李 彬 李 辉 郭淞云
基于t分布扩展概率主成分分析模型的一维距离像识别方法
李 彬*李 辉 郭淞云
(西北工业大学电子信息学院 西安 710129)
该文针对概率主成分分析(PPCA)模型用于1维高分辨距离像(HRRP)识别对噪声敏感的问题,对经典PPCA模型进行修正。该方法将基于高斯分布的PPCA模型扩展为基于t分布的PPCA模型,能够综合利用t分布对噪声稳健和PPCA模型自由参数少的特性。同时为了减少目标方位敏感性对HRRP统计建模的影响,进一步将t分布模型扩展为混合概率t分布模型,能够以分布趋同的原则将不同方位帧内具有相同统计特性的HRRP数据进行聚类,减少模型的失配,改善识别性能。模型参数通过期望最大值(EM)算法估计,可提高计算效率。最后,通过贝叶斯规则,以获取的统计特征识别测试数据,仿真结果表明该方法能够提高低信噪比条件下PPCA模型的稳健性。
雷达目标识别;高分辨距离像;概率主成分分析;t分布;特征提取
将雷达高分辨距离像(High Resolution Range Profile, HRRP)作为一次特征识别目标,是雷达目标识别领域的一个重要分支[1,2]。而以HRRP为基础,通过特征变换,特征选择,特征提取等数学方法获得的二次特征极大地提升了基于HRRP识别的效率[3,4]。不同于平均距离像、频域变换和中心矩等常用特征提取方法,利用统计建模获取统计特征的方法,由于给出了概率分布,因此可以计算代价损失和置信度。非常方便在综合决策阶段与其他信息进行融合[5,6],进一步提高识别率。
如何全面、精确地描述各距离单元回波的概率分布是HRRP统计建模的难点。……