《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 基于联合字典稀疏表达的目标识别算法研究
基于联合字典稀疏表达的目标识别算法研究
2019年电子技术应用第4期
段沛沛1,2,李 辉1,雒明世2
1.西北工业大学 电子信息学院,陕西 西安710029;2.西安石油大学 计算机学院,陕西 西安710065
摘要: 在使用高分辨距离像开展目标识别时,传统方法很少利用样本的稀疏性。为了克服此类识别所面临的繁琐的分析难题,简化识别过程,稀疏分析其实是一种不错的压缩样本数据,提升剖析效果的方法。因此,提出一种基于联合字典及快速分解策略完成雷达一维距离像稀疏分析,进而鉴识目标的算法。为了提升识别策略的实用性,算法还尝试依信噪比调控其内稀疏分解参数,以改善算法抗噪性能。实验测评表明:相较同类识别策略,该算法求解更为便捷,适用范围有所拓展;相比不同类型的常规识别策略,该算法抵御噪声的能力有所提升,识别效果更优。
中图分类号: TN959.1+7
文献标识码: A
DOI:10.16157/j.issn.0258-7998.190127
中文引用格式: 段沛沛,李辉,雒明世. 基于联合字典稀疏表达的目标识别算法研究[J].电子技术应用,2019,45(4):11-14.
英文引用格式: Duan Peipei,Li Hui,Luo Mingshi. Study on radar target recognition based on sparse representation with a federated dictionary[J]. Application of Electronic Technique,2019,45(4):11-14.
Study on radar target recognition based on sparse representation with a federated dictionary
Duan Peipei1,2,Li Hui1,Luo Mingshi2
1.Department of Electronics Engineering,Northwestern Polytechnical University,Xi′an 710029,China; 2.School of Computer Science,Xi′an Shiyou University,Xi′an 710065,China
Abstract: When high resolution range profiles(HRRP) are used to recognize radar target, few traditional recognition methods analyse the sparseness of HRRP samples. In order to overcome the tedious analysis problems and simplify the recognition procedure, sparse representation is an effective way to compress HRRP samples and extract the target features. Thus, a federated redundant dictionary and a fast sparse representation algorithm are introduced to implement radar target recognition here. Moreover, a sparse decomposition parameter is adjusted by SNR in order to suppresses noise. The simulation results show that compared with the same kind of RATR algorithms, the algorithm in the paper is practicable, simple and efficient. In contrast to the traditional dimension reduction recognition method, it has better noise robustness and higher recognition ratio.
Key words : radar target recognition;high resolution range profile;sparse decomposition;federated dictionary

0 引言

    高分辨距离像(High Resolution Range Profile,HRRP)样本中蕴含目标重要信息,但是受其自身可视性的限制,这些信息并不适宜直接用于识别[1]。为此,必须细致地剖析HRRP样本,尽量准确地获取繁杂数据中的重要信息,方可实现对目标的准确识别。

    依据数学分析,常规信号可采用某空间(域)内的若干基函数组合来表达。因此,以往有不少识别算法尝试将目标HRRP映射到某个特定域内,借助适当变换来完成对其的分析、表达,尤其是降维表达[2]。近年来对稀疏理论的研究发现,想要更为精准地对特定信号开展降维分析,其实可在考虑并衡量信号自身特征的基础上,依据冗余度更大的基函数组合来完成。本文就将遵循特征表示的识别思路,依据稀疏理论,探讨能够更为简洁且稳健提高HRRP目标识别效果的方法。

1 稀疏分析技术要点

    由常规正交基构成的字典种类很多,且优势鲜明。目前,其实已有不少研究针对特定的应用,找到了与之契合、意义明确的正交基,用以完成工作所需的信号分解及表达。可是依此所得的分析结论并非均可推广,或者具备借鉴意义。换言之,在实际信号相对复杂,且可能具有未知特性的情况下,仅依靠由某一确定正交基构造的字典,往往很难保证其对信号表达的准确性,自然也无法保证变换、表达的稀疏性。

