一种高分辨距离像的增敏特征

一种高分辨距离像的增敏特征

1基于归一化的rats公司识别高度色散指数（hrp）是辐射雷达信号接收的目标散射点的向量和振幅，这是目标的重要结构特征，在雷达辐射中是随机的。现在，它是探测雷达自我识别领域的研究热点。HRRP有很强的方位、幅度和平移敏感性。方位敏感性由目标姿态相对雷达视角的变化引起；幅度敏感性由距离像的幅度为目标距离、雷达天线增益和雷达接收机增益等的函数所引起，表现为不同目标、不同雷达的距离像在幅度上具有不同的尺度标准。方位敏感性和幅度敏感性可分别通过对距离像回波序列划分观测角域和对距离像进行幅度归一化解决。平移敏感性由距离像在距离窗中的移动引起，距离窗的大小通常选择为从其中可以获得完整的目标回波数据，并有一定的余度。平移敏感性造成同一回波数据在距离窗数据空间中成为不同的向量，为RATR带来困难。解决平移敏感性的方法主要有：(1)时域最大滑动相关法，即训练阶段各角域建模时需对各角域内距离像平移对齐，测试阶段测试样本需与各角域模板平移对齐。(2)平移不变变换法，即对距离像进行具有平移不变特性的变换，得到距离像的平移不变特征，采用平移不变特征进行目标识别。由于平移不变特征彻底解决了平移敏感性，为维数压缩、简化分类运算以及采用复杂高级分类器进行分类识别带来了极大方便，因此平移不变特征的提取是雷达目标识别中一个重要的环节。快速傅里叶变换(FastFourierTransformation,FFT)方法即是对距离像采用FFT变换，以距离像的幅度谱作为平移不变特征。基于双谱的目标识别方法，以距离像的双谱做为平移不变特征，与幅度谱相比，虽然双谱同时含有信号谱的幅度信息与高阶相位信息，且能抑制具有零均值对称概率密度特征的干扰和噪声，但是双谱是将数据从N维到N2维的变换，当信号的样本数据增大时，计算量和存储量急剧增大，因而通常使用双谱特征时必须进行降维处理。本文从HRRP中提取出一种新的平移不变特征：幅度谱差分。幅度谱差分的每一分量等于相邻频谱幅度之差，反映了该离散频率处频谱幅度变化的方向和大小，类似于连续信号在某点处的梯度信息，幅度谱差分描述了距离像频谱幅度的变化情况。幅度谱从频谱幅度本身去描述距离像，而幅度谱差分从频谱幅度的变化去描述距离像，相当于从另一角度提取了距离像的特征。相比幅度谱特征，在分类决策时，幅度谱差分特征以测试样本幅度谱的起伏特性与角域模板幅度谱的起伏特性一致性的程度为匹配测度，更适合于雷达自动目标识别。我们以幅度谱差分为特征和以幅度谱为特征，采用外场实测数据，分别训练了两种分类器：最短距离分类器和one-against-allSVM多类分类器。两种分类器的识别结果均表明：幅度谱差分特征相比幅度谱特征可显著增加数据可分性，大大提高识别率。2新的距离特征2.1基于回波信号的距离像的偏差识别目标在雷达电波作用下，产生后向散射的电波称为雷达回波，在散射点模型假设条件下，目标的回波可视为沿波束射线的相同距离单元里的众多散射点子回波的向量和。通常将该回波的幅度分布称为一维实距离像，简称距离像。距离像有很强的方位敏感性、幅度敏感性和平移敏感性。平移敏感性是由距离像在距离窗中的移动引起的，距离窗的大小通常选择为从中可以获得完整的目标回波数据，并有一定的余度。图1所示为奖状飞机同一角域两个幅度归一化后的距离像，从图中可以看出，距离像的形状非常接近，但是两者在距离窗中的位置明显不同，这样一来，本来相似度很高的两个回波数据在距离窗数据空间中表达成两个相差很远的数据矢量。因此，如果要采用距离像进行目标识别，必须解决距离像的平移敏感性。如引言所述，解决距离像平移敏感性目前主要有最大滑动相关法和平移不变变换法两大类。