基于HRRP的目标识别一直是雷达目标识别的热门领域[1],且一般都遵循预处理、特征提取\选择、分类识别的处理流程。
HRRP的统计特征能够反映其幅度起伏特性,因此在特征提取阶段,对HRRP进行统计建模将建模问题转换为模型选择和参数估计问题[2],能够获取可分性更高、更有价值的特征。文献[3]指出HRRP在PPCA和FA模型下近似服从联合高斯分布,提升了参数估计的效率。文献[4]在PPCA模型的基础上,利用EM算法和KL距离对HRRP重新分帧,提升了大范围方位角内HRRP的识别率。
但实际工作环境中,获取的HRRP回波由于受到目标远近、杂波和天气等因素的影响具有相对较低的信噪比,如果直接应用高信噪比环境中估计的PPCA模型参数会造成模型失配,影响识别性能[5],这也是基于统计建模面临的普遍问题。为此相关文献从造成模型失配的原因入手,做了许多工作。文献[6]对FA模型进行非参数化修正并预先估计噪声水平,提升了小样本情况下FA模型的稳健性。文献[7]在假设HRRP各距离单元噪声服从复高斯分布的基础上,补偿不同信噪比下统计模型的参数。文献[8]利用参数寻优将基本PPCA修正为对噪声稳健的自适应PPCA模型。本文引入训练样本与测试样本模型匹配度的概念,利用噪声与信号的向量关系,得到针对不同信噪比测试样本的PPCA修正模型,增强了PPCA模型在不同信噪比环境下的稳健性。
1 模型修正和概率主成分分析 1.1 模型修正雷达识别系统工作的典型模式是高信噪比下训练,低信噪比下识别。这使得应用PPCA模型时,不得不考虑模型在训练样本与测试样本之间的匹配问题。
从图 1看出,由于受到噪声的影响,获取的PPCA模型参数ΛX={μX, WX, σX}和ΛY={μY, WY, σY}并不相同, 如果使用训练样本模型ΛX, 通过最大后验概率判定测试目标则必然造成识别率的下降。根据引起模型差异的原因, 通过构造差异函数D1(·)、D2(·)和D3(·)消除模型间的失配, 达到稳健识别的目的。
对于HRRP识别系统, 假设训练数据集为X={x1, x2, …, xn}, 测试数据集为Y={y1, y2, …, yn}。在特征空间内, 通过构造从测试数据集到训练数据集的映射X=Fv(Y), 或在模型空间构造映射ΛY=Gη(ΛX), 消除噪声的影响。可得
(1) |
(2) |
利用(1)、(2)式的最优化方法获得补偿参数ṽ和ῆ, 得到修正PPCA模型。
1.2 概率主成分分析模型隐变量参数模型是PPCA模型的基础[9]
(3) |
等式(3)中, 隐变量x服从独立高斯分布N(0, I)。ε为观测噪声向量, 服从N(0, ψ)。观测向量y服从N(μ, WWT+ψ)。得到模型参数为{μ, W, σ}, 可通过最大似然估计或期望最大值算法得到具体参数:
(4) |
(5) |
(6) |
下标i代表第i个样本, 总数为N。λ1, λ2, …, λd是从大到小依序排列的样本协方差矩阵S=
修正PPCA模型的目的是对高信噪比条件下的模型参数进行补偿, 以便准确反映不同信噪比下测试样本的分布。但是求解补偿参数是一个极值搜索问题, 必然造成大量的计算。通过分析可知, 不同信噪比下的PPCA补偿参数与叠加的噪声功率直接相关。如果能寻找一种估计测试样本噪声功率的方法, 就可以避免求解最优化问题, 降低系统的计算负担。
2.1 基于复高斯噪声的参数修正HRRP是对采样后的复距离像取模得到的, 即x=[|x(1)|, |x(2)|, …, |x(N)|]T。噪声n叠加在复数域, 则任意一个距离单元内的复信号模型可表示为|x|=|s+n|。如果定义高信噪比的HRRP为|xh|, 则低信噪比的HRRP为|xl|:
(7) |
等式(7)中θ为信号与噪声之间的夹角。HRRP各距离单元波形的统计分布满足|xh|~N(μh, σh2)。噪声幅度|n|服从瑞利分布, 其概率密度函数可表示为:
(8) |
噪声与信号间的夹角θ∈[0, π], 概率密度函数为:
(9) |
利用隐函数关系f(|xl|2, wvcosθ)=0求解|xl|的密度函数p(|xl|)。令W=|xh|, v=|n|则各变量的联合密度函数为p(W2, V2, wvcosθ), 首先计算cosθ的概率密度函数:
(10) |
假设Z=XY, 已知X, Y的联合概率密度函数f(x, y), 根据(11)式计算Z的密度函数:
(11) |
利用(11)式的结果计算(w, v, cosθ)的联合概率密度函数p(w, v, cosθ):
(12) |
(13) |
得到|xl|的概率密度函数p(|xl|):
(14) |
(14)式过于复杂, 修正模型意义不大。计算|xl|的近似分布。已知信号与噪声独立, 期望E (|xh||n|cosθ)=0。(7)式可简化:
(15) |
计算u=|xh|2和v=|n|2的概率密度函数:
(16) |
(17) |
由于|xh|2和|n|2独立, 按照随机变量和的分布计算规则, 计算z=|xl|2的密度函数:
(18) |
进而得到|xl|的概率密度函数p(|xl|):
(19) |
对于形如yt=xt+bt的模型, 在模型空间下的补偿参数