    为了弥补简单正交字典的劣势,同时又保留其优势,或可尝试借助多个正交基级联构造冗余字典,以达到预期表达效果。事实上,这类研究思路已在图像信号处理中得到了应用及验证[3-4]。研究人员曾围绕常用(诸如:时-频、Meyer-Lemarié小波及傅里叶基等)级联字典的设计和相关分解思路进行探讨,但以往此类字典大多仅借由两种正交基组合构造,因此为了进一步提升此类字典的表达能力,可考虑将其拓展为更多个基的组合,以构造一类兼具正交性及过完备特点的联合字典,并用以实现对雷达一维HRRP信号的稀疏分析。

1.1 联合字典

xhcl3-1.1-x1.gif

    为了满足求解的唯一性条件,并兼具较好的表达能力,本文的联合字典考虑选用一类具备良好正则性的Daubechies小波(dbN,N为阶数) 。对于dbN小波,通常随着N的增加,将使得信号在依其变换后的能量愈发集中,数据压缩率愈高。不过,N增大在带来压缩优势的同时,却削弱了其时域紧支性,影响了对样本进行稀疏表达所涉的运算量,制约了分析的实时操作性。

    为此,文中在采用其构造联合字典进行HRRP稀疏分析时,不仅对子字典选择进行了适当的折中处理(N=1~10),还尝试探寻更为快捷的分解策略。

1.2 分解策略

xhcl3-gs1-2.gif

    依据联合字典,采用改进的分组匹配追踪策略Improved Partition Matching Pursuit (IPMP)实现分解的具体步骤如下:

xhcl3-gs3.gif

xhcl3-gs4-9.gif

2 基于联合字典稀疏表达的目标识别

    该识别算法将被划分为两个处理环节:前一环节主要关注如何自HRRP数据中筛选目标特征;后一环节则关注如何利用所得识别目标。

2.1 训练环节

xhcl3-2.1-x1.gif

    (1)采用Daubechies系列小波基构造联合字典。

    (2)基于样本求取类别字典。

    借助IPMP算法,依联合字典对HRRP样本进行分解,以剔除样本中的无用成分,保留核心目标特征,同时实现数据降维,求得各目标类别字典Gl(l=1,2,…,N)。

2.2 测试环节

    在这一环节,将借助类别字典Gl(l=1,2,…,N)对相应目标HRRP样本开展稀疏分析,以判定其类别。具体操作步骤如下:

    初始化:根据数据类型,确定对其的校准策略,并得到测试样本y。

xhcl3-gs10-14.gif

3 仿真分析

3.1 仿真数据说明

    仿真环境:Windows 7系统,CPU频率为1.5 GHz,内存2 GB。仿真软件为MATLAB 2012b。仿真中用到3类飞机目标(B-1b、B-52、F-15型)的HRRP仿真数据,数据设定:雷达中心频率为5 520 MHz,带宽400 MHz,方位角控制在0°~180°间,每隔0.1°采集一次回波,当俯仰角及横滚角均为0°时,所得样本中等间隔筛选出600个用于训练阶段;当俯仰角调整为3°、横滚角也调整为3°时,所得样本中等间隔筛选出300个用于测试。另外,还将在测试样本中加入白噪声,以模拟不同信噪比的情况。

