本發(fā)明屬于信號(hào)識(shí)別技術(shù)領(lǐng)域，涉及一種雷達(dá)一維信號(hào)識(shí)別的分幀方法，具體涉及一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，尤其涉及一種通過(guò)因子分析模型和js距離測(cè)度相結(jié)合的優(yōu)化分幀方法。

背景技術(shù)：

高分辨率一維距離像(hrrp)是基于寬帶雷達(dá)探測(cè)的一種目標(biāo)反射信號(hào)，是目標(biāo)散射點(diǎn)子回波在雷達(dá)視線方向的投影矢量和，其包含了目標(biāo)的大小、形狀等重要結(jié)構(gòu)信息且相比于sar、isar圖像易于獲取和處理，因此在雷達(dá)自動(dòng)目標(biāo)識(shí)別領(lǐng)域應(yīng)用廣泛，是最有發(fā)展前景的雷達(dá)目標(biāo)識(shí)別方法。

然而在實(shí)際應(yīng)用中，獲取的hrrp并不能直接用于識(shí)別，因其有3個(gè)敏感性：姿態(tài)敏感性、幅度敏感性和平移敏感性。如何解決這三個(gè)敏感性是一維距離像識(shí)別的基礎(chǔ)。其中，幅度敏感性和平移敏感性都有較為成熟的解決方案，姿態(tài)敏感性是指在散射點(diǎn)模型保持不變的范圍里，姿態(tài)的微小變化也有可能極大改變同一距離單內(nèi)散射點(diǎn)子回波的相位差從而影響hrrp回波的幅度和相位。因此，如何有效減小姿態(tài)變化對(duì)于hrrp識(shí)別的影響、根據(jù)姿態(tài)變化對(duì)一維距離像進(jìn)行合理分幀是hrrp識(shí)別的重要課題。

傳統(tǒng)的hrrp分幀方法是根據(jù)逆合成孔徑雷達(dá)成像過(guò)程中散射點(diǎn)模型不發(fā)生嚴(yán)重越距離單元走動(dòng)的條件對(duì)hrrp進(jìn)行等間隔地分幀，默認(rèn)每幀服從相同的模型。然而這種方法并不合理，在目標(biāo)姿態(tài)不停變化的過(guò)程中，變化快慢應(yīng)直接影響分幀的結(jié)果，也就是說(shuō)幀大小應(yīng)由目標(biāo)姿態(tài)變化快慢進(jìn)行自適應(yīng)調(diào)整。對(duì)于自適應(yīng)分幀，前人也提出了多種方法，如基于信號(hào)相似度的分幀、基于子空間模型的hrrp分幀方法、基于概率主分量分析模型和kl距離的分幀方法等，這些方法都在一定程度上完成了分幀隨著目標(biāo)姿態(tài)變化的自適應(yīng)調(diào)整過(guò)程，在識(shí)別率上也取得了較好的效果，但都有一定的缺陷，即對(duì)于hrrp的噪聲考慮欠佳，沒(méi)有考慮噪聲的存在或者假設(shè)噪聲方差固定，這與現(xiàn)實(shí)情況不相符合，影響了實(shí)際分幀的準(zhǔn)確性。

本發(fā)明提出一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，通過(guò)提取hrrp的頻譜幅度特征并建立因子分析模型，結(jié)合合理的js距離度量完成準(zhǔn)確的分幀。由于因子分析模型結(jié)合實(shí)際情況，合理考慮了hrrp信號(hào)的噪聲分布，將不同幀的噪聲方差設(shè)為不同的值，由em算法求得的分布模型更加貼合實(shí)際，再通過(guò)js距離的完成較kl距離更合理的相似性度量，實(shí)現(xiàn)了相較于前人方案更精確的分幀，實(shí)驗(yàn)結(jié)果也充分證實(shí)了這點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，即使在噪聲環(huán)境下本方案依然可以完成較為準(zhǔn)確的分幀，相比于前人所提的基于概率主分量和kl距離分幀方法識(shí)別率提高2個(gè)百分點(diǎn)左右。

