摘  要： 雷達(dá)目標(biāo)識別中,，提取目標(biāo)的有效特征將直接影響識別效果,。針對雷達(dá)目標(biāo)高分辨距離像（HRRP）具有平移敏感性，提出了一種基于多特征的融合特征來作為目標(biāo)特征進(jìn)行識別,。利用PCA將三種平移不變特征融合,，采用支持向量機(jī)算法來實(shí)現(xiàn)識別。仿真實(shí)驗(yàn)結(jié)果表明,，該方法不僅降低了目標(biāo)特征的存儲量,，同時(shí)也克服了高分辨距離像的平移敏感性，具有較高的識別率和很好的推廣性,。

　　關(guān)鍵詞： 一維距離像,；主成分分析；支持向量機(jī),；幅度譜差分特征,；中心距特征；功率譜特征

0 引言

　　本文主要針對目標(biāo)高分辨一維距離像的平移敏感性,，提出了一種基于主成分分析方法的多特征融合的目標(biāo)識別方法,。首先對一維距離像進(jìn)行預(yù)處理，消除一維距離像的噪聲干擾并且克服一維距離像的強(qiáng)度敏感性。在此基礎(chǔ)上分別提取具有平移不變性的功率譜特征,、中心矩特征及幅度譜差分特征,，然后利用PCA方法將以上特征融合作為目標(biāo)特征，采用支持向量機(jī)分類器進(jìn)行識別分類,。根據(jù)實(shí)測雷達(dá)目標(biāo)的數(shù)據(jù)進(jìn)行多次試驗(yàn),，結(jié)果顯示，提取的該融合特征與單一特征和串聯(lián)融合特征相比在減少模板特征向量的個(gè)數(shù)和測試樣本識別的計(jì)算量的同時(shí),，得到了較高的識別率,。

1 特征提取

　　1.1 一維距離像模型

　　當(dāng)雷達(dá)發(fā)射信號帶寬足夠大時(shí)，目標(biāo)尺寸遠(yuǎn)大于雷達(dá)的距離分辨單元,，此時(shí)雷達(dá)回波就是由多個(gè)目標(biāo)散射點(diǎn)子回波組成,；同時(shí)回波中所呈現(xiàn)的結(jié)構(gòu)反映了目標(biāo)散射點(diǎn)的分布情況，可用于目標(biāo)識別[1],，如圖1所示,。

　　1.2 數(shù)據(jù)預(yù)處理

　　雷達(dá)回波信號經(jīng)過逆離散傅里葉變換就可以得到目標(biāo)的一維距離像[2-3]。對數(shù)據(jù)進(jìn)行預(yù)處理,，首先對其進(jìn)行降噪處理,，本文采用小波方法對信號進(jìn)行降噪處理。利用小波變換降噪的主要思想是將數(shù)據(jù)轉(zhuǎn)換到小波域,，使噪聲部分包含在小波的高頻系數(shù)中,，在去除小波分解的高頻系數(shù)后對信號進(jìn)行小波反變換，即可達(dá)到降噪的目的,。然后對一維距離像進(jìn)行歸一化處理,，克服其強(qiáng)度敏感性。

　　1.3 提取平移不變特征

　　直接用一維距離像作為特征對目標(biāo)進(jìn)行識別不僅會使模板的特征向量存儲過大,，而且該特征并沒有克服平移敏感性,，從而影響識別效果[4-5]。所以本文提取一維距離像的中心距特征,、功率譜特征和幅度譜差分特征,，三種特征都具有平移不變性。

　　1.3.1 提取功率譜特征

　　設(shè)x={x（j）,，j=0,，1，2,，…,，J-1}為目標(biāo)一維距離像的回波幅度值，J為距離單元的個(gè)數(shù),，則一維距離像幅度x的功率譜為：

　　由式（2）得出功率譜具有平移不變性,，所以一維距離像幅度的功率譜特征是平移不變特征。

　　1.3.2 提取幅度譜差分特征

　　1.3.3 中心矩特征向量提取

　　設(shè)x={x（j），j=0,，1,，2，…,，J-1}為距離像幅度,，x（j）是第j+1個(gè)距離單元的回波幅度，J是距離單元個(gè)數(shù),，歸一化處理得：

　　由式（8）得出,，中心矩ml的幅度隨階數(shù)增加而遞增，為了抑制指數(shù)增長帶來的影響,，通過對中心矩做極差變換從而消除數(shù)量級帶來的影響,。對中心矩特征做向量極差變換相當(dāng)于做了歸一化，這樣解決了特征不在同一個(gè)數(shù)量級的問題,。所以中心矩特征表示其中L為中心矩的最高階數(shù),。

2 特征融合

　　PCA的基本思想是用一組維數(shù)最少的特征盡可能精確地描述原始樣本特征。本文首先將三種特征數(shù)據(jù)進(jìn)行串聯(lián),，然后通過PCA將串聯(lián)后的數(shù)據(jù)進(jìn)行有效的融合。其目的有兩個(gè)：一是消除三種特征數(shù)據(jù)中的相關(guān)性,；二是將三種特征數(shù)據(jù)從高維矢量壓縮為低維矢量,。

3 分類器選取

　　本文所選擇的分類器是由Vapnik首先提出的支持向量機(jī)分類器，SVM的主要思想是建立一個(gè)超平面作為決策曲面,，使兩類之間的間隔邊緣被最大化分開,。一個(gè)分類系統(tǒng)的正規(guī)流程應(yīng)為：（1）選定訓(xùn)練集和測試集；（2）對訓(xùn)練集和測試集進(jìn)行統(tǒng)一的規(guī)范化,；（3）提取兩個(gè)集合的相同特征,；（4）利用訓(xùn)練集得到分類模型；（5）利用分類模型對測試集分類,。本文將按照這一流程對上述的特征逐一進(jìn)行分類實(shí)驗(yàn)仿真,。

