（信息与通信工程专业论文）基于粗糙集理论的雷达目标高分辨距离像识别.pdf

国防科学技术大学研究生院硕士学位论文 摘要 一种有效的雷达目标高分辨距离像( h i g hr a n g er e s o l u t i o np r o f i l e ，h r r p ) 识别 方法需要具备从受到噪声污染的庞大数据库中挖掘隐含的、新颖的、具有潜在应 用价值的信息的能力，这种能力正是新兴数据挖掘( d a t am i n i n g ) 技术所具备的。作 为一种目前被广泛应用且非常有前景的数据挖掘技术，粗糙集理论( r o u g hs e t t h e o r y ，r s t ) 及其在各相关领域的应用受到了越来越多的关注，应用该理论挖掘 h r r p 所隐含的类别信息以支持识别也已成为h r r p 自动识别新的研究方向。在 此背景下，本文深入研究了基于粗糙集理论的雷达目标h r r p 识别技术。总结起 来，本文研究内容主要包括以下几个方面： 第一章阐述了雷达自动目标识别技术的重要意义以及基于h r r p 的雷达目标 识别的独特优势，系统总结了h r r p 识别的研究历史与现状。 第二章系统介绍了标准粗糙集理论的基本概念、原理与方法。重点介绍了粗 糙集理论的核心功能知识约简，并给出了实现这一功能的两个基本概念 约简与核。根据h r r p 识别的应用需要，系统总结了已有的约简求解算法，分析 了求解h r r p 约简所需注意的问题。 第三章研究了应用标准粗糙集理论实现h r r p 识别所需解决的一系列问题， 包括数据预处理方法、约简求解算法、规则提取方法、规则融合方法。首先分析 了数据分割的必要性，给出了一种分割策略；系统总结了已有的连续属性离散化 技术，给出了一种适用于h r r p 的属性离散化方法；提出了一种可求解多个约简 的h r r p 约简算法，通过该方法与数据分割技术的结合避免了求解所有约简的 n p h a r d 问题；应用决策树分类器( c 4 5 分类器) 和多数投票法分别解决了规则提 取与规则融合问题。在此基础上，设计出基于标准粗糙集理论的h r r p 识别系统， 并通过仿真验证了该系统具有良好的识别率和较强的抗噪性能。 第四章针对标准粗糙集理论不能直接处理连续值属性的缺陷，研究了如何应 用改进的粗糙集理论来提高基于标准粗糙集理论的h r r p 识别方法的性能，将连 续值粗糙集理论应用于h r r p 识别领域。重点研究了基于连续值粗糙集理论的属 性约简和规则提取方法。提出了一种g 精度约简算法，即基于s 精度辨识矩阵的g 精度约简算法。s 精度约简能够使连续值信息系统在属性约简前后保持基于包含度 的分类规则不变，基于占精度辨识矩阵的占精度约简算法能够求解多个占精度约 简；对标准粗糙集约简定义进行拓展，提出了一种新的基于连续值粗糙集的约简 定义，并给出了一种可以求解多个此种约简的算法。根据两种约简的不同特点， 分别采用基于包含度和基于c 4 5 分类器的规则提取算法与之对应，设计出两种基 于连续值粗糙集理论的h r r p 识别系统。仿真实验表明这两种系统的鲁棒性与识 第i 页 国防科学技术大学研究生院硕士学位论文 别时间均优于基于标准粗糙集理论的h r r p 识别方法。 第五章总结了全文所做的主要工作，并指出了今后需要完善和进一步深入研 究的几个方面。 主题词：目标识别；高分辨距离像；粗糙集理论；连续值信息系统；离散化； 属性约简；规则提取；规则融合；c 4 5 分类器 第i i 页 国防科学技术大学研究生院硕士学位论文 a b s t r a c t a ne f f e c t i v eh r r pr e c o g n i t i o nm e t h o di se x p e c t e dt oh a v et h ea b i l i t yt om i n e h i d d e n ，n o v e la n dp o t e n t i a l l yv a l u a b l ei n f o r m a t i o nf r o ms u c had a t a s e ta si se n o r m o u s a n da tt h es a m et i m ec o n t a m i n a t e db yn o i s e a sam a t t e ro ff a c t ，s u c ha b i l i t yc a nb e p r o v i d e de x a c t l yb yt h ee m e r g i n gd a mm i n i n gt e c h n o l o g y a sak i n do fd a t am i n i n g m e t h o dw h i c hi se m p l o y e de x t e n s i v e l ya tp r e s e n ta n de x t r a o r d i n a r i l yp r o m i s i n gi nt h e f u t u r e ，r o u g hs e tt h e o r y ( r s t ) ，a n da