基于双谱去噪的噪声背景下雷达目标识别方法

摘要

本发明公开了一种基于双谱去噪的噪声背景下雷达目标识别方法，主要解决现有技术在噪声背景下直接使用未去噪距离像进行目标识别，导致识别率差的问题。其实现过程是：对训练样本归一化，提取归一化训练样本的功率谱特征；使用训练样本的功率谱特征训练分类器，得到分类器的权系数；使用双谱去噪方法对测试样本进行去噪处理，恢复出去噪后平均距离像，并对其进行归一化；提取归一化的去噪后平均距离像的功率谱特征；使用训练好的分类器对归一化的去噪后平均距离像的功率谱特征进行分类，确定目标类别标号。本发明具有对噪声稳健，可恢复出去噪后平均距离像的优点，可用于雷达目标识别。

说明书

技术领域

本发明属于雷达技术领域，涉及目标识别方法，可用于对噪声背景下飞机、车辆 等目标进行识别。

背景技术

高分辨率距离像是宽带雷达信号的目标散射点回波在雷达射线方向上投影的向 量和，可以提供目标散射点回波在距离方向的大概分布情况，对目标的识别具有重要 价值，因而成为雷达自动目标识别领域研究的热点。

实际应用中由于高分辨距离像在距离窗口出现的随机性，使距离像具有平移敏感 性问题，因而直接利用距离像识别需要进行平移对齐。常用的距离像对齐方法有滑动 相关法和绝对对齐法，滑动相关法精度较高，但是计算复杂，而绝对对齐法计算简单， 但是精度较低。双谱特征具有平移不变性，高分辨距离像可以在双谱域直接平均，而 无须对其作平移对齐，这避免了距离像对齐带来的计算问题。双谱特征对任意具有对 称概率密度函数且均值为零的噪声具有盲性，利用双谱特征对高斯白噪声的抑制作 用，可以解决高分辨距离像在噪声背景下的去噪问题。双谱特征保留了信号除线性相 位以外的全部相位信息，除了位置不确定之外，可以从双谱特征唯一的恢复出原始距 离像。

双谱对白噪声具有抑制作用，但复距离像的双谱去噪必须考虑复距离像的初相敏 感性问题。复距离像的相位包括由目标转动引起的相位和由目标平动引起的相位，由 目标转动引起的相位包含目标的识别信息，具有一定识别价值，而由目标平动引起的 相位即复距离像的初相，在雷达信号波长一定的情况下，初相是由目标和雷达的径向 距离决定的，不包含目标的识别信息，因此对识别没有价值。对于一部C波段雷达， 若载频为6GHz，波长约为5cm，则5cm的平动就会使初相发生4π的变化。这说明很 小的平动就会引起很大的初相改变，这使得复距离像的相位很难被利用，这就是复距 离像的初相敏感性问题。若可以对初相进行较好的校正，可以消除初相敏感性问题。

现有的逆合成孔径雷达成像中使用的自聚焦算法在理论上可以实现复距离像的 初相校正，但受到目标距离雷达远近等诸多因素的影响，目标的信噪比往往较低，若 不去除噪声的影响，自聚焦算法将不能在低信噪比情况下实现较好的初相校正，进而 影响目标识别效果。

发明内容

本发明的目的在于提供一种基于双谱去噪的噪声背景下雷达目标识别方法，以解 决上述已有技术在噪声背景下无法恢复出去噪后平均距离像，进而导致识别率低的不 足。

实现本发明的基本思路是：通过使用训练样本的功率谱特征训练线性相关向量机 分类器，通过一组幅度为距离像幅度，相位为距离像相位两倍的变形距离像计算测试 样本的平均双谱，由平均双谱恢复出去噪后平均距离像，将去噪后平均距离像的功率 谱特征输入到线性相关向量机分类器，确定出目标类别标号。具体步骤包括如下：

(1)从雷达回波数据库中取出多类目标作为训练目标，并对其回波进行脉冲压 缩，得到训练目标的距离像样本x，并对距离像样本x归一化，通过归一化后距离像 样本计算线性相关向量机分类器的权系数W；

(2)雷达系统将检测到的某个未知目标作为测试目标，并对该测试目标的R次 连续回波分别进行脉冲压缩，得到测试目标距离像样本集：X={x₁,x₂,…，x_d,…，x_R}， 其中d=1，2，…，R，x_d为d次回波进行脉冲压缩得到的距离像样本；

(3)获得去噪后平均距离像：

3a)依次取出测试目标距离像样本集中的距离像样本，得到其双谱：

3a1)对取出的距离像样本x_d={x_d(0),x_d(1)，…x_d(e),…x_d(N-1))，使用下式产生 变形距离像：y_d={y_d(0),y_d(1)，…y_d(e),…y_d(N-1)}:

