摘  要： 雷達目標識別中，提取目標的有效特征將直接影響識別效果。針對雷達目標高分辨距離像（HRRP）具有平移敏感性，提出了一種基于多特征的融合特征來作為目標特征進行識別。利用PCA將三種平移不變特征融合，采用支持向量機算法來實現識別。仿真實驗結果表明，該方法不僅降低了目標特征的存儲量，同時也克服了高分辨距離像的平移敏感性，具有較高的識別率和很好的推廣性。

　　關鍵詞： 一維距離像；主成分分析；支持向量機；幅度譜差分特征；中心距特征；功率譜特征

0 引言

　　本文主要針對目標高分辨一維距離像的平移敏感性，提出了一種基于主成分分析方法的多特征融合的目標識別方法。首先對一維距離像進行預處理，消除一維距離像的噪聲干擾并且克服一維距離像的強度敏感性。在此基礎上分別提取具有平移不變性的功率譜特征、中心矩特征及幅度譜差分特征，然后利用PCA方法將以上特征融合作為目標特征，采用支持向量機分類器進行識別分類。根據實測雷達目標的數據進行多次試驗，結果顯示，提取的該融合特征與單一特征和串聯融合特征相比在減少模板特征向量的個數和測試樣本識別的計算量的同時，得到了較高的識別率。

1 特征提取

　　1.1 一維距離像模型

　　當雷達發射信號帶寬足夠大時，目標尺寸遠大于雷達的距離分辨單元，此時雷達回波就是由多個目標散射點子回波組成；同時回波中所呈現的結構反映了目標散射點的分布情況，可用于目標識別[1]，如圖1所示。

　　1.2 數據預處理

　　雷達回波信號經過逆離散傅里葉變換就可以得到目標的一維距離像[2-3]。對數據進行預處理，首先對其進行降噪處理，本文采用小波方法對信號進行降噪處理。利用小波變換降噪的主要思想是將數據轉換到小波域，使噪聲部分包含在小波的高頻系數中，在去除小波分解的高頻系數后對信號進行小波反變換，即可達到降噪的目的。然后對一維距離像進行歸一化處理，克服其強度敏感性。

　　1.3 提取平移不變特征

　　直接用一維距離像作為特征對目標進行識別不僅會使模板的特征向量存儲過大，而且該特征并沒有克服平移敏感性，從而影響識別效果[4-5]。所以本文提取一維距離像的中心距特征、功率譜特征和幅度譜差分特征，三種特征都具有平移不變性。

　　1.3.1 提取功率譜特征

　　設x={x（j），j=0，1，2，…，J-1}為目標一維距離像的回波幅度值，J為距離單元的個數，則一維距離像幅度x的功率譜為：

　　由式（2）得出功率譜具有平移不變性，所以一維距離像幅度的功率譜特征是平移不變特征。

　　1.3.2 提取幅度譜差分特征

　　1.3.3 中心矩特征向量提取

　　設x={x（j），j=0，1，2，…，J-1}為距離像幅度，x（j）是第j+1個距離單元的回波幅度，J是距離單元個數，歸一化處理得：

　　由式（8）得出，中心矩ml的幅度隨階數增加而遞增，為了抑制指數增長帶來的影響，通過對中心矩做極差變換從而消除數量級帶來的影響。對中心矩特征做向量極差變換相當于做了歸一化，這樣解決了特征不在同一個數量級的問題。所以中心矩特征表示其中L為中心矩的最高階數。

2 特征融合

　　PCA的基本思想是用一組維數最少的特征盡可能精確地描述原始樣本特征。本文首先將三種特征數據進行串聯，然后通過PCA將串聯后的數據進行有效的融合。其目的有兩個：一是消除三種特征數據中的相關性；二是將三種特征數據從高維矢量壓縮為低維矢量。

3 分類器選取

　　本文所選擇的分類器是由Vapnik首先提出的支持向量機分類器，SVM的主要思想是建立一個超平面作為決策曲面，使兩類之間的間隔邊緣被最大化分開。一個分類系統的正規流程應為：（1）選定訓練集和測試集；（2）對訓練集和測試集進行統一的規范化；（3）提取兩個集合的相同特征；（4）利用訓練集得到分類模型；（5）利用分類模型對測試集分類。本文將按照這一流程對上述的特征逐一進行分類實驗仿真。

