文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.2015.07.018
中文引用格式: 段沛沛,,李輝. 快速稀疏分解在雷達目標識別中的應(yīng)用[J].電子技術(shù)應(yīng)用,,2015,41(7):64-67.
英文引用格式: Duan Peipei,,Li Hui. Radar target recognition using fast sparse decomposition[J].Application of Electronic Technique,,2015,,41(7):64-67.
0 引言
隨著信息技術(shù)的進步,現(xiàn)代戰(zhàn)爭在形式和形態(tài)上均產(chǎn)生了巨大的改變,,武器裝備也向著實時化,、精確化等方向演進。雷達高分辨距離像因其能夠提供精細的目標距離向幾何結(jié)構(gòu)信息而受到了廣泛關(guān)注[1],。雖然高分辨距離像易于獲取且包含目標諸多細節(jié)信息,,可是卻面臨因使用大帶寬信號帶來的巨量數(shù)據(jù)難題,而這會進一步影響技術(shù)實施的實時性,。盡管雷達高分辨距離像(High Range Resolution Profile,,HRRP)的描述過程很多,但在某一時刻雷達觀測到的物理過程卻十分有限,,甚至可能很少,,因而完全可以對其進行壓縮[2]。
基于此,,本文借鑒圖像處理技術(shù)中的稀疏分解方法對雷達一維高分辨距離像進行處理,,以實現(xiàn)雷達目標識別。
1 信號的稀疏分解
隨著信號分析,、處理方法的不斷進步,,基于正交基的信號分解方法因其局限性,逐漸為具有更好稀疏表示能力的方法所取代,。近年來,,非線性逼近理論已證明基于過完備系統(tǒng)的逼近效果優(yōu)于已知的正交基[3,4],。為此,文中采用過完備字典來實現(xiàn)雷達一維高分辨距離像信號的稀疏表示,。
1.1 結(jié)構(gòu)劃分Gabor字典
很多過完備字典構(gòu)造方法都未曾考慮字典原子本身的特性,,可選用由特性良好的原子構(gòu)造過完備字典,,不僅可以簡化運算,還能提高信號稀疏表示的精度,。為此,,文中將在具有普遍適用性的Gabor字典基礎(chǔ)上構(gòu)造結(jié)構(gòu)劃分Gabor字典。常規(guī)的Gabor字典[5,,6]中原子gγ為:
式中,,γ=(s,u,,v,,w)。其中,,參數(shù)s為尺度因子,,參數(shù)v為原子的頻率,參數(shù)w為原子的相位,,參數(shù)u為位移因子,。對參數(shù)(s,u,,v,,w)的精細采樣,并將其代入式(2)就能求得具體的Gabor字典,,采樣方法為:
其中,,α=2,Δu=1/2,,Δv=π,,Δw=π/6,0≤j≤lg2N,,0≤p≤N·2-j+1,,0≤k≤2j+1,0≤i≤12,,N為信號長度,。
實際上,雖然Gabor字典中的原子各不相同,,但有些原子的四個結(jié)構(gòu)參數(shù)中僅位移因子不同,,據(jù)此可將Gabor字典劃分為若干子原子庫[7]。因此,,在信號的稀疏分解過程中就無需存儲整個字典,,只需從各子庫中選取一個代表原子進行存儲即可。當用到同一子庫中的其他原子時,只需將代表原子進行平移就能求得,。因為這種字典中絕大多數(shù)原子的求取只涉及平移運算,,計算量不大且易求得,所以文中研究的識別算法將采用這類基于原子結(jié)構(gòu)特性進行劃分的Gabor字典D,。
1.2 改進的匹配追蹤算法
假設(shè)雷達一維高分辨距離像信號為x,,D={gγ}γ∈Γ為依據(jù)字典中原子結(jié)構(gòu)特點集合劃分后的Gabor過完備字典,這里的gγ為歸一化的原子,。改進的匹配追蹤算法將在常規(guī)的匹配追蹤算法MP(Matching Pursuit,,MP)基礎(chǔ)上改進實現(xiàn)。常規(guī)的MP算法需從過完備字典中選出與信號最匹配的原子,,并用其線性組合實現(xiàn)信號的稀疏表示[8],,具體過程如下:
首先,選出與信號最為匹配的原子:
式中滿足:
上述稀疏分解過程看似原理簡潔,,實際計算量卻很大,,在此特引入遺傳算法(Genetic Algorithm,GA)進行改進,。就Gabor字典而言,,原子的尋優(yōu)過程其實就是結(jié)構(gòu)參數(shù)尋優(yōu)的過程。遺傳匹配追蹤算法(Genetic Algorithm-Matching Pursuit,,GAMP)[9]將字典中原子的結(jié)構(gòu)參數(shù)作為個體基因組成初始種群,,構(gòu)造字典原子,并根據(jù)式(8)中的信號殘差與“子庫原子”內(nèi)積的絕對值求取適應(yīng)度:
依據(jù)適應(yīng)度數(shù)值的大小決定個體優(yōu)劣與取舍,。隨后,,經(jīng)過交叉、變異若干代的進化,,最終搜索出最優(yōu)原子,。在本文進行的仿真實驗中發(fā)現(xiàn),當遺傳代數(shù)為40時,,GAMP算法有較高的進化精度且不會大幅增加分解時間,,既能適當降低計算量,還能有效提高最佳原子的搜索效率,。
2 基于快速稀疏分解的雷達目標識別
對于雷達HRRP數(shù)據(jù),,為了克服諸多因素引起的幅度敏感問題,首先使用幅度l2范數(shù)歸一對數(shù)據(jù)進行處理,,然后再進行識別,。整個雷達一維距離像目標識別過程將分為兩個階段進行。
2.1 訓(xùn)練階段
在訓(xùn)練階段將對訓(xùn)練樣本進行稀疏分解以求得不同目標的類別字典,。假設(shè)訓(xùn)練樣本包含L類目標Yl∈(l=1,,2,,…,L),,類別字典求取過程如下:
(1)構(gòu)造基于原子結(jié)構(gòu)的Gabor字典,。
首先,根據(jù)字典原子表達式(3)和式(4),,并將其中的時頻參數(shù)離散化構(gòu)造常規(guī)的Gabor字典DG,然后,,對DG進行集合劃分,,生成結(jié)構(gòu)劃分字典D。
(2)求取樣本類別字典
采用GAMP算法對HRRP訓(xùn)練樣本Yl∈(l=1,,2,,…,L)進行稀疏分解,,得到類別字典Dl(l=1,,2,…,,L),。
2.2 測試階段
假設(shè)測試樣本為y,φl(l=1,,2,,…,L)為測試樣本基于各類別字典進行分解所得的稀疏表示系數(shù),,T*為稀疏度系數(shù),。測試步驟如下:
(1)稀疏分解
根據(jù)信噪比確定稀疏度系數(shù)T*,然后基于不同類別字典Dl(l=1,,2,,…,L)用GAMP算法求取測試樣本的稀疏分解系數(shù)φl(l=1,,2,,…,L),。
(2)目標類別判定
如果測試信號與選用的類別字典不同類,,則重建信號必然與原始信號相差較大,因此,,可以嘗試用重建誤差作為類別判定的依據(jù),。假設(shè)測試樣本數(shù)據(jù)為y,為去除噪聲后的樣本信號,,有:
事實上,,依據(jù)式(13)和式(14)進行目標類別判定的分類方法,其實等效于基于最小重建誤差的分類方法[2]。
3 仿真分析
3.1 仿真數(shù)據(jù)說明
仿真環(huán)境:Win7系統(tǒng),,CPU頻率為1.5 GHz,,內(nèi)存2 GB。仿真軟件為MATLAB 2011b,。仿真中用到3類飛機目標(B-1b,、B-52、F-15型)的HRRP仿真數(shù)據(jù),,數(shù)據(jù)設(shè)定:雷達中心頻率為10 GHz,,帶寬1.4 GHz,方位角0°~30°,,方位間隔為0.1°,,目標俯仰角為0°和3°,仿真中姿態(tài)角以及橫滾角都為0°,。表1給出了仿真目標參數(shù),。
實驗過程中將從每個目標距離像仿真數(shù)據(jù)的前半段抽取260個訓(xùn)練樣本,而測試樣本將從其后半段中抽取,。另外,,還將在測試樣本中加入白噪聲,模擬不同信噪比的情況,。
3.2 仿真分析
3.2.1 訓(xùn)練仿真
在訓(xùn)練階段,,將采用結(jié)構(gòu)劃分字典及GAMP稀疏分解算法來求取各類目標的類別字典。在此之前,,先就不同算法的分解速度進行驗證,。由于仿真實驗的硬件環(huán)境也會影響運算速度,這里僅比較算法間的相對處理速度,。
表2比較了基于不同過完備字典,、不同稀疏分解算法對同一距離像樣本進行分解時的運算速度差異。以第一種基于Gabor過完備字典的MP算法分解速度作為比較的基準,,第二種方法因加速了字典生成,,而提高了信號的分解速度,但改善有限,。第三種方法則進一步在第二種方法基礎(chǔ)上加快了最優(yōu)原子的搜尋速度,,提高了類別字典生成效率。
3.2.2 測試仿真
訓(xùn)練階段生成的類別字典將在測試階段用于目標識別,。為了論證新識別算法的有效性,,將從過完備字典及分解算法角度分別進行驗證。圖1中分析了對同一目標采用相同結(jié)構(gòu)劃分過完備字典,、不同稀疏分解算法進行目標識別時的效果,。從識別性能來看,,基于MP算法的識別效果相對較差,而采用GAMP算法實現(xiàn)的目標識別效果較好,,不過隨著信噪比的增大,,兩種算法均呈現(xiàn)了穩(wěn)定的識別效果。綜合表1可以看出,,在保證識別率的情況下,,幾種識別算法中以基于GAMP的識別算法最為快捷。
相對于圖1比較的同類算法,,圖2中的算法原理差異較大,,有基于結(jié)構(gòu)劃分過完備字典及GAMP的識別算法,還有基于主分量分析法(Principal Components Analysis,,PCA)、基于最大相關(guān)系數(shù)法(Maximum Correlation Coefficient,,MCC),、基于最近臨分類器(Nearest Neighbor Classifier,NNC)的目標識別效果,。
從原理上講,,前兩種算法都屬基于重構(gòu)模型的識別算法。不同的是,,文中提出的識別算法在過完備字典上實現(xiàn)了信號稀疏分解,,其原子相互之間并未限定正交關(guān)系。而PAC算法在基的數(shù)量及不同基之間的正交性方面均受到了限制,。從這個意義上講,,采用過完備字典完成信號稀疏表示的結(jié)果能更準確地反映目標特征。此外,,如圖3可見,,當信噪比較低時,幾種算法的識別率均較低,,隨著信噪比增大,,各種算法的識別率都有所增加,即便如此,,文中算法因其良好的抗噪性,,相較其他幾種算法依然能保證較高的識別率。
4 結(jié)束語
本文討論了一種基于結(jié)構(gòu)劃分過完備字典學習及GAMP的一維距離像目標識別算法,。因為某一時刻雷達觀測到的物理過程有限,,所以完全可以對數(shù)據(jù)量巨大的一維距離像數(shù)據(jù)進行壓縮。文中算法就依據(jù)這一思路,,采用易于求取和存儲的冗余字典完成對HRRP信號的稀疏分解,、壓縮數(shù)據(jù),、提取特征,進而實現(xiàn)目標識別,。仿真實驗說明,,采用文中方法識別效果良好,性能穩(wěn)健,,即便在信噪比不高情況下依然能保證較高識別率,。
參考文獻
[1] 柴晶.雷達高分辨距離像目標識別的拒判算法和特征提取技術(shù)研究[D].西安:西安電子科技大學,2010.
[2] 馮博,,杜蘭,,張學鋒,等.基于字典學習的雷達高分辨距離像目標識別[J].電波科學學報,,2012,,27(5):897-905.
[3] DONOHO D L,TSAIG Y.Extensions of compressed sensing[J].Signal Processing,,2006,,86(3):533-548.
[4] AKCAKAYA M,TAROKH V.Performance of sparse representation algorithms using randomly generated frames[J].IEEE Transactions on Signal Processing Letters,,2007,,14(11):777-780.
[5] 曾軍英,甘俊英,,翟懿奎.Gabor字典及l(fā)_0范數(shù)快速稀疏表示的人臉識別算法[J].信號處理,,2013,29(2):256-261.
[6] YANG M,,ZHANG L,,SIMON C K,et al.Gabor feature based robust representation and classification for face recognition with Gabor occlusion dictionary[J].Pattern Recognition,,2013,,46(7):1865-1878.
[7] 尹忠科,王建英,,邵君.基于原子庫結(jié)構(gòu)特性的信號稀疏分解[J].西南交通大學學報,,2005,40(2):173-178.
[8] MASHUD H,,KAUSHIK M.An improved smoothed l0 approximation algorithm for sparse representation[J].IEEE Transactions on Signal Processing,,2010,58(4):2194-2205.
[9] Gao Qiang,,Duan Chendong,,F(xiàn)ang Xiangbo,et al.A study on matching pursuit based on genetic algorithms[A].In Proc.IEEE Measuring Technology and Mechatronics Automation[C].New York:IEEE,,2011,,1:283-286.