本發(fā)明適用于基于協(xié)同體系下常規(guī)寬帶相參警戒雷達(dá)系統(tǒng)，特別涉及一種雷達(dá)目標(biāo)識(shí)別方法，實(shí)現(xiàn)基于多視角下一維像的雷達(dá)目標(biāo)粗分類。

背景技術(shù)：

研究表明一維像能夠反映出雷達(dá)目標(biāo)在雷達(dá)視線上精細(xì)的幾何結(jié)構(gòu)特征。對(duì)艦艇與貨船結(jié)構(gòu)分析發(fā)現(xiàn)，艦艇與貨船有著顯著的物理結(jié)構(gòu)特征差異，物理結(jié)構(gòu)特征差異導(dǎo)致艦艇與貨船的一維像回波存在明顯的差異，如附圖2、附圖3。在各視角下一維像的基礎(chǔ)上，通過特征融合等實(shí)現(xiàn)艦艇與貨船分類識(shí)別，利用艦艇與貨船的分類識(shí)別信息可以實(shí)現(xiàn)雷達(dá)目標(biāo)的粗分類，提高識(shí)別正確率。配合現(xiàn)有探測(cè)設(shè)備的改造，可以在現(xiàn)有探測(cè)設(shè)備的基礎(chǔ)上大力提升協(xié)同目標(biāo)識(shí)別能力。

目前很多一維像的技術(shù)研究是基于單視角下一維像進(jìn)行的，如在2013年5月西安郵電大學(xué)學(xué)報(bào)《基于高分辨距離像子帶融合的目標(biāo)識(shí)別新算法》中提出的一種最大相關(guān)系數(shù)投票準(zhǔn)則子帶融合識(shí)別算法，實(shí)現(xiàn)單視角下的雷達(dá)目標(biāo)識(shí)別。

基于單視角一維像的雷達(dá)目標(biāo)識(shí)別方法極易受到目標(biāo)姿態(tài)的影響，本發(fā)明針對(duì)在基于多視角下一維像的基礎(chǔ)上，通過特征融合的艦艇與貨船分類識(shí)別方法，實(shí)現(xiàn)雷達(dá)目標(biāo)的粗分類，能夠有效避免目標(biāo)姿態(tài)對(duì)雷達(dá)目標(biāo)識(shí)別結(jié)果的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種解決協(xié)同體系下的多視角下一維像特征層融合的艦艇與貨船分類識(shí)別方法，有效地實(shí)現(xiàn)雷達(dá)目標(biāo)的粗分類。通過本發(fā)明，能夠?qū)崿F(xiàn)海上艦艇編隊(duì)對(duì)視距內(nèi)各種運(yùn)動(dòng)狀態(tài)下的艦艇與貨船進(jìn)行有效的分類，并且多視角一維像下的艦艇與貨船分類識(shí)別正確率在單視角一維像下的艦艇與貨船分類識(shí)別正確率基礎(chǔ)上提高5％。

實(shí)現(xiàn)本發(fā)明的技術(shù)解決方案為：

首先對(duì)各視角下的目標(biāo)一維像數(shù)據(jù)進(jìn)行剔除壞像、非相干積累等預(yù)處理；設(shè)置目標(biāo)一維像區(qū)域提取門限，提取各視角下目標(biāo)一維像區(qū)域；對(duì)各視角下的目標(biāo)一維像區(qū)域進(jìn)行歸一化和等分處理，在強(qiáng)散射點(diǎn)位置信息和幅度信息提取的基礎(chǔ)上進(jìn)行等分區(qū)域強(qiáng)散射點(diǎn)統(tǒng)計(jì)、強(qiáng)散射點(diǎn)位置分布統(tǒng)計(jì)和強(qiáng)散射點(diǎn)幅度分布統(tǒng)計(jì)，結(jié)合最近鄰線特征提取方法進(jìn)行各視角下的目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征提取，生成各視角下的目標(biāo)一維像區(qū)域波形結(jié)構(gòu)初始特征矩陣；結(jié)合各視角下目標(biāo)的姿態(tài)和信噪比信息，構(gòu)造目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣；結(jié)合Sigmoid函數(shù)進(jìn)行線性二分類器設(shè)計(jì)；最后進(jìn)行艦艇與貨船分類識(shí)別。

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)為：

各視角下目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征提取方法，能夠快速、有效地提取目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征，該方法具有自適應(yīng)好，計(jì)算量小，運(yùn)行效率高的特點(diǎn)。目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣構(gòu)造方法，能夠準(zhǔn)確、有效地消除不同視角、不同信噪比造成的一維像姿態(tài)敏感性和強(qiáng)度敏感性的影響，而且其實(shí)現(xiàn)方法簡(jiǎn)單。本發(fā)明的提出和工程實(shí)現(xiàn)在雷達(dá)目標(biāo)識(shí)別領(lǐng)域具有很高的推廣應(yīng)用價(jià)值。

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述。

附圖說明

圖1是本發(fā)明的數(shù)據(jù)處理流程圖。

圖2是本發(fā)明的貨船一維像回波特征示意圖。

圖3是本發(fā)明的艦艇一維像回波特征示意圖。

圖4是本發(fā)明的各視角下目標(biāo)區(qū)域一維像波形結(jié)構(gòu)特征提取處理流程圖。

圖5是本發(fā)明的各視角下目標(biāo)區(qū)域一維像波形結(jié)構(gòu)特征示意圖。

圖6是本發(fā)明的線性二分類器組成示意圖。

具體實(shí)施方式

本發(fā)明基于多視角下一維像特征層融合的艦艇與貨船分類方法具體實(shí)施步驟為，參見附圖1：

(1)各視角下目標(biāo)一維像數(shù)據(jù)預(yù)處理，方法如下：

計(jì)算一維像的峰度矩陣K，找到峰度矩陣的最大元素max(K)及其對(duì)應(yīng)的一維像，統(tǒng)計(jì)余下一維像集合{x_i}和離群峰度集合{k_i}：

