基于仿生模式识别理论的雷达目标识别方法

摘要

本发明公开了一种基于仿生模式识别理论的雷达目标识别方法，采用物理光学法计算雷达目标的相应的回波数据，分析雷达回波数据并且建立目标的一维距离像，将得到的目标一维距离像进行预处理作为特征向量，利用仿生模式识别方法对不同目标进行识别。仿生雷达目标识别方法作为一种新的模式识别方法，其特征在于基于“认识”而不是“划分”，通过对每类目标的特征样本在高维空间利用超香肠模型进行覆盖，达到“认识”目标的目的，从而有效提高了正确识别率，同时避免了传统雷达目标识别方法拒识别能力差、每添加一类目标需要对原有数据重新训练的缺点。

说明书

技术领域

本发明属于雷达目标识别技术领域，特别是一种基于仿生模式识别理论的雷达目标识别方法。

背景技术

雷达目标识别技术的流程一般是先从雷达目标的回波中提取目标的有关信息标志和稳定特征，构造已知目标的特征模板库，然后利用模板库对分类器进行训练，最后利用训练好的分类器来鉴别目标。在高分辨雷达的照射下，目标的回波在距离方向上占据多个距离像单元，呈现连续起伏特性，通常称之为目标的高分辨一维距离像，雷达目标的高分辨一维距离像能提供目标沿雷达视线方向的几何结构信息，同时具有易于获得和处理的特点，避免了成像识别中的复杂的运动补偿问题，所以本发明把它作为特征向量构造模板库。

在分类器方面，传统雷达目标识别技术常采用人工神经网络、支持向量机等传统模式识别方法构造分类器，这些方法是将目标的样本空间按训练目标数目m使用线性函数（超平面）或非线性函数（超球面等）划分成m个部分。在这种方法中，在得到目标的特征向量空间后，先根据训练样本的目标种类和分布特征对空间进行完全的划分，在识别的时候，根据特征函数将要识别的样本根据一定的判定规则将样本归入已经划分好的某一空间。这些基于划分的模式识别方法往往存在几个问题：（1）如果采用线性函数（超平面）作为分类面，则不能很好地适应样本空间分布复杂的情况，会导致误识率很大。（2）这些基于划分的模式识别方法根据已知样本的目标数目将整个样本空间划分成相应的子空间，对于目标模板库中没有的新目标的样本，会错误地识别为目标模板库中某一类目标，导致这种方法的误识率很高，不具备拒识能力。（3）如果想向模板库中添加新目标的样本，需要对整个模板库中的样本构成的样本空间进行重新划分，费时费力。将线性函数改进为非线性函数，如在支持向量机中使用高斯核函数，可以解决问题（1），但这样做对于第二个问题和第三个问题，还没有解决。

发明内容

本发明的目的在于提供一种基于仿生模式识别理论的雷达目标识别方法，该方法在分类判别阶段，从思想上否定了原有的雷达目标识别中分类判别的方法，提出了基于“认识”目标，而不是“划分”目标的判别思想，在有效提高了雷达目标正确识别率的同时，提高了拒识别能力，可为雷达目标识别方法提供重要的参考资料。

实现本发明目的的技术方案为：

第一步，采用物理光学法计算雷达目标各个角度的回波数据；

    第二步，分析产生的雷达回波数据并且建立目标的一维距离像，并对一维距离像进行归一化预处理形成仿生模式识别的特征样本空间；

    第三步，初始化一维距离像样本空间，将其分成已知样本子空间和未知样本子空间两大类，对已知样本分为训练样本和测试样本；

第四步，利用过滤算法对每个雷达目标的训练样本进行过滤，确定每个雷达目标的超香肠神经元网络的拓扑框架；

第五步，利用超球半径算法确定每个雷达目标的超香肠神经元网络的覆盖范围；

    第六步，分别通过已知样本和未知样本测试超香肠神经元网络模型的分类性能。

本发明与现有技术相比，其显著优点为：（1）提高了正确识别率。利用超香肠神经元网络模型对雷达目标一维距离像在高维空间中的分布进行覆盖，提高了覆盖精度；（2）抵抗噪声能力增强。在回波中加入噪声后，利用基于仿生模式识别理论的雷达目标识别方法识别能力要比传统方法强；（3）拒识能力增强。基于仿生模式识别理论的雷达目标识别方法以“认识”目标为目的，对于不在超香肠神经元网络覆盖范围内的测试样本直接拒识，显著提高了拒识能力。（4）提高了学习效率。如果想向训练数据集中添加某个新目标的训练样本，传统识别方法往往要打乱原有知识，对所有训练数据进行重新学习，而基于仿生模式识别理论的雷达目标识别方法可以直接对新目标建立超香肠神经元网络实现学习，无需对所有训练数据进行学习，大大提高了学习效率。

