本文關(guān)鍵詞：基于稀疏貝葉斯學(xué)習(xí)的雷達(dá)自動(dòng)目標(biāo)識(shí)別方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：由于具備全天時(shí)、全天候和遠(yuǎn)距離探測(cè)等能力,雷達(dá)在民用和軍用領(lǐng)域都得到了廣泛的發(fā)展和應(yīng)用。隨著現(xiàn)代雷達(dá)技術(shù)的發(fā)展和應(yīng)用的需要,對(duì)雷達(dá)有了更高的要求,雷達(dá)自動(dòng)目標(biāo)識(shí)別就是其中非常重要的一項(xiàng)。雷達(dá)自動(dòng)目標(biāo)識(shí)別通常是非合作式的,它通過提取目標(biāo)回波中的特征信息,并利用一定的判決準(zhǔn)則實(shí)現(xiàn)對(duì)目標(biāo)類型和屬性的判別。雷達(dá)自動(dòng)目標(biāo)識(shí)別主要由數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征提取、特征選擇、和分類判決等步驟構(gòu)成。因此,本論文主要從雷達(dá)回波數(shù)據(jù)的預(yù)處理、特征選擇、分類器設(shè)計(jì)、以及小樣本識(shí)別等幾個(gè)方面,利用貝葉斯分析推斷方法對(duì)雷達(dá)自動(dòng)目標(biāo)識(shí)別的相關(guān)理論和技術(shù)問題進(jìn)行分析研究�；谪惾~斯定理發(fā)展起來的貝葉斯方法可以系統(tǒng)地闡述和解決統(tǒng)計(jì)問題,而貝葉斯推斷就是通過結(jié)合未知參數(shù)的先驗(yàn)信息和樣本信息,并利用貝葉斯定理,得到未知參數(shù)的后驗(yàn)信息,最后根據(jù)后驗(yàn)信息去推斷未知參數(shù)的過程。本論文的研究?jī)?nèi)容可概括為以下四個(gè)部分：1.研究對(duì)復(fù)雷達(dá)回波數(shù)據(jù)進(jìn)行快速準(zhǔn)確的參數(shù)估計(jì)(超分辨處理)。現(xiàn)在的許多稀疏表示算法通常利用盡可能覆蓋待估計(jì)參數(shù)的一組初始化參數(shù)網(wǎng)格,生成一個(gè)參數(shù)化的字典來實(shí)現(xiàn)參數(shù)估計(jì)。如果網(wǎng)格間隔比較大,初始化的參數(shù)和真實(shí)的參數(shù)就會(huì)出現(xiàn)不匹配的情況。如果網(wǎng)格間隔比較小,運(yùn)算的復(fù)雜度會(huì)相應(yīng)增加。為此,本論文提出了一種基于稀疏貝葉斯表示和細(xì)化字典的復(fù)雷達(dá)回波數(shù)據(jù)參數(shù)估計(jì)方法。首先,在稀疏貝葉斯表示模型中,通過稀疏選擇字典中的參數(shù)化原子實(shí)現(xiàn)參數(shù)估計(jì),而稀疏選擇是通過Bernoulli-Beta先驗(yàn)實(shí)現(xiàn)的。然后對(duì)選出的參數(shù)進(jìn)行加權(quán)聚類和縮放(zooming)等細(xì)化處理,得到更精確的參數(shù)取值,并重新生成字典,然后再次利用貝葉斯稀疏表示模型進(jìn)行參數(shù)選擇。這兩個(gè)步驟迭代進(jìn)行,直至收斂,就能實(shí)現(xiàn)快速準(zhǔn)確的參數(shù)估計(jì)。2.研究利用全帶寬步進(jìn)頻數(shù)據(jù)實(shí)現(xiàn)對(duì)頻點(diǎn)缺失步進(jìn)頻數(shù)據(jù)的重構(gòu)。當(dāng)雷達(dá)發(fā)射高距離分辨步進(jìn)調(diào)頻信號(hào)時(shí),通常需要較長(zhǎng)的觀測(cè)時(shí)間且容易被干擾�；诖�,可以只利用調(diào)頻步進(jìn)信號(hào)的部分脈沖,對(duì)得到的頻點(diǎn)缺失頻域數(shù)據(jù),利用基于轉(zhuǎn)移學(xué)習(xí)(transfer learning)的貝葉斯方法重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。在訓(xùn)練階段,利用復(fù)數(shù)貝塔過程因子分析(Complex Beta Process Factor Analysis, CBPFA)模型對(duì)給定的全帶寬頻域數(shù)據(jù)的每一方位幀進(jìn)行統(tǒng)計(jì)建模,并得到每一方位幀的概率密度函數(shù)。另外,在CBPFA模型中,字典和因子個(gè)數(shù)均能基于數(shù)據(jù)自動(dòng)學(xué)出。CBPFA模型的推導(dǎo)是通過變分貝葉斯(Variational Bayesian, VB)方法實(shí)現(xiàn)的。