技術領域：

本發(fā)明涉及一種雷達一維信號識別的方法，尤其涉及一種在干擾環(huán)境下快速準確識別雷達目標一維距離像的技術。

背景技術：
：

隨著雷達自動目標識別技術的廣泛運用，人們對于雷達識別精度、實時性和抗干擾性的要求越來越高，而一般的雷達目標二維像如sar、isar由于其自身成像機理的原因在獲取、儲存和應用時數據量較大，處理耗時較長成為其實用過程中的一大障礙。雷達高分辨率一維距離像(hrrp)作為一種一維信號，由目標散射中心向雷達反射的回波所構成，其反映了目標的結構特征中的散射點中心強度、散射體中心位置、目標大小等信息，對目標識別具有重要價值，而由于其一維信號的特性，對儲存和處理的要求相對較低，現已成為最具實際應用價值的雷達自動目標識別方案。

雖然hrrp相對雷達二維圖像數據量較小，然而由于目標尺寸大小和雷達分辨率的影響，如今的雷達hrrp信號越來越精細，維度也越來越高；此外，由于其對方位角敏感，每個雷達目標需要獲取許多不同方位的hrrp信號對其進行識別，因此研究hrrp信號低維且易于識別的特征至關重要。為此國內外學者進行了長期的探索，提出了主成分分析(pca)、線性判別分析(lda)、最大散射差異(msd)等眾多降維方法。然而這些傳統(tǒng)特征提取方法都假設數據的結構位于線性子空間上，忽視了數據集的非線性結構。非線性流行學習算法可以保留保存數據降維后的局部領域結構信息，因此可以較好地處理非線性結構數據。然而，這些方法在原始數據和降維數據集間沒有顯式投影矩陣導致新特征樣本脫離了訓練數據集而不能直接處理，其不適合用于雷達目標識別。近年來，一些線性流行學習算法的提出解決了這個問題，如局部保持投影(lpp)、稀疏保持投影(spp)等，這些方法不僅可以保留局部特征還可以方便的處理提取的新特征樣本。

本發(fā)明提出一種基于自適應稀疏保持投影的一維距離像識別方法實現低維特征提取達到雷達在干擾環(huán)境下的穩(wěn)健識別。由于結合了稀疏保持投影和自適應最大間距準則，在維數較低的情況下提取信號易于識別的特征，控制了計算量的同時提高了識別精度。后期通過線性支持向量機來達到分類目的，相比經典的低維特征提取算法達到了更好的識別精度，對噪聲的魯棒性也得到提高。

技術實現要素：
：

發(fā)明目的：本發(fā)明的目的是提供一種雷達一維距離像信號高效穩(wěn)健識別的方案，能夠以低維特征獲得滿意的識別精度，該算法識別階段耗時短且魯棒性得到提高。

為了達到上述目的，本發(fā)明的技術方案是這樣實現的：

一種基于自適應稀疏保持投影的一維距離像識別方法，其特征在于，步驟如下：

訓練階段

第1步：對訓練樣本集x＝[x1,x2,...,xn]，提取其歸一化頻譜幅度特征集并進行平移對齊，得到平移對齊后的特征集h＝[h1,h2,...,hn]；

第2步：由稀疏保持投影法對以上特征進行稀疏重構，建立稀疏重構方程，得到稀疏系數矩陣r；

第3步：由稀疏保持投影法得到稀疏保持投影方程，結合自適應最大間距準則對其進行改寫，建立自適應稀疏保持投影方程；

第4步：通過方程組合化簡，利用拉格朗日乘數法求解得到投影矩陣w；

第5步：由投影矩陣w對訓練樣本幅度特征集h進行低維空間投影，得到訓練樣本低維特征向量集p＝[p1,p2,...pn]；

第6步：由訓練樣本低維特征向量集對選定分類器進行訓練；

測試階段：

第1步：對測試樣本y提取其歸一化幅度特征并與訓練樣本進行平移對齊，得到平移對齊后的幅度特征hy；

第2步：利用訓練階段求得的投影矩陣w對訓練樣本對測試樣本幅度特征hy進行低維投影，得到測試樣本低維特征向量py；

第3步：利用訓練完成的分類器對測試樣本低維特征進行分類，輸出測試樣本分類結果。

本發(fā)明采用上述技術方案具有如下有益效果：

1、提高識別精度：由于本發(fā)明提出的識別方法利用稀疏保持投影，保留信號樣本間固有聯系作為識別信息，結合自適應最大間距準則達到類間可分類內聚集且可以自適應調整各樣本類別貢獻權重，得到相比傳統(tǒng)方案更加精確的識別精度。

2、特征維度較低：本發(fā)明提出的方法通過稀疏保持投影和最大間距準則聯合約束降維，在取得很好識別精度的同時避免了特征的大量冗余，在一定程度上提高了識別效率。

3、特征魯棒性好：本方面提出的方法通過結合樣本間相互關系且自適應調整貢獻權重，在信噪比較低的情況下依然擁有足夠的鑒別信息，對噪聲抗性強。

3、應用范圍廣泛：本發(fā)明提出的一維距離像識別方法可以通過適當變換應用到多種一維或二維信號處理問題，如語音信號的識別、雷達sar、isar圖像的識別等。

附圖說明：

圖1是本發(fā)明一種基于自適應稀疏保持投影的一維距離像識別方法的流程示意圖；

圖2是本發(fā)明處理的一維距離像原始信號的示意圖；

圖3是本發(fā)明提取一維距離像歸一化幅度特征的示意圖；

圖4是本發(fā)明由稀疏保持投影獲得的示例樣本稀疏系數示意圖；

圖5是本發(fā)明在不同信噪比條件下取得的分類精度和其他方法的對比結果。

具體實施方案：

為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明確，以下參照附圖對本發(fā)明進行進一步詳細說明。