4 實驗仿真

　　為了驗證這種方法的有效性，采用ISAR雷達實測飛機數據進行仿真實驗。本實驗對基于多特征融合的雷達目標實測數據的識別過程框圖如圖2所示[6]。

　　本實驗在預處理階段中選擇雙正交小波進行小波去噪，分解層數N選定為4，小波基為db7。采用線性歸一化方案進行歸一化。圖3為三類飛機某一角度一維距離像預處理前后的對比圖。

　　本文所用的數據是雷達實測三類飛機的數據，分別提取三類飛機的功率譜特征、中心距特征、幅度譜差分特征，圖4顯示了三種特征對比。從功率譜特征中發現其能量大部分集中于低頻段，所以在決策中減少高頻部分的權重。本實驗選取了第1到第10維數據。選取6維中心距特征和20維幅度譜差分特征，可以看出，三類飛機的這些特征值分布不同，具有一定的可分性，且三種特征均具有平移不變性。

　　將每類飛機的三種數據串聯得到的三類飛機的36維多特征數據進行PCA融合，如圖5所示。經多次實驗研究得出：主分量個數為15時不僅能夠消除三種特征數據中的相關性，而且還能充分反映出原始飛機數據特征。每類飛機前15維主成分貢獻率分別是：AN飛機95.4%，YAK飛機94.1%，JIANG飛機97.5%。

　　得到融合特征后，首先提取樣本進行訓練，本實驗分別采用全樣本、部分樣本及少數樣本的方法進行訓練。然后選取與訓練樣本不重疊的測試樣本進行測試，測試結果如表1所示。

　　從表1可以看出，經過PCA融合的多特征要比單一特征識別效果好。

　　同時得出了不同特征的特征點分布圖，在此只展示部分樣本方案中的特征點分布圖，如圖6所示。

　　圖6中分別展示了5種特征的三維特征點分布圖，從圖中可以直觀地看出PCA融合特征的分類效果明顯優越于其他分類效果。進行以下實驗來證明該融合特征具有平移不變性：選取不同位置的三類飛機的一維距離像，在同等條件下進行識別。本實驗采取部分樣本方案（訓練195個樣本），實驗結果如表2所示。

　　從表2可以看出，該特征具有平移不變性。與單一特征相比，基于主成分分析的該融合特征不僅有很好的識別效果，同時也具有平移不變性。

5 結論

　　在雷達目標識別領域中，高分辨一維距離像的平移敏感性始終是熱點和難點問題，所以本文針對這一問題提出了解決方案。從高分辨一維距離像中提取出三種一維距離像平移不變特征，然后利用主成分分析方法將特征有效地融合。結合理論分析和實測數據的試驗證明了這種融合的平移不變特征在高分辨雷達目標識別應用中的有效性，可以顯著提高目標的識別率。

參考文獻

　　[1] 保錚，邢孟道，王彤.雷達成像技術[M].北京：電子工業出版社，2005.

　　[2] BOSHRA M， BHANU B. Predicting an upper bound on SAR ATR performance[C]. IEEE Transactions on Aerospace and Electronic Systems， 2001，37（3）：876-888.

　　[3] 廖學軍.基于高分辨距離像的雷達目標識別[D].西安：西安電子科技大學，1999.

　　[4] Liao Xuejun， Bao Zheng， Xing Mengdao. On the aspect sensitivity of high resolution range profiles and its reduction methods[C]. The Record of IEEE 2000 International Radar Conference， Washing，2000：310-315.

　　[5] 田華.石圣羽.宗曉萍.基于不變矩特征及BP神經網絡的圖像模式識別[J].河北大學學報（自然科學版），2008，28（2）：214-217.

　　[6] Du Lan， Liu Hongwei， Bao Zheng， et al. Radar HRRP target recognition based on higher order spectra[C]. IEEE Transactions on Signal Processing，2005，53（7）：2359-2368.