l s oi t sa p p l i c a t i o n si nd i v e r s ea r e a s ，i sa r o u s i n g m o r ea n dm o r ea t t e n t i o na n di n t e r e s ti nt h ea c a d e m e c o n s e q u e n t l y ，i th a sb e c o m ea n e wd i r e c t i o no fh r r pr e c o g n i t i o nr e s e a r c ht ou s er s ta sat o o lt od i s c o v e rt h ec l a s s i n f o r m a t i o nh i d d e ni n 瑚 u 心t os u p p e rt h er e c o g n i t i o np r o c e s s i nt h i sb a c k g r o u n d ，w e i n v e s t i g a t es y s t e m a t i c a l l yt h er s t - b a s e d 脉r pr e c o g n i t i o nm e t h o di nt h i sd i s s e r t a t i o n t os u mu p ，s e v e r a lm a i na s p e c t sa r ei n c l u d e di nt h ed i s s e r t a t i o na n da r el i s t e da s f o l l o w s i nc h a p t e ro n e ，t h eg r e a ts i g n i f i c a n c eo fr a d a ra u t o m a t e dt a r g e tr e c o g n i t i o n ( r a t r ) i sf i r s ti n t r o d u c e d a n dt h e n ，t h eu n i q u ea d v a n t a g e so fh r r p - b a s e dr a t ra r ea n a l y z e d i nd e t a i l s u b s e q u e n t l y ，t h ee x i s t i n gr e c o g n i t i o nm e t h o d sa r er e v i e w e ds y s t e m a t i c a l l y c h a p t e rt w oi n t r o d u c e st h eb a s i cc o n c e p t s ，p r i n c i p l e sa n dm e t h o d so ft h es t a n d a r d r s ti nas y s t e m a t i cw a y s p e c i f i c a l l y ，t h ec e n t r a lf u n c t i o n ，n a m e l yk n o w l e d g e r e d u c t i o n ，o ft h er s t i si n t r o d u c e d ，a n da c c o r d i n g l yt h et w ob a s i cc o n c e p t st of u l f i l l t h i sf u n c t i o na r eg i v e n ，w h i c ha r ec a l l e dc o r ea n dr e d u c t ，r e s p e c t i v e l y i na d d i t i o n ， a c c o r d i n gt ot h ea p p l i c a t i o nr e q u i r e m e n t si nh r r pr e c o g n i t i o n ，t h ee x i s t i n gr e d u c t c a l c u l a t i o na l g o r i t h m sa r es u m m a r i z e ds y s t e m a t i c a l l y ，a n dm e a n w h i l et h ea s p e c t st ob e t a c k l e di nt h ep r o c e s so ff i n d i n gt h e 脉r pr e d u c ta r ea n a l y z e da c c o r d i n g l y i nc h a p t e rt h r e e ，as e r i e so fp r o b l e m se n c o u n t e r e di nt h es t a n d a r dr s t - b a s e d 脉r pr e c o g n i t i o na r ei n v e s t i