地面目标HRRP识别的稳健性特征选择方法.pdf
《地面目标HRRP识别的稳健性特征选择方法.pdf》由会员分享,可在线阅读,更多相关《地面目标HRRP识别的稳健性特征选择方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第45卷第12 期2023年12 月文章编号:10 0 1-50 6 X(2023)12-3726-08地面目标HRRP识别的稳健性特征选择方法刘丹阳1,*,吴堃,朱永锋,张永杰,周剑雄1(1.国防科技大学电子科学学院,湖南长沙410 0 7 3;2.北京遥感设备研究所,北京10 0 8 54)摘要:特征选择是雷达高分辨一维距离像目标识别的关键步骤,可降低特征维度,提高特征稳健性。提出一种基于散度的特征选择方法,采用该方法对适用于距离像地面目标识别的特征集合进行特征选择,得到优选的特征子集后再进入分类器网络进行识别。采用地面目标仿真数据和实测数据进行神经网络分类器识别实验。实验结果表明:在距离
2、像信噪比、俯仰角和距离分辨力参数变化的情况下,基于散度的特征选择方法在基本保持或提升特征集的识别性能的前提下,能保持甚至提升识别的稳健性,具有较好的应用价值。关键词:雷达目标识别;高分辨一维距离像;特征提取;特征选择;地面目标中图分类号:TN951Robust feature selection method for ground target HRRP recognitionLIU Danyang*,WU Kun,ZHU Yongfeng,ZHANG Yongjie,ZHOU Jianxiong(1.College of Electronics Science and Technology,
3、National University of Defense Technology,Changsha 410073,China;2.Beijing Institute of Remote Sensing Device,Beijing 100854,China)Abstract:Feature selection is a key step in radar high resolution range profile(HRRP)target recognition,which can reduce the features dimension and improve the features r
4、obustness.A feature selection method basedon divergence is proposed.This method is used to select feature subset from the feature set which is suitable forthe recognition of ground targets range profile.Then the well-selected feature subset is sent to the classifiernetwork for recognition.The ground
5、 target simulation data and filed data are used to conduct neural networkclassifier recognition experiments.The experimental results show that when the signal to noise ratio,elevationangle,and resolution of range profile change,the feature selection method based on divergence can not onlymaintain or
6、 improve the recognition ability of the feature set,but also maintain or even improve the robustnessof the recognition,which has good practical value,Keywords:radar target recognition;high resolution range profile;feature extraction;feature selection;ground target0引 言雷达自动目标识别技术在民用和军事领域有着广泛的应用。高分辨距离像
