《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 微波|射頻 > 設(shè)計應(yīng)用 > 快速稀疏分解在雷達目標識別中的應(yīng)用
快速稀疏分解在雷達目標識別中的應(yīng)用
2015年電子技術(shù)應(yīng)用第7期
段沛沛1,2,李 輝2
1.西安石油大學(xué) 計算機學(xué)院,陜西 西安710065; 2.西北工業(yè)大學(xué) 電子信息學(xué)院,陜西 西安710029
摘要: 高分辨距離像目標識別算法很多,但利用高分辨距離像(HRRP)稀疏特點進行識別的方法卻不多。為此,提出一種基于結(jié)構(gòu)劃分過完備字典完成雷達一維距離像稀疏分解,進而實現(xiàn)目標識別的算法。該算法首先依據(jù)字典原子的結(jié)構(gòu)特點對其進行劃分,簡化字典表述的同時減少了原子數(shù)據(jù)存儲量;隨后,采用遺傳匹配追蹤算法(GAMP)對一維距離像訓(xùn)練樣本進行稀疏分解以獲得類別字典;最后,根據(jù)類別字典分析測試樣本的重構(gòu)誤差實現(xiàn)目標識別。仿真實驗證明,文中算法簡潔、識別率高,即便受到噪聲干擾依然能穩(wěn)健地識別目標。
中圖分類號: TN959.1+7
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.
Radar target recognition using fast sparse decomposition
Duan Peipei1,2,Li Hui2
1.School of Computer Science,Xi′an Shiyou University,Xi′an 710065,China; 2.School of Electronics and Information,Northwestern Polytechnical University,Xi′an 710029,China
Abstract: There are many radar target recognition algorithms based on high range resolution profile(HRRP), but less of them employ the sparseness of HRRP samples. Thus, an redundant dictionary and a fast sparse representation algorithm are used to implement radar target recognition here. First, a Gabor redundant dictionary was partitioned by the characteristics of the atoms in it. By doing this, the atoms storage was decreased and the dictionary was generated faster. Then, the genetic algorithm-matching pursuit algorithm(GAMP) was used to product the training samples’ taxonomic dictionaries quickly. Finally, the reconstruction errors of testing samples were calculated to recognize the targets. The simulations show that this algorithm has the advantages of concise, higher recognition rate and good robustness.
Key words : radar target recognition;high range resolution profile;sparse decomposition;redundant dictionary

    

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:

    ck4-gs1-2.gif

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: 

    ck4-gs2-x1.gif

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:

 ck4-gs3-5.gif

式中ck4-gs5-x1.gif滿足:

    ck4-gs6-7.gif    

    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:

    ck4-gs8.gif

    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Ylck4-2.1-x1.gif(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Ylck4-2.1-x2.gif(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,ck4-gs9-s1.gif為去除噪聲后的樣本信號,有:  

ck4-gs9-14.gif

    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)。

ck4-b1.gif

    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。

ck4-b2.gif

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。

ck4-t1.gif

    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。

ck4-t2.gif

    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(xué)習(xí)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(xué),2010.

[2] 馮博,杜蘭,張學(xué)鋒,等.基于字典學(xué)習(xí)的雷達高分辨距離像目標識別[J].電波科學(xué)學(xué)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(xué)學(xué)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.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。