基于統(tǒng)計(jì)建模的雷達(dá)高分辨距離像目標(biāo)識(shí)別方法研究.pdf

1、隨著現(xiàn)代戰(zhàn)爭(zhēng)信息化和智能化水平的提高，軍方對(duì)雷達(dá)自動(dòng)目標(biāo)識(shí)別的需求愈加迫切。與窄帶雷達(dá)相比，寬帶雷達(dá)有著更高的距離分辨率，能夠提供更多的目標(biāo)結(jié)構(gòu)信息，因此基于寬帶雷達(dá)信號(hào)的目標(biāo)識(shí)別受到廣泛關(guān)注。常用的寬帶信號(hào)有高分辨距離像(HRRP)和合成孔徑雷達(dá)像(包括SAR和ISAR像)兩類，與后者相比，HRRP具有易于獲取和處理簡(jiǎn)單等優(yōu)勢(shì)，逐漸成為目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)。
　　本論文主要圍繞國(guó)防預(yù)研等相關(guān)項(xiàng)目，結(jié)合雷達(dá)HRRP目標(biāo)識(shí)別的理論

2、與工程應(yīng)用背景，從特征提取、統(tǒng)計(jì)建模以及噪聲穩(wěn)健識(shí)別等方面展開(kāi)相關(guān)研究。論文的主要工作概括如下：
　　1.分析了HRRP的方位敏感性，闡明了對(duì)HRRP樣本分幀建模的原因，并提出了一種基于子空間模型和Kullback-Leibler距離的子幀合并分幀方法。實(shí)驗(yàn)結(jié)果表明，該方法能夠按照目標(biāo)姿態(tài)的變化將相似分布的樣本劃分到同一幀中。因此，該方法不但降低了各類目標(biāo)的總幀數(shù)而且提高了系統(tǒng)的識(shí)別性能。
　　2.研究了噪聲背景下的識(shí)別問(wèn)題

3、。許多工作都假設(shè)訓(xùn)練和測(cè)試樣本具有很高的信噪比，在識(shí)別中忽略了噪聲的影響。但在實(shí)際戰(zhàn)場(chǎng)條件下，目標(biāo)回波中總是不可避免地含有噪聲，而訓(xùn)練與測(cè)試樣本間信噪比的失配會(huì)使識(shí)別性能惡化。我們回顧了已有的噪聲穩(wěn)健識(shí)別方法，指出了它們的優(yōu)勢(shì)與不足。然后提出了一種新的噪聲穩(wěn)健識(shí)別思路，即向訓(xùn)練樣本中加入噪聲來(lái)學(xué)習(xí)各種信噪比下的模板，并在測(cè)試階段選擇相應(yīng)信噪比下的模板進(jìn)行匹配。實(shí)驗(yàn)結(jié)果表明這種方法能夠避免訓(xùn)練與測(cè)試樣本間信噪比的失配，改善了系統(tǒng)在低信噪比

4、條件下的識(shí)別性能。
　　3.研究了HRRP識(shí)別中的特征提取問(wèn)題。原始的HRRP數(shù)據(jù)具有較高的維度和較多的敏感性，給識(shí)別工作帶來(lái)了不便。我們分析了HRRP頻譜幅度的統(tǒng)計(jì)特性，提出使用自回歸模型對(duì)頻譜幅度的廣義平穩(wěn)性建模，并提取自回歸系數(shù)和偏相關(guān)系數(shù)作為識(shí)別特征。這兩種特征維度較低，同時(shí)具有平移和強(qiáng)度不變性，而且保留了頻譜幅度的結(jié)構(gòu)信息。此外，為了克服HRRP的方位敏感性，我們提出了一種基于混合高斯模型的自適應(yīng)分幀算法。該算法不但可以

5、自動(dòng)確定總幀數(shù)，而且能夠保證各幀內(nèi)樣本統(tǒng)計(jì)特性一致，避免了樣本與模型失配。
　　4.研究了小樣本識(shí)別問(wèn)題。HRRP具有較高維度，而實(shí)際獲取的樣本數(shù)量又很有限，因此HRRP識(shí)別是一個(gè)典型的小樣本學(xué)習(xí)問(wèn)題。我們提出使用HRRP頻譜幅度(以下簡(jiǎn)稱頻幅)作為識(shí)別特征，并沿頻率維對(duì)其序列建模。這種建模方式將頻幅視為一維的序列數(shù)據(jù)，從而既達(dá)到了降維的目的，又避免了傳統(tǒng)降維方法中的信息損失。我們首先假設(shè)頻幅分量服從高斯分布，采用線性動(dòng)態(tài)模型對(duì)頻

6、幅序列建模。該模型能夠描述頻幅序列的廣義平穩(wěn)性，具有較好的識(shí)別性能。之后我們進(jìn)一步分析了頻幅分量的統(tǒng)計(jì)特性，認(rèn)為其服從多模分布，于是采用混合自回歸模型對(duì)頻幅序列建模。由于該模型更加準(zhǔn)確地描述了頻幅的統(tǒng)計(jì)特性，因此其識(shí)別性能進(jìn)一步提高。以上序列模型自由度都很低，而且使用一個(gè)樣本就能估計(jì)它們所有的參數(shù)，這些性質(zhì)使得它們能夠在小樣本條件下具有良好性能。
　　5.研究了統(tǒng)計(jì)建模與模型選擇的問(wèn)題。HRRP服從聯(lián)合非高斯分布，且樣本間有較強(qiáng)的

7、時(shí)序相關(guān)性。我們提出使用局部因子分析模型對(duì)HRRP的非高斯性和維間相關(guān)性建模，使用時(shí)序因子分析模型對(duì)HRRP的子空間結(jié)構(gòu)和時(shí)序相關(guān)性建模。這二者對(duì)HRRP統(tǒng)計(jì)特性描述地更加準(zhǔn)確，所以識(shí)別性能較傳統(tǒng)模型有明顯特高。另外傳統(tǒng)的模型選擇方法存在著計(jì)算量大、模型選擇準(zhǔn)則評(píng)估不可靠的問(wèn)題。為此，我們采用BayesianYing-Yang(BYY)和諧學(xué)習(xí)理論進(jìn)行模型學(xué)習(xí)，它能夠在估計(jì)參數(shù)的同時(shí)自動(dòng)完成模型選擇。與傳統(tǒng)方法相比，BYY學(xué)習(xí)顯著降低了

8、計(jì)算量，并提高了參數(shù)估計(jì)和模型選擇的精度。
　　6.研究了復(fù)HRRP識(shí)別問(wèn)題。我們分析了初相對(duì)復(fù)HRRP統(tǒng)計(jì)特性的影響，指出初相變化并不影響復(fù)HRRP的統(tǒng)計(jì)分布，進(jìn)而提出采用復(fù)數(shù)因子分析(CFA)模型對(duì)復(fù)HRRP統(tǒng)計(jì)建模。由于利用了復(fù)HRRP中的相位信息，CFA模型的識(shí)別性能要優(yōu)于FA模型。另外，我們同時(shí)提出一種針對(duì)CFA模型的噪聲自適應(yīng)修正算法。在復(fù)HRRP識(shí)別中，含噪測(cè)試樣本內(nèi)的噪聲完全為加性噪聲，修正模型參數(shù)時(shí)將不存在實(shí)HR