变分自编码matlab实现,基于先验最优变分自编码机的HRRP目标识别方法与流程

本发明属于雷达

技术领域：

，特别涉及一种雷达高分辨距离像HRRP目标识别方法，可用于对环境检测和航迹跟踪。

背景技术：

：雷达的距离分辨率正比于匹配滤波后的接收脉冲宽度，且雷达发射信号的距离单元长度满足：ΔR为雷达发射信号的距离单元长度，c为光速，τ为匹配接收的脉冲宽度，B为雷达发射信号的带宽。雷达距离分辨率的高低是相对于观测目标而言的，当所观测目标沿雷达视线方向的尺寸为L时，如果L＜＜ΔR，则对应的雷达回波信号宽度与雷达发射脉冲宽度近似相同，通常称为“点”目标回波，这类雷达为低分辨雷达；如果L＞＞ΔR，则目标回波成为按目标特性在距离上延伸的“一维距离像”，这类雷达为高分辨雷达，其中符号＜＜表示远远小于，＞＞表示远远大于。高分辨雷达工作频率相对于一般目标位于高频区，发射宽带相干信号，雷达通过对目标发射电磁波，接收到回波数据。通常回波特性采用简化的散射点模型计算得到，即采用忽略多次散射的波恩一级近似。高分辨雷达回波中呈现出的起伏和尖峰，反映着在一定雷达视角时目标上散射体，如机头、机翼、机尾方向舵、进气孔、发动机等的雷达散射截面积RCS沿雷达视线RLOS的分布情况，体现了散射点在径向的相对几何关系，常称为高分辨距离像HRRP。因此，该HRRP的样本包含目标重要的结构特征，对目标识别与分类很有价值。目前，已经发展出许多针对高分辨距离像HRRP数据的目标识别方法，包括使用较为传统的支持向量机直接对目标进行分类，使用基于时域卷积神经网络进行分类，利用限制玻尔兹曼机的特征提取方法，但这些方法的共同不足是：对目标识别的准确率不高。技术实现要素：本发明目的在于针对上述现有技术存在的不足，提出一种基于先验最优变分自编码机的雷达高分辨距离像HRRP目标识别方法，以能够提高目标的识别准确率。为实现上述目的，本发明的技术方案包括如下：(1)提取Q类目标的雷达回波在雷达视线上沿着距离维的成像数据x，并将Q类高分辨距离成像数据随机分为训练样本集和测试样本集；其中，Q为大于0的正整数；(2)对成像数据进行均值归一化的预处理，得到预处理后的数据x'；(3)构建由两个感知机组成的先验最优变分自编码机；(3a)设置第一多层感知机，该感知机包含两个隐层，每个隐层分别有400个节点，感知机的输入维度为256，输出维度为60；(3b)设置第二多层感知机，该感知机包含两个隐层，每个隐层分别有400个节点，感知机的输入维度为30，输出维度为256；(3c)将第一多层感知机的输出进行重参法处理，并将重参法处理后的第一多层感知机的输出作为第二多层感知机的输入，构成先验最优变分自编码机；(4)利用训练集数据x'对先验最优变分自编码机进行训练，学习第一多层感知机和第二多层感知机的参数，得到训练好的第一多层感知机和第二多层感知机；(5)将训练集数据和测试集数据依次输入到训练好的第一多层感知机中，分别提取出训练集对应的隐变量特征a和测试集对应的隐变量特征b；(6)将训练集对应的隐变量特征a输入支持向量机SVM中，训练支持向量机分类器，使用训练好的支持向量机分类器对测试集对应的隐变量特征b进行分类，得到目标识别结果。本发明与现有技术相比具有如下优点：第一，鲁棒性强：本发明方法由于采用概率建模，并对数据做了能量归一化的预处理，将数据的噪声考虑在了模型的分布函数中，可以有效地提升模型的鲁棒性。第二，目标识别率高：传统针对高分辨距离像HRRP数据的目标识别方法一般只是用传统分类器直接对原始数据进行分类得到识别结果，没有提取数据的高维特征，导致识别率不高，而本发明使用的先验最优变分自编码机将原始数据进行隐变量提取，可以得到更高层的特征进行识别，因此可以显著提高识别率。附图说明图1是本发明的实现流程图；具体实施方式下面结合附图和具体实施方式对本发明作进一步详细说明。参照图1，为本发明的实现步骤如下：步骤1，获取雷达高分辨距离成像数据，并将成像数据分为训练样本集和测试样本集。(1a)高分辨雷达通过对Q类目标发射电磁波，同时接收到Q类目标散射截面积RCS沿雷达视线RLOS的分布情况成像数据x，并将这些回波数据依次记为第1类高分辨距离成像数据、第2类高分辨距离成像数据、…、第Q类高分辨距离成像数据；(1b)将Q类高分辨距离成像数据通过轨迹段随机抽取的方式，抽取P个训练样本集和A个测试样本集，每个训练样本或测试样本均包含N个距离单元，得到P×N维训练样本集矩阵和A×N维测试样本集矩阵。步骤2，对雷达高分辨距离像数据进行预处理。对成像数据x做预处理，现有预处理方法包括能量归一化和对齐的预处理。在本实施例中，采用但不限于能量归一化处理，得到归一化处理后的数据x'：其中，||||2表示求二范数，均值归一化处理后的数据x'为P×N维矩阵，P表示训练样本集中包含的训练样本总个数，N表示P个训练样本中每类高分辨距离成像数据分别包含的距离单元总个数。步骤3，构建由两个感知机组成的先验最优变分自编码机。