按不发生越距离单元徙动的角度为标准, 将c个目标的训练HRRP划分为m帧模板。则对任意一组测试HRRP, 其关于第c个目标第m帧HRRP模板的辅助函数可表示为:
(20) |
(20)式中, |xl(l)|表示测试距离像第l个距离单元对应的幅值, Whcm(l)对应训练样本第c个目标第m帧HRRP在PPCA模型下的加载矩阵的第l行, μhcm(l)对应训练样本第c个目标第m帧HRRP在PPCA模型下第l个距离单元的均值。则|xl(l)|的期望为:
(21) |
可得针对第c个目标第m帧HRRP的PPCA模型的均值修正值μ0为:
(22) |
通过辅助函数f(|xl|)cm计算第c个目标第m帧HRRP的PPCA模型噪声协方差辅助矩阵φcm:
(23) |
噪声协方差修正值ψ0cm可表示为:
(24) |
式中, ψhcm对应训练样本c个目标第m帧HRRP在PPCA模型下的噪声方差矩阵。
2.2 基于高斯噪声的参数修正由于能克服初相敏感性, 实距离像是常用的研究对象。可简化信号模型, 将低信噪比下其距离单元HRRP幅度表示为xl≈xh+n。如果已知xh~N(μh, σh2), n~N(0, σn2), 根据随机变量和的分布, 得xl的密度函数:
(25) |
从(25)式可知,低信噪比条件下,HRRP幅度仍服从高斯分布。
对于第c个目标第m帧训练样本, 其对应的PPCA模型参数分别为
(26) |
已知nl~N(0, δ2I), 得到ncml~N(0, (σcml)2I)。直接推导低信噪比下测试样本的PPCA模型参数:
(27) |
(28) |
(29) |
测试样本和训练样本的协方差矩阵相等, 即Sl=
中值滤波估计器常用来估计不同测试样本的噪声水平[11]。对于一个待测信号xn=x+n, n表示叠加的噪声, 首先去除原始信号x的影响:
(30) |
运算符⊗表示卷积, fdi表示i阶有限冲激响应高通滤波器。则近似的噪声信号为:
(31) |
式中, 对于高斯分布b=1.482 6, med()表示取一组数据的中位数。对于一组测试HRRP信号xl, 其在复高斯噪声模型下的噪声方差σn2可表示为:
(32) |
对于实HRRP信号xl, 其在高斯模型下的噪声方差δ2为:
(33) |
将等式(32)、(33)带入等式(22)、(24)、(28)和(29)中, 得到针对不同信噪比条件下, 测试HRRP的PPCA修正模型参数。
3 仿真实验识别实验使用的HRRP数据按照文献[12]所示方法获取, 包括4类飞机外形的目标A、B、C、D。采用步进频雷达, 步进频2 MHz, 脉冲重复频率4 KHz, 步进数200, 对应的HRRP距离分辨率为0.375 m, 包含400个距离单元。设置4类目标的方位角变化范围为0-180°, 每隔0.1°取一次回波数据作为训练样本。重新设置不同的偏航角, 俯仰角和横滚角, 每步进0.05°取1次回波数据作为测试样本。根据目标的横向尺寸(近似为10 m), 以不发生越距离单元徙动的角度δ(MTRC)=4°, 划分角域。
PPCA模型描述HRRP各个分帧的统计分布, 准确性受隐变量维数q的影响。当q较低时, PPCA模型不足以描述HRRP的真实数据结构; 另一方面PPCA自由参数的数量为dq+1-q(q-1)/2, 当隐变量维数较多时, 需要估计的参数增多, 对于训练样本有限的情况, 估计的精度会有所下降。针对训练样本和测试样本均为高信噪比的情况, 以最大后验概率分类器检验识别结果。通过PPCA建模获取c个目标第m帧的统计参数μcm和∑cm, 则对测试样本xtest的判定结果为:
(34) |
图 2给出了A、B、C、D类目标识别率随隐变量维数q变化的曲线, 基本反映了PPCA模型描述HRRP分布的性能。
在模型准确度和计算效率上折中, 取隐变量维数q=60。对于复高斯噪声增量下的PPCA模型, 其第c个目标第m帧的统计参数为修正均值
(35) |
高斯噪声增量下的判别规则:
(36) |
图 3给出了PPCA模型,基于高斯噪声的PPCA修正模型和基于复高斯噪声的PPCA修正模型在不同噪声强度下平均识别率的变化情况。
由图 3可知,将PPCA模型应用于低信噪比测试样本的识别时,平均识别率非常低。可以这样认为,当信噪比低于20dB时,PPCA模型其实已经失效。而提出的另外两种PPCA修正模型却在低信噪比下有60%左右的平均识别率,明显的提高了识别性能,削弱了训练样本与测试样本之间的失配现象。而随着信噪比的提升,PPCA模型的平均识别率才逐步趋近于本文提出的两种PPCA修正模型。
4 结论在实际应用中,雷达目标识别系统获取的HRRP常处于强噪声背景中,信噪比较低,极大地影响了测试样本固有的统计特性,导致由训练样本估计的PPCA模型很难适用于测试样本。本文通过分析低信噪比信号与噪声的关系,先验的估计不同噪声源的功率,得到两种PPCA修正模型。这两种修正模型能够根据测试样本的噪声水平,修正模型参数,提高低信噪比环境下测试的稳健性。
[1] |
郭尊华, 李达, 张伯彦, 等.
雷达高距离分辨率一维像目标识别[J]. 系统工程与电子技术, 2013, 35 (1): 53–60.
