一種高分辨距離像的增敏特征

一種高分辨距離像的增敏特征

1基于歸一化的rats公司識別高度色散指數(shù)（hrp）是輻射雷達信號接收的目標散射點的向量和振幅，這是目標的重要結(jié)構(gòu)特征，在雷達輻射中是隨機的?，F(xiàn)在，它是探測雷達自我識別領(lǐng)域的研究熱點。HRRP有很強的方位、幅度和平移敏感性。方位敏感性由目標姿態(tài)相對雷達視角的變化引起；幅度敏感性由距離像的幅度為目標距離、雷達天線增益和雷達接收機增益等的函數(shù)所引起，表現(xiàn)為不同目標、不同雷達的距離像在幅度上具有不同的尺度標準。方位敏感性和幅度敏感性可分別通過對距離像回波序列劃分觀測角域和對距離像進行幅度歸一化解決。平移敏感性由距離像在距離窗中的移動引起，距離窗的大小通常選擇為從其中可以獲得完整的目標回波數(shù)據(jù)，并有一定的余度。平移敏感性造成同一回波數(shù)據(jù)在距離窗數(shù)據(jù)空間中成為不同的向量，為RATR帶來困難。解決平移敏感性的方法主要有：(1)時域最大滑動相關(guān)法，即訓練階段各角域建模時需對各角域內(nèi)距離像平移對齊，測試階段測試樣本需與各角域模板平移對齊。(2)平移不變變換法，即對距離像進行具有平移不變特性的變換，得到距離像的平移不變特征，采用平移不變特征進行目標識別。由于平移不變特征徹底解決了平移敏感性，為維數(shù)壓縮、簡化分類運算以及采用復(fù)雜高級分類器進行分類識別帶來了極大方便，因此平移不變特征的提取是雷達目標識別中一個重要的環(huán)節(jié)。快速傅里葉變換(FastFourierTransformation,FFT)方法即是對距離像采用FFT變換，以距離像的幅度譜作為平移不變特征?；陔p譜的目標識別方法，以距離像的雙譜做為平移不變特征，與幅度譜相比，雖然雙譜同時含有信號譜的幅度信息與高階相位信息，且能抑制具有零均值對稱概率密度特征的干擾和噪聲，但是雙譜是將數(shù)據(jù)從N維到N2維的變換，當信號的樣本數(shù)據(jù)增大時，計算量和存儲量急劇增大，因而通常使用雙譜特征時必須進行降維處理。本文從HRRP中提取出一種新的平移不變特征：幅度譜差分。幅度譜差分的每一分量等于相鄰頻譜幅度之差，反映了該離散頻率處頻譜幅度變化的方向和大小，類似于連續(xù)信號在某點處的梯度信息，幅度譜差分描述了距離像頻譜幅度的變化情況。幅度譜從頻譜幅度本身去描述距離像，而幅度譜差分從頻譜幅度的變化去描述距離像，相當于從另一角度提取了距離像的特征。相比幅度譜特征，在分類決策時，幅度譜差分特征以測試樣本幅度譜的起伏特性與角域模板幅度譜的起伏特性一致性的程度為匹配測度，更適合于雷達自動目標識別。我們以幅度譜差分為特征和以幅度譜為特征，采用外場實測數(shù)據(jù)，分別訓練了兩種分類器：最短距離分類器和one-against-allSVM多類分類器。兩種分類器的識別結(jié)果均表明：幅度譜差分特征相比幅度譜特征可顯著增加數(shù)據(jù)可分性，大大提高識別率。2新的距離特征2.1基于回波信號的距離像的偏差識別目標在雷達電波作用下，產(chǎn)生后向散射的電波稱為雷達回波，在散射點模型假設(shè)條件下，目標的回波可視為沿波束射線的相同距離單元里的眾多散射點子回波的向量和。通常將該回波的幅度分布稱為一維實距離像，簡稱距離像。距離像有很強的方位敏感性、幅度敏感性和平移敏感性。平移敏感性是由距離像在距離窗中的移動引起的，距離窗的大小通常選擇為從中可以獲得完整的目標回波數(shù)據(jù)，并有一定的余度。圖1所示為獎狀飛機同一角域兩個幅度歸一化后的距離像，從圖中可以看出，距離像的形狀非常接近，但是兩者在距離窗中的位置明顯不同，這樣一來，本來相似度很高的兩個回波數(shù)據(jù)在距離窗數(shù)據(jù)空間中表達成兩個相差很遠的數(shù)據(jù)矢量。因此，如果要采用距離像進行目標識別，必須解決距離像的平移敏感性。如引言所述，解決距離像平移敏感性目前主要有最大滑動相關(guān)法和平移不變變換法兩大類。