雷達高分辨距離像目標識別與拒判方法研究.pdf

1、隨著現(xiàn)代戰(zhàn)爭信息化和智能化水平的提高，雷達自動目標識別（RATR）技術受到廣泛關注。雷達高分辨距離像（HRRP）是用寬帶雷達信號獲取的目標散射點子回波在雷達視線上投影的向量和。HRRP包含了對目標分類和識別十分有價值的結(jié)構(gòu)信息，如目標的徑向尺寸、散射點分布等，而具有且易于獲取、存儲和處理等優(yōu)點。因此基于HRRP的雷達自動目標識方法成為該領域研究的熱點。本論文主要圍繞國防預研與國家自然科學基金等相關項目，從多分類器融合識別與拒判、最大間隔

2、監(jiān)督學習理論、貝葉斯非參數(shù)技術應用等方面展開相關的理論技術研究。
　　論文主要研究內(nèi)容概括如下：
　　1.針對雷達目標的識別和拒判問題，構(gòu)造了一種將分類器的輸出通過最近鄰分類器進行拒判和識別的“分類器-最近鄰”系統(tǒng)。由于雷達自動目標識別中存在庫外目標，評價RATR系統(tǒng)性能時應綜合考慮其識別和拒判性能。鑒于多分類器融合技術的成功，我們進一步將多分類器融合技術分別應用到分類器-最近鄰系統(tǒng)的識別和拒判兩個階段，提出了基于多分類器融

3、合的目標識別和拒判系統(tǒng)。同時定義了一種衡量系統(tǒng)綜合性能的代價函數(shù)，以確定系統(tǒng)拒判工作點?；诙喾诸惼魅诤系哪繕俗R別和拒判系統(tǒng)可以充分發(fā)揮不同特征、不同分類器的優(yōu)勢，從而提高整個RATR系統(tǒng)的識別和拒判性能。
　　2.針對雷達數(shù)據(jù)維度過高、存在冗余信息的問題，提出了兩種最大間隔特征提?。〝?shù)據(jù)降維）模型——最大間隔因子分析（MMFA）模型與最大間隔 Beta過程因子分析（MMBPFA）模型，并基于這兩個模型提出了一種目標識別與拒判框架

4、。因子分析（FA）模型是一種生成模型，可以描述數(shù)據(jù)在低維隱空間的信息，因而常被用于數(shù)據(jù)的降維、特征提取。然而FA模型為非監(jiān)督模型，其所提取樣本的低維空間特征并不一定與后端的分類任務匹配。為了提升FA模型所提特征的可分性，MMFA模型將 FA模型所提取低維隱變量（特征）作為隱變量支撐向量機（LVSVM）分類器的輸入，在模型求解過程中將LVSVM分類器與FA模型聯(lián)合學習。由于在最大間隔準則約束下學習FA模型的低維特征，MMFA模型在一定程度

5、上保證了各類數(shù)據(jù)在低維子空間的可分性。進一步地，為了解決 MMFA模型中的模型選擇問題，將Bernoulli-Beta先驗引入到MMFA模型中并提出了MMBPFA模型。在LVSVM分類器與非參數(shù)貝葉斯技術的聯(lián)合作用下，MMBPFA可以提取并選擇出更適合于分類任務的低維隱特征。得益于FA模型良好的數(shù)據(jù)描述能力，MMFA和MMBPFA可以實現(xiàn)庫外目標的拒判任務。
　　3.目標識別中，對于樣本數(shù)較多且分布復雜的數(shù)據(jù)，若將所有訓練樣本用來

6、訓練一個單一的分類器，會增加分類器的訓練復雜度，且容易忽視樣本的內(nèi)在結(jié)構(gòu)，不利于分類。因此人們提出了混合專家系統(tǒng)（ME），即將訓練樣本集劃分為多個訓練樣本子集，并在每個子集上單獨訓練分類器。但是傳統(tǒng)ME系統(tǒng)需要人為確定專家個數(shù)，并且每個子集的學習獨立于后端的任務，如分類。因此我們提出一種基于Dirichlet過程隱變量SVM模型（dpLVSVM）的目標識別算法，該模型采用Dirichlet過程混合模型自動確定樣本聚類個數(shù)，同時每個聚類中

7、使用線性隱變量SVM進行分類。不同于傳統(tǒng)算法，dpLVSVM將聚類過程和分類器的訓練過程聯(lián)合優(yōu)化，保證了各個子集中樣本的分布上的一致性和可分性。由于整個模型為全共軛的，通過Gibbs采樣技術可以對模型參數(shù)進行簡便有效的估計。
　　4. MMFA模型過于簡單而無法處理多模分布數(shù)據(jù)。dpLVSVM等無限混合專家模型雖然能夠處理復雜分布數(shù)據(jù)，但這些模型均在原始數(shù)據(jù)空間建模，容易面臨“維數(shù)災難”問題。HRRP是一種典型的高維、多模數(shù)據(jù)。針

8、對此問題我們結(jié)合MMFA模型與dpLVSVM模型提出了無限最大間隔因子分析（iMMFA）模型。iMMFA模型采用FA模型提取數(shù)據(jù)的低維特征，并采用Dirichlet混合模型對低維特征進行聚類來充分挖掘數(shù)據(jù)的內(nèi)在結(jié)構(gòu)，同時在每個聚類上學習簡單的線性分類器來實現(xiàn)全局的非線性分類。進一步地，為了解決iMMFA模型中的因子個數(shù)選擇問題，本章將非參數(shù)貝葉斯技術引入到iMMFA模型中并提出了iMMBPFA模型。兩個模型將數(shù)據(jù)降維、聚類以及分類器設計