$y_d\left(e\right)=\frac{x_d\left(e\right)·x_d\left(e\right)}{\left|x_d\left(e\right)\right|},$

其中x_d(e)为x_d中第e维元素，e=0，1，…,N-1，N为距离像维度；

y_d(e)为y_d中第e维元素，e=0，1，…，N-1，|·|表示求模值；

3a2)对距离像样本x_d作快速傅里叶变换，得到x_d的频谱S_d，对变形距离像y_d作快速傅里叶变换，得到y_d的频谱T_d；

3a3)通过x_d的频谱S_d，y_d的频谱T_d得到x_d的双谱B_d，该双谱B_d为N维方 阵，B_d中的第p+1行，q+1列元素：B_d(p,q)＝S_d(p)S_d(q)T_d^*(p+q)，其中S_d(p)为 S_d的第p维元素，S_d(q)为S_d的第q维元素，T_d^*(p+q)为T_d中第p+q维元素的共 轭，p=0，1，…,N-1，q=0，1，…,N-1；

3b)由步骤3a)得到的R个双谱，构成双谱特征集B=(B₁,B₂,…B_d,…，B_R}，计 算平均双谱特征其中d=1,2，…，R，B_d为第d次距离 像样本的双谱特征；

3c)由平均双谱特征B′，求出去噪后平均距离像频谱的幅度U和相位V；

3d)对去噪后平均距离像频谱的幅度U和相位V进行逆快速傅里叶变换，求出 去噪后平均距离像x′；

(4)归一化去噪后平均距离像x′，由归一化的去噪后平均距离像和线性相关向 量机分类器的权系数W得到目标类别标号。

本发明由于通过一个幅度为距离像幅度，相位为距离像相位两倍的变形距离像 计算测试目标距离像的平均双谱，并由平均双谱恢复出去噪后平均距离像，与现有 技术相比，恢复出了去噪后平均距离像，进而提高了低信噪比条件下的目标识别 率。

附图说明

图1是本发明的流程图；

图2是双谱去噪后平均距离像、加噪平均距离像和无噪平均距离像比较图；

图3是用去噪前后平均距离像的功率谱特征进行目标识别的识别率比较图。

具体实施方式

参照图1，本发明的实现步骤如下：

步骤1，计算线性相关向量机分类器的权系数。

1a）从雷达回波数据库中取出多类目标作为训练目标，使用匹配滤波的方法对其 回波进行脉冲压缩，得到训练目标的距离像样本x。

匹配滤波的方法是脉冲压缩的通用方法。

1b)对训练目标的距离像样本x，采用2-范数强度归一化方法消除其强度敏感 性，得到归一化后的训练目标距离像样本z：

在实际应用环境中，由于受到目标距离雷达远近等诸多因素的影响，训练目标的 距离像样本强度不一，这种特性称为强度敏感性；训练目标距离像样本的信噪比可达 30dB以上，其噪声部分基本可以忽略不计，故对于一个训练目标的初始距离像样本x， 采用2-范数强度归一化方法消除其强度敏感性，得到归一化后的训练目标距离像样 本z：

$z=\frac{x}{\left|\right|x\left|\right|},$

其中，‖x‖为训练目标初始距离像样本x的2-范数。

1c）将归一化后的训练目标的距离像样本z表示为{z(i)，i=0，1，…，N-1)，其中， z(i)为z中第i维元素，N为距离像样本维度，将归一化后的训练目标距离像样本z进 行傅里叶变化，并取其模值的平方，得到z的功率谱特征：

D_a=(D_a(0)，D_a(1)，…，D_a(p)，…D_a(K-1)}，

其中，D_a(p)是训练样本功率谱特征D_a的第p维元素，p=0，1，…，K-1，K表示 功率谱特征的维度；

1d）使用训练样本的功率谱特征训练线性相关向量机分类器，得到线性相关向量 机分类器的权系数：W={ω(0)，ω(1)，…，ω(q)，…ω(C-1)}，

其中:ω(q)={ω(0，q)，ω(1，q)，…，ω(K-1,q)}^T是权系数的第q维元素， q=0，1，…，C-1，C为目标类别数，

本发明实例中使用的是线性相关向量机分类器，但不局限该分类器，还可以使 用非线性相关向量机分类器，支持向量机分类器等。

步骤2，获取测试目标的距离像样本。

雷达系统将检测到的某个未知目标作为测试目标，并对该测试目标的R次连续 回波分别进行脉冲压缩，得到测试目标距离像样本集X={x₁，x₂，...，x_d,…，x_R}，其中 d=1，2，…,R，x_d为d次回波进行脉冲压缩得到的距离像样本。

步骤3，获得测试目标的去噪后平均距离像。

3a)依次取出测试目标距离像样本集中的距离像样本，并对取出的距离像样本 x_d＝{x_d(0),x_d(1)，…x_d(e)，…x_d(N-1)}，使用下式产生变形距离像：

y_d＝{y_d(0),y_d(1)，…y_d(e)…y_d(N-1)}:

