基于角域特征优化的雷达目标HRRP识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113759356A(43)申请公布日2021.12.07(21)申请号202111028084.6(22)申请日2021.09.02(71)申请人中国人民解放军海军航空大学地址264001山东省烟台市芝罘区二马路188号科研学术处(72)发明人简涛王哲昊王海鹏刘瑜赵凌业李刚杨予昊高永婵但波(51)Int.Cl.G01S13/06(2006.01)权利要求书2页说明书6页附图2页(54)发明名称基于角域特征优化的雷达目标HRRP识别方法(57)摘要本发明公开了一种基于角域特征优化的雷达目标HRRP识别方法，属于雷达信号处理领域。针对特征空间中各类目标特征混叠严重和HRRP的角度特征利用率低，合理地引入HRRP的角度信息优化特征空间，增加特征空间的整体可分性；再利用自适应分帧算法对特征空间进行角域划分，增加特征空间的局部可分性，并利用粒子群优化算法确定特征空间角域划分时最优的单帧最小样本数目，增强方法的鲁棒性与适用性。通过特征空间优化和区域划分的相结合，有效的提升了多类目标的分类识别性能，增强了雷达在复杂环境下的分类识别能力，具有推广应用价值。CN113759356ACN113759356A权利要求书1/2页1.基于角域特征优化的雷达目标HRRP识别方法，其特征在于，包括以下步骤：步骤1提取雷达目标HRRP的功率谱特征，并对HRRP的功率谱特征进行归一化处理和降维处理；步骤2自适应分帧处理：对于预处理后的功率谱特征，依据角域进行区域划分，按方位顺序计算不同功率谱特征间的相似性函数r，将相似性函数r与分帧门限ξ进行比较，按照如下的自适应分帧规则：其中，rkl为第k个特征向量与第l个特征向量间的相关系数；将大于分帧门限ξ的第k个到第l个功率谱特征归纳为一帧，增强特征空间的局部可分性；步骤3根据自适应分帧的结果，构建SVM分类器组，其中分类器的总个数与分帧总数相同；在HRRP的训练集上，每个SVM分类器对应一个角域分帧，并进行该角域分帧内HRRP训练数据的分类识别，汇总各角域分帧内分类器的类别判别函数，组成整个分类器组的类别判别函数，具体为：其中，sign(·)为阶跃函数；zi为第i个整体优化处理后的HRRP特征向量，Ci为该特征向量的所属类别；Q为分帧总数，θq为第q个角域分帧，wq和bq为第q个角域分帧内SVM分类器的分界面参数；根据整个分类器组的类别判别函数对测试数据进行分类识别。2.根据权利要求1所述的基于角域特征的雷达目标HRRP识别优化方法，其特征在于，自适应分帧处理中的相似性函数，具体为：对特征空间进行自适应分帧，按分帧角域进行局部优化时，分帧的相似性度量标准为：其中，上标T为转置符号，行与分别为经过L2范数归一化后的第k个和第l个特征向量，rkl为第k个特征向量与第l个特征向量间的相关系数。3.根据权利要求1所述的基于角域特征优化的雷达目标HRRP识别方法，其特征在于，在自适应分帧处理，进行特征空间的局部优化的同时，与特征空间的整体优化相结合，具体为：在雷达目标HRRP的特征向量中，添加HRRP的方位角度信息，将目标的角域特征与原有的特征向量相串联，在整体上优化特征空间，增强特征空间的整体可分性。4.权利要求1所述的基于角域特征的雷达目标HRRP识别优化方法，其特征在于，进行自适应分帧处理时，利用PSO算法对自适应分帧进行优化，具体为：针对自适应分帧中的单帧最小样本数目a这一参数，利用PSO算法对其进行优化择优，2CN113759356A权利要求书2/2页择优过程如下：其中，vm,t与vm,t+1为第m个粒子分别在状态t时刻和状态t+1时刻的速度，sm,t与sm,t+1则为第m个粒子分别在状态t时刻和状态t+1时刻的位置，pm,t第m个粒子在状态t时刻的粒子最优位置，pt为种群在状态t时刻的最优位置，w为粒子的惯性权重，c1为粒子自我学习因子，c2为种群学习因子，r1，r2为两个(0,1)范围内的随机数；适应度函数选择误差范围内的平均分类识别率；最终的最优参数a即为种群粒子的最优位置。3CN113759356A说明书1/6页基于角域特征优化的雷达目标HRRP识别方法技术领域[0001]本发明隶属于雷达信号处理领域，具体涉及一种基于角域特征优化的雷达目标HRRP识别方法。背景技术[0002]高分辨距离像(HRRP)是在大发射宽带、目标尺寸远大于雷达距离分辨单元的条件下，目标散射点的子回波在雷达方向上投影的矢量和，它可以详细地提供目标的结构信息，是目前雷达目标识别研究的热点。此外，与二维合成孔径雷达图像相比，它还具有易于采集、快速处理和存储空间占用少等优点。因此，HRRP目标识别方法具有广泛的应用前景。[0003]在HRRP目标识别方法中，通常利