(3a)设置第一多层感知机，该感知机包含两个隐层，每个隐层分别有l个节点，感知机的输入维度为256，输出维度为k；本实施例中l取值为400，k取值为60；(3b)设置第二多层感知机，该感知机包含两个隐层，每个隐层分别有j个节点，感知机的输入维度为输出维度为256；本实施例中j取值为400；(3c)将x'输入第一多层感知机，得到第一多层感知机的输出；(3d)将第一多层感知机的输出等分为两部分，分别记作μ，σ；(3e)从均值为0，方差为1的高斯分布中采样数据，记作ε；(3f)通过(3d)和(3e)的结果计算第二多层感知机的输入z:z＝μ+ε×σ。步骤4，利用训练集数据x'对先验最优变分自编码机进行训练，得到训练好的第一多层感知机和第二多层感知机。(4a)将训练集数据x'输入到第一多层感知机，计算x'所对应的条件对数似然lnpθ(x'|y)的变分下界：其中，φ表示第一多层感知机的参数，θ1表示第一多层感知机输出的条件先验分布充分统计量，θ2第二多层感知机的参数，y表示x'对应的目标类别，pθ表示基于第二多层感知机输出确定的条件分布概率，表示变分下界函数符号；(4b)利用批量随机梯度下降方法最大化变分下界公式，将先验最优变分自编码机的第一多层感知机的参数φ，第一多层感知机输出的条件先验分布充分统计量θ1，和第二多层感知机的参数θ2迭代更新500次，得到训练好的第一多层感知机和第二多层感知机。步骤5，提取出训练集对应的隐变量特征a和测试集对应的隐变量特征b。将训练集数据和测试集数据依次输入到训练好的第一多层感知机中，分别提取出训练集对应的隐变量特征a和测试集对应的隐变量特征b。步骤6，利用支持向量机SVM完成对测试集的目标识别任务。将训练集对应的隐变量特征a输入支持向量机SVM中，训练支持向量机分类器，使用训练好的支持向量机分类器对测试集对应的隐变量特征b进行分类，得到目标识别结果。本发明的效果可通过以下仿真实验进一步验证说明。(一)实验条件1.实验所用的数据是3类飞机的高分辨距离像HRRP实测数据，3类飞机型号分别为奖状，安26，雅克42，获得的3类高分辨距离成像数据，分别是奖状飞机的高分辨距离成像数据、安26飞机的高分辨距离成像数据和雅克42飞机的高分辨距离成像数据，抽取雅克42的第2段和第5段飞行轨迹，“奖状”的第6段和第7段飞行轨迹，以及“安-26”的第5段和第6段飞行轨迹作为训练样本，其余的成像数据作为测试样本集。2.为训练样本集和测试样本集中的所有高分辨距离成像数据分别加上相应的类别标签；训练样本集中包含140000个训练样本，测试样本集中包含5200个测试样本，其中训练样本中含有第1类高分辨成像数据52000个，第2类高分辨成像数据52000个，第3类高分辨成像数据36000个，测试样本中含有第1类高分辨成像数据2000个，第2类高分辨成像数据2000个，第3类高分辨成像数据1200个。3.仿真实验的软件环境：操作系统为Windows10版本，处理器为Intel(R)Core(TM)i5-7300HQ，处理器的主频率为2.50GHz；软件平台为：python3.5MatlabR2016b、pytorch0.4。4.仿真使用的方法：本发明和现有方法，其中现有的方法包括以下9种：基于最大相关分类器的目标识别方法，基于自适应高斯分类器的目标识别方法，基于线性支持向量机的目标识别方法，基于线性判别分析结合支持向量机的目标识别方法，基于主成分分析结合支持向量机的目标识别方法，基于深度置信网络的目标识别方法，基于栈式降噪自编码器的目标识别方法，基于栈式相关自编码器结合支持向量机的目标识别方法，基于时域卷积神经网络的目标识别方法(二)实验内容与结果：实验1：采用本发明和上述九种现有技术分别对仿真条件中所述的3类飞机的高分辨距离像HRRP测试样本进行目标识别，分别计算每种方法中目标识别结果的类别与其样本类别相符的测试样本个数与测试样本总数的比值，得到每种方法的目标识别准确率，结果如表1所示。表1十种方法的目标识别准确率一览表方法识别率(％)最大相关分类器(MCC)62.42自适应高斯分类器(AGC)85.63线性支持向量机(LSVM)86.70线性判别分析结合支持向量机(LDA)81.30主成分分析结合支持向量机(PCA)83.81深度置信网络(DBN)89.29栈式降噪自编码器(SDAE)90.42栈式相关自编码器结合支持向量机(SCAE)92.03时域卷积神经网络(TCNN)92.57本发明方法93.01由表1可见，仿真实验1的十种方法中，本发明方法的识别准确率最高，为93.01％，显然本发明方法的目标识别性能显著优于其他九种方法。仿真实验验证了本发明的正确性，有效性和可靠性。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围；这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页1&nbsp2&nbsp3&nbsp