g a t e di ns e q u e n c e ，i n c l u d i n gd a t ap r e p r o c e s s i n gm e t h o d ， r e d u c tc a l c u l a t i o na l g o r i t h m ，r u l ei n d u c t i o na l g o r i t h ma n dr u l ef u s i o nm e t h o d f i r s t l y ， t h en e c e s s i t yo fd a t ap a r t i t i o ni sa n a l y z e d ，a n dap a r t i t i o ns t r a t e g yi sg i v e n ；t h ee x i s t i n g c o n t i n u o u sa t t r i b u t e sd i s c r e t i z a t i o nm e t h o d sa r es u m m a r i z e ds y s t e m a t i c a l l y ，a n da m e t h o da p p l i c a b l et oh r r pd i s c r e t i z a t i o ni si n t r o d u c e d s e c o n d l y ，ar e d u c tc a l c u l a t i o n a l g o r i t h mw h i c hi sa b l et of i n ds e v e r a lh r r p r e d u c t si sp r o p o s e d b ye m p l o y i n gt h i s a l g o r i t h ma n dt h ed a t ap a r t i t i o ns c h e m et o g e t h e r , t h en p h a r dp r o b l e mi nf i n d i n ga l l r e d u c t sc a nb es u c c e s s f u l l ya v o i d e d t h i r d l y ，t h ed e c i s i o nt r e ec l a s s i f i e r ( c 4 5c l a s s i f i e r ) a n dt h em a j o r i t yv o t i n gm e t h o da r ea d o p t e dt of u l f i l lr u l ei n d u c t i o na n dr u l ef u s i o n ， r e s p e c t i v e l y b a s e do nt h ea b o v es t e p s ，w ef i n a l l yc o n s t r u c tas t a n d a r dr s t - b a s e d h r r pr e c o g n i t i o ns y s t e m i ti sd e m o n s t r a t e db yc o m p u t e rs i m u l a t i o n st h a tt h i ss y s t e m e x h i b i t sg o o dc l a s s i f i c a t i o nr a t ea n dq u i t ep o w e r f u ln o i s es u p p r e s s i o nq u a l i t y i no r d e rt oa v o i dt h ed i s a d v a n t a g e so ft h es t a n d a r dr s t - b a s e ds y s t e mc a u s e db y 第i i i 页 国防科学技术大学研究生院硕士学位论文 t h es t a n d a r dr s t si n c o m p e t e n c ei nd i r e c t l yd e a l i n gw i t hc o n t i n u o u sa t t r i b u t e s ，c h a p t e r f o u rf o c u s e st h ea t t e n t i o no ft h ed i s s e r t a t i o no nh o wt oi m p r o v et h ep e r f o r m a n c eo ft h e s t a n d a r ds y s t e mb yu s i n gt h ei m p r o v e dr o u g hs e tt h e o r y s p e c i f i c a l l y ，t h ec o n t i n u o u s r o u g hs e tt h e o r yi sa p p l i e dt ot h eh r r pr e c o g n i