7、(high resolution rangeprofile,H RRP)是目标强散射中心在雷达视线上的投影,反映了目标物理结构的特征1-2 1。高分辨率雷达可以降低地杂波的平均功率,识别复杂环境中的地面目标,因此常用HRRP对地面系统工程与电子技术Systems Engineering and Electronics文献标志码:AVol.45No.12December 2023网址:www.sys-D01:10.12305/j.issn.1001-506X.2023.12.02目标进行分类识别E3-41。针对HRRP识别的研究主要包括数据预处理、基于HRRP的特征提取、特征选择和分类器设计5-
8、6 1。基于HRRP的特性,通常采用神经网络作为分类器来识别雷达目标门。雷达目标识别中,如何提取目标的特征并对特征进行选择是关键。文献8 提出了一种基于匹配度的距离像识别方法,直接使用HRRP作为特征向量进行识别,这种方法没有收稿日期:2 0 2 2-0 8-0 9;修回日期:2 0 2 2-11-19;网络优先出版日期:2 0 2 2-12-2 9。网络优先出版地址:https:/k n s.c n k i.n e t/k c m s/d e t a il/11.2 42 2.T N.2 0 2 2 12 2 9.2 0 14.0 16.h t m l*通讯作者,引用格式:刘丹阳,吴,朱永锋
9、,等,地面目标HRRP识别的稳健性特征选择方法JI系统工程与电子技术,2 0 2 3,45(12):3726-3733.Reference format:LIU D Y,WU K,ZHU Y F,et al.Robust feature selection method for ground target HRRP recognitionJJ.SystemsEngineering andElectronics,2023,45(12):3726-3733.第12 期幅度敏感性。但由于HRRP数据维度较高且具有平移敏感性和姿态敏感性,需要对HRRP进行特征提取再进行目标识别,达到降低维数、提高特征
10、稳健性的目的。文献9-10 使用参数化特征提取方法,提出基于简单散射中心模型的Relax算法,具有低维数和高精度性能。由于地面目标的复杂性,对HRRP提取单个特征往往不能达到较好的识别效果,因此可采用特征提取方法提取多个特征作为特征集合进行综合识别。对特征提取得到的特征集合还可以进行进一步特征优选,通过特征选择方法从原始特征集合中选择出评估最佳的特征子集,即选出与分类相关的特征,去除无关和穴余的特征,达到降低特征维数、避免维数灾难11的目的,防止出现随着特征维数增加识别性能不升反减的现象。在特征选择后,分类器对目标的识别效果不会减弱,算法的泛化能力也有所提升。特征选择方法根据是否依赖于后续的分
11、类识别算法可分为过滤式和封装式两种12-14。对HRRP特征选择通常使用Fisher准则函数来评价特征性能的质量,从而得到最优特征子集15。基于Fisher准则系数的特征选择方法仅适用于对单个特征进行可分性测度评价,不适用于对特征集合进行特征选择。Kullback-Leibler(KL)散度,又被称为相对熵,是基于概率分布的可分性测度,代表了区分两类目标的总的平均信息16 1。本文提出一种基于KL散度的特征选择方法,利用地面目标HRRP仿真数据和实测数据分别进行识别实验,实验结果证明所提出的特征选择方法在基本保持或提升特征集的识别性能的前提下,能保持甚至提升识别的稳健性,具有较好的应用价值。1
12、预处理和特征提取距离像识别主要包括预处理、特征提取和分类器分类3个部分。在特征选择之前,要进行预处理和特征提取。1.1距离像预处理在特征提取之前,需要对HRRP进行预处理,主要包括幅度归一化和噪声抑制处理。1.1.1幅度归一化为降低 HRRP幅度敏感性,需要对输人原始HRRP的幅度归一化处理:E,=max(profi(n)prof,(n)=profi(n)/E,式中:profi(n)(n=0,l,,N-1)为原始输入HRRP;E,为输人 HRRP的最大值;prof,(n)为幅度归一化后的 HRRP。本文采用的信噪比(signal to noise ratio,SNR)是最严格的峰值SNR,定义
13、单幅距离像的峰值SNRS为S=10 lg(E,/c)式中:为profi(n)的噪声平均功率。1.1.2噪声抑制处理对归一化后的HRRP进行噪声抑制处理:prof(n)=prof,(n)sgn(prof,(n)-A,)刘丹阳等:地面目标HRRP识别的稳健性特征选择方法1.2距离像特征提取一维距离像的特征反映了目标的物理结构特性。可以从预处理得到的幅度距离像上提取目标长度、强散射中心数目等特征形成特征矢量。记T为距离像上超过门限的峰值的位置集合:T=(n/prof(n)A,prof(n)prof(n+1),prof(n)prof(n-1),n=1,2,N-2距离像的重心被定义为n.=n prof(
