申请/专利权人：西安电子科技大学

申请日：2021-07-01

公开（公告）日：2023-04-18

公开（公告）号：CN113361472B

主分类号：G06V20/50

分类号：G06V20/50;G06V10/764;G06V10/774

优先权：

专利状态码：有效-授权

法律状态：2023.04.18#授权;2021.09.24#实质审查的生效;2021.09.07#公开

摘要：一种基于ILFAcs模型的雷达HRRP目标识别方法，其实现步骤为：从HRRP数据流中提取功率谱特征；训练最大间隔因子分析MMFA模型；生成永久保留样本集；获得第0个时刻之外的每个时刻的训练数据；构建ILFAcs模型；训练ILFAcs模型；更新永久保留样本集；目标识别。本发明构建ILFAcs模型，对雷达HRRP数据流进行学习，能有效减少了时间和空间资源的浪费，提高了雷达HRRP目标识别效率，同时生成含有代表性雷达HRRP数据的永久保留样本集，缓解了灾难性遗忘问题，提升了雷达HRRP目标识别性能。

主权项：1.一种基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型的雷达高分辨距离像HRRP目标识别方法，其特征在于，利用ILFAcs模型对雷达HRRP数据进行实时学习，生成含有代表性雷达HRRP数据的保留样本集，利用保留样本集和实时获取的数据一起更新模型，提取雷达HRRP数据中的特征并进行目标识别；该方法的步骤包括如下：1从HRRP数据流中提取功率谱特征：1a提取含有C个目标类别的雷达HRRP数据，C≥2；1b对雷达HRRP数据进行预处理，得到C个目标类别的雷达HRRP数据流的功率谱特征；2训练最大间隔因子分析MMFA模型：利用HRRP数据流中第0个时刻的C0个目标类别的二范数归一化处理后的雷达HRRP数据流的功率谱特征及其标签训练最大间隔因子分析MMFA模型；3生成永久保留样本集：3a判断N0≤R是否成立，若是，则执行步骤3b，否则，执行步骤3c，其中，N0表示中的样本数量，R表示永久保留样本集中样本的总数；3b将及其标签作为永久保留样本集B0；3c按照下式，计算第0个时刻的N0个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值： 其中，表示第0个时刻的第i个雷达HRRP数据的零均值功率谱特征的隐变量到对应类别分类界面的距离，·表示求期望操作，表示第i个雷达HRRP数据的功率谱特征所属类别z的隐变量支持向量机LVSVM分类器的系数，表示的增广向量，表示似然函数值，P是的维度，ln·表示以自然常数e为底的对数操作，A0表示最大间隔因子分析MMFA模型中的加载矩阵，γ0表示最大间隔因子分析MMFA模型中噪声向量的协方差精度；3d挑选各类训练样本中距离最小的前R2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R2C0个二范数归一化处理后的雷达HRRP数据的功率谱特征，将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集B0；4获得第0个时刻之外的每个时刻的训练数据：4a设置临时保留样本集4b判断当前t时刻的HRRP数据中是否存在新的目标类别，若是，则执行步骤4c，否则，执行步骤4f；4c判断t-1时刻得到的永久保留样本集Bt-1是否存在新的目标类别，若是，则执行步骤4e，否则，执行步骤4d；4d将Bt-1转存入清空后的清空永久保留样本集后执行步骤4e； 4e从中随机挑选Nt个二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签、当前t时刻的HRRP数据流中的二范数归一化处理后的雷达HRRP数据的功率谱特征及其标签和Bt-1组成t时刻的训练数据BDt，其中，Nt表示中功率谱特征的总数；4f将及其标签和Bt-1组成t时刻的训练数据BDt；5构建基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型： 其中，表示BDt中的第i个二范数归一化处理后的雷达HRRP数据的功率谱特征，At表示t时刻的加载矩阵，表示的隐变量，μt表示t时刻二范数归一化处理后的雷达HRRP数据的功率谱特征的均值向量，表示高斯噪声变量，表示At的第k列向量，且服从均值向量为协方差矩阵为的高斯分布，和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵，表示t-1时刻训练得到加载矩阵At-1的第k列向量，表示的第k个元素，且服从均值为0、方差为的高斯分布，服从参数为c0、d0的伽马分布；表示的第p个元素，且服从均值为0、方差为的高斯分布，服从参数为的伽马分布，分别表示在t-1时刻训练得到的的后验分布的形状参数和尺度参数，表示在t-1时刻训练得到的噪声向量协方差精度γt-1的第p个元素，表示t时刻的第c个隐变量支持向量机LVSVM分类器的系数，且服从均值向量为协方差矩阵为的高斯分布，和分别表示在t-1时刻训练得到的的后验分布的均值向量和后验分布的协方差矩阵，表示在t-1时刻训练得到第c个隐变量支持向量机LVSVM分类器的系数，表示隐变量支持向量机LVSVM的伪似然函数，表示对应于第c个隐变量支持向量机LVSVM分类器的类别标号，若属于第c类目标，则否则表示对应于第c个隐变量支持向量机LVSVM分类器的隐变量，exp·表示以自然常数e为底的指数函数，h0表示调和系数，表示的增广向量；6训练基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型：将每个时刻获得的训练数据依次输入到上一时刻训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中进行训练，得到当前时刻训练好的模型；7更新永久保留样本集；7a在当前t时刻，判断numBDt≤R是否成立，若是，则执行步骤7b，否则，执行步骤7c，其中，num·表示统计样本数量操作；7b将BDt作为永久保留样本集Bt；7c按照下式，计算当前t时刻的numBDt个雷达HRRP数据的功率谱特征的隐变量到对应类别分类界面的距离和似然函数值： 其中，表示到对应类别分类界面的距离，表示所属类别z的隐变量支持向量机LVSVM分类器的系数，表示的似然函数值，γt表示当前t时刻的噪声向量的协方差精度；7d在当前t时刻挑选BDt的各类训练样本中距离最小的前R2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征和似然函数值最大的前R2Cno个二范数归一化处理后的雷达HRRP数据的功率谱特征，将挑选的二范数归一化处理后的雷达HRRP数据的功率谱特征及其对应的标签作为永久保留样本集Bt，其中，Cno表示当前t时刻已经获取到的目标类别总数；8目标识别：8a采用与步骤1b相同的方法，对待识别的每个雷达高分辨距离像HRRP数据进行预处理，得到二范数归一化处理后的功率谱特征8b按照下式，计算的零均值功率谱特征： 其中，xtest表示的零均值功率谱特征；8c将xtest输入到训练好的基于Kullback-Leibler约束和样本选择的增量最大间隔因子分析ILFAcs模型中，计算xtest的目标类别标号，输出待识别的每个雷达高分辨距离像HRRP数据的目标识别结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于ILFAcs模型的雷达HRRP目标识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD