基于統(tǒng)計建模的雷達高分辨距離像目標識別方法研究.pdf

1、隨著現(xiàn)代戰(zhàn)爭信息化和智能化水平的提高，軍方對雷達自動目標識別的需求愈加迫切。與窄帶雷達相比，寬帶雷達有著更高的距離分辨率，能夠提供更多的目標結(jié)構(gòu)信息，因此基于寬帶雷達信號的目標識別受到廣泛關(guān)注。常用的寬帶信號有高分辨距離像(HRRP)和合成孔徑雷達像(包括SAR和ISAR像)兩類，與后者相比，HRRP具有易于獲取和處理簡單等優(yōu)勢，逐漸成為目標識別領(lǐng)域的研究熱點。
　　本論文主要圍繞國防預研等相關(guān)項目，結(jié)合雷達HRRP目標識別的理論

2、與工程應用背景，從特征提取、統(tǒng)計建模以及噪聲穩(wěn)健識別等方面展開相關(guān)研究。論文的主要工作概括如下：
　　1.分析了HRRP的方位敏感性，闡明了對HRRP樣本分幀建模的原因，并提出了一種基于子空間模型和Kullback-Leibler距離的子幀合并分幀方法。實驗結(jié)果表明，該方法能夠按照目標姿態(tài)的變化將相似分布的樣本劃分到同一幀中。因此，該方法不但降低了各類目標的總幀數(shù)而且提高了系統(tǒng)的識別性能。
　　2.研究了噪聲背景下的識別問題

3、。許多工作都假設訓練和測試樣本具有很高的信噪比，在識別中忽略了噪聲的影響。但在實際戰(zhàn)場條件下，目標回波中總是不可避免地含有噪聲，而訓練與測試樣本間信噪比的失配會使識別性能惡化。我們回顧了已有的噪聲穩(wěn)健識別方法，指出了它們的優(yōu)勢與不足。然后提出了一種新的噪聲穩(wěn)健識別思路，即向訓練樣本中加入噪聲來學習各種信噪比下的模板，并在測試階段選擇相應信噪比下的模板進行匹配。實驗結(jié)果表明這種方法能夠避免訓練與測試樣本間信噪比的失配，改善了系統(tǒng)在低信噪比

4、條件下的識別性能。
　　3.研究了HRRP識別中的特征提取問題。原始的HRRP數(shù)據(jù)具有較高的維度和較多的敏感性，給識別工作帶來了不便。我們分析了HRRP頻譜幅度的統(tǒng)計特性，提出使用自回歸模型對頻譜幅度的廣義平穩(wěn)性建模，并提取自回歸系數(shù)和偏相關(guān)系數(shù)作為識別特征。這兩種特征維度較低，同時具有平移和強度不變性，而且保留了頻譜幅度的結(jié)構(gòu)信息。此外，為了克服HRRP的方位敏感性，我們提出了一種基于混合高斯模型的自適應分幀算法。該算法不但可以

5、自動確定總幀數(shù)，而且能夠保證各幀內(nèi)樣本統(tǒng)計特性一致，避免了樣本與模型失配。
　　4.研究了小樣本識別問題。HRRP具有較高維度，而實際獲取的樣本數(shù)量又很有限，因此HRRP識別是一個典型的小樣本學習問題。我們提出使用HRRP頻譜幅度(以下簡稱頻幅)作為識別特征，并沿頻率維對其序列建模。這種建模方式將頻幅視為一維的序列數(shù)據(jù)，從而既達到了降維的目的，又避免了傳統(tǒng)降維方法中的信息損失。我們首先假設頻幅分量服從高斯分布，采用線性動態(tài)模型對頻

6、幅序列建模。該模型能夠描述頻幅序列的廣義平穩(wěn)性，具有較好的識別性能。之后我們進一步分析了頻幅分量的統(tǒng)計特性，認為其服從多模分布，于是采用混合自回歸模型對頻幅序列建模。由于該模型更加準確地描述了頻幅的統(tǒng)計特性，因此其識別性能進一步提高。以上序列模型自由度都很低，而且使用一個樣本就能估計它們所有的參數(shù)，這些性質(zhì)使得它們能夠在小樣本條件下具有良好性能。
　　5.研究了統(tǒng)計建模與模型選擇的問題。HRRP服從聯(lián)合非高斯分布，且樣本間有較強的

7、時序相關(guān)性。我們提出使用局部因子分析模型對HRRP的非高斯性和維間相關(guān)性建模，使用時序因子分析模型對HRRP的子空間結(jié)構(gòu)和時序相關(guān)性建模。這二者對HRRP統(tǒng)計特性描述地更加準確，所以識別性能較傳統(tǒng)模型有明顯特高。另外傳統(tǒng)的模型選擇方法存在著計算量大、模型選擇準則評估不可靠的問題。為此，我們采用BayesianYing-Yang(BYY)和諧學習理論進行模型學習，它能夠在估計參數(shù)的同時自動完成模型選擇。與傳統(tǒng)方法相比，BYY學習顯著降低了

8、計算量，并提高了參數(shù)估計和模型選擇的精度。
　　6.研究了復HRRP識別問題。我們分析了初相對復HRRP統(tǒng)計特性的影響，指出初相變化并不影響復HRRP的統(tǒng)計分布，進而提出采用復數(shù)因子分析(CFA)模型對復HRRP統(tǒng)計建模。由于利用了復HRRP中的相位信息，CFA模型的識別性能要優(yōu)于FA模型。另外，我們同時提出一種針對CFA模型的噪聲自適應修正算法。在復HRRP識別中，含噪測試樣本內(nèi)的噪聲完全為加性噪聲，修正模型參數(shù)時將不存在實HR