Guo Zunhua, LI Da, Zhang Boyan, et al. Survey of Radar Target Recognition Using One-Dimensional High Range Resolution Profiles[J]. Systems Engineering and Electronics, 2013, 35(1): 53–60. (in Chinese) |
[2] | Liu H W, Du L, Wang P H, et al. Radar HRRP Automatic Target Recognition:Algorithm and Applications[C]//IEEE CIE International Conference on Radar, 2011:14-17 |
[3] | Du L, Liu H W, Bao Z. Radar HRRP Statistical Recognition:Parametric Model and Model Selection[J]. IEEE Trans on Signal Process, 2008, 56(5): 1931–1944. DOI:10.1109/TSP.2007.912283 |
[4] |
王鹏辉, 杜兰, 刘宏伟, 等.
雷达高分辨距离像分帧新方法[J]. 西安电子科技大学学报, 2011, 38 (6): 22–29.
Wang Penghui, Du Lan, Liu Hongwei, et al. New Frame Segmentation Method for Radar HRRPs[J]. Journal of Xidian University, 2011, 38(6): 22–29. (in Chinese) |
[5] | Liu H W, Chen F, Du L, et al. Robust Radar Automatic Target Recognition Algorithm Based on HRRP Signature[J]. Frontiers of Electrical and Electronic Engineering, 2012, 7(1): 49–55. |
[6] | Du L, Liu H W, Wang P H, et al. Noise Robust Radar HRRP Target Recognition Based on Multitask Factor Analysis with Small Training Data Size[J]. IEEE Trans on Signal Processing, 2012, 60(7): 3546–3559. DOI:10.1109/TSP.2012.2191965 |
[7] | Pan M, Du L, Wang P H, et al. Noise-Robust Modification Method for Gaussian-Based Models with Application to Radar HRRP Recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(3): 558–562. DOI:10.1109/LGRS.2012.2213234 |
[8] | Hou Q Y, Chen F, Liu H W, et al. Adaptive Statistical Model for Radar HRRP Target Recognition[C]//IET Radar Conference, 2009 |
[9] | Tipping M E, Bishop C M. Mixtures of Principal Component Analyzers[J]. Neural Compute, 1999, 11(2): 443–482. DOI:10.1162/089976699300016728 |
[10] | Gales M J F, Woodland P C. Mean and Variance Adaptation Within the MLLR Framework[J]. Computer Speech & Language, 1996, 10(4): 249–264. |
[11] | Pei Z J, Tong Q Q, Wang L N, et al. A Median Filter Method for Image Noise Variance Estimation[C]//International Conference on Information Technology and Computer Science, 2010, 13-16 |
[12] |
黄得双.
高分辨雷达智能信号处理技术[M]. 北京: 机械工业出版社, 2001: 19-31.
Huang Deshuang. Intelligent Signal Processing Technique for High Resolution Radars[M]. , 2001: 19-31. (in Chinese) |