4 實(shí)驗(yàn)仿真

　　為了驗(yàn)證這種方法的有效性，采用ISAR雷達(dá)實(shí)測飛機(jī)數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),。本實(shí)驗(yàn)對基于多特征融合的雷達(dá)目標(biāo)實(shí)測數(shù)據(jù)的識別過程框圖如圖2所示[6],。

　　本實(shí)驗(yàn)在預(yù)處理階段中選擇雙正交小波進(jìn)行小波去噪，分解層數(shù)N選定為4,，小波基為db7,。采用線性歸一化方案進(jìn)行歸一化。圖3為三類飛機(jī)某一角度一維距離像預(yù)處理前后的對比圖,。

　　本文所用的數(shù)據(jù)是雷達(dá)實(shí)測三類飛機(jī)的數(shù)據(jù),，分別提取三類飛機(jī)的功率譜特征、中心距特征、幅度譜差分特征,，圖4顯示了三種特征對比,。從功率譜特征中發(fā)現(xiàn)其能量大部分集中于低頻段，所以在決策中減少高頻部分的權(quán)重,。本實(shí)驗(yàn)選取了第1到第10維數(shù)據(jù),。選取6維中心距特征和20維幅度譜差分特征，可以看出,，三類飛機(jī)的這些特征值分布不同,，具有一定的可分性，且三種特征均具有平移不變性,。

　　將每類飛機(jī)的三種數(shù)據(jù)串聯(lián)得到的三類飛機(jī)的36維多特征數(shù)據(jù)進(jìn)行PCA融合,，如圖5所示。經(jīng)多次實(shí)驗(yàn)研究得出：主分量個(gè)數(shù)為15時(shí)不僅能夠消除三種特征數(shù)據(jù)中的相關(guān)性,，而且還能充分反映出原始飛機(jī)數(shù)據(jù)特征,。每類飛機(jī)前15維主成分貢獻(xiàn)率分別是：AN飛機(jī)95.4%，YAK飛機(jī)94.1%,，JIANG飛機(jī)97.5%,。

　　得到融合特征后，首先提取樣本進(jìn)行訓(xùn)練,，本實(shí)驗(yàn)分別采用全樣本,、部分樣本及少數(shù)樣本的方法進(jìn)行訓(xùn)練。然后選取與訓(xùn)練樣本不重疊的測試樣本進(jìn)行測試,，測試結(jié)果如表1所示,。

　　從表1可以看出，經(jīng)過PCA融合的多特征要比單一特征識別效果好,。

　　同時(shí)得出了不同特征的特征點(diǎn)分布圖,，在此只展示部分樣本方案中的特征點(diǎn)分布圖，如圖6所示,。

　　圖6中分別展示了5種特征的三維特征點(diǎn)分布圖,，從圖中可以直觀地看出PCA融合特征的分類效果明顯優(yōu)越于其他分類效果。進(jìn)行以下實(shí)驗(yàn)來證明該融合特征具有平移不變性：選取不同位置的三類飛機(jī)的一維距離像,，在同等條件下進(jìn)行識別,。本實(shí)驗(yàn)采取部分樣本方案（訓(xùn)練195個(gè)樣本），實(shí)驗(yàn)結(jié)果如表2所示,。

　　從表2可以看出,，該特征具有平移不變性。與單一特征相比,，基于主成分分析的該融合特征不僅有很好的識別效果,，同時(shí)也具有平移不變性,。

5 結(jié)論

　　在雷達(dá)目標(biāo)識別領(lǐng)域中，高分辨一維距離像的平移敏感性始終是熱點(diǎn)和難點(diǎn)問題,，所以本文針對這一問題提出了解決方案,。從高分辨一維距離像中提取出三種一維距離像平移不變特征，然后利用主成分分析方法將特征有效地融合,。結(jié)合理論分析和實(shí)測數(shù)據(jù)的試驗(yàn)證明了這種融合的平移不變特征在高分辨雷達(dá)目標(biāo)識別應(yīng)用中的有效性,，可以顯著提高目標(biāo)的識別率。

參考文獻(xiàn)

　　[1] 保錚,，邢孟道,，王彤.雷達(dá)成像技術(shù)[M].北京：電子工業(yè)出版社，2005.

　　[2] BOSHRA M,， BHANU B. Predicting an upper bound on SAR ATR performance[C]. IEEE Transactions on Aerospace and Electronic Systems,， 2001，37（3）：876-888.

　　[3] 廖學(xué)軍.基于高分辨距離像的雷達(dá)目標(biāo)識別[D].西安：西安電子科技大學(xué),，1999.

　　[4] Liao Xuejun,， Bao Zheng， Xing Mengdao. On the aspect sensitivity of high resolution range profiles and its reduction methods[C]. The Record of IEEE 2000 International Radar Conference,， Washing,，2000：310-315.

　　[5] 田華.石圣羽.宗曉萍.基于不變矩特征及BP神經(jīng)網(wǎng)絡(luò)的圖像模式識別[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2008,，28（2）：214-217.

　　[6] Du Lan,， Liu Hongwei， Bao Zheng,， et al. Radar HRRP target recognition based on higher order spectra[C]. IEEE Transactions on Signal Processing，2005,，53（7）：2359-2368.