其中，表示为y_d中第e维元素，e=0,1,…,N-1,x_d(e)为x_d中 第e维元素，e=0,1,…,N-1,N为距离像维度，|·|表示求模值；

3b)对距离像样本x_d作快速傅里叶变换，得到x_d的频谱S_d，对变形距离像y_d作快速傅里叶变换，得到y_d的频谱T_d；

3c)通过x_d的频谱S_d，y_d的频谱T_d得到x_d的双谱B_d，该双谱B_d为N维方 阵，B_d中的第p+1行，q+1列元素：B_d(p,q)＝S_d(p)S_d(q)T_d^*(p+q)，其中S_d(p)为 S_d的第p维元素，S_d(q)为S_d的第q维元素，T_d^*(p+q)为T_d中第p+q维元素的共 轭，p=0，1，…，N-1，q=0，1，…,N-1;

3d)由步骤3c)得到的R个双谱，构成双谱特征集B=(B₁,B₂,…B_d,…,B_R},计 算平均双谱特征其中d＝1,2，…，R，B_d为第d次距离 像样本的双谱特征；

3c)由平均双谱特征B′，求出去噪后平均距离像频谱的幅度U和相位V,其具 体步骤如下：

3c1)取平均双谱特征B′的幅度G，并初始化去噪后平均距离像频谱幅度U为元 素全为1的N维向量，初始化变形距离像频谱幅度F为元素全为1的N维向量，初 始化迭代次数s为0；

3c2)依次更新U的每个元素：将U中的第q维元素U(q)更新为；

$U\left(q\right)=\frac{1}{N}\{\frac{G(q,0)F\left(q\right)}{U\left(0\right)}+\frac{G(q,1)F(q+1)}{U\left(1\right)}+···\frac{G(q,j)F(q+j)}{U\left(j\right)}+···+\frac{G(q,N-1)F(q+N-1)}{U(N-1)}\},$其中 q=0,1;..N-，G(q,j)为G的第q+1行，第j+1列元素，F(q+j)为F的第q+j维 元素，U(j)为U的第j维元素；

3c3)依次更新F的每个元素：将F中的第q维元素F(q)更新为:

$F\left(q\right)=\frac{1}{N}\{\frac{U\left(0\right)U\left(q\right)}{G(0,q)}+\frac{U\left(1\right)U(q-1)}{G(1,q-1)}+···+\frac{U\left(j\right)U(q-j)}{G(j,q-j)}+···+\frac{U(N-1)U(q-N+1)}{G(N-1,q-N+1)}\},$

其中q=0，1，…N-1，G(j,q-j)为G的的第j+1行，第q-j+1列元素，U(j)为U的 第j维元素；U(q-j)为去U的第q-j维元素；

3c4)将迭代次数更新为s＝s+1，若更新后的s＜100,则返回步骤3c2)，否则， 进入步骤3c5)

3c5)取平均双谱特征B′的相位H，并初始化去噪后平均距离像频谱相位V为元 素全为1的N维向量，初始化变形距离像频谱相位T为元素全为1的N维向量，初 始化迭代次数s为0；

3c6)依次更新V的每个元素，即将V中的第q维元素V(q)更新为：

$V\left(q\right)=\frac{1}{N}\{\frac{H(q,0)}{V\left(0\right)T\left(q\right)}+\frac{H(q,1)}{V\left(1\right)T\left(q\right)}+···+\frac{H(q,j)}{V\left(j\right)T(q+1)}+···+\frac{H(q,N-1)}{V(N-1)T(q+N-1)}\}$

其中q=0，1，…N-1，H(q,j)为H的第q+1行，第j+1列元素，V(j)为V的第j维元 素，T(q+j)为T的第q+j维元素；

3c7)依次更新T的每个元素，即将T中的第q维元素T(q)更新为

$T\left(q\right)=\frac{1}{N}\{\frac{H(0,q)}{V\left(0\right)T\left(q\right)}+\frac{H(1,q-1)}{V\left(1\right)V(q-1)}+···+\frac{H(j,q-j)}{V\left(j\right)V(q-j)}+···+\frac{H(N-1,q-N+1)}{V(N-1)V(q-N+1)}\}$

其中q=0，1，…N-1，H(j,q-j)为H的第j+1行，第q-j+1列元素，V(j)为V的第 j维元素，V(q-j)为V的第q-j维元素；

3c8)将迭代次数更新为s=s+1，若更新后s＜100,返回步骤3c6)，否则，进入 步骤3d)；

本发明实例中使用的是3c）中所述方法求出去噪后平均距离像频谱的幅度U和 相位V，但不限于该方法，还可以使用解决不完备数据问题的其他方法。

3d)由去噪后平均距离像频谱的幅度U和相位V，求出去噪后平均距离像 x′＝|IFFT(UV)|，其中|IFFT(·)|表示做作逆快速傅里叶变换并取模值。

步骤4，获得目标类别标号。

4a)采用2-范数强度归一化方法归一化去噪后平均距离像x′，得到归一化的去 噪后平均距离像以消除由步骤3得到的去噪后平均距离像x′，仍存在强度 敏感性的问题，式中‖x′‖为训练样本x′的2-范数；

