基于稀疏特征的雷达目标识别方法

摘要

本发明提供了一种基于稀疏特征的雷达目标识别方法，该方法以雷达目标图像的稀疏特征作为雷达目标图像训练样本和待测雷达目标的识别特征，帮助提升雷达目标识别的数据针对性并减少数据处理运算量，再通过训练样本的稀疏特征构建待测雷达目标的稀疏线性方程，然后通过贝叶斯压缩感知算法求解稀疏线性方程，借助压缩感知理论实现对待测雷达目标的识别，不需要借助目标方位角估计，降低了识别复杂程度，避免了识别准确性对目标方位角估计的依赖，同时基于压缩感知理论进行雷达目标识别在噪声环境下也具有良好的识别性能，从而解决了现有技术中雷达目标识别系统较为复杂、识别准确性有限的问题，达到提高雷达目标识别的处理效率和识别准确性的目的。

主权项

基于稀疏特征的雷达目标识别方法，其特征在于，包括如下步骤：A)针对多类不同的已知雷达目标，分别采集多个已知雷达目标图像作为训练样本，并分别提取各个类别中各个训练样本的稀疏特征矩阵；该步骤具体为：a1)针对多类不同的已知雷达目标，分别采集多个已知雷达目标图像作为训练样本；所采集的第i类已知雷达目标的第n_i个训练样本为：$r_{{i,n}_i}=C_{{i,n}_i}\times u_{i,n_i}+w_{{i,n}_i};$其中，表示第i类已知雷达目标第n_i个训练样本的目标反射率图像矩阵；表示第i类已知雷达目标第n_i个训练样本的叠加噪声；表示第i类已知雷达目标第n_i个训练样本的观测转换矩阵；所述观测转换矩阵为已知参数，所述叠加噪声和目标反射率图像矩阵为未知参数；1≤i≤K，K表示所采集的已知雷达目标的类别总数；1≤n_i≤N_i，N_i表示针对第i类已知雷达目标所采集的训练样本的个数；a2)采用投影梯度下降算法对下式求解，得到第i类已知雷达目标第n_i个训练样本的目标反射率图像矩阵的最小取值${\hat{u}}_{i,n_i}=\arg \underset{u_{i,n_i}}{\min }[{\left|\right|r_{i,n_i}-C_{i,n_i}\times u_{i,n_i}\left|\right|}_2+\lambda {\left|\right|u_{i,n_i}\left|\right|}_1];$并以该最小取值作为第i类已知雷达目标第n_i个训练样本的稀疏特征矩阵即取由此方式分别提取各个类别中各个训练样本的稀疏特征矩阵；其中，表示使得目标反射率图像矩阵的目标函数为最小值时的取值；||·||₁为L1范数运算符；||·||₂为L2范数运算符，λ为L2范数规范参数，且0.1≤λ≤0.7；B)将步骤A提取的每个训练样本的稀疏特征矩阵作为一个稀疏特征训练样本，从而由步骤A提取的各个类别各个训练样本的稀疏特征矩阵的集合构成稀疏特征训练样本集；C)针对待测雷达目标，采集待测雷达目标图像，提取待测雷达目标图像的稀疏特征矩阵；该步骤具体为：c1)针对待测雷达目标，采集待测雷达目标图像r_z：r_z＝C_z×u_z+w_z；其中，u_z表示待测雷达目标图像的目标反射率图像矩阵；w_z表示待测雷达目标图像的叠加噪声；C_z表示待测雷达目标图像的观测转换矩阵；所述观测转换矩阵C_z为已知参数，所述叠加噪声w_z和目标反射率图像矩阵u_z为未知参数；c2)采用投影梯度下降算法对下式求解，得到待测雷达目标图像的目标反射率图像矩阵u_z的最小取值${\hat{u}}_z=\arg \underset{u_z}{\min }[{\left|\right|r_z-C_z\times u_z\left|\right|}_2+\lambda {\left|\right|u_z\left|\right|}_1];$并以该最小取值作为待测雷达目标图像的稀疏特征矩阵b_z，即取其中，表示使得目标反射率图像矩阵u_z的目标函数为最小值时u_z的取值；||·||₁为L1范数运算符；||·||₂为L2范数运算符，λ为L2范数规范参数，且0.1≤λ≤0.7；D)利用稀疏特征训练样本集中个各个稀疏特征训练样本建立稀疏线性方程，对待测雷达目标图像的稀疏特征矩阵进行稀疏线性表示，并采用贝叶斯压缩感知算法求解得到该稀疏线性方程的系数向量；E)分别提取步骤D所得系数向量对应于稀疏特征训练样本集中每一类已知雷达目标的稀疏系数向量，然后分别计算对应于每一类已知雷达目标的稀疏系数向量的L2范数值，将L2范数值最大的稀疏系数向量所对应的一个已知雷达目标类别判定为待测雷达目标所属的雷达目标类别，实现对待测雷达目标的识别。