t i o na r e ai nt h i sc h a p t e r t h ea t t r i b u t e r e d u c t i o nm e t h o da n dr u l ei n d u c t i o na l g o r i t h ma r ei n t e n s i v e l yi n v e s t i g a t e d f i r s t l y ，a 占 p r e c i s i o nr e d u c tc a l c u l a t i o na l g o r i t h mi sp r o p o s e d t h e 占p r e c i s i o nr e d u c t c a n m a i n t a i nt h ei n c l u s i o nd e g r e e 。b a s e dc l a s s i f i c a t i o nr u l e so ft h ec o n t i n u o u si n f o r m a t i o n s y s t e ma f t e rt h ea t t r i b u t er e d u c t i o n t h ea l g o r i t h mi sa b l et of m ds e v e r a l 占p r e c i s i o n r e d u c t s s e c o n d l y an e w r e d u c td e f i n i t i o nb a s e do nt h ec o n t i n u o u sr s ti sp r o p o s e db y e x t e n d i n gt h er e d u c td e f i n i t i o ni nt h es t a n d a r dr s t a na l g o r i t h mw h i c hc a nf i n d s e v e r a ls u c hr e d u c t si sa l s op r o p o s e d a c c o r d i n gt ot h ed i f f e r e n tc h a r a c t e r i s t i c so ft h e t w ok i n d so fr e d u c t t h er u l ei n d u c t i o nm e t h o d so fi n c l u s i o nd e g r e e b a s e dr u l ei n d u c t i o n a n dc 4 5c l a s s i f i e r - b a s e dr u l ei n d u c t i o na r ea d o p t e dr e s p e c t i v e l y o n l yt op r o d u c et w o k i n d so fc o n t i n u o u s r s t b a s e dr e c o g n i t i o ns y s t e m s i ti sd e m o n s t r a t e db yt h e s i m u l a t i o nr e s u l t st h a te a c hs y s t e mo u t p e r f o r m st h es t a n d a r dr s t b a s e ds v s t e mb o t hi n r o b u s t n e s sa n dr e c o g n i t i o nt i m ec o s t f i n a l l y t h ed i s s e r t a t i o ni sc o n c l u d e di nc h a p t e rf i v e s e v e r a la s p e c t sf o rf u t u r e w o r ka r ea l s op o i n t e do u t k e yw o r d s ：r a d a rt a r g e tr e c o g n i t i o n ；h i g hr a n g er e s o l u t i o np r o f i l e r o u g hs e tt h e o r y ；c o n t i n u o u si n f o r m a t i o ns y s t e m ；d i s c r e t i z a t i o n ；a t t r i b u t e r e d u c t ；r u l ei n d u c t i o n ；r u l ef u s i o n ；c 4 5c l a s s i f i e r 第i v 页 国防科学技术大学研究生院硕士学位论文 表3 1 表3 2 表3 3 表3 4 表3 5 表3 6 表3 7 表3 8 表3 9 表4 1 表4 2 表4 3 表4 4 表4 5 表4 6 表4 7 表4 8 表4 9 表4 1 0 表4 1 l 表4 1 2 表4 1 3 表目录 基于约简的h r r p 特征选择训练结果3 7 基于特征选择结果的c 4 5 识别率3 7 基于原始h r r p 的c 4 5 识别率3 7 基于标准粗糙集理论的h r r p 约简结果4 3 基于标准粗糙集理论的h r r p 识别系统的训练识别率4 4 基于标准粗糙集理论的h r r p 识别系统的测试识别率4 4 d i vn u m b e r = l 对应样本集的各约简的训练识别率4 4 d i vn u m b c r = l 对应样本集的各约简的测试识别率4 4 基于标准粗糙集理论的h r r p 识别系统的抗噪性能。