基于稀疏貝葉斯學(xué)習(xí)的雷達(dá)自動(dòng)目標(biāo)識(shí)別方法研究.pdf

1、由于具備全天時(shí)、全天候和遠(yuǎn)距離探測(cè)等能力，雷達(dá)在民用和軍用領(lǐng)域都得到了廣泛的發(fā)展和應(yīng)用。隨著現(xiàn)代雷達(dá)技術(shù)的發(fā)展和應(yīng)用的需要，對(duì)雷達(dá)有了更高的要求，雷達(dá)自動(dòng)目標(biāo)識(shí)別就是其中非常重要的一項(xiàng)。雷達(dá)自動(dòng)目標(biāo)識(shí)別通常是非合作式的，它通過(guò)提取目標(biāo)回波中的特征信息，并利用一定的判決準(zhǔn)則實(shí)現(xiàn)對(duì)目標(biāo)類(lèi)型和屬性的判別。雷達(dá)自動(dòng)目標(biāo)識(shí)別主要由數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征提取、特征選擇、和分類(lèi)判決等步驟構(gòu)成。因此，本論文主要從雷達(dá)回波數(shù)據(jù)的預(yù)處理、特征選擇、分類(lèi)

2、器設(shè)計(jì)、以及小樣本識(shí)別等幾個(gè)方面，利用貝葉斯分析推斷方法對(duì)雷達(dá)自動(dòng)目標(biāo)識(shí)別的相關(guān)理論和技術(shù)問(wèn)題進(jìn)行分析研究。基于貝葉斯定理發(fā)展起來(lái)的貝葉斯方法可以系統(tǒng)地闡述和解決統(tǒng)計(jì)問(wèn)題，而貝葉斯推斷就是通過(guò)結(jié)合未知參數(shù)的先驗(yàn)信息和樣本信息，并利用貝葉斯定理，得到未知參數(shù)的后驗(yàn)信息，最后根據(jù)后驗(yàn)信息去推斷未知參數(shù)的過(guò)程。本論文的研究?jī)?nèi)容可概括為以下四個(gè)部分:
　　1.研究對(duì)復(fù)雷達(dá)回波數(shù)據(jù)進(jìn)行快速準(zhǔn)確的參數(shù)估計(jì)（超分辨處理）。現(xiàn)在的許多稀疏表示算法

3、通常利用盡可能覆蓋待估計(jì)參數(shù)的一組初始化參數(shù)網(wǎng)格，生成一個(gè)參數(shù)化的字典來(lái)實(shí)現(xiàn)參數(shù)估計(jì)。如果網(wǎng)格間隔比較大，初始化的參數(shù)和真實(shí)的參數(shù)就會(huì)出現(xiàn)不匹配的情況。如果網(wǎng)格間隔比較小，運(yùn)算的復(fù)雜度會(huì)相應(yīng)增加。為此，本論文提出了一種基于稀疏貝葉斯表示和細(xì)化字典的復(fù)雷達(dá)回波數(shù)據(jù)參數(shù)估計(jì)方法。首先，在稀疏貝葉斯表示模型中，通過(guò)稀疏選擇字典中的參數(shù)化原子實(shí)現(xiàn)參數(shù)估計(jì)，而稀疏選擇是通過(guò)Bernoulli-Beta先驗(yàn)實(shí)現(xiàn)的。然后對(duì)選出的參數(shù)進(jìn)行加權(quán)聚類(lèi)和縮放

4、(zooming)等細(xì)化處理，得到更精確的參數(shù)取值，并重新生成字典，然后再次利用貝葉斯稀疏表示模型進(jìn)行參數(shù)選擇。這兩個(gè)步驟迭代進(jìn)行，直至收斂，就能實(shí)現(xiàn)快速準(zhǔn)確的參數(shù)估計(jì)。
　　2.研究利用全帶寬步進(jìn)頻數(shù)據(jù)實(shí)現(xiàn)對(duì)頻點(diǎn)缺失步進(jìn)頻數(shù)據(jù)的重構(gòu)。當(dāng)雷達(dá)發(fā)射高距離分辨步進(jìn)調(diào)頻信號(hào)時(shí)，通常需要較長(zhǎng)的觀測(cè)時(shí)間且容易被干擾。基于此，可以只利用調(diào)頻步進(jìn)信號(hào)的部分脈沖，對(duì)得到的頻點(diǎn)缺失頻域數(shù)據(jù)，利用基于轉(zhuǎn)移學(xué)習(xí)(transfer learning)的貝