在重構(gòu)階段,對(duì)與訓(xùn)練數(shù)據(jù)“相關(guān)”的頻點(diǎn)缺失頻域數(shù)據(jù),可以利用訓(xùn)練階段每一方位幀概率密度函數(shù)的轉(zhuǎn)移知識(shí),并通過壓縮感知(Compressive Sensing, CS)理論和貝葉斯準(zhǔn)則重構(gòu)出相應(yīng)的全帶寬頻域數(shù)據(jù)。關(guān)于每一訓(xùn)練方位幀和頻點(diǎn)缺失頻域數(shù)據(jù)的“相關(guān)性”,可以利用頻點(diǎn)缺失頻域數(shù)據(jù)的幀條件概率表示。3.研究設(shè)計(jì)一個(gè)具有稀疏特征選擇的貝葉斯分類器,它把原始信號(hào)的非線性映射作為預(yù)處理過程。提出的線性分類模型利用從原始輸入空間到非線性變換空間的映射,不僅能構(gòu)造非線性分類界面,還能實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的特征選擇。在提出的貝葉斯模型中,精確度(precision)服從伽馬分布的零均值高斯先驗(yàn)分布和貝塔過程先驗(yàn)的有限近似分別用來實(shí)現(xiàn)特征和非線性映射的稀疏選擇。并利用VB方法對(duì)提出的貝葉斯線性分類器進(jìn)行推導(dǎo)。通過對(duì)人工合成數(shù)據(jù)、實(shí)測(cè)雷達(dá)數(shù)據(jù)、高維基因數(shù)據(jù)、以及公共數(shù)據(jù)的實(shí)驗(yàn),表明了提出方法相比于現(xiàn)有方法具有的優(yōu)良特征選擇和分類能力。4.為實(shí)現(xiàn)用較少的訓(xùn)練樣本對(duì)高分辨距離像(High Resolution Range Profile, HRRP)進(jìn)行識(shí)別,本論文提出了兩種利用多任務(wù)稀疏學(xué)習(xí)的分類識(shí)別方法。HRRP通�？梢圆捎脙煞N不同的判別方法實(shí)現(xiàn)樣本的分類識(shí)別：生成模型和判別模型。生成模型通常是基于貝葉斯理論的統(tǒng)計(jì)建模方法,而判別模型是在訓(xùn)練階段學(xué)出一個(gè)判別函數(shù),用來實(shí)現(xiàn)對(duì)每一個(gè)輸入樣本直接映射到一個(gè)類別標(biāo)號(hào)。本論文對(duì)這兩種判別方法均采用了多任務(wù)稀疏學(xué)習(xí),下面分別對(duì)它們討論。(1)生成模型的多任務(wù)學(xué)習(xí)。該方法將訓(xùn)練樣本各方位幀的統(tǒng)計(jì)建模視為單一的任務(wù),由于各幀訓(xùn)練樣本間不是完全獨(dú)立而是相互關(guān)聯(lián)的,因此設(shè)定所有幀的訓(xùn)練樣本采用同一個(gè)字典以實(shí)現(xiàn)幀間信息的共享。由于目標(biāo)的不同以及同一目標(biāo)的方位敏感性,通常很難確定各訓(xùn)練幀的相關(guān)性,而不相關(guān)任務(wù)間的聯(lián)合學(xué)習(xí)將會(huì)降低識(shí)別性能,因此采用Bernoulli-Beta先驗(yàn)根據(jù)給定訓(xùn)練數(shù)據(jù)自動(dòng)學(xué)出每一幀需要的原子,而通過不同幀間共享的原子個(gè)數(shù)就可以判斷它們的相關(guān)性,從而實(shí)現(xiàn)自適應(yīng)的多任務(wù)學(xué)習(xí)。(2)判別模型的多任務(wù)學(xué)習(xí)。該方法適用于多類目標(biāo)識(shí)別,它把每一類和其它類的識(shí)別視為單一的任務(wù)。假定多個(gè)任務(wù)間是相關(guān)的,也即多個(gè)任務(wù)的預(yù)測(cè)(每個(gè)單任務(wù)分類中判別函數(shù)的權(quán)重)是相關(guān)的,因此設(shè)定所有任務(wù)預(yù)測(cè)共用同一個(gè)子空間以實(shí)現(xiàn)信息共享。由于任務(wù)權(quán)重間的相關(guān)性是變化的,每個(gè)任務(wù)權(quán)重需要的子空間基向量,可以利用Bernoulli-Beta先驗(yàn)由給定的數(shù)據(jù)自動(dòng)學(xué)出,而通過不同任務(wù)間共享的子空間基向量個(gè)數(shù)就可以判斷它們的相關(guān)性,從而實(shí)現(xiàn)自適應(yīng)的多任務(wù)學(xué)習(xí)。
【關(guān)鍵詞】：雷達(dá)自動(dòng)目標(biāo)識(shí)別 稀疏貝葉斯 參數(shù)估計(jì) 壓縮感知 特征選擇 分類器設(shè)計(jì) 多任務(wù)學(xué)習(xí)
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN957.52
【目錄】：

