主权项 |
一种基于散射点匹配的雷达高分辨距离像识别方法,包括以下步骤:(1)获取距离像的原始训练样本集,根据原始训练样本集获取训练模板点集:1a)获取高信噪比下多个已知目标的雷达宽带时域回波数据,对该回波数据依次进行脉冲压缩、归一化、分帧和对齐,得到原始训练样本集<img file="FDA0001018274060000011.GIF" wi="516" he="63" />其中,<img file="FDA0001018274060000012.GIF" wi="46" he="54" />为第c类目标的样本集且<img file="FDA0001018274060000013.GIF" wi="594" he="55" />c=1,2,…,T,T为类别总数,<img file="FDA0001018274060000014.GIF" wi="69" he="56" />为<img file="FDA0001018274060000015.GIF" wi="50" he="55" />的第k帧样本集,k=1,2,…,Z,Z为样本帧数;1b)在正交傅里叶基下,利用匹配追踪算法提取各帧训练样本的散射点幅度和位置信息,并对散射点中的幅度求模值,得到<img file="FDA0001018274060000016.GIF" wi="66" he="55" />中第l个样本的散射点集:P<sub>ckl</sub>={(A<sub>ckl1</sub>,I<sub>ckl1</sub>),(A<sub>ckl2</sub>,I<sub>ckl2</sub>),…,(A<sub>ckli</sub>,I<sub>ckli</sub>),…,(A<sub>cklN</sub>,I<sub>cklN</sub>)},i=1,2,…,N,其中,A<sub>ckli</sub>为第l个样本中的第i个散射点的幅度,I<sub>ckli</sub>为第l个样本的第i个散射点的位置,N为单个复距离像的样本长度;1c)对一帧内相同位置上的散射点的幅度求均值,并按均值的幅度大小对散射点降序排序,得到<img file="FDA0001018274060000017.GIF" wi="62" he="55" />的训练模板点集P<sub>ck</sub>为:P<sub>ck</sub>={(A<sub>ck1</sub>,I<sub>ck1</sub>),(A<sub>ck2</sub>,I<sub>ck2</sub>),…,(A<sub>cki</sub>,I<sub>cki</sub>),…,(A<sub>ckN</sub>,I<sub>ckN</sub>)},i=1,2,…,N,其中,A<sub>cki</sub>为第i个散射点的幅度,I<sub>cki</sub>为第i个散射点的位置;(2)将雷达开机时不含目标的信号平均功率作为噪声功率σ<sub>n</sub><sup>2</sup>,并将获取到的含未知目标的复距离像作为测试样本y,估计该测试样本y的信噪比SNR,并对测试样本y采用2‑范数强度归一化,得到归一化后的测试样本<img file="FDA0001018274060000018.GIF" wi="59" he="55" />(3)根据信噪比SNR确定用于修正训练模板点集的能量比r;(4)根据能量比r和已知目标训练模板点集P<sub>ck</sub>确定最终的训练模板点集<img file="FDA0001018274060000019.GIF" wi="90" he="70" />幅度方差和位置方差:4a)根据能量比r按幅度从大到小依次提取训练模板P<sub>ck</sub>中前M<sub>ck</sub>个散射点, 其中,M<sub>ck</sub>为满足<img file="FDA0001018274060000021.GIF" wi="475" he="135" />的最小正整数值;4b)对前M<sub>ck</sub>个散射点采用重心对齐法进行对齐,得到最终训练模板点集<img file="FDA0001018274060000022.GIF" wi="87" he="71" />4c)根据所有目标的最终训练模板点集求出幅度方差<img file="FDA0001018274060000023.GIF" wi="59" he="70" />和位置方差<img file="FDA0001018274060000024.GIF" wi="83" he="63" />(5)提取目标测试样本<img file="FDA0001018274060000025.GIF" wi="40" he="54" />的测试样本散射点集<img file="FDA0001018274060000026.GIF" wi="73" he="75" />5a)在正交傅里叶基下,根据信噪比SNR,利用匹配追踪算法对测试样本<img file="FDA0001018274060000027.GIF" wi="35" he="54" />去噪并提取散射点集<img file="FDA0001018274060000028.GIF" wi="75" he="63" />并对<img file="FDA0001018274060000029.GIF" wi="50" he="63" />中散射点的幅度求模值;5b)根据能量比r,按幅度从大到小的顺序依次提取散射点集<img file="FDA00010182740600000210.GIF" wi="51" he="63" />中前<img file="FDA00010182740600000211.GIF" wi="75" he="63" />个散射点,其中<img file="FDA00010182740600000212.GIF" wi="75" he="61" />为满足<img file="FDA00010182740600000213.GIF" wi="426" he="135" />的最小正整数值;5c)对前<img file="FDA00010182740600000214.GIF" wi="73" he="63" />个散射点采用重心对齐法进行对齐,得到测试样本散射点集<img file="FDA00010182740600000215.GIF" wi="74" he="77" />(6)利用幅度方差<img file="FDA00010182740600000216.GIF" wi="59" he="71" />和位置方差<img file="FDA00010182740600000217.GIF" wi="83" he="70" />计算测试样本散射点集<img file="FDA00010182740600000218.GIF" wi="51" he="76" />与各帧最终训练模板点集之间的局部Hausdorff距离,得到T*Z个局部Hausdorff距离;(7)搜索T*Z个局部Hausdorff距离中的最小值,则对应的训练样本类别即为测试样本的判决类别。 |