4b)将归一化后的去噪后平均距离像z′表示为{z′(i),i=0，1，…，N-1}，其中， z′(i)为z′中第i维元素，N为距离像样本维度；将归一化的距离像样本z′进行傅里叶 变化，并取其模值的平方，得到z′的功率谱特征：

D_b＝{D_b(0),D_b(I),...,D_b(p),...D_b(K-1)},其中，D_b(p)是功率谱特征D_b的第p维 元素，p=0，1，…，K-1，K表示功率谱特征的维度；

4c)将z′的功率谱特征D_b输入到训练好的线性相关向量机分类器中，通过其权 系数W计算分类器的输出：y=D_b·W，由于功率谱特征D_b为K维向量，权系数 W为K·C维的矩阵，故分类器的输出y为C维向量；

4d)将分类器的输出y＝{y(0),y(1),...,y(g),...y(C-1)}中最大值元素对应的类 别标号作为目标类别标号。例如，若y(0)为y中最大值元素，则目标类别为1类， 若y(g)为y中最大值元素，则目标类别为g+1类，其中g=0，1，…，C-1。

本发明的效果可结合仿真实验进一步说明。

1．仿真条件

仿真实验是在MATLAB7.0软件中进行，所用的数据为雷达采集到的实际数据，包 含三类飞机：雅克-42飞机、奖状飞机和安-26飞机，该数据中噪声很小，可以忽略 不计。

2．实验内容

实验一：为检验距离像去噪的效果，选择10个连续观测的安-26的高分辨距离 像样本，对该10个距离像样本均加入0dB的噪声，得到加噪后的距离像。使用本发 明的方法得到去噪后平均距离像，并将去噪后平均距离像同无噪的平均距离像和加噪 的平均距离像进行比较，结果如图2所示。其中

图2(a)表示无噪的平均距离像；

图2(b)表示去噪后平均距离像；

图2(c)表示加噪的平均距离像。

实验二：为了验证本发明对距离像去噪后对识别性能的改善，分别选择雅克-42 飞机、奖状飞机和安-26飞机的50个距离像样本，共150个样本，作为训练目标的 距离像样本；选择雅克-42飞机12000个距离像样本、奖状飞机20000个距离像样本、 安-26飞机的20000个的距离像样本，共52000个样本，在这些样本中均分别加入0dB， 5dB，10dB，15dB和20dB的噪声，作为测试目标的距离像样本。

将52000个测试目标的距离像样本中的每10个距离像样本使用本发明方法进行 去噪，得到1个去噪后平均距离像样本，最终得到5200个去噪后平均距离像样本， 使用该5200个去噪后平均距离像样本的功率谱特征进行目标识别实验；再将52000 个测试目标的距离像样本中的每10个距离像样本直接平均，得到1个加噪的平均距 离像样本，最终得到5200个加噪平均距离像样本，使用该5200个加噪平均距离像样 本的功率谱特征进行目标识别实验。结果如图3所示。

图3中，实线表示使用加噪平均距离像的功率谱特征进行目标识别的识别率随信 噪比的变化，虚线表示使用去噪后平均距离像的功率谱特征进行目标识别的识别率随 信噪比的变化。

2.实验结果分析：

由图2可以看出：1)无噪的平均距离像，噪声区的幅度基本为零，且噪声区的距 离像比较平滑；2)加噪的平均距离像，信号区的幅度略有变化，噪声区的幅度整体有 提高，且噪声区的距离像不平滑；3)双谱去噪的平均距离像，信号区的幅度略有变化， 最大的峰值比无噪的距离像略高，较小的峰值比无噪的距离像略低，噪声区的幅度整 体略有提高，但提高不明显，噪声区的距离像不平滑。

由图3可以看出：在信噪比为0dB时，使用加噪平均距离像的功率谱特征完全 不能识别，而使用去噪后平均距离像的功率谱特征提高了30个百分点；在信噪比在 5dB～15dB范围内时，使用去噪后平均距离像的功率谱特征的识别率比使用加噪平均 距离像的功率谱特征的识别率高出10～15个百分点；在信噪比为20dB时使用加噪平 均距离像的功率谱特征的识别率恢复到将近80%，而使用去噪后平均距离像的功率谱 特征的识别率比80%略高。

综上，本发明能够实现低信噪比条件下距离像的噪声抑制，具有较好的识别效果。