14、n)式中:n.(1 n N)根据四舍五入准则取整数。直接从一维距离像prof(n)中提取如下距离像特征:Pi=length(T)(8)P2=ULprof(n)-A,J)P,=T(tend)-T(1)+1P,=Zprof(n)/NP,=/prof(n)-Zprof(n)/Nn=1P,=2/prof(n)-prof(n-1)N-1n=1P,=-prof(n)ln(prof(n)Pe=/2(n-n.)prof(n)P,=/2(n-n.)prof(n)Pio=Zprof(n)/N1tcentPi=ZT(t)/(T(1)+T(tena)(=1Pia=2prof(n)(1)(2)(3)(4)3727A.=
15、e,(5)式中:A,为抑制噪声门限;为抑制噪声门限系数;prof(n)(n=0,1,,N一1)为抑制噪声后的幅度距离像。(6)2prof(n)N1=1/Zprof(n)7=1/2_prof(n)n=T(lcent)式中:T(t)(t=1,2,t e n d)为距离像上超过门限的峰值位置集合;tcent为T的中心点,由对tcent/2取整得到;Pi为强散射中心数目;Pz为峰值距离单元数目;P3为距离像的主体长度;P4为距离像偏度;Ps为距离像方差;P。为差分距离像能量;P,为距离像的熵;P。为距离像二阶矩;P。为距离像三阶矩;Pio为距离像均值;Pi与距离像强散射中心个数有关;P12为距离像关于
16、强散射中心的偏度。针对P,,当n;符合prof(n)=0 时,令prof(n,)=A。上述PiP3、Pu 是基于提取强散射中心的特征,P4P6、P1o、Pi2 反映距离像的幅度特性,P,为距离像的熵,P:(7)(9)(10)(11)(12)(13)(14)(15)(16)(17)(18)(19)3728P。分别为二阶矩、三阶矩,PA、Pi i、P12 反映距离像的空间分布对称性程度。到此为止,成功提取了距离像的特征矢量P,为PiP12的合集。以上就是对HRRP进行预处理和特征提取的算法流程。2特征选择在实际应用中,HRRP样本集合中的距离像的SNR、俯仰角和带宽3个参数不唯一且有可能浮动较大。
17、为在尽可能多的情况下达到较好的识别效果,期望得到一组特征集合,对距离像样本提取该特征集合,可以适应3个参数变量的改变。本文重点讨论HRRP特征提取后的特征选择问题,距离像特征选择算法流程图如图1所示。图1中,HRRP数据包含3种参数:SNR、俯仰角和带宽,数据1、数据2 和数据3分别选定一种参数为变量,固定另外两种参数。对3组数据分别进行预处理和特征提取,得到特征向量P,再分别对P计算散度均值,得到Js、JELE和JB。基于散度均值和本章提出的准则函数F进行特征选择,得出优选的特征子集PI。:HRRP变量SNR数据1预处理+特征提取特征选择计算散度均值计算散度均值 计算散度均值JELEJs总准
18、则函数F图1距离像特征选择算法流程图Fig.1 Flow chent of HRRP feature selection algorithm在不同参数下优选得到的特征子集不同。考虑的参数变量包括 HRRP样本的 SNR、俯仰角和带宽等,需要通过特征选择准则函数,使得到的特征子集对参数变量具有较好的泛化能力和识别能力。2.1散度散度代表了区分两类目标的总的平均信息。采用基于系统工程与电子技术散度的准则函数对特征提取后的特征向量进行特征选择,从原始特征集合中选择出评估标准最佳的、具有泛化能力的特征子集。本文仅讨论3类目标特征选择。分别对3类目标的HRRP样本提取特征向量P中的特征P(k=1,2,1
19、2),得到特征值分布的概率密度函数f(P|)(=1,2,3);对于特征值P,定义,类对w,类的散度为J,17,计算方式如下:f(P,/w,)-f(P,w,)JIn式中:f(Plw)和f(P/,)分别为;,w,类的概率密度函数;w,、w,E(1,2,3)且 w,w,。同一特征值对应的散度具有对称性,即Ji=Ji因此,要分析3类目标差异性,只需分析J12J13和J23即可。定义单个特征的散度J为J12、J13和J23的均值:J=(J12+J13+J2 3)/3特征对3类目标的平均分类能力越强,散度J越大。本文中采用的KL散度,可以理解为可分性的一个测度,究其实质,是不同目标类型之间的类间距和类内距