• 摘要5-7
• ABSTRACT7-13
• 符號(hào)對(duì)照表13-15
• 縮略語(yǔ)對(duì)照表15-20
• 第一章 緒論20-34
• 1.1 雷達(dá)自動(dòng)目標(biāo)識(shí)別的基本概念20-22
• 1.2 雷達(dá)自動(dòng)目標(biāo)識(shí)別的發(fā)展概述22-24
• 1.3 雷達(dá)自動(dòng)目標(biāo)識(shí)別的研究意義和關(guān)鍵問題24-27
• 1.4 貝葉斯統(tǒng)計(jì)學(xué)習(xí)27-31
• 1.4.1 三種信息27-28
• 1.4.2 貝葉斯公式28
• 1.4.3 先驗(yàn)分布的選取28-30
• 1.4.4 貝葉斯計(jì)算方法30-31
• 1.5 研究?jī)?nèi)容安排31-34
• 第二章 基于細(xì)化字典的稀疏貝葉斯參數(shù)估計(jì)34-58
• 2.1 引言34-35
• 2.2 基于固定字典的稀疏貝葉斯參數(shù)估計(jì)35-41
• 2.2.1 基本模型框架35-37
• 2.2.2 變分貝葉斯(Variational Bayesian,VB)推導(dǎo)37-41
• 2.3 基于細(xì)化字典的稀疏貝葉斯參數(shù)估計(jì)41-43
• 2.4 實(shí)驗(yàn)結(jié)果43-55
• 2.4.1 復(fù)正弦模型43-48
• 2.4.2 自旋引起的微多普勒模型48-55
• 2.5 本章小結(jié)55-58
• 第三章 基于轉(zhuǎn)移學(xué)習(xí)的步進(jìn)頻數(shù)據(jù)壓縮感知58-84
• 3.1 引言58-60
• 3.2 調(diào)頻步進(jìn)信號(hào)分析60-61
• 3.3 全帶寬頻域數(shù)據(jù)的字典學(xué)習(xí)和統(tǒng)計(jì)建模61-67
• 3.3.1 全帶寬頻域數(shù)據(jù)的CBPFA模型61-64
• 3.3.2 變分貝葉斯推導(dǎo)64-66
• 3.3.3 每一訓(xùn)練幀全帶寬頻域數(shù)據(jù)的概率密度估計(jì)66-67
• 3.4 基于轉(zhuǎn)移學(xué)習(xí)的頻點(diǎn)缺失頻域數(shù)據(jù)的統(tǒng)計(jì)壓縮感知67-70
• 3.4.1 訓(xùn)練樣本與頻點(diǎn)缺失頻域數(shù)據(jù)強(qiáng)相關(guān)68
• 3.4.2 訓(xùn)練樣本與頻點(diǎn)缺失頻域數(shù)據(jù)的相關(guān)度未知68-70
• 3.5 實(shí)驗(yàn)結(jié)果70-81
• 3.5.1 訓(xùn)練樣本與頻點(diǎn)缺失頻域數(shù)據(jù)強(qiáng)相關(guān)70-73
• 3.5.2 訓(xùn)練樣本集與頻點(diǎn)缺失頻域數(shù)據(jù)的相關(guān)度未知73-81
• 3.6 本章小結(jié)81-84
• 第四章 具有稀疏特征選擇的貝葉斯分類器設(shè)計(jì)84-108
• 4.1 引言84-86
• 4.2 具有稀疏特征選擇的貝葉斯分類器86-90
• 4.2.1 基本模型框架86-88
• 4.2.2 稀疏先驗(yàn)88-90
• 4.3 變分貝葉斯推導(dǎo)90-94
• 4.4 實(shí)驗(yàn)結(jié)果94-107
• 4.4.1 Ripley合成數(shù)據(jù)的實(shí)驗(yàn)結(jié)果94-98
• 4.4.2 實(shí)測(cè)雷達(dá)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果98-101
• 4.4.3 高維基因數(shù)據(jù)的實(shí)驗(yàn)結(jié)果101-104
• 4.4.4 公共數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果104-106
• 4.4.5 算法復(fù)雜度分析106-107
• 4.5 本章小結(jié)107-108
• 第五章 基于多任務(wù)稀疏學(xué)習(xí)的雷達(dá)HRRP目標(biāo)識(shí)別108-124
• 5.1 引言108-110
• 5.2 基于多任務(wù)統(tǒng)計(jì)建模的雷達(dá)HRRP目標(biāo)識(shí)別110-116
• 5.2.1 多任務(wù)統(tǒng)計(jì)建模學(xué)習(xí)框架110-112
• 5.2.2 變分貝葉斯推導(dǎo)112-113
• 5.2.3 測(cè)試樣本的分類113-114
• 5.2.4 實(shí)驗(yàn)結(jié)果114-116
• 5.3 基于多任務(wù)判別函數(shù)學(xué)習(xí)的雷達(dá)HRRP目標(biāo)識(shí)別116-122
• 5.3.1 多任務(wù)判別函數(shù)學(xué)習(xí)框架116-119
• 5.3.2 變分貝葉斯推導(dǎo)119-120
• 5.3.3 測(cè)試樣本的分類120-121
• 5.3.4 實(shí)驗(yàn)結(jié)果121-122
• 5.4 本章小結(jié)122-124
• 第六章 總結(jié)與展望124-128
• 6.1 工作總結(jié)124-125
• 6.2 工作展望125-128
• 參考文獻(xiàn)128-138
• 致謝138-140
• 作者簡(jiǎn)介140-141