4 5 i 型连续值粗糙集系统对应的h r r p 约简结果5 9 i 型连续值粗糙集系统对应的h r r p 训练识别率5 9 i 型连续值粗糙集系统对应的h r r p 测试识别率5 9 d i vn u m b c r = t 样本集的各占精度约简对应的训练识别率6 0 d i vn u m b e r = 1 样本集的各占精度约简对应的测试识别率6 0 i 型连续值粗糙集系统的抗噪性能6 0 型连续值粗糙集系统对应的h r r p 约简结果6 2 n 型连续值粗糙集系统对应的h r r p 训练识别率6 2 型连续值粗糙集系统对应的h r r p 测试识别率6 2 d i vn u m b c r = l 对应样本集的各毛精度决策协调约简的训练识别率6 2 d i vn u m b c r = l 对应样本集的各岛精度决策协调约简的测试识别率6 3 n 型连续值粗糙集系统的抗噪性能6 3 三种识别系统的时间性能比较6 4 第m 页 独创性声明 本人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的研究成果尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 其他入已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意 学位论文题目：基王担撞篡垄途鲍重达旦握壶佥羞照直倦迟剔 学位论文作者签名：壶艮互乞 日期：z 。口矿年“月牛日 学位论文版权使用授权书 本人完全了解国防科学技术大学有关保留、使用学位论文的规定本人授权 国防科学技术大学可以保留并向国家有关部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印，缩印或扫描等复制手段保存、汇编学位论文 ( 保密学位论文在解密后适用本授权书) 学位论文题目：基王担撞篡堡途鲤置达旦捶直金羞望壹倦迟墨9 学位论文作者签名： 蝴熟日期：2 0 d 矿年j 1 月孕日 作者指；教师签名：坌查t 笙日期：2 的8 年月绰日 国防科学技术大学研究生院硕士学位论文 第一章绪论弟一早 三百下匕 1 1 研究背景与意义 目前，在雷达技术领域，雷达自动目标识多j l j ( a u t o m a t i ct a r g e tr e c o g n i t i o n , a t r ) 技术引起了研究者越来越多的重视与兴趣。这一方面是现代高技术信息化战争需 求刺激的结果，另一方面也是半导体技术、计算机技术、信号处理技术等前沿科 技不断发展进步的必然产物。受技术条件限制，早期雷达的功能相对简单，主要 用来实现远距离目标的检测与距离、角度等坐标参数的测量，这种雷达即是所谓 的米制测量雷达。随着战争应用的不断深入，人们不再满足于仅仅实现目标的检 测与定位，而是希望同时获得有关目标特征j 类别乃至身份的更加详尽的信息， 这种客观需求刺激着雷达技术的进一步发展，而半导体器件水平的不断提高以及 计算机、信号处理技术的不断进步则为这种发展提供了现实物质基础。在这种背 景下，传统米制测量雷达发展为更加先进的特征测量雷达【l 】，这种雷达能够获得探 测对象的更为丰富的特征标志，从而为基于雷达回波数据实现目标识别提供了更 加丰富的信息支持。于是，雷达目标识别( r a d a rt a r g e tr e c o g n i t i o n ，r t r ) 技术受到 了广泛重视，相应研究也大量涌现，并取得了大量理论与应用成果。 所谓雷达目标识别，是指利用雷达对单个目标或目标群进行探测，对所获取 的信息进行分析，从而确定目标的种类、型号等属性的技术 2 1 。其中，信息分析一 属性确定可以由人工完成，也可由计算机实现，而后者以其独特优势成为雷达目 标识别发展的必然趋势。一方面，雷达回波数据量不断增大，目标识别的有效进 行有赖于对海量数据的信息挖掘能力，这是计算机信息处理的优势；另一方面， 指挥决策者所拥有的决策时间不断减少，现代战争的快节奏要求战争决策者必须 在极短时间内作出决断，人工速度的相对滞后显然无法满足这种要求。另外，不 断涌现的新体制雷达对目标电磁特性的探测范围越来越广，以至目标的许多雷达 特性超出了人类的理解范围，此时人的经验与直观便失去了正确识别目标的效力， 而借助于机器智能则有望正确理解这些特性，从而挖掘出有用信息并实现目标识 别。由此可见，将计算机技术应用于雷达目标识别之中，以实现识别过程的自动 化、智能化将是这一研究领域的必然归宿。