其中N是一維像的個(gè)數(shù)，X_i是余下的第i個(gè)一維像樣本數(shù)據(jù)，μ_i是樣本均值，σ_i是樣本標(biāo)準(zhǔn)方差，E(X_i-μ_i)⁴是第i個(gè)一維像樣本數(shù)據(jù)的4階中心距。如果k_i非正，則認(rèn)為第i個(gè)一維像為異常一維像，將樣本數(shù)據(jù)置為0。以峰度矩陣最大元素對(duì)應(yīng)的一維像為基像，采用最小熵譜估計(jì)準(zhǔn)則進(jìn)行對(duì)齊處理，對(duì)對(duì)齊后的一維像做非相干積累。

I(x_k)＝-logp_k

其中x_k是一維像樣本數(shù)據(jù)，I(x_k)是信息量，X是離散隨機(jī)變量，P_k是事件X＝x_k發(fā)生的概率，是一維像樣本數(shù)據(jù)集合。

其中s_i為對(duì)齊后的第i個(gè)距離單元的非相干積累結(jié)果，N是一維像的個(gè)數(shù)。

(2)各視角下目標(biāo)一維像區(qū)域提取，方法如下：

計(jì)算各視角下目標(biāo)非相干積累一維像的前八分之一部分和后八分之一部分的均值，取最小均值的1.5倍作為目標(biāo)一維像區(qū)域提取門限，超過門限的部分為各視角下目標(biāo)一維像區(qū)域。

(3)各視角下目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征提取，方法如下，如附圖4：

a)將各視角下的目標(biāo)一維像區(qū)域進(jìn)行歸一化處理：

其中P(m,n)為目標(biāo)一維像區(qū)域樣本數(shù)據(jù)，max(P(m,n))是樣本數(shù)據(jù)的全局極大值，min(P(m,n))是樣本數(shù)據(jù)的全局極小值，P′(m,n)是歸一初始化處理后的樣本數(shù)據(jù)。

b)對(duì)歸一化處理后的目標(biāo)一維像區(qū)域按照距離單元進(jìn)行等分為10份{Q_i},i＝1,2,…,10。

c)按照(2)中方法設(shè)置強(qiáng)散射點(diǎn)提取門限，統(tǒng)計(jì)強(qiáng)散射點(diǎn)個(gè)數(shù)M。

d)統(tǒng)計(jì)M個(gè)強(qiáng)散射點(diǎn)的位置信息和幅度信息。

e)分別進(jìn)行等分區(qū)域內(nèi)的強(qiáng)散射點(diǎn)個(gè)數(shù)統(tǒng)計(jì)、強(qiáng)散射點(diǎn)位置分布統(tǒng)計(jì)和強(qiáng)散射點(diǎn)幅度分布統(tǒng)計(jì)。

f)在(c)(d)(e)的基礎(chǔ)上利用最近鄰線算法進(jìn)行包含波形有效寬度、波形對(duì)稱性、波形集中度、波形峰度、波形峰值個(gè)數(shù)、峰值前緣陡峭度、峰值后緣陡峭度、峰值形狀統(tǒng)計(jì)的波形結(jié)構(gòu)特征提取，如附圖5。

g)在(f)基礎(chǔ)上構(gòu)造各視角下目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征初始矩陣F∈R^8×1

其中x₁表示波形有效寬度、x₂表示波形對(duì)稱性、x₃表示波形集中度、x₄表示波形峰度、x₅表示波形峰值個(gè)數(shù)、x₆表示峰度前緣陡峭度、x₇表示峰度后緣陡峭度、x₈表示峰值形狀。

(4)目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣構(gòu)造，其方法如下：

結(jié)合各視角下目標(biāo)一維像姿態(tài)和信噪比信息，構(gòu)造目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣F∈R^8×1

F＝k₁·F₁+k₂·F₂

其中F₁∈R^8×1、F₂∈R^8×1分別表示各視角下目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征初始矩陣：

k₁、k₂分別表示各視角下目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征初始矩陣加權(quán)算子

θ₁、θ₂分別表示各視角下目標(biāo)的姿態(tài)，Snr1、Snr2分別表示各視角下目標(biāo)的信噪比。

(5)分類器設(shè)計(jì)，其方法如下：

本發(fā)明采用線性二分類器作為分類器進(jìn)行艦艇與貨船分類，線性二分類器由輸入層、激勵(lì)函數(shù)和輸出節(jié)點(diǎn)組成，如附圖6。輸入層由8個(gè)節(jié)點(diǎn)構(gòu)成，分別對(duì)應(yīng)目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣的8個(gè)特征，使用Sigmoid函數(shù)作為激勵(lì)函數(shù)，輸出節(jié)點(diǎn)y為：

其中F∈R^8×1為目標(biāo)一維像區(qū)域波形結(jié)構(gòu)特征融合矩陣，W∈R^8×1為輸入層的權(quán)值矩陣：

(6)艦艇與貨船分類識(shí)別，其方法如下：

根據(jù)(5)中輸出接點(diǎn)y的取值進(jìn)行艦艇與貨船分類識(shí)別：