一种基于选择主成分分析的雷达HRRP目标识别方法与流程

本发明涉及一种基于选择主成分分析的雷达hrrp目标识别方法，用于高分辨距离像的雷达自动目标识别。

背景技术：

雷达自动目标识别技术是当前雷达信号处理的一个热点研究领域。相比于合成孔径雷达图像和逆合成孔径雷达图像，高分辨距离像是一种包含丰富的目标结构信息且数据量相对较小的一维高分辨率雷达信号，具有获取方便、处理简单的优势。在实际的雷达自动目标识别系统中，系统的算法复杂度和实时性是两个相互制约的因素。算法的复杂度越高，系统的实时性就越差。因此，为了保证基于高分辨距离像的雷达自动目标识别系统的实时性，如何在降低算法复杂度的同时保证目标的识别率是一个亟待解决的问题。

近年来，核方法被广泛推广到基于主成分分析的雷达自动目标识别方法中去，以基于核主成分分析分析的雷达自动目标识别算法为代表的一系列核算法陆续被提出。相比于基于主成分分析的雷达hrrp目标识别算法，虽然这些核算法的识别率可以得到较大的提升，但它们的实时性却相对较差。

技术实现要素：

发明目的：本发明针对以上雷达hrrp目标识别算法中算法复杂度和算法实时性相互制约的问题，受到对于雷达自动目标识别而言只要保证不同目标的重构信号之间具有最大的可分性而不需要保证重构信号具有极高的重构精度的想法的启发，在基于主成分分析的雷达hrrp目标识别算法的基础上，提出一种基于选择主成分分析的雷达hrrp目标识别算法。该方法利用fisher准则来实现不同目标间具有最大可分性的主分量的选择，然后利用选择出来的不同目标间具有最大可分性的主分量实现原始hrrp信号的快速重构，最后利用原始hrrp信号和重构hrrp信号之间的重构误差实现雷达hrrp目标识别。相比于基于核主成分分析的雷达hrrp目标识别算法，本发明方法的算法复杂度显著降低、算法实时性显著提高，同时具有相当的识别率。

技术方案：一种基于选择主成分分析的雷达hrrp目标识别方法，利用fisher准则来实现不同目标间具有最大可分性的主分量的选择，然后利用选择出来的不同目标间具有最大可分性的主分量实现原始hrrp信号的快速重构，最后利用原始hrrp信号和重构hrrp信号之间的重构误差实现雷达hrrp目标识别。基于选择主成分分析的雷达hrrp目标识别算法流程如下：

步骤1：采用平均分帧的方法对不同目标的全方位训练hrrp信号进行分帧，以消除hrrp的方位敏感性；

步骤2：采用2范数归一化的方法，对不同目标的训练hrrp信号做归一化处理，以消除hrrp的强度敏感性；

步骤3：对归一化训练hrrp信号做傅里叶变换，得到归一化训练hrrp信号的频谱，以消除hrrp的平移敏感性；

步骤4：对不同帧的归一化训练hrrp的频谱做主成分分析，可以得到对应帧内归一化hrrp的频谱的特征值矩阵l、特征值贡献矩阵e和特征向量矩阵w；

步骤5：分别基于不同目标不同帧的特征值矩阵l、特征值贡献矩阵e和特征向量矩阵w，利用fisher准则进行不同目标间具有最大可分性的主分量的选择，构成新的具有不同目标间最大可分性的选择特征向量矩阵sw；

步骤6：对测试hrrp信号依次进行2范数归一化和傅里叶变换，得到归一化测试hrrp信号的频谱，利用不同目标不同帧的选择特征向量矩阵sw实现归一化测试hrrp信号频谱的快速重构；

步骤7：计算归一化测试hrrp信号的原始频谱和重构频谱之间的重构误差erri；

步骤8：找到最小重构误差emin所对应的训练hrrp信号所属的目标类别，即为测试hrrp信号所属的目标类别。从而实现基于选择主成分分析的雷达hrrp目标识别。

有益效果：与现有技术相比，本发明采用上述技术方案具有如下有益效果：

1.相比于基于主成分分析的雷达hrrp目标识别方法，基于选择主成分分析的雷达目标识别方法只利用不同目标间具有最大可分性的特征向量组成的选择特征向量矩阵进行重构，减少了重构时间和计算机运算资源，同时达到了进一步提高目标识别率的效果；

2.相比于基于核主成分分析的雷达hrrp目标识别方法，基于选择主成分分析的雷达hrrp目标识别方法，避免了复杂的核方法的计算，利用简单的fisher选择准则，在有效降低算法复杂度、提高算法实时性的前提下，保持了与前者相当的识别效果。

附图说明

图1是基于选择主成分分析的雷达hrrp目标识别方法流程示意图；

图2是三类不同舰船目标v1、v2和v3的hrrp信号示意图，在图中的序号分别为(a)、(b)和(c)。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提出的基于选择主成分分析的雷达hrrp目标识别方法，总流程图如图1所示。现有三类不同舰船目标v1、v2和v3的高分辨距离像信号分别如图2(a)、图2(b)和图2(c)所示。这里以三类舰船目标的实测hrrp信号为例，具体介绍基于选择主成分分析的雷达hrrp目标识别方法，并与基于主成分分析和核主成分分析的雷达hrrp目标识别方法的识别效果作对比，验证基于选择主成分分析的雷达hrrp目标识别方法的有效性和优越性。