技術(shù)方案：為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，步驟如下：

第1步：對(duì)第k類一維距離像樣本集x＝[x1,x2,...,xm]，提取其歸一化頻譜幅度特征p＝[p1,p2,...,pm]；

第2步：對(duì)上述樣本集均勻劃分成l個(gè)小子幀，每個(gè)子幀長(zhǎng)度為n，得到第k類樣本初級(jí)子幀頻譜幅度特征向量集pk＝[pk1,pk2,...,pkl]；

第3步：假設(shè)各幀特征向量服從聯(lián)合高斯分布，利用因子分析模型對(duì)每個(gè)子幀頻譜幅度特征建模，使用期望最大估計(jì)法(em)估計(jì)模型的相應(yīng)參數(shù)，得到各子幀模型的概率密度函數(shù)ρl,l＝1,2,...,l；

第4步：由各子幀參數(shù)度量相鄰子幀之間的js距離djs(ρi||ρi+1),i＝1,2,...,l-1；

第5步：求得所有相鄰子幀js距離的最小值djsmin和相應(yīng)的下標(biāo)位置設(shè)定閾值ζ，若djsmin＜ζ則合并第和個(gè)子幀，更新各子幀下標(biāo)，即對(duì)于所有的下標(biāo)，令l＝l-1，同時(shí)令l＝l-1，進(jìn)入第6步；若djsmin≥ζ則算法結(jié)束，輸出分幀結(jié)果；

第6步：利用第3步中的因子分析模型和em算法計(jì)算新生成幀pkl的模型參數(shù)，更新其和相鄰幀之間的js距離，跳轉(zhuǎn)到第5步；

第7步：按照如上步驟同理計(jì)算其它類樣本集，獲得所有類別的分幀結(jié)果。

進(jìn)一步的，第1步中，提取一維距離像樣本的頻譜幅度特征：

pi＝|fft(xi)|,i＝1,2,..m(1)

其中，|·|代表取模運(yùn)算，fft(·)代表傅里葉變換，m表示第k類樣本總樣本個(gè)數(shù)。

進(jìn)一步的，第2步中，對(duì)樣本先進(jìn)行n＝100的細(xì)小分幀，其幀頻譜幅度特征集為pk＝[pk1,pk2,...,pkl]，默認(rèn)每幀特征集服從相同的分布概率模型。

進(jìn)一步的，第3步中，假設(shè)同一幀內(nèi)的樣本特征符合聯(lián)合高斯分布，因子分析模型是描述這一分布的改進(jìn)概率模型，由因子分析模型，第k類目標(biāo)的第l幀(l＝1,2,...,l)內(nèi)任一頻譜幅度特征p為：

p＝wklykl+mkl+εkl(2)

式中，wkl為m×q維投影矩陣，ykl～ν(0,iq)為q×1(q稱為因子個(gè)數(shù)且q＜m)維的隱變量，mkl為m×1維的均值向量，εkl～ν(0,ψkl)為噪聲變量，ψkl為對(duì)角陣，對(duì)角線元素代表噪聲方差，這里考慮實(shí)際情況中不同樣本噪聲方差各不相同，則對(duì)角線元素也有所差異，ν(i,j)表示均值為i方差為j的高斯正態(tài)分布，則p～ν(mkl,ψkl+wklw^tkl)，即第k類目標(biāo)的第l子幀內(nèi)樣本概率密度表示為：

其中，|·|表示求矩陣行列式；采用em算法估計(jì)因子分析模型參數(shù)，得到wkl和ψkl的估計(jì)值。

進(jìn)一步的，采用em算法估計(jì)因子分析模型參數(shù)，得到wkl和ψkl的估計(jì)值，具體方法為：用pkl＝{pkli∈r^m|i＝1,2,...,n}表示第k類目標(biāo)第l個(gè)子幀樣本集，則該子幀內(nèi)樣本在因子分析模型下的對(duì)數(shù)似然函數(shù)為：