20、的一种描述。从式(2 2)可以看出,本文采用的特征选择算法仅俯仰角带宽数据2数据3预处理+预处理+特征提取特征提取PJ第45卷J;=f(P:/w,dP(20)f(Plw,)(21)(22)针对了3类目标的类间差异性,对于单个目标的类内一致性,没有给出讨论,后续会补充相关实验分析。2.2准则函数有了散度这一基本判据,需要采用准则函数对原始特征集合进行特征选择。本文基于散度J,从给出的12 个特征值P中优选6 个较好的特征作为最优特征子集。首先,分别针对单个变量进行特征选择。以 SNR作为变量为例,假定HRRP样本的SNR范围为2 0 30 dB,间隔1dB,SNR种类数SNuM=11。通过在Sn
21、uM种SNR下、12个特征值下的散度,计算出特征值P在SNUM种SNR下的散度均值:SNUMZJs(k,s)/SNuM式中.Js(k,s)(k=1,2,.,12;s=1,2,.,Sum)为特征值P,在第s种SNR下的散度;Js(k)为特征值P.在给定 SNR范围下的散度均值。同理,针对HRRP样本的俯仰角变量做特征选择,可以根据俯仰角的变化范围计算出特征值P的散度均值JELE(k);针对HRRP样本的带宽变量做特征选择,可以根据带宽的变化范围计算出特征值Pk的散度均值J(k)。为防止3类参数之间分类效果不对等,对3类变量变化下得到的散度均值向量均做幅值归一化处理,即都除以向量中的峰值,再输人准
22、则函数F。Js(k)=(23)第12 期综合3个变量,提出总准则函数F:F(k)=Jsi(k)+JeLEi(k)+JBi(k)/3,k=1,2,.*,12(24)式中:F(k)表征特征值P.在3类变量下的散度均值;Jsi(k)、JeLEi(k)和JBi(k)分别代表基于该类变量变化下幅度归一化后的散度均值。因为散度越大,综合分类识别能力越强,所以F(k)(k=1,2,12)值越大,特征值P对3类变量的综合泛化能力和识别能力越好。对准则函数值F进行降序排序,选取前6个准则函数值F(k)对应的特征P作为优化的特征子集。实际应用中,对距离像数据集,当算法中涉及相关参数变化时,对不同参数下的距离像样本
23、计算散度值,并应用准则函数计算每个特征的散度均值,即可得到选择后的特征集合。当特征提取集合改变或者参数类别改变时,该算法均可灵活适用。首先,采用不同的特征提取集合均可以根据本文特征选择算法得到所选特征提取集合的分类性能排序。其次,在本文提出的3类变量中,任意13种参数为变量时,均可灵活运用本文方法。例如,实测距离像数据的带宽固定,SNR和俯仰角均发生改变,则在式(2 4)中只需计算Jsi(k)和JeLEi(k)的均值作为总准则函数值,以此来进行特征选择。3识别实验HRRP识别包括3个步骤:预处理、特征提取和分类器分类。识别分为训练和测试两个阶段。首先是训练阶段,在对训练数据进行预处理和特征提取
24、后将特征向量导入分类器,训练得到分类器结构及分类器参数;然后,是测试阶段,对测试数据进行预处理和特征提取后,将特征向量和网络参数导人分类器,得到测试数据识别结果。HRRP识别算法流程图如图2 所示。测试数据(prof.(m)预处理prof(n)特征提取特征向量分类识别识别结果图2 距离像识别算法流程图Fig.2Flowchart of HRRP recognition algorithm刘丹阳等:地面目标HRRP识别的稳健性特征选择方法后指提取特征子集PI。因为提出的特征集合维度低且实时性好,所以识别实验采用3层简单神经网络作为识别分类器。分类器输人为样本距离像对应的特征向量P,对输出结果进行
25、处理,可得到样本的识别结果。本节实验可以证实,使用该分类器对地面目标进行识别可以达到良好的识别效果。将测试数据的平均识别率看作识别结果的重要指标。定义平均识别率P。为P.=(2mu)/M式中:mu为测试数据中目标被正确识别的个数;M表示3类目标样本总数。稳健性特征选择方法是指在算法中涉及相关参数变化时,特征选择得到的特征子集能够稳定保持较高的平均识别率。本文提供了一种可以根据距离像数据进行特征选择的算法,对本文识别实验而言,选用的特征子集与距离像数据有关。本节首先采用仿真数据进行实验,综合HRRPSNR、俯仰角和带宽3个参数变量,应用基于散度的准则函数进行特征选择,得到优选的特征子集,将特征子
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 地面 目标 HRRP 识别 稳健 特征 选择 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。