基于稀疏貝葉斯學(xué)習(xí)的雷達自動目標識別方法研究.pdf

1、由于具備全天時、全天候和遠距離探測等能力，雷達在民用和軍用領(lǐng)域都得到了廣泛的發(fā)展和應(yīng)用。隨著現(xiàn)代雷達技術(shù)的發(fā)展和應(yīng)用的需要，對雷達有了更高的要求，雷達自動目標識別就是其中非常重要的一項。雷達自動目標識別通常是非合作式的，它通過提取目標回波中的特征信息，并利用一定的判決準則實現(xiàn)對目標類型和屬性的判別。雷達自動目標識別主要由數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征提取、特征選擇、和分類判決等步驟構(gòu)成。因此，本論文主要從雷達回波數(shù)據(jù)的預(yù)處理、特征選擇、分類

2、器設(shè)計、以及小樣本識別等幾個方面，利用貝葉斯分析推斷方法對雷達自動目標識別的相關(guān)理論和技術(shù)問題進行分析研究。基于貝葉斯定理發(fā)展起來的貝葉斯方法可以系統(tǒng)地闡述和解決統(tǒng)計問題，而貝葉斯推斷就是通過結(jié)合未知參數(shù)的先驗信息和樣本信息，并利用貝葉斯定理，得到未知參數(shù)的后驗信息，最后根據(jù)后驗信息去推斷未知參數(shù)的過程。本論文的研究內(nèi)容可概括為以下四個部分:
　　1.研究對復(fù)雷達回波數(shù)據(jù)進行快速準確的參數(shù)估計（超分辨處理）。現(xiàn)在的許多稀疏表示算法

3、通常利用盡可能覆蓋待估計參數(shù)的一組初始化參數(shù)網(wǎng)格，生成一個參數(shù)化的字典來實現(xiàn)參數(shù)估計。如果網(wǎng)格間隔比較大，初始化的參數(shù)和真實的參數(shù)就會出現(xiàn)不匹配的情況。如果網(wǎng)格間隔比較小，運算的復(fù)雜度會相應(yīng)增加。為此，本論文提出了一種基于稀疏貝葉斯表示和細化字典的復(fù)雷達回波數(shù)據(jù)參數(shù)估計方法。首先，在稀疏貝葉斯表示模型中，通過稀疏選擇字典中的參數(shù)化原子實現(xiàn)參數(shù)估計，而稀疏選擇是通過Bernoulli-Beta先驗實現(xiàn)的。然后對選出的參數(shù)進行加權(quán)聚類和縮放

4、(zooming)等細化處理，得到更精確的參數(shù)取值，并重新生成字典，然后再次利用貝葉斯稀疏表示模型進行參數(shù)選擇。這兩個步驟迭代進行，直至收斂，就能實現(xiàn)快速準確的參數(shù)估計。
　　2.研究利用全帶寬步進頻數(shù)據(jù)實現(xiàn)對頻點缺失步進頻數(shù)據(jù)的重構(gòu)。當雷達發(fā)射高距離分辨步進調(diào)頻信號時，通常需要較長的觀測時間且容易被干擾?；诖?，可以只利用調(diào)頻步進信號的部分脈沖，對得到的頻點缺失頻域數(shù)據(jù)，利用基于轉(zhuǎn)移學(xué)習(xí)(transfer learning)的貝

5、葉斯方法重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。在訓(xùn)練階段，利用復(fù)數(shù)貝塔過程因子分析(Complex Beta Process Factor Analysis，CBPFA)模型對給定的全帶寬頻域數(shù)據(jù)的每一方位幀進行統(tǒng)計建模，并得到每一方位幀的概率密度函數(shù)。另外，在CBPFA模型中，字典和因子個數(shù)均能基于數(shù)據(jù)自動學(xué)出。CBPFA模型的推導(dǎo)是通過變分貝葉斯（Variational Bayesian，VB）方法實現(xiàn)的。在重構(gòu)階段，對與訓(xùn)練數(shù)據(jù)“相關(guān)”的頻

6、點缺失頻域數(shù)據(jù)，可以利用訓(xùn)練階段每一方位幀概率密度函數(shù)的轉(zhuǎn)移知識，并通過壓縮感知(Compressive Sensing，CS)理論和貝葉斯準則重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。關(guān)于每一訓(xùn)練方位幀和頻點缺失頻域數(shù)據(jù)的“相關(guān)性”，可以利用頻點缺失頻域數(shù)據(jù)的幀條件概率表示。
　　3.研究設(shè)計一個具有稀疏特征選擇的貝葉斯分類器，它把原始信號的非線性映射作為預(yù)處理過程。提出的線性分類模型利用從原始輸入空間到非線性變換空間的映射，不僅能構(gòu)造非線性

7、分類界面，還能實現(xiàn)對原始數(shù)據(jù)的特征選擇。在提出的貝葉斯模型中，精確度(precision)服從伽馬分布的零均值高斯先驗分布和貝塔過程先驗的有限近似分別用來實現(xiàn)特征和非線性映射的稀疏選擇。并利用VB方法對提出的貝葉斯線性分類器進行推導(dǎo)。通過對人工合成數(shù)據(jù)、實測雷達數(shù)據(jù)、高維基因數(shù)據(jù)、以及公共數(shù)據(jù)的實驗，表明了提出方法相比于現(xiàn)有方法具有的優(yōu)良特征選擇和分類能力。
　　4.為實現(xiàn)用較少的訓(xùn)練樣本對高分辨距離像(High Resoluti

8、on Range Profile，HRRP)進行識別，本論文提出了兩種利用多任務(wù)稀疏學(xué)習(xí)的分類識別方法。HRRP通?？梢圆捎脙煞N不同的判別方法實現(xiàn)樣本的分類識別:生成模型和判別模型。生成模型通常是基于貝葉斯理論的統(tǒng)計建模方法，而判別模型是在訓(xùn)練階段學(xué)出一個判別函數(shù)，用來實現(xiàn)對每一個輸入樣本直接映射到一個類別標號。本論文對這兩種判別方法均采用了多任務(wù)稀疏學(xué)習(xí)，下面分別對它們討論。(1)生成模型的多任務(wù)學(xué)習(xí)。該方法將訓(xùn)練樣本各方位幀的統(tǒng)計建

9、模視為單一的任務(wù)，由于各幀訓(xùn)練樣本間不是完全獨立而是相互關(guān)聯(lián)的，因此設(shè)定所有幀的訓(xùn)練樣本采用同一個字典以實現(xiàn)幀間信息的共享。由于目標的不同以及同一目標的方位敏感性，通常很難確定各訓(xùn)練幀的相關(guān)性，而不相關(guān)任務(wù)間的聯(lián)合學(xué)習(xí)將會降低識別性能，因此采用Bernoulli-Beta先驗根據(jù)給定訓(xùn)練數(shù)據(jù)自動學(xué)出每一幀需要的原子，而通過不同幀間共享的原子個數(shù)就可以判斷它們的相關(guān)性，從而實現(xiàn)自適應(yīng)的多任務(wù)學(xué)習(xí)。(2)判別模型的多任務(wù)學(xué)習(xí)。該方法適用于多