处理的公式为

其中，

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值

执行步骤120，进行样本降噪。对于原始训练样本中的各属性特征，根据预设的判决门限T₁～T_q规约到正常范围，公式为

其中，

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

经过步骤110和步骤120得到训练样本集D＝{(x_i,Y_i)|1≤i≤m}和未知样本X，其中，x_i为根据判决门限规约后，分布在下内限和上内限之间的属性特征，Y_i为样本的真实类别标记。

执行步骤130，基于多模型融合方法构造强化特征。对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M₁P₁和基于所述Logistic模型的输出M₂P₂，训练过程均采用K折交叉验证。如图1A所示，模型融合方法包括以下子步骤：执行步骤131，将原始数据集的初始矩阵划分为TrainA和TrainB 2个部分。执行步骤132，用所述TrainA训练模型M_n，然后在所述上TrainB进行预测得到pred3和pred4。执行步骤133，用所述TrainB训练模型M_n，然后在所述上TrainA进行预测得到pred1和pred2。执行步骤134，把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型n的输出M_nP_n，其中，n＝1,2。将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{(P_i,Y_i)|1≤i≤m}，其中

执行步骤140，构建分类模型。对所述训练集样本DQ和每一个标记项y_j,j＝1～q，训练最终分类模型M。

执行步骤150，构建未知样本集X的强化特征。对未知样本集X，每次训练M_n时直接对整个测试集进行预测，这样K折交叉验证后测试集相当于预测了K次，然后对这k列求平均得到强化特征集T(x)。

执行步骤160，对未知样本结果进行预测。对所述训练样本集T(x)中的每一个条训练样本，经过所述模型M，预测得到TP。

执行步骤170，统计准确率。对测试集合T(x)，p_i＝{1ifTP_i＝yielse0，1≤i≤n，其中，n代表测试样本集中样本的条数，TPi代表第i条测试样本的预测结果，y_i代表第i条样本的真实结果。最终的准确率的计算公式为

实施例二

如图2所示，一种基于HRRP目标识别的KLXS多模型融合***，包括原始训练样本集200、归一化处理模块210、降噪模块220、强化特征模块230、模型构建模块240、特征构建模块250、预测模块260和统计模块270。

原始训练样本集

为

其中，m为样本数量，原始属性集

d为属性集的维度，原始标记集

q为分类数，

是原始未知样本。

归一化处理模块210：用于对所述原始训练样本和原始未知样本的所有属性项进行归一化处理。归一化处理的公式为

其中，

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值。

降噪模块220：用于进行样本降噪。对于原始训练样本中的各属性特征，根据预设的判决门限T₁～T_q规约到正常范围，公式为

其中，

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

通过归一化模块210和降噪模块220，得到训练样本集D＝{(x_i,Y_i)|1≤i≤m}和未知样本X，其中，x_i为根据判决门限规约后，分布在下内限和上内限之间的属性特征，Y_i为样本的真实类别标记。

强化特征模块230：用于基于多模型融合方法构造强化特征。对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M₁P₁和基于所述Logistic模型的输出M₂P₂，训练过程均采用K折交叉验证。多模型融合方法包括以下子步骤：步骤31：将原始数据集的初始矩阵划分为TrainA和TrainB 2个部分；步骤32：用所述TrainA训练模型M_n，然后在所述上TrainB进行预测得到pred3和pred4；步骤33：用所述TrainB训练模型M_n，然后在所述上TrainA进行预测得到pred1和pred2；步骤34：把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型n的输出M_nP_n，其中，n＝1,2。强化特征模块230还用于将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{(P_i,Y_i)|1≤i≤m}，其中

模型构建模块240：用于构建分类模型。对所述训练集样本DQ和每一个标记项y_j,j＝1～q，训练最终分类模型M

特征构建模块250：用于构建未知样本集X的强化特征。对未知样本集X，每次训练M_n时直接对整个测试集进行预测，这样K折交叉验证后测试集相当于预测了K次，然后对这k列求平均得到强化特征集T(x)

预测模块260：用于对未知样本结果进行预测。对所述训练样本集T(x)中的每一个条训练样本，经过所述模型M，预测得到TP。

统计模块270：用于统计准确率。对测试集合T(x)，p_i＝{1ifTP_i＝y_ielse0}，1≤i≤n，其中，n代表测试样本集中样本的条数，TP_i代表第i条测试样本的预测结果，y_i代表第i条样本的真实结果。最终的准确率的计算公式为

实施例三

本发明要解决的问题是在HRRP样本集有限的条件下，如何使训练样本得到充分利用，同时提高模型的兼容性和预测准确率。根据雷达HRRP采集的真实标记数据，对特定条件下的标记样本进行预测，相比传统的单模型学习算法和基于Voting的多模型融合算法提供更优异的分类预测性能和更高的兼容性。

