基于dpLVSVM模型的雷达HRRP的目标识别方法

摘要

本发明公开了一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其步骤为：步骤1，对雷达HRRP数据进行特征提取得到功率谱特征集X；步骤2，构建dpLVSVM模型并得出功率谱特征的概率密度函数及各个参数的联合条件后验分布；步骤3，推导各个参数的条件后验分布；步骤4，对各个参数进行循环采样I次；步骤5，保存T₀次测试阶段所需参数的采样结果；步骤6，判断测试雷达HRRP是否为库外样本，若为库外样本则拒判；否则步骤7；步骤7，采样得到测试雷达HRRP的功率谱特征的聚类标号；步骤8，输出测试雷达HRRP的目标类别标号本发明具有分类器设计复杂度小，识别性能高以及拒判性能好的优点，可用于对雷达目标的识别。

主权项

一种基于dpLVSVM模型的雷达HRRP的目标识别方法，其特征在于，包括以下步骤：步骤1，雷达接收M个类别的目标的高分辨距离像HRRP；再对每个高分辨距离像进行特征提取，得到雷达高分辨距离像的功率谱特征x_n，将M个类别的目标的高分辨距离像的功率谱特征组成功率谱特征集X；不属于该M个类别的目标的雷达高分辨距离像为库外样本；属于该M个类别的目标的雷达高分辨距离像为库内样本；步骤2，利用功率谱特征集X，将LVSVM分类器和TSB‑DPM模型结合构建dpLVSVM模型；即通过TSB‑DPM模型公式(1‑a)和LVSVM分类器公式(1‑b)共同构建dpLVSVM模型为：其中，υ＝[v₁,v₂,...,v_c,...,v_C]表示TSB‑DPM模型的截棍参数，c＝1,2,...,C，C为TSB‑DPM模型设定的功率谱特征集X的最大聚类个数；Beta(·)表示Beta分布；α表示TSB‑DPM模型的截棍参数υ的先验分布的参数；表示Normal‑Wishart分布；{μ_c,Σ_c}表示第c个聚类的高斯分布参数，μ_c表示第c个聚类的均值，Σ_c表示第c个聚类的协方差矩阵；G₀表示基分布；μ₀为Normal‑Wishart分布的均值，W₀为尺度矩阵，β₀、υ₀为两个尺度因子；z_n表示第n个雷达高分辨距离像的功率谱特征所属的聚类标号，n＝1,2,...,N，N表示功率谱特征集X中雷达高分辨距离像的功率谱特征个数；π＝[π₁,π₂,...,π_c...,π_C]表示每个聚类的权系数且有Mult(·)表示多项分布；w_c表示第c个聚类中所有M个LVSVM分类器的系数M表示目标类别个数；w_cm表示第c个聚类中第m个LVSVM分类器的系数；λ_cm表示第c个聚类中的雷达高分辨距离像的功率谱特征对应的第m个LVSVM分类器的隐变量，λ_nm表示第n个雷达高分辨距离像功率谱特征对应的第m个LVSVM分类器的隐变量且有y_m表示雷达高 分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号；y_nm表示第n个雷达高分辨距离像的功率谱特征对应于第m个LVSVM分类器的类别标号，且有：若雷达高分辨距离像的功率谱特征x_n属于第m类目标则y_nm＝+1，否则y_nm＝‑1；表示第n个雷达高分辨距离像的功率谱特征的增广向量；γ表示调和系数；I表示单位矩阵；表示高斯分布；(·)^T表示转置操作；根据dpLVSVM模型推导出雷达高分辨距离像的功率谱特征的概率密度函数，以及dpLVSVM模型各个参数的联合条件后验分布；dpLVSVM模型各个参数的联合条件后验分布即：TSB‑DPM模型中聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB‑DPM模型的截棍参数υ、LVSVM分类器系数雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的联合条件后验分布；步骤3，通过步骤2的dpLVSVM模型各个参数的联合条件后验分布，推导各个参数的条件后验分布，即聚类的高斯分布参数的条件后验分布、雷达高分辨距离像的功率谱特征的聚类标号Z的条件后验分布、TSB‑DPM模型截棍参数υ的条件后验分布，以及LVSVM分类器系数的条件后验分布、雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的条件后验分布；步骤4，设定聚类高斯分布参数的初始值、雷达高分辨距离像的功率谱特征的聚类标号Z的初始值、TSB‑DPM模型的截棍参数υ的初始值、LVSVM分类器系数的初始值以及雷达高分辨距离像的功率谱特征对应的LVSVM分类器的隐变量λ的初始值；在设定初始值之后，根据设定初始值的参数在步骤3中对应的条件后验分布，按照Gibbs采样技术对设定初始值的参数依次进行采样，总共对设定初始值的参数循环采样I₀次，I₀为自然数；步骤5，在对设定初始值的参数循环采样I₀次之后，从第I₀+1次开始每间隔S_p次保存 聚类的高斯分布参数雷达高分辨距离像的功率谱特征的聚类标号Z、TSB‑DPM模型的截棍参数υ，以及LVSVM分类器系数总共保存T₀次参数的采样结果；在保存T₀次参数的采样结果后完成高分辨距离像HRRP的样本训练阶段，同时得到训练的LVSVM分类器和训练的TSB‑DPM模型；步骤6，对测试雷达高分辨距离像进行特征提取得到测试雷达高分辨距离像的功率谱特征计算测试雷达高分辨距离像的功率谱特征的概率密度函数值，并预先设定拒判门限T_h，将所述测试雷达高分辨距离像的功率谱特征的概率密度函数值与预先设定的拒判门限T_h比较，根据比较结果判断测试雷达高分辨距离像是否为库外样本；若为库内样本则继续步骤7；步骤7，将保存的T₀次参数的采样结果中的聚类的高斯分布参数截棍参数υ代入测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布，为根据保存的第t次采样的参数得到的测试雷达高分辨距离像的功率谱特征的聚类标号，T₀表示步骤5中设定的保存参数的采样结果的次数；在得到测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布之后，从测试雷达高分辨距离像的功率谱特征的聚类标号的条件后验分布中采样得到测试雷达高分辨距离像的功率谱特征所属的聚类标号步骤8，根据测试雷达高分辨距离像的功率谱特征所属的聚类标号将测试雷达高分辨距离像的功率谱特征依次输入其所属聚类对应的M个训练的LVSVM分类器中，即，将步骤7得到的测试雷达高分辨距离像的功率谱特征所属的聚类标号以及步骤5中保存的LVSVM分类器的系数代入到训练的LVSVM分类器的判别公式中，输出测试雷达高分辨距离像的目标类别标号