雷達(dá)高分辨距離像目標(biāo)識別的拒判算法和特征提取技術(shù)研究.pdf

1、雷達(dá)高分辨距離像(HRRP)是散射點(diǎn)子回波在雷達(dá)視線方向上投影的向量和，它能夠反映出散射點(diǎn)目標(biāo)在雷達(dá)視線方向上的幾何結(jié)構(gòu)信息，且相對于合成孔徑雷達(dá)(SAR)圖像和逆合成孔徑雷達(dá)(ISAR)圖像而言，具有易于獲取和存儲量小等優(yōu)點(diǎn)，因而在雷達(dá)自動目標(biāo)識別(RATR)領(lǐng)域受到了廣泛關(guān)注。本論文主要圍繞著國防預(yù)研及國家自然科學(xué)基金的相關(guān)項(xiàng)目，結(jié)合距離像識別的工程應(yīng)用背景，從庫外目標(biāo)拒判和特征提取兩個(gè)主要方面展開對RATR的相關(guān)理論和技術(shù)的研究。

2、論文的主要內(nèi)容包括下述五個(gè)部分，其中第一部分為緒論，第二部分主要涉及庫外目標(biāo)拒判問題，第三、四、五部分主要涉及特征提取問題。
　　 一、首先介紹了高分辨距離像的物理特性，然后結(jié)合RATR的工程應(yīng)用，討論了庫外目標(biāo)拒判問題的應(yīng)用背景，分析了該問題和一般意義上的模式識別問題的主要區(qū)別，以及解決該問題所面臨的主要困難。
　　 二、針對庫外目標(biāo)拒判問題，提出了一種人工生成庫外目標(biāo)訓(xùn)練樣本的方法，為后續(xù)的分類器設(shè)計(jì)提供了數(shù)據(jù)基礎(chǔ)。

3、針對支持向量域描述(SVDD)算法核函數(shù)形式過于簡單的缺點(diǎn)，將SVDD算法由單個(gè)核函數(shù)擴(kuò)展到多個(gè)核函數(shù)線性組合的形式，并根據(jù)對組合系數(shù)自由度的不同限制，分別得到了Multikernel-SVDD1算法和Multikernel-SVDD2算法兩種擴(kuò)展版本。SVDD算法、Multikernel-SVDD1算法和Multikernel-SVDD2算法可以分別通過求解二次規(guī)劃(QP)、二階錐規(guī)劃(SOCP)和半正定規(guī)劃(SDP)問題來獲取全局最

4、優(yōu)解。仿真實(shí)驗(yàn)的結(jié)果表明：(1)由于采用了更加復(fù)雜的核函數(shù)形式，Multikernel-SVDD1算法和Multikernel-SVDD2算法取得了比SVDD算法更優(yōu)的拒判性能；(2)由于多個(gè)核矩陣的組合系數(shù)具有更高的自由度，Multikernel-SVDD2算法取得了比Multikernel-SVDD1算法更優(yōu)的拒判性能。SVDD算法、Multikernel-SVDD1算法和Multikernel-SVDD2算法旨在尋求高維核空間的超

5、球體分類邊界，它們的區(qū)別僅僅在于核空間的不同。不同于上述超球體邊界，本章提出了三種采用近鄰邊界的分類算法，即最近鄰(NN)分類器、平均K近鄰(A-KNN)分類器和加權(quán)K近鄰(W-KNN)分類器來處理上述拒判問題。仿真實(shí)驗(yàn)結(jié)果表明，就雷達(dá)HRRP庫外目標(biāo)拒判問題而言，采用近鄰邊界要優(yōu)于采用超球體邊界。通過比較三種近鄰算法，我們發(fā)現(xiàn)W-KNN分類器的性能要優(yōu)于NN分類器和A-KNN分類器，并指出造成這種結(jié)果的原因在于W-KNN分類器能夠在應(yīng)

6、用較多的信息量的同時(shí)保持較強(qiáng)的局部學(xué)習(xí)能力。
　　 三、提出了一種大間隔最近局部均值(LMNLM)算法。該算法通過一個(gè)線性變換，將原始?xì)W式距離空間投影到馬氏距離空間，并在投影后空間的最近局部均值(NLM)分類器的邊界中引入了大的分類間隔，以期望改進(jìn)NLM分類器的推廣性能。通過對所獲得的馬氏距離矩陣進(jìn)行特征值分解，可以恢復(fù)出投影矩陣，從而實(shí)現(xiàn)對HRRP數(shù)據(jù)的特征提取。LMNLM可以表述為一個(gè)半正定規(guī)劃(SDP)問題，而SDP問題的

7、凸性保證了全局最優(yōu)解的存在。實(shí)驗(yàn)結(jié)果表明LMNLM可以同時(shí)降低數(shù)據(jù)維數(shù)和提高數(shù)據(jù)可分性，對多模分布且存在大量噪聲和冗余分量的HRRP數(shù)據(jù)尤為適用。
　　 四、線性判別分析(LDA)是一種典型的基于全局準(zhǔn)則的特征提取算法，在模式識別領(lǐng)域有著廣泛的應(yīng)用。由于全局準(zhǔn)則對多模分布數(shù)據(jù)的不適用性，研究者們提出了一些基于局部準(zhǔn)則的相關(guān)算法，例如邊界Fisher分析(MFA)和局部判別嵌入(LDE)，來處理多模分布數(shù)據(jù)的特征提取和分類問題。本

8、章中，我們從魯棒性和靈活性兩方面入手，分析指出全局算法具有較強(qiáng)的魯棒性和較弱的靈活性，而局部算法與之相反，其魯棒性較弱而靈活性較強(qiáng)。結(jié)合訓(xùn)練數(shù)據(jù)采樣程度對識別影響的分析，提出了組合判別分析(CDA)來折衷考慮魯棒性和靈活性，并將其成功應(yīng)用到雷達(dá)HRRP目標(biāo)識別領(lǐng)域。
　　 五、分析了線性判別分析(LDA)的四個(gè)缺陷：(1)同一類別的樣本需要服從高斯分布特性；(2)投影向量的個(gè)數(shù)受到限制；(3)不同的差分向量在構(gòu)建散射矩陣時(shí)受到同

9、等對待，它們對識別的不同影響沒有得到體現(xiàn)；(4)沒有考慮投影向量的范數(shù)對識別的影響。針對上述四個(gè)缺陷，首先提出了一種新的特征提取算法，局部均值判別分析(LMDA)，來彌補(bǔ)前三個(gè)缺陷帶來的不利影響，接著提出了一個(gè)廣義的重加權(quán)(GRW)框架來彌補(bǔ)最后一個(gè)缺陷的不利影響。LMDA和GRW可以分別采用廣義特征值分解和線性規(guī)劃(LP)來求解，它們的結(jié)合應(yīng)用可以大大提高數(shù)據(jù)的可分性，基于人工數(shù)據(jù)、公用數(shù)據(jù)以及雷達(dá)HRRP數(shù)據(jù)的實(shí)驗(yàn)結(jié)果充分表明了它們