如图3所示，本发明提出了一种基于HRRP目标识别的KLXS多模型融合算法。

具体步骤详细描述如下：

输入：原始训练样本集

m为样本数量；原始未知(无标记)样本

原始属性集

d为属性集的维度，每个维度和仿真数据的特征提取结果一一对应，属性字段数值型数据；原始标记集

q为分类数；标记字段的原始样本值均为数值型数据。

输出：未知样本的标记结果Y₀。

步骤1：样本归一化

对原始训练样本和原始未知样本中的所有属性项利用公式(1)进行归一化处理，即：

其中

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值。

步骤2：样本降噪

对于原始训练样本中的各属性特征，根据预设的判决门限{T₁～T_q}按公式(2)规约到正常范围，即：

其中

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

经过步骤1和2，得到训练样本集D＝{(x_i,Y_i)|1≤i≤m}和未知样本X。

步骤3：基于多模型融合算法构造强化特征

对训练样本集D＝{(x_i,Y_i)|1≤i≤m}，分别训练KNN和Logistic模型，训练过程均采用K折交叉验证。

当k＝2时，以4行5列特征矩阵为例，即：4条样本，每个样本包含5个特征。初始矩阵如下：

第一步，将原始数据集划分为2部分，划分结果为：

用trainA训练模型M1，然后在trainB上进行预测得到preb3和pred4。

在trainB上训练模型M1，然后在trainA上进行预测得到pred1和pred2。

然后把两个预测集进行拼接：

以上，我们就得到了基于模型1的输出M1P1，基于模型2重复以上步骤，可得M2P2,M2T2。

将不同模型对同一条数据的预测结果按行拼接，即得到特征强化后的训练集DQ＝{(P_i,Y_i)|1≤i≤m}，其中

步骤4：分类模型的构建

对训练样本集DQ＝{(P_i,Y_i)|1≤i≤m}和每个标记项y_j,j＝1～q，训练最终分类模型M。

步骤5：构造未知样本集X的强化特征

对未知样本集X，每次训练M1时直接对整个测试集进行预测，这样K折交叉验证后测试集相当于预测了K次，然后对这k列求平均得到强化特征集T(x)；

步骤6：对未知样本结果预测

对训练样本集T(x)中的每一个条训练样本，经过步骤4得到的模型M，预测得到TP。

步骤7：准确率统计

对测试集合T(x)，p_i＝{1ifTP_i＝y_ielse0}，1≤i≤n。其中n代表测试样本集中样本的条数，TP_i代表滴i条测试样本的预测结果，y_i代表第i条样本的真实结果。

则，最终准确率:

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于***实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种基于HRRP目标识别的KLXS多模型融合方法，包括生成原始训练样本集，其特征在于，还包括以下步骤：

步骤1：对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；

步骤2；进行样本降噪；

步骤3：基于多模型融合方法构造强化特征；

步骤4：构建分类模型；

步骤5：构建未知样本集X的强化特征；

步骤6：对未知样本结果进行预测；

步骤7：统计准确率。

2.如权利要求1所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述原始训练样本集

为

其中，m为样本数量，原始属性集

d为属性集的维度，原始标记集

q为分类数，

是原始未知样本。

3.如权利要求2所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述归一化处理的公式为

其中，

表示属性i的原始值，

和

别代表该属性在训练集中的最大和最小值。

4.如权利要求3所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述步骤2包括对于原始训练样本中的各属性特征，根据预设的判决门限T₁～T_q规约到正常范围，公式为

其中，

为该标记项的Q1-3IQR下内限，

取为箱形图分布的上外限Q3+3IQR。

5.如权利要求4所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，经过所述步骤1和所述步骤2得到训练样本集D＝{(x_i，Y_i)|1≤i≤m}和未知样本X，其中，x_i为根据判决门限规约后，分布在下内限和上内限之间的属性特征，Y_i为样本的真实类别标记。

6.如权利要求5所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述步骤3包括对所述训练样本集D分别训练KNN和Logistic模型，得到基于所述KNN模型的输出M₁P₁和基于所述Logistic模型的输出M₂P₂，训练过程均采用K折交叉验证。

7.如权利要求6所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述多模型融合方法包括以下子步骤：

步骤31：将原始数据集的初始矩阵划分为TrainA和TrainB 2个部分；

步骤32：用所述TrainA训练模型M_n，然后在所述上TrainB进行预测得到pred3和pred4；

步骤33：用所述TrainB训练模型M_n，然后在所述上TrainA进行预测得到pred1和pred2；

步骤34：把所述步骤32和所述步骤33中得到的两个预测集进行拼接，得到基于模型n的输出M_nP_n，其中，n＝1，2。

8.如权利要求7所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述步骤3还包括将不同模型对同一条数据的预测结果按行拼接，得到特征强化后的训练集样本DQ＝{(P_i，Y_i)|1≤i≤m，其中P＝0nMnPn，n＝1，2。

9.如权利要求8所述的基于HRRP目标识别的KLXS多模型融合方法，其特征在于，所述步骤4包括对所述训练集样本DQ和每一个标记项y_j，j＝1～q，训练最终分类模型M。

10.一种基于HRRP目标识别的KLXS多模型融合***，包括原始训练样本集，其特征在于，还包括以下模块：

归一化处理模块：用于对所述原始训练样本和原始未知样本的所有属性项进行归一化处理；

降噪模块：用于进行样本降噪；

强化特征模块：用于基于多模型融合方法构造强化特征；

模型构建模块：用于构建分类模型；

特征构建模块：用于构建未知样本集X的强化特征；

预测模块：用于对未知样本结果进行预测；

统计模块：用于统计准确率。

Images