[0047] 参照图1,为本发明的一种基于局部嵌入的雷达高分辨距离像目标识别技术流程图,具体实施步骤如下:
[0048] 训练阶段:
[0049] S1:采集数据集,将Q个雷达采集到的HRRP数据集依据目标的种类进行合并,每种种类的数据分别在不同的数据段里选择训练样本和测试样本,在训练集和测试集样本的选取过程中,保证所选取的训练集的数据与雷达所成姿态涵盖测试数据集与雷达所成的姿态。各类目标训练集和测试集样本数的比例为8:2,将挑选的数据集记作其中Xi表示第i个样本,yk表示第k种目标,i0表示样本总数。
[0050] S2:对雷达训练目标距离回波数据进行角域分帧,即对经过S1处理得到的每一个样本Xi实行角域分帧,先将第c类目标(c=1,2,...C)的训练样本均匀的分为Mc帧,每一帧包含N个训练样本。
[0051] S3:对S2处理后的每一个样本进行能量归一化处理,得到归一化后的数据,归一化公式如下:
[0052]
[0053] 其中||·||2表示求2范数。
[0054] S4:对经过S2,S3处理后的雷达训练目标数据,从X'i内提取每一帧的时域特征作为识别特征,记作 其中x(c,m)表示的是第c个目标第m帧的训练样本的时域特征,C为目标总数,Mc为第c个目标的总帧数。
[0055] S5:循环切分经过处理后的数据集,具体操作步骤如下:
[0056] S5.1:x={xijk},其中i指示第i个目标,j指示的是第j帧,k指示的是第k个HRRP;
[0057] S5.2:设定切分的向量的长度为p,使得为p为2的幂级数,如4;
[0058] S5.3:对数据集内的每一个样本,将其移位p-1次并进行连接,x'ijk=[xijk,xijk(1),xijk(2),xijk(3)]
[0059] 若xijk=[y1,y2,…,yn],则xijk(n)=[yn+1,…,y256,y1,y2,…,yn]
[0060] 举例说明切分:X'ijk=[y1,y2,…,y1024]1×1024
[0061] 切分: 切分后的数据集可以表示为x”={x”ijk}
[0062] S6:提取样本的嵌入表示特征,具体操作步骤如下:
[0063] S6.1:对经过S5处理后的每一个x”ijk按10级进行非均匀量化,得到其量化编码特征,其中对于每个元素:
[0064] 若y<e-3.6,则量化为0
[0065] 若e-3.6≤y<e-3.2,则量化为1
[0066] 若e-3.2≤y<e-2.8,则量化为2
[0067] 若e-2.8≤y<e-2.4,则量化为3
[0068] 若e-2.4≤y<e-2.0,则量化为4
[0069] 若e-2.0≤y<e-1.6,则量化为5
[0070] 若e-1.6≤y<e-1.2,则量化为6
[0071] 若e-1.2≤y<e-0.8,则量化为7
[0072] 若e-0.8≤y<e-0.4,则量化为8
[0073] 若e-0.4≤y<e0,则量化为9
[0074] S6.2:设定窗口值K,计算向量与向量之间共同出现的矩阵;
[0075] S6.2.1:首先初始化一个空矩阵,记作W={Wij}i=0,19999,j=0,1…9999,即初始化的空矩阵有10000行和10000列,其中0000代表取出来的列向量[yi,yi+1,yi+2,yi+3]T为[0,0,0,0]T,其余的也是一样,矩阵中的每一个元素Wij为两个元素之间的共现次数;
[0076] S6.2.2:依次统计列向量之间在窗长度下共现的次数,如 若窗K=3(为保证左右对称,K一般取奇数),则当循环至向量 的时候,统计其左侧 和其右
侧 不同向量共同出现的次数,我们遍历所有的量化编码特征,将不同量化编码特征共同出现的总次数对应地记录在空矩阵W中,其中Wij为量化编码特征 与量化编码特征
共同出现的次数,其中i1、i2、i3和i4分别代表i的千位、百位、十位以及个位数字,j1、j2、j3和j4分别代表j的千位、百位、十位以及个位数字;
[0077] S6.2.3:对矩阵W中的每个元素限制其动态范围,公式如下:W'ij=10ln(1+Wij),并将更新后的矩阵记作W'={W'ij};
[0078] S6.2.4:对经过S6.2.3处理后的矩阵W'进行奇异值分解(SVD),使其降维至9999×300,其中分解过程如下式:
[0079] [U,S,V]=SVD(W')
[0080] 其中SVD()表示奇异值分解操作,U为一个10000×300的矩阵,S为300×300,V为300×10000,其中U的行标号为0000-9999,U内每一行即为所在行对应量化向量的嵌入表示,如[y1,y2,y3,y4]T=[1,2,3,4]T,即U中行标号为第1234所对应的行向量即为[y1,y2,y3,y4]T的嵌入表示;
[0081] S6.2.5:将经过S6.2.4处理后的U进行保存;
[0082] S7:求得训练数据平均嵌入表示模板并保存,据转换为其嵌入表示,然后将各帧内所有的嵌入表示相加分别取平均即为各帧的平均嵌入表示模板,该模板为300×1维的向量。示意如下:假设第i个目标第j帧的各HRRP样本的嵌入表示数据可记为{x”'ijk}k=1,2,...,N,其中N为该帧的样本总数,则x”'ijk可表示为x”'ijk=[xijk(1),xijk(2),…xijk(256)],其中xijk(·)为一个300×1维的向量,则该帧的平均嵌入表示模板 可由下式计算:
[0083]
[0084] 测试阶段:
[0085] S8:对由S1采集到的训练集进行训练阶段的步骤S3、S4和S5操作;
[0086] S9:对经过S8处理后的测试数据提取其嵌入表示特征,同S6.1,将每一个测试HRRP样本按10级进行非均匀量化形成一个量化编码,然后根据量化的结果查找对应的训练阶段所保存的U矩阵对应的嵌入表示,做为该测试HRRP的嵌入表示,将相对应的嵌入表示依次排列构成矩阵Y,并将所找到的嵌入表示求平均 其中Y(l)为矩阵Y的第l列;
[0087] S10:将经过S9求得的平均值 与S7保存好的各帧模板的平均值 求欧氏距离如式: 其中k表示向量中的第k个元素,下标i表示对应于第i个目
标,下标j表示对应于第j帧,
[0088] 其中n代表的是向量中所包含的元素总数,取最小欧氏距离所对应的目标为测试样本所对应的目标,即对应的目标
[0089] 经过上述10个步骤便可得到本发明所提出的一种基于局部嵌入的雷达高分辨距离像目标识别模型。