5、葉斯方法重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。在訓(xùn)練階段，利用復(fù)數(shù)貝塔過(guò)程因子分析(Complex Beta Process Factor Analysis，CBPFA)模型對(duì)給定的全帶寬頻域數(shù)據(jù)的每一方位幀進(jìn)行統(tǒng)計(jì)建模，并得到每一方位幀的概率密度函數(shù)。另外，在CBPFA模型中，字典和因子個(gè)數(shù)均能基于數(shù)據(jù)自動(dòng)學(xué)出。CBPFA模型的推導(dǎo)是通過(guò)變分貝葉斯（Variational Bayesian，VB）方法實(shí)現(xiàn)的。在重構(gòu)階段，對(duì)與訓(xùn)練數(shù)據(jù)“相關(guān)”的頻

6、點(diǎn)缺失頻域數(shù)據(jù)，可以利用訓(xùn)練階段每一方位幀概率密度函數(shù)的轉(zhuǎn)移知識(shí)，并通過(guò)壓縮感知(Compressive Sensing，CS)理論和貝葉斯準(zhǔn)則重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。關(guān)于每一訓(xùn)練方位幀和頻點(diǎn)缺失頻域數(shù)據(jù)的“相關(guān)性”，可以利用頻點(diǎn)缺失頻域數(shù)據(jù)的幀條件概率表示。
　　3.研究設(shè)計(jì)一個(gè)具有稀疏特征選擇的貝葉斯分類(lèi)器，它把原始信號(hào)的非線性映射作為預(yù)處理過(guò)程。提出的線性分類(lèi)模型利用從原始輸入空間到非線性變換空間的映射，不僅能構(gòu)造非線性

7、分類(lèi)界面，還能實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的特征選擇。在提出的貝葉斯模型中，精確度(precision)服從伽馬分布的零均值高斯先驗(yàn)分布和貝塔過(guò)程先驗(yàn)的有限近似分別用來(lái)實(shí)現(xiàn)特征和非線性映射的稀疏選擇。并利用VB方法對(duì)提出的貝葉斯線性分類(lèi)器進(jìn)行推導(dǎo)。通過(guò)對(duì)人工合成數(shù)據(jù)、實(shí)測(cè)雷達(dá)數(shù)據(jù)、高維基因數(shù)據(jù)、以及公共數(shù)據(jù)的實(shí)驗(yàn)，表明了提出方法相比于現(xiàn)有方法具有的優(yōu)良特征選擇和分類(lèi)能力。
　　4.為實(shí)現(xiàn)用較少的訓(xùn)練樣本對(duì)高分辨距離像(High Resoluti

8、on Range Profile，HRRP)進(jìn)行識(shí)別，本論文提出了兩種利用多任務(wù)稀疏學(xué)習(xí)的分類(lèi)識(shí)別方法。HRRP通?？梢圆捎脙煞N不同的判別方法實(shí)現(xiàn)樣本的分類(lèi)識(shí)別:生成模型和判別模型。生成模型通常是基于貝葉斯理論的統(tǒng)計(jì)建模方法，而判別模型是在訓(xùn)練階段學(xué)出一個(gè)判別函數(shù)，用來(lái)實(shí)現(xiàn)對(duì)每一個(gè)輸入樣本直接映射到一個(gè)類(lèi)別標(biāo)號(hào)。本論文對(duì)這兩種判別方法均采用了多任務(wù)稀疏學(xué)習(xí)，下面分別對(duì)它們討論。(1)生成模型的多任務(wù)學(xué)習(xí)。該方法將訓(xùn)練樣本各方位幀的統(tǒng)計(jì)建

9、模視為單一的任務(wù)，由于各幀訓(xùn)練樣本間不是完全獨(dú)立而是相互關(guān)聯(lián)的，因此設(shè)定所有幀的訓(xùn)練樣本采用同一個(gè)字典以實(shí)現(xiàn)幀間信息的共享。由于目標(biāo)的不同以及同一目標(biāo)的方位敏感性，通常很難確定各訓(xùn)練幀的相關(guān)性，而不相關(guān)任務(wù)間的聯(lián)合學(xué)習(xí)將會(huì)降低識(shí)別性能，因此采用Bernoulli-Beta先驗(yàn)根據(jù)給定訓(xùn)練數(shù)據(jù)自動(dòng)學(xué)出每一幀需要的原子，而通過(guò)不同幀間共享的原子個(gè)數(shù)就可以判斷它們的相關(guān)性，從而實(shí)現(xiàn)自適應(yīng)的多任務(wù)學(xué)習(xí)。(2)判別模型的多任務(wù)學(xué)習(xí)。該方法適用于多