最大滑動相關(guān)法雖然解決了各角域內(nèi)距離像的平移敏感性，但是沒有徹底解決平移敏感性，這是因為：(1)不同角域的距離像仍存在平移敏感性，由于距離像的方位敏感性，對不同角域的距離像進行最大滑動相關(guān)對齊是沒有意義的，對齊不同目標的距離像更是沒有意義；(2)測試數(shù)據(jù)與訓練數(shù)據(jù)間仍然存在平移敏感性，測試數(shù)據(jù)必須與各角域的模板對齊后才能計算匹配測度。平移不變變換法較之最大滑動相關(guān)法則徹底地解決了平移敏感性。目前主要有采用FFT變換和雙譜等高階譜的變換。雙譜是將數(shù)據(jù)從N維到N2維的變換，當信號的樣本數(shù)據(jù)增大時，計算量和存儲量急劇增大，因而通常使用雙譜特征時必須進行降維處理，所以雙譜從理論上是很好的平移不變特征，但是在實際應(yīng)用中必須對采用雙譜特征的數(shù)據(jù)進行降維后才能用于目標識別，所以從這一點看，雙譜特征也不是很理想的平移不變特征。FFT所得幅度譜則是比較常用的平移不變特征。2.2幅度譜差分特征在ratr目標識別中的優(yōu)勢本文從HRRP中提取出一種新的距離像平移不變特征——幅度譜差分，并以此特征進行目標識別。設(shè)x=[x(1),x(2),,x(n),,x(N)]T為訓練樣本中某一距離像，其中N為距離單元個數(shù)，首先對它做FFT得幅度譜r=[r(1),r(2),,r(n),,r(N)]T，其中運算符“”表示對復(fù)數(shù)取模。其次，為去除幅度敏感性，對r進行歸一化，得歸一化幅度譜r=[r(1),r(2),,r(n),,r(N)]T，其中運算符“2”表示對向量取模。最后，對歸一化幅度譜r求差分，得幅度譜差分d=[d(1),d(2),,d(n),,d(N-1)]T，其中本文以幅度譜差分d做為距離像的平移不變特征進行目標識別。下面來分析比較采用幅度譜差分d與幅度譜r分別作為平移不變特征進行目標識別時的區(qū)別，從而說明幅度譜差分特征在RATR應(yīng)用中的優(yōu)勢。幅度譜差分特征情況下，測試數(shù)據(jù)與模板的歐式距離為比較式(4)和式(6)，可以看到，幅度譜特征的歐式距離為角域平均幅度譜每一分量與測試樣本幅度譜每一分量之差的平方和的開方；而幅度譜差分特征的歐式距離為角域平均幅度譜每一分量與測試樣本幅度譜每一分量之差的差分的平方和的開方。對于RATR應(yīng)用而言，由于距離像的幅度敏感性，必須對距離像的幅度譜歸一化以解決幅度敏感性，歸一化將幅度譜強行拉到模為1，這樣一來幅度譜每一分量的大小對于區(qū)分不同類目標的作用就不是很大了，而不同目標幅度譜的起伏特性成為比較重要的分類信息，換言之，同類目標的歸一化幅度譜起伏特性是一致的，異類目標歸一化幅度譜起伏特性則是有明顯差異的。式(4)表明幅度譜特征以歸一化幅度譜每一分量變化的絕對大小做為匹配測度的依據(jù)；式(6)表明幅度譜差分特征以歸一化幅度譜各分量變化的一致程度做為匹配測度的依據(jù)，反映了角域平均幅度譜模板與測試距離像幅度譜的起伏是否一致，式(6)的值越小，說明兩者起伏越一致，它們成為一類的可能越大。由此可見，幅度譜差分特征在匹配測度上比幅度譜特征更適合于RATR。另外，幅度譜差分特征相比幅度譜特征的優(yōu)勢還表現(xiàn)在以下幾個方面：(1)從描述距離像的角度看，幅度譜用距離像各頻率分量的幅度來描述距離像；幅度譜差分用距離像相鄰頻率分量幅度變化的方向(正為增加，負為減少)和大小來描述距離像，故而后者比前者包含了更多距離像起伏的特征信息。(2)從幅度譜差分本身來看，它反映的是距離像相鄰頻率分量的變化，類似于連續(xù)信號在某點處的梯度信息，由于頻率分量是等間隔的，所以幅度譜差分中每一分量均準確描述了該頻率處距離像離散頻譜幅度變化的方向和大小。(3)圖2為三類不同飛機實測數(shù)據(jù)的平均歸一化幅度譜與對應(yīng)幅度譜差分的對比圖，可以明顯看出不同目標幅度譜差分的差別(即可分性)要顯著高于幅度譜本身的差別，因而從實際數(shù)據(jù)的分析比較結(jié)果來看，幅度譜差分特征要優(yōu)于幅度譜特征。(4)從特征提取角度看，幅度譜從頻譜幅度本身去描述距離像，而幅度譜差分從頻譜幅度的變化去描述距離像，相當于從另一角度提取了距離像的特征。(5)本文采用外場實測數(shù)據(jù)的識別結(jié)果也表明，幅度譜差分特征相比幅度譜特征可顯著提高識別率。