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前3條

1 肖永生;周建江;劉思峰;張可;劉偉強(qiáng);;基于灰色系統(tǒng)的雷達(dá)目標(biāo)高分辨距離像識(shí)別[J];控制與決策;2011年07期

2 李麗亞;劉宏偉;糾博;吳順君;;基于核函數(shù)的多極化HRRP識(shí)別[J];西安電子科技大學(xué)學(xué)報(bào);2010年01期

3 李明;;雷達(dá)目標(biāo)識(shí)別技術(shù)研究進(jìn)展及發(fā)展趨勢(shì)分析[J];現(xiàn)代雷達(dá);2010年10期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 史亞;雷達(dá)輻射源個(gè)體識(shí)別中的分類器設(shè)計(jì)與子空間學(xué)習(xí)[D];西安電子科技大學(xué);2011年

2 張奔;基于高分辨距離像的目標(biāo)識(shí)別算法和演示系統(tǒng)設(shè)計(jì)研究[D];西安電子科技大學(xué);2011年

3 楊鐳;支持向量機(jī)算法設(shè)計(jì)及在高分辨雷達(dá)目標(biāo)識(shí)別中的應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

4 彭勃;中段目標(biāo)一維距離像姿態(tài)敏感性分析與識(shí)別技術(shù)研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2010年

5 范鳳霞;基于ISAR圖像的艦船目標(biāo)的特征提取與識(shí)別[D];哈爾濱工業(yè)大學(xué);2011年

6 謝松陽(yáng);基于ADSP-TS101的雷達(dá)目標(biāo)識(shí)別系統(tǒng)設(shè)計(jì)[D];西安電子科技大學(xué);2010年

7 李志鵬;基于特征融合和特征增強(qiáng)的雷達(dá)高分辨距離像穩(wěn)健識(shí)別方法研究[D];西安電子科技大學(xué);2013年

8 田亞平;雷達(dá)地面目標(biāo)分類技術(shù)研究[D];西安電子科技大學(xué);2013年

9 王蓉;基于一維距離像數(shù)據(jù)生成的未知目標(biāo)判別研究[D];電子科技大學(xué);2013年

10 楊陶柳;高分辨雷達(dá)多目標(biāo)識(shí)別算法研究[D];電子科技大學(xué);2013年

  本文關(guān)鍵詞：基于稀疏貝葉斯學(xué)習(xí)的雷達(dá)自動(dòng)目標(biāo)識(shí)別方法研究，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：349506