最大滑动相关法虽然解决了各角域内距离像的平移敏感性，但是没有彻底解决平移敏感性，这是因为：(1)不同角域的距离像仍存在平移敏感性，由于距离像的方位敏感性，对不同角域的距离像进行最大滑动相关对齐是没有意义的，对齐不同目标的距离像更是没有意义；(2)测试数据与训练数据间仍然存在平移敏感性，测试数据必须与各角域的模板对齐后才能计算匹配测度。平移不变变换法较之最大滑动相关法则彻底地解决了平移敏感性。目前主要有采用FFT变换和双谱等高阶谱的变换。双谱是将数据从N维到N2维的变换，当信号的样本数据增大时，计算量和存储量急剧增大，因而通常使用双谱特征时必须进行降维处理，所以双谱从理论上是很好的平移不变特征，但是在实际应用中必须对采用双谱特征的数据进行降维后才能用于目标识别，所以从这一点看，双谱特征也不是很理想的平移不变特征。FFT所得幅度谱则是比较常用的平移不变特征。2.2幅度谱差分特征在ratr目标识别中的优势本文从HRRP中提取出一种新的距离像平移不变特征——幅度谱差分，并以此特征进行目标识别。设x=[x(1),x(2),,x(n),,x(N)]T为训练样本中某一距离像，其中N为距离单元个数，首先对它做FFT得幅度谱r=[r(1),r(2),,r(n),,r(N)]T，其中运算符“”表示对复数取模。其次，为去除幅度敏感性，对r进行归一化，得归一化幅度谱r=[r(1),r(2),,r(n),,r(N)]T，其中运算符“2”表示对向量取模。最后，对归一化幅度谱r求差分，得幅度谱差分d=[d(1),d(2),,d(n),,d(N-1)]T，其中本文以幅度谱差分d做为距离像的平移不变特征进行目标识别。下面来分析比较采用幅度谱差分d与幅度谱r分别作为平移不变特征进行目标识别时的区别，从而说明幅度谱差分特征在RATR应用中的优势。幅度谱差分特征情况下，测试数据与模板的欧式距离为比较式(4)和式(6)，可以看到，幅度谱特征的欧式距离为角域平均幅度谱每一分量与测试样本幅度谱每一分量之差的平方和的开方；而幅度谱差分特征的欧式距离为角域平均幅度谱每一分量与测试样本幅度谱每一分量之差的差分的平方和的开方。对于RATR应用而言，由于距离像的幅度敏感性，必须对距离像的幅度谱归一化以解决幅度敏感性，归一化将幅度谱强行拉到模为1，这样一来幅度谱每一分量的大小对于区分不同类目标的作用就不是很大了，而不同目标幅度谱的起伏特性成为比较重要的分类信息，换言之，同类目标的归一化幅度谱起伏特性是一致的，异类目标归一化幅度谱起伏特性则是有明显差异的。式(4)表明幅度谱特征以归一化幅度谱每一分量变化的绝对大小做为匹配测度的依据；式(6)表明幅度谱差分特征以归一化幅度谱各分量变化的一致程度做为匹配测度的依据，反映了角域平均幅度谱模板与测试距离像幅度谱的起伏是否一致，式(6)的值越小，说明两者起伏越一致，它们成为一类的可能越大。由此可见，幅度谱差分特征在匹配测度上比幅度谱特征更适合于RATR。另外，幅度谱差分特征相比幅度谱特征的优势还表现在以下几个方面：(1)从描述距离像的角度看，幅度谱用距离像各频率分量的幅度来描述距离像；幅度谱差分用距离像相邻频率分量幅度变化的方向(正为增加，负为减少)和大小来描述距离像，故而后者比前者包含了更多距离像起伏的特征信息。(2)从幅度谱差分本身来看，它反映的是距离像相邻频率分量的变化，类似于连续信号在某点处的梯度信息，由于频率分量是等间隔的，所以幅度谱差分中每一分量均准确描述了该频率处距离像离散频谱幅度变化的方向和大小。(3)图2为三类不同飞机实测数据的平均归一化幅度谱与对应幅度谱差分的对比图，可以明显看出不同目标幅度谱差分的差别(即可分性)要显著高于幅度谱本身的差别，因而从实际数据的分析比较结果来看，幅度谱差分特征要优于幅度谱特征。(4)从特征提取角度看，幅度谱从频谱幅度本身去描述距离像，而幅度谱差分从频谱幅度的变化去描述距离像，相当于从另一角度提取了距离像的特征。