这正是雷达自动目标识别研究所要解 决的问题。 雷达技术发展至今，高分辨雷达显然已成为特征测量雷达的典型代表。如前 所述，传统的低分辨雷达( 即米制测量雷达) 对目标特征信号的测量能力不够， 无法在复杂战场环境中完成对目标进行稳定识别的任务，而高分辨雷达的兴起则 为解决这一问题提供了新的途径。高分辨雷达能够对目标回波信号进行高分辨时 第l 页 国防科学技术大学研究生院硕士学位论文 域分析，它大大减小了目标散射模型随姿态、频率和极化等因素变化的复杂性， 通过对目标进行一维或二维电磁散射成像，使目标成为扩展目标，从而可以获得 目标的精细结构信息，为雷达a t r 的发展提供了强有力的技术支持【3 1 。根据所利用 的信号形式的不同，基于高分辨雷达的a t r 技术大致可以分为两类【3 】【4 】： 1 ) 基于一般高分辨率雷达，利用目标高分辨一维距离像( h i g hr a n g er e s o l u t i o n p r o f i l e ，h r r p ) 进行识别； 2 ) 基于二维成像雷达体制，例如合成孔径雷达( s y n t h e t i ca p e r t u r er a d a r ，s a r ) 和 逆合成孔径雷达( i n v e r s es y n t h e t i ca p e r t u r er a d a r ，i s a r ) ，利用目标的雷达二维像进 行识别。 比较而言，二维成像雷达( s a r ，i s a r ) 具有良好的目标横向分辨力，从而能够 获得目标更加丰富的结构信息，对复杂目标有望实现更好识别，并使雷达目标识 别问题有望转化为技术更加成熟的图像识别问题。然而，基于雷达二维像的目标 识别有其固有缺陷【3 】【5 】： 1 ) 利用s a r i s a r 技术获得一幅目标的二维图像需要较长的相干积累时间， 在许多实际应用中，这种要求无法达到； 2 ) 雷达图像通常表现为目标上稀疏的散射中心分布，利用普通图像处理方法 来识别目标的这种二维散射图像存在一定困难； 3 ) 为获得目标较高的横向分辨力，雷达平台和目标间需满足一定转角以获得 合成孔径，当来袭目标的航向与雷达视线夹角很小时，这一要求很难或根本不可 能得到满足。 4 ) 雷达二维图像的数据量较大，这对识别系统的存储与计算能力提出了较高 要求。 因此，利用雷达二维成像技术实现目标的有效识别可能会面临更多困难，而 基于雷达一维距离像( h i ) 的a t r 技术则要灵活得多，这主要得益于雷达目标 h r r p 的以下优势p j ： 1 ) 躲r p 能够提供有关目标纵向长度、强散射点位置、电学性能等信息，这 些信息综合起来能够表达目标的尺寸、形状等标志性特征，从而为后续识别提供 相当丰富的信息支持； 2 ) h r r p 对距离方向上的估计误差要求较二维像对方位向的估计误差要求松 弛得多； 3 ) 利用s a r i s a r 技术成像时，存在对目标横向尺寸定标和目标转动角度的 要求，而目标的一维距离成像则不存在这种问题，除信号带宽外，没有任何额外 要求；相对于二维图像，基于h r r p 的a t r 对识别系统的存储与计算能力均较低； 4 ) 获取目标的h r r p 作为识别特征比获取其s a r a s a r 像要容易得多，特别 第2 页 国防科学技术大学研究生院硕士学位论文 地，h r r p 识别只需要一次或为数不多的若干次回波； 5 ) 基于h r r p 的a t r 可应用于一般高分辨雷达，并且，常规的低分辨雷达也 可以通过步进频率信号形式来获得目标的h r r p 用于目标识别。 正是基于上述原因，自上世纪八十年代以来，基于h r r p 的a t r 技术引起了 r t r 研究者的高度重视与广泛兴趣，这一领域也迅速成为近年国际、国内学术研 究的热点【l 】【3 】【6 】。目前，基于h r r p 的雷达目标识别已经渗入到空中飞机( 导弹) 类目标、地面车辆目标及海上舰船类目标识别等各个领域，基于h r r p 的目标识别 方法已成为现代战争环境感知和目标识别的主流【6 】。然而，尽管众多识别方法相继 出现，大量识别系统获得成功应用，但统一、完整的理论体系依然有待形成【2 】【7 1 ， 基于h r r p 的目标识别机理尚待进一步理解，因此这依然是一个开放的研究领域， 本文所做研究正是对这一领域的一次新的探索。 1 2研究历史与现状 雷达目标的高分辨距离像( h r r p ) 由高分辨雷达通过成像技术获得，高分辨雷 达的工作频率通常位于光学区，此时雷达波长远小于目标尺寸，目标的电磁散射 可以等效为简化的散射点模型3 1 。高分辨雷达发射宽带信号，如线性调频信号与频 率步进信号，大的带宽提供了高的距离分辨力，当距离分辨单元远小于目标尺寸 时，目标所包含的散射点便占据多个距离单元，此时雷达接收到的某一距离单元 的回波是该距离单元所包含的散射点的后向电磁散射的矢量叠加，相应地，高分 辨雷达回波中呈现出起伏与尖峰，这些波形特征反映出目标散射点沿雷达距离方 向的分布特征。由于目标的散射点与其几何形状与结构相对应，因此利用上述回 波数据有望实现目标识别，这便是基于h r r p 的a t r 技术的基本出发点。