下面结合附图对本发明作进一步详细描述。

附图说明

图1是雷达目标识别一般步骤框图。

图2是雷达目标一维距离像特征向量示意图。

图3是二维空间的超香肠神经元网络与超香肠神经元示意图；(a) 超香肠神经元网络示意图；(b) 超香肠神经元示意图。

图4是传统“划分”方法与仿生模式识别方法的对比示意图。

图5是本发明中进行雷达目标识别的流程图。

图6是建立超香肠神经元网络拓扑框架的三种典型情况示意图。

图7是样本点到超香肠模型距离计算示意图。

图8是测试识别效果用到的五种雷达目标模型的示意图；(a) VFY218模型 (b)F15模型  (c) F117模型 (d)导弹模型 (e) 普通飞机模型。

图9是VFY218、F15、F117模型的多角度归一化一维距离像；(a)VFY218 模型的多角度归一化一维距离像 (b) F15 模型的多角度归一化一维距离像 (c) F117 模型的多角度归一化一维距离像。

图10是本发明与支持向量机的抗噪声性能比较。

图11是本发明与支持向量机的泛化能力比较。

图12是本发明与支持向量机的拒识能力比较。

具体实施方式

本发明基于仿生模式识别理论，提出一种侧重“认识”的雷达目标识别方法。根据每个雷达目标产生的一维距离像连续变化的特点，利用一维流形拓扑结构对每个目标的一维距离像在高维空间中的分布进行描述，在训练阶段，采用超香肠神经元网络模型对一维距离像空间进行一类一类的覆盖，在判决阶段，根据不同目标的超香肠神经元网络对测试样本的覆盖情况判断测试样本的归属，从而能够克服传统雷达目标识别方法所带来的问题，显著地提高了正确识别率和拒识能力，并且对新增目标只需单独训练，不需要对整个模板库的样本进行训练，大大提高了学习效率。

本发明为基于仿生模式识别理论的雷达目标识别方法，首先采用物理光学方法获得雷达目标各个角度的宽频带散射场数据，对各个角度的宽频带散射场数据进行逆傅里叶变换得到各个角度的一维距离像。然后将各个角度的一维距离像数据归一化。再利用过滤算法和超球半径算法建立每个目标的超香肠神经元网络。最后对测试样本进行识别。该方法可以在提高正确识别率的同时，提高拒识能力和学习效率。

参见图1，雷达目标识别一般需要先对接收到的目标回波进行预处理，然后对处理后的回波数据进行特征提取，提取能代表目标本身特点有易于与其他目标区别的特征量，建立已知目标的特征库，再利用训练算法进行训练，最后利用测试算法对测试样本进行分类判决。图2显示了本发明中所使用的特征量，即雷达目标一维距离像特征向量的示意图。可以很清楚的看出，雷达目标一维距离像特征向量能提供目标沿距离方向的几何结构信息，是一种非常有效的特征量。图3 是二维空间中超香肠神经元网络与超香肠神经元示意图。图4是传统的“划分”方法与仿生模式识别方法的在二维空间的对比示意图。结合图5，本发明中基于仿生模式识别理论进行雷达目标识别，步骤如下：

第一步，建立待测目标的几何模型，设置该目标的相关参数：起始频率、扫频间隔、带宽、初始角度、角度间隔、角度范围，采用物理光学方法计算出该目标的回波数据，作为原始信号                                                。物理光学方法从Stratton-Chu公式出发，引入物理上合理的高频假设：由物体上某一点对该物体其它点的散射场的贡献和入射场相比是很小的，从而忽略了各个子散射单元之间的耦合作用，使得求解过程得到简化。根据物理光学近似条件和远场近似条件，求解远区散射场的物理光学法基本公式如下：

其中，r₀为坐标原点到观察点的距离，为源点的位置矢量，k为波数，为电磁波入射方向，为电磁波散射方向，为入射面的外法相量，Z₀为自由空间阻抗，Y₀为自由空间导纳，J和M分别表示物体表面的等效感应电流和磁流。由于存在关系式，因此上述两个方程中的任何一个都可以用来计算远区散射场。对于金属目标，感应磁流为0，感应电流为。因此，远场散射可以简化为，从而得到该目标的回波数据。

第二步，对每个目标各个角度的宽频带数据进行逆傅里叶变换，得到每个目标各个角度的一维距离像，并对每个一维距离像进行归一化处理形成仿生模式识别的特征样本空间。

    第三步，初始化一维距离像样本空间，将其分成已知样本子空间和未知样本子空间两大类，对已知样本分为训练样本和测试样本。

第四步，利用过滤算法对每个雷达目标的训练样本进行过滤，确定每个雷达目标的超香肠神经元网络的拓扑框架。具体步骤如下：

一、对每个目标各个角度的一维距离像样本空间的特征向量进行排序，使相邻三个特征向量中，中间的特征向量离前面的特征向量的距离比后面的特征向量离前面的特征向量的距离近，排序后的一维距离像集合为，Na是角度个数；