本發(fā)明提供一種基于自適應稀疏保持投影的一維距離像識別方法，總流程圖如圖1所示?，F有一飛機一維距離像回波數據如圖2所示，實際情況中不同型號的飛機回波各不相同，同一型號飛機不同角度的回波信號也有所差異，本發(fā)明主要目的就是完成這類回波信號的特征提取和類別判斷。為了解決該類一維回波信號的識別分類問題。本發(fā)明包括以下幾個步驟：

訓練階段：

第1步：對訓練樣本集x＝[x1,x2,...,xn](xn∈r^l)，l表示原始向量維數，這里所用一維距離像信號維度為256，提取其歸一化頻譜幅度特征集如圖3所示；

其中表示取模，表示取2范數，n表示訓練樣本總數；由于幅度特征的平移敏感性，需要對其進行平移對齊操作，這里采用較為常用的最大相關平移對齊法，信號和的互相關系數為：

式中表示內積運算；則信號以第一個幅度特征作為標準，后面依次平移直到與第一個幅度特征信號的互相關系數達到最大，設第一個信號幅度特征為則需平移t個距離單位，t滿足：

由此得到平移對齊后的訓練樣本歸一化幅度特征向量集h＝[h1,h2,...,hn]；

第2步：基于第1步獲得的訓練樣本幅度特征向量集h，對于其任一特征hi，用除其自身以外的剩余訓練樣本幅度特征對其進行稀疏重構，建立稀疏重構方程：

得到稀疏表示系數向量式中式中e表示所有元素均為1的列向量，ri＝[ri，1,...,ri,i-1,0,ri,i+1,...,ri,n]^t表示稀疏表示系數向量，ri,j表示訓練樣本特征向量hj對重構hi的貢獻量，ε為噪聲松弛量，在本實驗中，ε取0.05，表示取1范數；計算所有訓練樣本稀疏表示系數向量得到稀疏系數矩陣圖4給出了本實驗中稀疏保持投影獲得的示例樣本稀疏系數示意圖，可以發(fā)現對于一個訓練樣本特征，用剩余樣本中很少的一部分便能對其進行精確稀疏重構，其中，稀疏系數作為該樣本的重要識別信息將帶入后續(xù)步驟融入最終低維特征提取當中。

第3步：由稀疏保持投影法得到稀疏保持投影方程，對其進行改寫并結合自適應最大間距準則，建立自適應稀疏保持投影方程，則投影矩陣w應滿足：

其中i表示單位矩陣，tr表示矩陣的跡，表示矩陣轉置操作，sb和sw表示樣本類間散布矩陣和類內散布矩陣，sb和sw的表達式分別為：

其中c表示訓練樣本目標類別總數，表示訓練樣本中屬于類別t1和類別t2的樣本均值向量，表示訓練樣本中屬于類別t1的樣本數目，表示屬于類別t1的第k個樣本，這里，f(t1,t2)，分別定義為：

其中，為間的歐氏距離，表示間的歐氏距離；通過類間散度矩陣和類內散度矩陣的自適應調整，可得到更加合理的樣本類別貢獻權重；由以上(5)(6)(7)可求得投影矩陣w。

第4步：通過方程組合化簡可得：

利用拉格朗日乘數法，上述方程(8)可轉換成如下特征值問題的求解：

[(sb-sw)-h(i-r-r^t+r^tr)h^t]w＝λhh^tw(9)

則λ和w可看做特征值和特征向量，通過奇異值分解(svd)法求解以上方程所得到的最大的d個特征值所對應的特征向量即為投影矩陣w＝[w1,w2,...,wd]，本實驗中d＝40。

第5步：由第4步求得的投影矩陣w對訓練樣本集進行低維空間投影：

p＝w^th(10)

由此得到訓練樣本低維空間投影向量集p，將其作為最終特征進行分類器的訓練。

第6步：由訓練樣本投影向量集p進行線性支持向量機的參數訓練。

測試階段：

第1步：對測試樣本y提取其歸一化幅度特征并與訓練樣本進行平移對齊，得到平移對齊后的幅度特征hy，方法如上訓練階段第1步所示。

第2步：利用訓練階段求得的投影矩陣w對訓練樣本對測試樣本幅度特征hy進行低維投影，得到測試樣本低維特征向量py：

py＝w^thy(11)

第3步：利用訓練完成的分類器對測試樣本低維特征py進行分類識別，輸出測試樣本分類結果。

圖5給出了本方法和其他主要特征降維算法在不同信噪比下的識別精度示意圖(d為最終特征維數)，由以上數據可以看出，本發(fā)明所提出的一維距離像識別方法相比傳統(tǒng)特征降維法識別精度有整體提高，因步驟中利用了樣本稀疏重構信息、類間類內信息都在一定程度上豐富了特征的信息量，從而減小了噪聲影響，使其在復雜環(huán)境中識別率更加穩(wěn)定，其相比于直接利用原始信號幅度特征識別降低了特征維度，縮短了識別時間，在實際工程應用中有很好的發(fā)展前景。