然而， 事实上，由于雷达自身的特性以及复杂电磁环境的影响，基于h r r p 实现有效的 自动目标识别并非易事。首先，对大多数非合作目标而言，目标本身的机动性导 致雷达每次录取的h r r p 在距离窗中出现的位置不固定，从而使以距离单元表示 的距离像向量发生变化，这就是所谓的高分辨距离像的平移敏感性；其次，由于 距离像某一分辨单元的回波是该单元内所有散射点回波相干求和的结果，因此距 离像波形对目标姿态角的变化比较敏感。另外，高分辨距离像是一种一维图像， 而人眼对一维图像的辨别、理解能力较弱( 事实上，人耳对一维信号的理解能力 较强，如人耳擅长辨识声音信号) 【8 】，因此研究者很难通过观察h r r p 的波形特点 获得启发式信息来修正识别算法，也很难通过直观、经验来理解h r r p 的识别机 理。因此如何利用现代信号处理技术和模式识别乃至人工智能的先进手段从高分 辨距离像中提取有效且可靠信息并完成目标识别是至关重要的。本节就此首先对 多种基于高分辨距离像的自动目标识别方法及相关技术进行了总结与回顾。 第3 页 国防科学技术大学研究生院硕士学位论文 1 2 1 直接以h r r p 为特征矢量进行目标识别 如果将高分辨距离像每个距离单元的数据看作一维特征，将一幅距离像看作 一个高维特征矢量，那么我们可以直接将h r r p 作为分类器的输入特征完成训练 与识别过程，这便是直接以h r r p 为特征矢量实现目标识别的方法。1 9 9 3 年，l i 和y a n g 论证了直接将一维距离像作为特征矢量实现目标识别的可行性【9 】。为克服 h r r p 的姿态敏感性，他们提出以一定角度间隔( 即散射点不发生越距离单元徙动 的视角范围，详见文献【3 】) 划分方位与俯仰角范围，构造包含一系列视角所对应 h r r p 的目标模板库。同时，他们提出了一种基于匹配度的h r r p 匹配识别方法， 其中，匹配度定义为两幅距离像之间所有线性位移之间的相关系数的最大值，识 别算法将待识别目标的h r r p 与模板库中所有已知h r r p 进行相关运算，选择匹 配度最大的模板h r r p 所对应的目标类别作为待识别目标的类别输出。同年， h u n s o n 与p s a l t i s 提出了基于相关滤波法的飞机目标识别方法【5 】，该方法基于多个 h r r p 构造相关滤波器，将同一目标的模板数据用一个或多个滤波器表示。这一方 法与前述基于匹配度的方法本质上是相同的，不同之处只是两者识别过程所用模 板不同：前者是以目标原始h r r p 直接作为匹配模板，而后者则以原始h r r p 数 据库中若干相邻模板的平均值作为匹配模板，因此，后者减小了识别运算量。另 外，h u n t h e r 采用模板匹配法实现了对六类目标的一维距离像的自动识别【l o 】，其算 法通过对数据进行扇形扫描加窗，使得每一窗内的方位与俯仰角的变化范围较小， 然后在每一窗内构造识别所需的合成模板。 由于高分辨距离像具有高度的姿态敏感性，因此模板匹配h r r p 识别必须首 先解决的问题是如何尽可能克服姿态敏感性的影响以保证模板库构造的有效性。 显然，这是精度与速度的折衷，一方面，良好的识别精度有赖于模板的充分性与 完备性，这要求我们以尽可能小的角度间隔划分总角域，获得每一角度对应的 h r r p ，构成目标完备而庞大的模板库；另一方面，由于识别过程需要遍历模板库 中每一个孤立模板，因此快速的识别结果输出要求模板库所含模板数量尽可能小。 由此可见，采取某种优化策略以获取兼顾识别精度与速度的h r r p 模板库是必需 的。上文所介绍方法在模板库的构造过程中都是先划分散射点分布模型基本保持 不变的角度范围，再对各个角度范围建立特征模板。由于角度范围不易确定，故 通常只是对其进行大致估计，由此将姿态角总区间划分为若干个子区间，再对每 一子区间内的距离像求平均值作为模板库中的样本。这样做通常会降低模板库的 有效性，这一方面是因为对子区间的粗略划分不能真实地反映出样本的内在聚类 情况，因而无法对其进行准确刻画，另一方面是因为直接对样本求幅度均值也会 损失样本的本质变化信息【6 】。一种克服这一缺点的直观思路是聚类分析，通过聚类， 原始数据将自动按照其内在特征归属到更适合于自己的角度区间内，从而有望增 第4 页 国防科学技术大学研究生院硕士学位论文 加模板库样本的有效性【1 1 】【1 2 】。p h a m 通过比较实验证明了通过聚类分析构造模板库 的有效性与优越性【1 3 】。另外，姜文利依据木桶原理提出了最大最小相关模板构造 法【1 4 】；b h a t n a g a r 针对地面目标h r r p 识别，提出了一种基于启发式搜索算法的模 板构造、法【1 5 1 。实验表明，这两种算法所构造模板的识别性能均优于平均模板。 不难看出，上述直接利用一维距离像的识别方法均基于目标单幅距离像，事 实上，该范畴内还存在另一大类方法，即基于距离像序列的目标识别算法。对运 动目标，我们可以获得其随姿态角变化的距离像时间序列，这种距离像序列应该 蕴含比单幅距离像更加丰富的目标信息，因此利用距离像序列有望进一步提高目 标识别概率。