步骤1：对不同目标的训练hrrp信号按照不发生越距离单元走动的最大方位角进行平均分帧，消除hrrp信号的方位敏感性；

步骤2：对全部训练和测试hrrp信号y(n),n＝1,2,···,n按照公式(1)作2范数归一化，得到归一化hrrp信号从而消除hrrp的强度敏感性；

步骤3：按照公式(2)得到归一化hrrp信号的频谱p(n),n＝1,2,…,n，从而消除hrrp信号的平移敏感性；

式中，fft表示离散傅里叶变换。

步骤4：将每一帧归一化训练hrrp信号的频谱以列向量的形式构成频谱矩阵s，按照公式(3)对s作主成分分析得到该帧频谱矩阵的特征值矩阵l、特征值贡献矩阵e和特征向量矩阵w；

[l,e,w,mean]＝pca(s)(3)

式中，pca表示主成分分析变换；mean表示该帧hrrp信号的频谱的均值向量。

步骤5：假设三类不同的舰船目标分别分成了q1、q2和q3帧，舰船v1、v2和v3的hrrp数据利用步骤4分别可以得到q1、q2和q3个特征值矩阵l，可以利用公式(4)对不同目标构造一个特征值矩阵li,i＝1,2,3；

式中，li的每一列表示舰船目标i的每个特征值矩阵中的特征值按照特征值大小排序组成的列向量。

步骤6：利用不同目标的特征值矩阵li,i＝1,2,3，通过公式(5)可以得到不同目标基于fisher准则的不同特征值之间的可分性大小；

式中，p表示特征值在特征值矩阵中的顺序；表示第q类舰船目标第k帧hrrp数据作主成分分析后的特征值矩阵中的第p个特征值；表示第q类舰船目标所有帧hrrp数据作主成分分析后的特征值矩阵中的第p个特征值的均值；表示第i类和第j类舰船目标所有帧hrrp数据作主成分分析后的特征值矩阵中的第p个特征值的均值；表示第q类舰船目标所有帧hrrp数据作主成分分析后的特征值矩阵中的第p个特征值的方差。

步骤7：通过步骤6可以得到三类舰船目标的hrrp数据作主成分分析后得到的不同特征值对于三类目标的可分性大小m^p(i,j),i,j＝1,2,3；i≠j，对不同目标按照公式(6)分别找到与其他两类目标具有最大可分行的特征值在特征值矩阵l中的对应的位置posi,i＝1,2,3；

步骤8：不同舰船目标的hrrp数据的特征值对于不同目标的可分性的大小间接反映了不同舰船目标hrrp数据的特征向量，即不同主分量对于不同目标的可分性大小，按照公式(7)从不同舰船目标的特征向量矩阵w中选择出具有最大不同目标间可分性最大的特征向量构成选择特征向量矩阵sw；

sw＝w[pos](7)

步骤9：利用步骤8得到的不同目标的不同帧对应的选择特征向量矩阵sw按照公式(8)可以对归一化测试hrrp的频谱p(n)进行重构，得到测试hrrp频谱对应于不同目标不同帧的一系列重构样本

步骤10：按照公式(9)计算步骤9中得到的一系列测试hrrp信号的重构频谱与测试hrrp信号的原始频谱之间的重构误差erri；

步骤11：最小重构误差所在帧对应的舰船目标类别就是测试hrrp信号所属的舰船目标的类别。

以上重点介绍了基于l的选择主成分分析的雷达hrrp目标识别方法，基于e和w的选择主成分分析的雷达hrrp目标识别方法与之类似，主要区别在于利用fisher准则对e和w计算不同目标间的可分性大小，这里不在赘述。

基于以上详细的方法介绍，本发明利用三类舰船目标的实测hrrp信号进行基于选择主成分分析的雷达hrrp目标识别。三类舰船目标v1、v2和v3的实测hrrp信号分别有2400个、1800个和1600个样本。通过均匀分帧的方法一共分成29帧，取每一帧的90％hrrp信号作为训练样本作选择主成分分析得到每一帧hrrp的选择特征向量矩阵，每一帧的其他10％hrrp信号作为测试样本验证基于选择主成分分析的雷达hrrp目标识别方法的有效性。

表1不同方法下三类舰船hrrp目标的识别率

表1给出了三类舰船目标基于选择主成分分析、主成分分析和核主成分分析的雷达hrrp目标识别率。从表1可以看出，无论选择主成分分析中将fisher准则作用于l还是e、w进行不同目标间具有最大可分性的主分量的选择，基于选择主成分分析的雷达hrrp目标识别方法下三类舰船目标的平均识别率都在94％以上，远高于同样实验条件下基于主成分分析的雷达hrrp识别方法的三类舰船目标的最高平均识别率83.45％。虽然基于核主成分分析的雷达hrrp目标识别率比基于选择主成分分析的雷达hrrp目标识别率高两个百分比左右，但是核主成分分析的算法复杂度远高于选择主成分分析、核主成分分析的实时性表现明显差于选择主成分分析。因此，在算法复杂度降低和算法实时性显著改善的前提下，2％的识别率损失是可以接受的。