二、初始化集合中第一个特征向量为参考向量，并将存入拓扑框架集合中；

三、依次过滤集合中剩余向量，根据剩余向量与参考向量的距离选取拓扑框架节点，确定目标的拓扑框架。图6显示了过滤过程中遇到的三种典型情况，(a)表示被过滤向量与参考向量的距离不断增长，当距离值超过预设阈值时，当前被过滤向量被选为拓扑框架节点，然后以当前被过滤向量为参考向量继续过滤剩余向量；  (b)表示被过滤向量与参考向量的距离在增长过程中出现小幅下降，但下降幅度的大小并没有达到预设阈值，之后继续增长，直到当前被过滤向量与参考向量的距离达到预设阈值，则当前被过滤向量才被选为拓扑框架节点，然后以当前被过滤向量为参考向量继续过滤剩余向量； (c)表示当前被过滤向量与参考向量的距离逐渐增大，但距离值没有超过预设阈值，然后距离值逐渐下降，而且下降的距离超过了预设阈值，此时我们将对应转折处的向量选为拓扑框架节点，并以其作为参考向量继续过滤剩余向量。在本方案中，选取为集合中两两向量距离的最小值的6~8倍，而选取为集合中两两向量距离的最小值的3~5倍。

第五步，利用超球半径算法确定每个雷达目标的超香肠神经元网络的覆盖范围。具体步骤如下：

一、统计原始的一维距离像集合中未被选中为拓扑框架节点的特征向量，记这些特征向量组成的集合为；

二、计算中每个特征向量到拓扑框架的距离，这些距离构成一个集合，是中样本的个数，相邻两个拓扑框架节点构成一个超香肠神经元，向量x到拓扑框架的距离定义为其到每个超香肠神经元的距离中的最近距离，而向量x到某个超香肠神经元的距离计算公式如下：

其中，，和是超香肠神经元的两个节点，代表了向量在方向上的投影。

三、根据集合的大小选择不同的方法确定超球半径。如果集合中元素个数小于500个，则对集合中最远的三个距离值取平均，记为，则半径确定为，是集合中两两向量距离的最小值。如果集合中元素个数大于500个，则认为集合中的距离值服从高斯分布，即，和的最大似然估计为

此时的半径通过下式计算

其中取0.01。

第六步，分别通过已知样本和未知样本测试超香肠神经元网络模型的分类性能。通过判断与每个雷达目标对应的超香肠神经元网络对测试样本的覆盖情况实现的，如果测试样本不被任一目标的超香肠神经元网络覆盖，则该测试样本对应目标被拒识，如果测试样本只被一个目标的超香肠神经元网络覆盖，则测试样本对应目标被识别为该超香肠神经元网络对应的目标，如果测试样本被多个目标的超香肠神经元网络覆盖，测试样本距离哪一个超香肠神经元网络近，就将测试样本识别为其对应目标。

为了验证本发明方法的有效性，结合不同目标，利用支持向量机方法与此方法进行了仿真实验比较，其中支持向量机方法采用高斯核函数。使用商用软件ANSYS分别对F15、F117、VFY218、导弹、普通飞机等进行建模，如图8所示。利用物理光学法计算每种目标的VV极化后向散射场，俯仰角均为10°，扫频范围均为8GHz到12GHz，扫频间隔为20 MHz。对于F15、F117、VFY218三种目标，方位角从0°变化到90°，间隔为0.4°，0°对应鼻锥方向，将这三种目标的所有归一化一维距离像作为已知样本，在实验中一部分用于训练，一部分用于测试，图9显示了这三种目标的多角度归一化一维距离像。对于导弹和普通飞机目标，每个目标从0° 到90°的方位角范围内随机选取75个归一化一维距离像作为未知样本，在实验中全部用于测试。

1、本发明与支持向量机的抗噪声性能比较

图10显示了本发明与支持向量机对F15、F117、VFY218三种目标在不同信噪比环境下的平均识别率对比。F15、F117、VFY218三种目标的一维距离像一半用于训练一半用于测试，在信噪比低于15db的情况下，本发明的识别率明显优于支持向量机的识别率。

2、本发明与支持向量机的泛化能力比较

图11显示了本发明与支持向量机对F15、F117、VFY218三种目标在不同个数训练样本情况下的平均识别率对比。分别使用113×3, 76×3, 57×3, 46×3, 38×3 个一维距离像训练，相应地使用 113×3, 150×3, 169×3, 180×3, 188×3个一维距离像测试，在训练数据个数少于测试数据个数一半时，本发明的识别率明显优于支持向量机的识别率。

3、本发明的拒识能力测试

图12显示了本发明的拒识能力。仍然采用F15、F117、VFY218三种目标的一维距离像中一半在不同信噪比下训练，采用导弹和普通飞机的150个一维距离像进行测试，本发明可以达到90%以上的正确拒识率，而传统的支持向量机方法不具备拒识能力。