在这一领域，借助于循环神经网络所具备的联想存储器的记忆功能， 肖怀铁提出一种基于距离像序列的实时循环神经网络分类方法l l 引，实现了全极化 条件下三类飞机目标的自动识别；借助于隐马尔可夫模型( h i d d e nm a r k o vm o d e l ， r t m m ) 较强的时变特性学习能力，l i a o 基于连续h m m 对m s t a r 数据库中的1 0 类地面目标取得了9 2 的识别概率【1 7 】；借助于时间序列模型，周德全提出了基于 时间序列最大后验概率的雷达目标识别算法，成功实现了对三类飞机目标的自动 识别【1 8 】。 由此可见，基于序列信息的h r r p 识别，在利用目标空间特性( 如目标外形、 尺寸) 的同时，将目标运动时距离像在时间上的演化信息融入进来，因而有效提 高了目标识别性能。但该方法存在一个严重的内在缺陷，即距离像序列不易有效 选取【1 9 】。单幅距离像是目标姿态角的一维函数，而距离像序列则是目标姿态角的 m 维函数，其中m 是序列中距离像的个数，它的选择依赖于目标运动特性，因此 算法在进行目标识别的同时需要进行目标运动估计。 1 2 2 平移不变特征提取及识别 对h r r p 平移不变特征提取的研究是为了解决直接基于h r r p 的目标识别受 h r r p 平移敏感性困扰的内在缺陷。常用的平移不变特征是谱域特征，功率谱与高 阶谱均具有平移不变性，但由于高阶谱特征的维数随其阶数的增加而急剧增加， 因此在h r r p 识别中研究精力主要集中在傅立叶频谱与双谱【3 】。赵群对距离像经傅 里叶变换所得数据取模来解决飞机目标距离像对准问题【2 0 】；杜兰给出了基于原始 距离像直接计算h r r p 高阶谱特征的欧氏距离的简化计算公式，避免了计算高阶 谱的过程，研究了高阶谱的识别性能，结果表明功率谱在各阶谱中的识别性能最 好 2 1 1 。信号的双谱是其三阶相关的傅里叶变换，具有平移不变性的特点，且除线 性相移信息外，它能够保留信号的全部相位信息。研究表明，无论是从平移不变 性还是从可分性来讲，对高分辨距离像而言，双谱特征都是一种不错的选择【6 】，但 它也存在特征维数可能过高的缺点双谱维数是原始信号维数的平方。 第5 页 国防科学技术大学研究生院硕士学位论文 1 2 3 姿态不敏感特征提取及识别 为克服距离像的高度姿态敏感性对识别性能的负面影响，研究者一直试图从 h r r p 中提取出姿态不敏感特征以用于识别，但迄今为止，在光学区还未找到类似 于谐振区目标极点特征的绝对姿态不敏感特征量。目前，学术界普遍认为具有姿 态角不变特性的特征参量是不存在的，但也有少数人存在另一种观点，认为具有 姿态角不变特性的特征参量不是不存在，只是目前还没有找到【2 】。现有的姿态不敏 感特征的提取主要依靠几种特征变换技术，包括m e l l i n 变换、主分量分析( p r i n c i p a l c o m p o n e n ta n a l y s i s 。简称p c a ，又称k a r h u n e nl o e v e 变换或h o t e l l i n g 变换) 、基 于f i s h e r 准则函数的特征提取( 又称鉴别分析特征提取，d i s c r i m i n a n ta n a l y s i s f e a t u r ee x t r a c t i o n ，d a f e ) 等。距离像随目标姿态角的变化，在一定的范围内表现 出尺度伸缩的特性，利用m e l l i n 变换的模值所具有的尺度不变性可使同一目标获 得较好的不变性特征。p c a 与d a f e 均是从模式识别的角度出发，利用特征空间 中样本的类内聚集度与类间离散度两个指标，基于某种准则函数实现相对姿态不 敏感特征的提取。研究表明【6 】，基于准则函数的特征提取不仅可以在特征空间有效 地改善特征量的姿态敏感性，还能在一定程度上减少特征矢量的维数，其关键是 如何选择合理、有效的准则函数。 1 2 4 特征压缩技术 根据模式识别理论，特征数目的增加并不一定对应识别性能的提高。一方面， 高的特征维数将导致分类器产生复杂的分类曲面，这虽然会增加分类器对训练样 本的识别能力，但分类器的泛化能力可能很低，从而导致分类器对未知样本的识 别概率较低；另一方面，高维特征矢量可能存在两种对识别效率不利的分量特征， 一是冗余特征，一是不相关特征瞄】，前者与其它某一个或几个特征是相关的，后 者与目标的类别属性是不相关的，显然这两种特征对正确识别目标是不必要的， 它们的存在只会增加识别过程的运算量，从而导致识别效率降低。基于上述因素， 对高维特征目标识别，在分类器设计之前采取某种合理策略降低原始特征维数是 值得考虑的，这便是特征压缩技术产生的背景。事实上，对h r r p 识别，尤其是 上述直接以h r r p 为特征矢量以及基于h r r p 谱域特征的识别，目标特征维数往 往很高( 几百，甚至上千) ，因此将特征压缩技术应用于h r r p 识别是十分必要 的。 特征压缩技术的实现方法分为两类，一类是特征变换，一类是特征选择。 p c a 是通过特征变换实现特征压缩的典型方法之一，它是一种基于目标统计 特性的最佳正交变换。称其为最佳