论文部分内容阅读
雷达高分辨距离像（HRRP）是用宽带雷达获取的目标散射点子回波在雷达视线方向上投影的向量和,它提供了对目标分类和识别非常有价值的信息,如目标尺寸、结构、散射点沿距离方向的分布情况等;同时,与其它宽带信号（如合成孔径雷达像和逆合成孔径雷达像）相比,HRRP具有易于获取和处理等优点。因此,利用HRRP对未知目标进行类别归属的判断逐渐成为雷达自动目标识别领域的研究热点。概率统计模型,即以概率论为基础并采用数学统计方法建立的模型,基于坚实的统计理论,在雷达HRRP目标识别方面具有独特的优势:模型可融入一定的先验信息,有利于小样本情况下的目标识别;能够提供待求参数的不确定性评价,有效地缓和过拟合问题,识别的泛化精度较高;可结合非参贝叶斯理论实现模型结构随数据的自适应调整等等。本文利用概率统计模型,主要从小样本情况下基于浅层概率统计模型的统计识别和大样本情况下基于深层概率统计模型的特征提取两方面,对HRRP目标识别的相关理论和技术问题进行了分析研究。论文概括如下:1.针对现有因子分析（FA）模型在小样本情况下识别性能较弱的问题,提出了卷积因子分析（CFA）模型。区别于FA模型将HRRP样本参数化为一系列字典原子的加权和（字典原子维度等于HRRP样本维度）,CFA模型引入卷积操作,将HRRP描述为多个字典原子与对应权向量的卷积之和。作为卷积核,CFA模型中的字典原子不仅维度远小于观测样本维度,而且能够获取更能反映数据本质的局部细节信息。相比于全局信息,局部信息具有更强的共享特性,因此,利用CFA模型描述全部观测数据所需的字典原子数更少。由于更小的字典原子尺度和更少的字典原子个数,CFA拥有比FA模型更低的复杂度,进而更适用于小样本目标识别问题。基于实测HRRP数据的实验结果表明,当训练样本较少时,CFA模型具有较好的识别性能。2.CFA模型对各目标方位帧HRRP数据进行独立建模,然而,不同HRRP样本之间存在一定的相关性,故而用来张成各目标各方位帧观测空间的字典应该有一定的重叠;同时,CFA模型只关注于对数据分布的描述,并未利用对识别有利的监督信息。基于上述分析,我们在CFA模型的基础上提出了多任务标签约束卷积因子分析（MTL-LCCFA）模型。一方面,MTL-LCCFA模型使所有目标类数据共享一个大的字典,而各观测样本所需的字典原子通过贝塔过程（BP）非参先验从字典中进行自动选择。由于参数共享,卷积模型的参数个数进一步减少,对训练样本数的需求也进一步降低。另一方面,MTL-LCCFA通过样本的类别标签来约束模型参数的学习过程,使学习后的不同类目标的模型参数具有更大的差异,进而具有更强的类间可分性。通过引入参数共享和标签约束机制,MTL-LCCFA能够进一步提升小样本情况下的目标识别能力。基于实测HRRP数据集的实验结果表明,利用MTL-LCCFA进行统计建模,不同类模型之间的区分性更强,且在小样本情况下能够获得更优的识别性能。3.针对浅层概率统计模型不能提取数据更深层次的、更有效的分类特征,提出了一种基于类分解变分自编码器（CFVAE）的雷达HRRP特征提取和识别方法。CFVAE通过一个编码网络获得所有观测数据的概率隐表示,同时为每类构建一个解码网络来描述各目标类隐特征分布到对应观测数据分布的生成过程。编码和解码网络的多层非线性结构能够挖掘数据更深层次的信息,有助于提取可分性更强的特征;同时,按类解码的模型构建方式使各类别的解码网络对所属类别的数据有较好的描述能力,而对其它类别数据的描述能力则较差,进而使CFVAE能够通过比较测试样本在各类解码器条件下的重构误差直接实现对测试数据类别属性的判决,避免了传统变分自编码器（VAE）中存在的所提特征与后端分类器不匹配的问题。基于实测HRRP数据集的实验表明,相较于浅层模型和传统VAE,CFVAE具有更强的目标识别能力。4.针对观测数据分布复杂、标记训练样本少情况下的深层特征提取问题,提出了一种判别混合变分自编码器（DMVAE）模型。一方面,DMVAE采用狄利克雷过程（DP）先验将整个观测数据集自适应地划分成多个子集,各子集通过一个解码网络来描述该子集数据的生成过程。相同分布的数据经同一解码网络生成,不同解码网络表示了不同分布数据的生成过程。由于各子集数据的分布较全部观测数据的分布更为简单,各解码网络能够较准确地表示对应子集的数据,因此,DMVAE通过多个解码网络的集合能够给出全部观测数据更精确的描述,进而有利于改善复杂数据分布情况下因单一解码器不能准确描述数据分布而造成的特征表征能力差的问题。另一方面,DMVAE采用了半监督学习机制,即利用多个解码网络对观测数据（包括标记样本和未标记样本）分布进行无监督描述的同时,还利用一个分类网络描述了标记样本的隐特征到其对应标签的生成过程。通过半监督学习方式,DMVAE不仅能够学得更具判别性的特征隐空间,还大大降低了对标记训练样本数的需求。此外,DMVAE的分类网络约束未标记样本的预测标签具有最小熵,进而提高了分类器的泛化性能。基于随机梯度上升法,DMVAE对所有观测数据的边缘对数似然函数、标记样本的标签约束和未标记样本的熵约束进行联合优化,最终实现了模型参数的求解。基于实测HRRP数据集的实验结果验证了所提方法在识别性能上的优势。特别是在标记样本较少的情况下,DMVAE仍能够获得较高的识别准确率。