其中，參數(shù)集θkl＝{mkl,wkl,ψkl}；對(duì)(4)關(guān)于mkl求導(dǎo)并令導(dǎo)數(shù)為零，得到均值mkl的最大似然估計(jì)為：

對(duì)于參數(shù)wkl,ψkl的最大似然估計(jì)利用期望最大估計(jì)法(em)，主要步驟如下：

1)令迭代次數(shù)τ＝0，設(shè)因子分析模型參數(shù)初始值和迭代結(jié)束門限ε；

2)設(shè)為第τ步迭代的參數(shù)估計(jì)值，隱變量ykl的條件均值和協(xié)方差矩陣分別為：

其中，e(·|·)表示條件期望，期望對(duì)

數(shù)似然函數(shù)為：

其中tr(·)表示矩陣的跡；

3)將以上函數(shù)對(duì)wkl和ψkl求導(dǎo)令導(dǎo)數(shù)為零得到第τ+1步參數(shù)的最大似然解：

4)由對(duì)數(shù)似然函數(shù)判斷收斂，若更新迭代次數(shù)標(biāo)記，令τ＝τ+1，同時(shí)返回步驟2)，進(jìn)入下一次迭代；否則，令迭代終止；

由此可以得到參數(shù)mkl,wkl,ψkl的最大似然估計(jì)值，從而得到第k類目標(biāo)第l個(gè)子幀樣本概率密度。

進(jìn)一步的，第4步中，根據(jù)各幀參數(shù)模型求得相鄰幀之間的js距離，兩概率分布ρ1(p)和ρ2(p)的js距離定義為：

其中ρ1(p)和ρ2(p)表示給定的兩頻譜幅度特征的概率密度函數(shù)，dkl(ρ1(p)||φ(p))表示ρ1(p)和φ(p)間的kl距離，所述kl距離定義為：

dkl(ρ1(p)||φ(p))＝∫ρ1(p)ln(ρ1(p)/φ(p))dp(10)

由此可以計(jì)算出所有相鄰幀之間的js距離djs(ρi||ρi+1),i＝1,2,...,l-1。

有益效果：本發(fā)明提供的一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，本發(fā)明采用上述技術(shù)方案具有如下有益效果：

1.提高分幀精度：本方明提出的方法提取hrrp信號(hào)的平移不變特征，根據(jù)其自身特性建立因子分析統(tǒng)計(jì)模型，對(duì)hrrp特征做出更加符合實(shí)際的精準(zhǔn)的描述，通過(guò)js距離測(cè)度的合理度量完成比前人方法更加精確的分幀。

2.適應(yīng)范圍廣泛：本發(fā)明提出的方法將信號(hào)噪聲充分考慮在內(nèi)，可以根據(jù)情況的不同對(duì)噪聲進(jìn)行合理的估計(jì)，在情況復(fù)雜的現(xiàn)實(shí)環(huán)境中也能夠有很好的應(yīng)用。

附圖說(shuō)明

圖1是本發(fā)明解決一維距離像精確分幀問(wèn)題的流程示意圖。

圖2是本發(fā)明處理的一維距離像原始信號(hào)的示意圖。

圖3是本發(fā)明所用3類飛機(jī)目標(biāo)飛行軌跡圖。

圖4是本發(fā)明提取一維距離像歸一化頻譜幅度特征的示意圖。

圖5是本發(fā)明第一次回波頻譜幅度特征和其他回波特征相似性系數(shù)變化示意圖。

圖6是本發(fā)明分幀結(jié)果示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明確，下面結(jié)合附圖對(duì)本發(fā)明作更進(jìn)一步的說(shuō)明。