(5)本文采用外场实测数据的识别结果也表明，幅度谱差分特征相比幅度谱特征可显著提高识别率。2.3归一化幅度谱分类器设计∆ϕ≤∆R/Lx的角域范围内(∆R是距离分辨单元的长度，xL是目标的横向尺寸）划分观测区间来解决方位敏感性，将观测区间内的HRRP序列定义为一帧距离像，代表相应的一个角域。对距离像幅度谱进行归一化解决幅度敏感性。设有s类目标，共有a个角域。对任意一测试数据进行FFT，然后对幅度谱进行归一化，对归一化幅度谱做前向差分得：t=[t(1),t(2),,t(n),,t(N-1)]T。为验证幅度谱差分特征的有效性，本文设计了两种分类器，即(a)最短距离分类器。判决t属于argi=m1,in,adi-t所决定的类，a为所有目标的角域个数。(b)无拒识区one-against-allSVM多类分类器。采用模板库Za训练无拒识区one-against-allSVM多类分类器，SVM子分类器的个数等于目标个数s，判决t属于argi=m1,ax,s(if(t))所决定的类，其中if(t)为第i个SVM子分类器对应的判别函数值，s为目标个数。本文SVM分类器的核函数均采用径向基函数(RadialBasisFunction,RBF)。3幅度谱差分特征对比测试采用某单位ISAR实验雷达实测飞机数据。3类飞机的飞行轨迹在地平面上的投影如图3所示，图中给出了雷达的相对位置，可以大致估计飞机的方位角。为了检验识别算法的推广能力，训练数据和测试数据在不同的数据段内选取，其中，雅克-42的第2,5段，安-26的第5,6段，奖状的第6,7段数据作为训练数据，其它各段数据作为测试数据。训练数据段基本上包含了测试数据段内各种方位角的情况，但俯仰角有所不同。综上所述：共有s=3类目标的训练数据；每类目标有50个角域，3类目标共有a=150个角域；每一角域有256个距离像；每一距离像有N=256个距离单元。我们用相同的训练数据和测试数据，对幅度谱差分特征和幅度谱特征的识别结果进行比较。表1为采用最短距离分类器的识别结果比较，可以看到采用幅度谱差分特征比幅度谱特征的整体平均识别率提高了7.25个百分点，3类目标的识别率都有所提高，其中安-26的识别率提高了7.25个百分点，奖状的识别率提高了13个百分点。从混淆矩阵可以看出，奖状飞机16.75%的测试数据在采用幅度谱特征时被错分为安-26，而经采用幅度谱差分特征后仅2.25%被错分为安-26，说明采用幅度谱差分特征相比幅度谱特征可以提高不同目标距离像的可分性，从而提高识别率。表2为采用无拒识区one-against-allSVM多类分类器的识别结果比较，可以看到采用幅度谱差分特征的整体平均识别率高于幅度谱特征8.25个百分点，尤其是安-26飞机的识别率提高了12个百分点，安-26飞机是螺旋桨飞机，其HRRP回波受螺旋桨调制，起伏较大，因此在幅度谱空间中分布很分散，和其他两类目标的数据混杂在一起，使得该类飞机的识别率较低，而采用幅度谱差分特征可以提高此类飞机的识别率，说明距离像在幅度谱差分特征空间的可分性比幅度谱特征空间的可分性要强。图4所示为各角域幅度谱差分模板4(c)，4(d)和幅度谱模板4(a)，4(b)在DCA(DiscriminatoryComponentAnalysis)的前3，前2个分量上的投影散布图，可以看出，幅度谱差分模板相比幅度谱模板，类内聚集增强，类间散布增大，可分性更强。从计算复杂度来看，采用幅度谱差分特征相比幅度谱特征在训练阶段和测试阶段分别多了一步求差分的过程，但训练过程是离线的，不影响实时的在线目标识别。对于具有N个距离单元的测试距离像而言，测试过程仅多了N-1次减法，但是识别率却大大提高了。同时注意到，幅度谱差分特征空间比幅度谱特征空