2.3歸一化幅度譜分類器設(shè)計??≤?R/Lx的角域范圍內(nèi)(?R是距離分辨單元的長度，xL是目標的橫向尺寸）劃分觀測區(qū)間來解決方位敏感性，將觀測區(qū)間內(nèi)的HRRP序列定義為一幀距離像，代表相應(yīng)的一個角域。對距離像幅度譜進行歸一化解決幅度敏感性。設(shè)有s類目標，共有a個角域。對任意一測試數(shù)據(jù)進行FFT，然后對幅度譜進行歸一化，對歸一化幅度譜做前向差分得：t=[t(1),t(2),,t(n),,t(N-1)]T。為驗證幅度譜差分特征的有效性，本文設(shè)計了兩種分類器，即(a)最短距離分類器。判決t屬于argi=m1,in,adi-t所決定的類，a為所有目標的角域個數(shù)。(b)無拒識區(qū)one-against-allSVM多類分類器。采用模板庫Za訓練無拒識區(qū)one-against-allSVM多類分類器，SVM子分類器的個數(shù)等于目標個數(shù)s，判決t屬于argi=m1,ax,s(if(t))所決定的類，其中if(t)為第i個SVM子分類器對應(yīng)的判別函數(shù)值，s為目標個數(shù)。本文SVM分類器的核函數(shù)均采用徑向基函數(shù)(RadialBasisFunction,RBF)。3幅度譜差分特征對比測試采用某單位ISAR實驗雷達實測飛機數(shù)據(jù)。3類飛機的飛行軌跡在地平面上的投影如圖3所示，圖中給出了雷達的相對位置，可以大致估計飛機的方位角。為了檢驗識別算法的推廣能力，訓練數(shù)據(jù)和測試數(shù)據(jù)在不同的數(shù)據(jù)段內(nèi)選取，其中，雅克-42的第2,5段，安-26的第5,6段，獎狀的第6,7段數(shù)據(jù)作為訓練數(shù)據(jù)，其它各段數(shù)據(jù)作為測試數(shù)據(jù)。訓練數(shù)據(jù)段基本上包含了測試數(shù)據(jù)段內(nèi)各種方位角的情況，但俯仰角有所不同。綜上所述：共有s=3類目標的訓練數(shù)據(jù)；每類目標有50個角域，3類目標共有a=150個角域；每一角域有256個距離像；每一距離像有N=256個距離單元。我們用相同的訓練數(shù)據(jù)和測試數(shù)據(jù)，對幅度譜差分特征和幅度譜特征的識別結(jié)果進行比較。表1為采用最短距離分類器的識別結(jié)果比較，可以看到采用幅度譜差分特征比幅度譜特征的整體平均識別率提高了7.25個百分點，3類目標的識別率都有所提高，其中安-26的識別率提高了7.25個百分點，獎狀的識別率提高了13個百分點。從混淆矩陣可以看出，獎狀飛機16.75%的測試數(shù)據(jù)在采用幅度譜特征時被錯分為安-26，而經(jīng)采用幅度譜差分特征后僅2.25%被錯分為安-26，說明采用幅度譜差分特征相比幅度譜特征可以提高不同目標距離像的可分性，從而提高識別率。表2為采用無拒識區(qū)one-against-allSVM多類分類器的識別結(jié)果比較，可以看到采用幅度譜差分特征的整體平均識別率高于幅度譜特征8.25個百分點，尤其是安-26飛機的識別率提高了12個百分點，安-26飛機是螺旋槳飛機，其HRRP回波受螺旋槳調(diào)制，起伏較大，因此在幅度譜空間中分布很分散，和其他兩類目標的數(shù)據(jù)混雜在一起，使得該類飛機的識別率較低，而采用幅度譜差分特征可以提高此類飛機的識別率，說明距離像在幅度譜差分特征空間的可分性比幅度譜特征空間的可分性要強。圖4所示為各角域幅度譜差分模板4(c)，4(d)和幅度譜模板4(a)，4(b)在DCA(DiscriminatoryComponentAnalysis)的前3，前2個分量上的投影散布圖，可以看出，幅度譜差分模板相比幅度譜模板，類內(nèi)聚集增強，類間散布增大，可分性更強。從計算復(fù)雜度來看，采用幅度譜差分特征相比幅度譜特征在訓練階段和測試階段分別多了一步求差分的過程，但訓練過程是離線的，不影響實時的在線目標識別。對于具有N個距離單元的測試距離像而言，測試過程僅多了N-1次減法，但是識別率卻大大提高了。同時注意到，幅度譜差分特征空間比幅度譜特征空