本發(fā)明為一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，首先，對(duì)實(shí)測(cè)一維距離像信號(hào)樣本提取其歸一化頻譜幅度特征并將頻譜幅度特征均勻分成小子幀；然后，分別建立相應(yīng)的因子分析模型，利用em迭代算法計(jì)算各模型的參數(shù)得到各子幀的概率分布；接著，利用統(tǒng)計(jì)學(xué)中js距離進(jìn)行子幀模型間的相似性度量，合并相似性高的相鄰子幀；最后，循環(huán)進(jìn)行第二、三步操作直到所有子幀間js距離都大于設(shè)定閾值，結(jié)束幀合并過(guò)程輸出分幀結(jié)果。本發(fā)明基于因子分析模型，利用js距離測(cè)度完成幀間的合并，實(shí)驗(yàn)證明本發(fā)明相較于傳統(tǒng)的均勻分幀法和較新的概率主分量分析模型分幀效果更好，識(shí)別精度更高。

實(shí)施例

本發(fā)明提供一種基于因子分析模型的一維距離像自適應(yīng)分幀方法，總流程圖如圖1所示?，F(xiàn)有一飛機(jī)一維距離像回波數(shù)據(jù)如圖2所示，實(shí)際情況中不同型號(hào)的飛機(jī)回波各不相同，同一型號(hào)飛機(jī)也隨姿態(tài)的變化有較大差異，本發(fā)明所用3類飛機(jī)目標(biāo)飛行軌跡如圖3所示。本發(fā)明主要解決該類一維回波信號(hào)的分幀識(shí)別問(wèn)題。包括以下幾個(gè)步驟：

訓(xùn)練階段：

第1步：對(duì)訓(xùn)練樣本集x＝[x1,x2,...,xm]，(xn∈r^2m)提取其歸一化頻譜幅度特征p＝[p1,p2,...,pm]，(pn∈r^m)，如圖4所示；

pi＝|fft(xi)|,i＝1,2,..m(1)

式中，fft(·)代表傅里葉變換，|·|表示求模運(yùn)算，m表示樣本個(gè)數(shù)，m表示樣本維度。由于目標(biāo)一維距離像存在平移敏感性，因此不可直接對(duì)信號(hào)進(jìn)行識(shí)別，提取其具有平移不變和對(duì)稱性的頻譜幅度特征可以有效避免平移對(duì)齊過(guò)程中產(chǎn)生的誤差，由于頻譜幅度特征具有對(duì)稱性，則取其一半長(zhǎng)度進(jìn)行后續(xù)操作，提高分幀速度。若原始一維距離像數(shù)據(jù)樣本為2m維，則第1步特征提取后的樣本為m維。

第2步：對(duì)上述樣本集均勻劃分成足夠小的l個(gè)子幀，每個(gè)子幀長(zhǎng)度為n，得到第k類樣本初級(jí)子幀頻譜幅度特征向量集pk＝[pk1,pk2,...,pkl]；單類目標(biāo)連續(xù)一維距離像在足夠小姿態(tài)范圍內(nèi)服從相似分布，如圖5所示，因此先將hrrp分成足夠小的子幀，這里取每幀初始長(zhǎng)度n＝100，默認(rèn)每幀特征集服從相同的分布概率模型。

第3步：假設(shè)各幀特征向量服從聯(lián)合高斯分布，利用因子分析模型對(duì)每個(gè)子幀頻譜幅度特征建模，由因子分析模型，第k類目標(biāo)的第l幀(l＝1,2,...,l)內(nèi)任一頻譜幅度特征p為：

p＝wklykl+mkl+εkl(2)

式中，wkl為m×q維投影矩陣，ykl～ν(0,iq)為q×1(q稱為因子個(gè)數(shù)且q＜m)維的隱變量，mkl為m×1維的均值向量，εkl～ν(0,ψkl)為噪聲變量，ψkl為對(duì)角陣，對(duì)角線元素代表噪聲方差，這里考慮實(shí)際情況中不同樣本噪聲方差各不相同，則對(duì)角線元素也有所差異，ν(i,j)表示均值為i方差為j的高斯正態(tài)分布，則p～ν(mkl,ψkl+wklwkl^t)，即第k類目標(biāo)的第l子幀內(nèi)樣本概率密度表示為：

