一种基于多特征提取的雷达目标识别方法研究

作者:杨磊;王晓丹;张玉玺 刊名:电光与控制 上传者:朱卫军

【摘要】直接利用雷达高分辨一维距离像或是提取一维像单一特征进行目标识别难以取得理想效果。为了更好地反映雷达目标本身的物理特性,提高雷达目标识别率,对雷达目标高分辨一维距离像的频谱幅度、能量聚集区长度、散射中心数目和中心矩特征进行提取并构成多特征向量,描述雷达目标高分辨一维距离像频域、能量等物理特性,采用主成分分析方法进行特征维数压缩,基于支持向量机的方法进行分类识别,从而提出一种基于多特征提取的雷达目标识别方法。实验结果表明,采用该多特征提取方法进行雷达目标识别有助于提高识别率和减少分类时间。

全文阅读

0引言雷达高分辨一维距离像(HighRangeResolutionProfile,HRRP)是目标的二维像分别在雷达发射方向(纵向)及垂直方向(横向)的投影,包含了目标丰富的结构信息,可以用来对目标进行识别,因而成为雷达自动目标识别(RATR)领域研究的热点[1-3]。近年来,基于HRRP的目标识别成为目标识别领域的热点[4]。特征提取作为HRRP目标识别的关键步骤之一,所提取的特征将直接决定后续的特征选择及分类器的训练和学习效果。不同的特征提取方法能够反映HRRP不同特性,同时针对HRRP方位、平移和幅度敏感性[5]做出一定的补偿。例如文献[6]基于实验分析指出在散射点不发生越距离单元走动(MTRC)的方位角方位内,用一组距离像样本的平均向量作方位模板,提高信噪比具有一定的方位稳定性。文献[7]提取HRRP的能量区长度与散射中心数目作为识别特征,取得了较好的识别效果,但是目标识别方法中多采用单一方面特征进行识别,如何充分利用HRRP信息进行不同方面的特征提取从而提高识别率仍然是一个值得研究的问题。鉴于此,本文所提取的特征分别从不同方面反映目标的属性,这些特征相互补充,将HRRP的多种鉴别信息结合起来用于目标识别。基于实测数据的仿真实验证明了该方法对提高目标识别正确率的有效性。1HRRP多特征提取HRRP多特征提取首先要选择合适的特征。不同的特征能分别从不同方面反映目标的属性,多特征的提取有助于目标识别率的提高。兼顾HRRP的平移敏感性,本文提取HRRP的频谱幅度特征,能量聚集区长度特征,强散射中心数目和中心距特征向量,反映HRRP的频谱、能量、散射中心等物理信息。这些特征相互间进行补充,克服了单一方面特征提取导致的不全面性。1.1频谱幅度特征频谱幅度特征[8]就是距离像傅里叶变换的幅度,反映了一维像中各个频率分量的能量,设X(n)为实距离像,则其对应的频谱幅度特征为A(w)=abs(fft(X(n))),n=0,1,2,…,N-1(1)式中:fft表示傅里叶变换;abs表示求绝对值运算;n为实距离像第n个频率分量。1.2能量聚集区长度能量聚集区长度[7]能反映目标的径向长度,故将能量聚集区长度作为目标的一个特征进行提取。设在某一姿态角域内,x(i)为某类目标第i次HRRP的离散序列,x(i,j)表示该序列第j个采样点的幅值,其中j=1,2,…,N。则能量聚集区长度的具体提取方法如下所述。1)求x(i)的均值x-(i)=1NNj=1x(i,j)(2)2)设置一阈值Th,使得Th=*x-(i)(3)式中,为置信系数,可在0.82之间取值,它取决于HRRP的信噪比,当信噪比较大时,可取较小值,反之则取较大值。3)对x(i)各点的值从两端向中间搜索,当左右两端分别出现第一个大于阈值的点的时候,就停止搜索,并记下它们的位置,分别为m(i)、n(i),则能量聚集区长度为L(i)=n(i)-m(i)(4)1.3强散射中心数目由于不同目标的结构和材料质地不同,在相同姿态角域内,它们的一维距离像在能量聚集区内强散射中心数目[7]是不同的。具体提取方法如下:先求得x(i)的均值x-(i)和阈值Th,方法分别同式(2)和式(3)。为区别式(3)中的,这里的置信系数用'表示。则第i次HRRP离散序列x(i)的强散射中心的数目S(i)可表示为S(i)=Nj=1A(i,j)(5)其中A(i,j)=1,X(i,j)>Th,X(i,j)>X(i,j-1)且(i,j+1){0,其他(6)1.4中心距特征向量{x(n),n=1,2,…,N}为一维距离像,N为距离单元数。对其做归一

参考文献

引证文献

问答

我要提问