基于匹配字典和压缩感知的雷达一维距离像目标识别方法

摘要

本发明属于雷达高分辨一维距离像(High Resolution Range Profile，HRRP)自动目标识别技术领域，尤其涉及基于压缩感知理论的一维距离像目标识别。本发明根据雷达回波模型构造匹配字典，选取合适的测试矩阵对已知种类信息的训练样本一维像和待识别的测试样本一维像分别进行压缩感知，达到数据降维的目的。然后，对压缩感知后的数据进行稀疏重构，得到训练样本一维像和测试样本一维像在匹配字典下的稀疏系数。以训练样本的稀疏系数作为模板矢量，采用最近邻法对测试样本进行识别。本发明构造匹配字典，提取目标在该字典下的稀疏系数特征以避免冗余，减少计算量，同时，避免不必要的噪声。

主权项

基于匹配字典和压缩感知的雷达一维距离像目标识别方法，其特征在于，包括以下步骤：S1、进行数据预处理，划分模区：根据雷达回波一维距离像的姿态角对训练样本中不同种类的目标的雷达回波一维距离像进行模区划分；S2、压缩感知：根据雷达回波模型构造匹配字典Ψ作为稀疏基，高斯随机矩阵作为测量矩阵，对处理后的样本数据进行压缩感知得到观测信号，包括：S21、构造匹配字典，具体为：S211、选择点散射中心模型，将目标回波表示为$E\left(f\right)=\underset{k=1}{\overset{M}{\Sigma }}{\alpha }_k\exp \left(j\frac{4\mathrm{\pi f}}{c}{r}_k\right)=\underset{k=1}{\overset{M}{\Sigma }}{\alpha }_k\exp \left(j2\mathrm{\pi f}{\tau }_k\right),$其中，M为散射中心的数目，r_k代表第k个散射中心的雷达径向距离，τ_k代表第k个散射中心的波达时间，α_k代表第k个散射中心的散射强度，c为光速，f为雷达发射信号频率，exp(*)表示以自然常数e为底的指数函数；S212、设雷达发射信号为$s\left(t\right)=\mathrm{rect}\left(\frac{t}{T}\right)e^{j2\pi (f_{c}t\pm \frac{K}{2}{t}^2)}=\mathrm{rect}\left(\frac{t}{T}\right)\exp \left(j2\pi f_{c}t\right)\exp \left(\mathrm{j\pi }{\mathrm{Kt}}^2\right),$通过S211所述的回波模型可以得到雷达回波信号为$s_o\left(t\right)=\underset{k=1}{\overset{M}{\Sigma }}{a}_k\mathrm{rect}\left(\frac{t-{\tau }_k}{T}\right)\exp \left(j2\pi f_c(t-{\tau }_k)\right)\exp \left(\mathrm{j\pi K}{(t-{\tau }_k)}^2\right),$所述雷达回波信号s_o(t)经过相干检波和匹配滤波器后可得到信号$S\left(t\right)=\underset{k=1}{\overset{M}{\Sigma }}{a}_k\mathrm{TSa}\left(\mathrm{\pi B}(t-{\tau }_k)\right)\mathrm{rect}\left(\frac{t-{\tau }_k}{2T}\right)\exp \left(j2\pi f_c(t-{\tau }_k)\right),$其中，t是所述雷达回波信号的接收时间，T为所述雷达发射信号s(t)的脉冲宽度，B为所述雷达发射信号s(t)的频带宽度，f_c为所述雷达发射信号s(t)的载波频率,为所述雷达发射信号s(t)的调频斜率，为矩形窗函数，a_k代表第k个散射中心的复幅度，Sa(*)是辛克函数；S213、根据S212所述回波模型建立匹配字典：假设目标为单个距离单元的单一散射点，原子是由雷达信号经过该单个散射点所反射的回波产生，单个散射点的回波信号经过脉冲压缩后为$y\left(t\right)=\mathrm{TSa}\left(\mathrm{\pi B}(t-{\tau }^{\prime })\right)\mathrm{rect}\left(\frac{t-{\tau }^{\prime }}{2T}\right)\exp \left(j2\pi f_c(t-{\tau }^{\prime })\right),$其中，τ'是雷达发射信号经散射点散射后到达雷达接收端的时间延迟；S214、构造N个原子，分别表示不同距离单元里的散射点所反射的回波信号，即$y(t-\mathrm{n\tau })=\mathrm{TSa}\left(\mathrm{\pi B}(t-\mathrm{n\tau })\right)\mathrm{rect}\left(\frac{t-\mathrm{n\tau }}{2T}\right)\exp (-j2\pi f_c\mathrm{n\tau }),$其中，τ表示奈奎斯特采样间隔，N表示信号长度，n＝1,2,...N；S215、选取ψ_n＝y(nτ),n＝1,2,...,N，则匹配字典为Ψ＝{ψ₁,ψ₂,....ψ_N}，其中，ψ_n为在第n个距离单元存在强散射中心所产生的雷达回波信号；S22、对处理后的样本数据进行压缩感知得到观测信号，具体为：S221、选择随机投影矩阵作为观测矩阵实现数据降维，得到观测信号S'＝RS，其中，R为随机投影矩阵，所述R的维数为I×J,J为原子的维数，与待测信号长度N相同，I为测量次数，I＝O(Plog(J))，P为信号的稀疏度，将观测信号表示为S'＝RS＝RΨa，a是待处理信号S在匹配字典Ψ上的稀疏系数，其维数是N×1，需要通过下面步骤求得；S3、稀疏重构获得稀疏系数向量：用MP算法对S2所述观测信号进行重构，求得原始数据相对于匹配字典的最稀疏表达，得到一维稀疏系数向量a，所述一维稀疏向量a是通过匹配追踪MP算法对arg min||a||₀,s.t.S'＝RΨa＝Aa优化所得，所述一维稀疏向量就是用于最终识别的特征向量，其中，一个模区得到一个一维稀疏向量；S4、根据S1的模区划分，对不同种类不同模区内的训练样本所求得的特征向量计算平均值，得到该种类在该模区下的模板矢量组合成模板矢量库；S5、对测试样本进行特征提取，根据S4所述模板矢量库对所述测试样本的特征向量进行目标识别。