其中，|·|表示求矩陣行列式。本方案采用最大似然法估計(jì)因子分析模型參數(shù)，得到wkl和ψkl的估計(jì)值，用pkl＝{pkli∈r^m|i＝1,2,...,n}表示第k類目標(biāo)第l個(gè)子幀樣本集，則該子幀內(nèi)樣本在因子分析模型下的對(duì)數(shù)似然函數(shù)為：

這里，參數(shù)集θkl＝{mkl,wkl,ψkl}；對(duì)(4)關(guān)于mkl求導(dǎo)并令導(dǎo)數(shù)為零，得到均值mkl的最大似然估計(jì)為：

對(duì)于參數(shù)wkl,ψkl的最大似然估計(jì)利用期望最大估計(jì)法(em)，主要步驟如下：

1)令迭代次數(shù)τ＝0，設(shè)因子分析模型參數(shù)初始值和迭代結(jié)束門限ε；

2)設(shè)為第τ步迭代的參數(shù)估計(jì)值，隱變量ykl的條件均值和協(xié)方差矩陣分別為：

其中，e(·|·)表示條件期望，期望對(duì)數(shù)似然函數(shù)為：

其中tr(·)表示矩陣的跡；

3)將以上函數(shù)對(duì)wkl和ψkl求導(dǎo)令導(dǎo)數(shù)為零得到第τ+1步參數(shù)的最大似然解：

4)由對(duì)數(shù)似然函數(shù)判斷收斂，若更新迭代次數(shù)標(biāo)記，令

τ＝τ+1，同時(shí)返回步驟2)，進(jìn)入下一次迭代；否則，令迭代終止；由此可以得到參數(shù)mkl,wkl,ψkl的最大似然估計(jì)值，從而得到第k類目標(biāo)第l個(gè)子幀樣本概率密度。

第4步：由以上所求得的各幀參數(shù)模型求得相鄰幀之間的js距離

djs(ρi||ρi+1),i＝1,2,...,l-1，兩概率分布ρ1(p)和ρ2(p)的js距離定義為：

其中ρ1(p)和ρ2(p)表示給定的兩頻譜幅度特征的概率密度函數(shù)，dkl(ρ1(p)||φ(p))表示ρ1(p)和φ(p)間的kl距離，kl距離定義為：

dkl(ρ1(p)||φ(p))＝∫ρ1(p)ln(ρ1(p)/φ(p))dp(10)

由此可以計(jì)算出所有相鄰幀之間的js距離djs(ρi||ρi+1),i＝1,2,...,l-1。

第5步：求得所有相鄰子幀js距離的最小值djsmin和相應(yīng)的下標(biāo)位置設(shè)定閾值ζ，若djsmin＜ζ則合并第和個(gè)子幀，即pkl←(pkl,pkl+1)，更新各子幀下標(biāo)，對(duì)于所有的下標(biāo)，令l＝l-1，即pkl＝pkl+1，同時(shí)令l＝l-1，進(jìn)入第6步；若djsmin≥ζ則算法結(jié)束，輸出分幀結(jié)果。

第6步：利用第3步中的因子分析模型和期望最大估計(jì)法計(jì)算新生成幀pkl的模型參數(shù)，更新其和相鄰幀之間的js距離，跳轉(zhuǎn)到第5步。

圖6給出本發(fā)明所用方法所得的3類目標(biāo)分幀結(jié)果(門限ε＝0.001，閾值ζ＝250)。

表1給出本發(fā)明所提方法與基于概率主分量分析模型的分幀識(shí)別結(jié)果比較。由表1數(shù)據(jù)可以看出，本發(fā)明所提出的一維距離像識(shí)別方法相比概率主分量分析法平均識(shí)別精度高出2個(gè)百分點(diǎn)左右，比傳統(tǒng)的均勻分幀法高5-6個(gè)百分點(diǎn)。由于其將樣本噪聲在模型中更加全面的體現(xiàn)，實(shí)際分類中js距離也比kl距離有更加合理的相似性度量，因此在噪聲環(huán)境中也有較好的分幀表現(xiàn)，在工程實(shí)踐中具有很好的應(yīng)用前景。

表1分幀識(shí)別結(jié)果比較表

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。