3.2 实验分析

3.2.1 训练仿真实验

    为了有效地对HRRP信号进行稀疏分析,字典的选择至关重要,而与之配合的分解算法的选择也同样非常关键。本文依据联合字典,探讨了一类适用的IPMP分解策略。为了说明不同字典及分解方法对于样本表达测效果差异,图1中展示的是对于F-15机型同一组HRRP样本信号,分别依据Harr小波基或联合字典,辅以不同分解策略,经稀疏分析之后所得的逼近效果比对结果。

xhcl3-t1.gif

    通过图1可知,首先,无论采用何类字典和分解策略,随着所选稀疏系数的增多,对原始数据表达的误差将逐渐减小。不过,减小到一定程度后,这种变化趋势会趋于缓慢,并趋向稳定。其次,比较了图示三类方法所得逼近表述的准确性,可以看出在使用联合字典时,由于其具备对多种特征的表达能力,因而适用范围更广,表述效果也相对更优,分解留存的残差也就更小。再次,图中还依据同一联合字典,就不同分解算法性能进行了比对。鉴于本文探讨的IPMP分解方法是在常规MP方法的基础上做了相应的修正,改善了后者求解时可能面临的过匹配难题,所以采用IPMP分解所得的表达准确率会适当优于使用MP所得。

    除去表述上的差异外,更重要的是,使用IPMP算法将能够更快地完成样本分解。表1中给出了稀疏系数量为100、信噪比15 dB时,针对同一目标相同样本,分别用表内分解方法及字典进行稀疏分析时,所耗费时间的对比关系。

xhcl3-b1.gif

3.2.2 测试仿真实验

    无论是何种应用背景,当样本信噪比较高时,识别分析效果往往相对较优。可是,实践中很难保证接收信号质量,为此所用识别策略应具备尽可能好的抵御杂噪、干扰的性能。本实验就此进行了算法间的比较分析,并给出了如图2所示的测试结果。

xhcl3-t2.gif

    图2中就几类算法的性能进行了比对,其中本文探讨的方法以及依据PCA开展的识别均可归入依重构模型开展识别分析的类型。不同的是,前者将依据联合字典展开对HRRP的稀疏分析、降维处理,以达成识别分析的目的。相较而言,后者其实也具备类似的“去冗余”能力,可将HRRP样本由高维向低维映射,并且也能保留其潜在的数据结构,使得去冗余后的低维数据中仍然留存有原始信号的主要特征。不过,根据以往研究、应用也可了解到,虽然PCA算法中基的选取至关重要,可是它本身对此却有所制约,不仅如此,其主成分数量还受到信号维度大小的限制。显然,两者相比,本文所用的联合字典不仅冗余,约束也更弱,因此依其所得识别性能也就更优。

    此外,本实验还比较了MCC、SVM识别算法的性能,结果显示:信噪比对各类算法的识别性能均有明显的影响。具体而言,SVM与本文算法相比,两者性能虽然在高信噪比时差别不大,但在低信噪比时却相距甚远,后者的抗噪能力显然更强。而用MCC法识别所得的准确率普遍较低,据本文算法取得的识别结果亦是优于采用MCC所得。不过,有研究表明[1],某些情况下其实可先借由对HRRP数据进行适当的幂变换预处理,再采用MCC法即可获取较好的辨识结果。但是,这类幂变换可能会造成噪声水平的放大,削弱目标分量,反而影响了MCC法识别分析的抗噪性能。

4 结论

    本文将稀疏分析理论引入目标识别应用,并基于分组稀疏分析策略开展了对HRRP样本的剖析及识别。实验表明:基于分组稀疏分析思路的目标识别方案切实可行,能够用以达成对目标稳健、有效地识别;相比某些常规识别算法,文中所提方法具有抵御杂噪干扰的能力及识别准确率均更优。在当前宽带雷达普遍应用的背景下,文中所提算法实现过程简捷,大量压缩了样本分析量,缓解了此类识别势必面临的庞杂的数据处理难题。

参考文献

[1] 杜兰.雷达高分辨距离像目标识别方法研究[D].西安:西安电子科技大学,2007.

[2] 冯博,杜兰,张学锋,等.基于字典学习的雷达高分辨距离像目标识别[J].电波科学学报,2012,27(5):897-905.

[3] 全盛荣,张天骐,王俊霞,等.基于稀疏分解的SFM信号的时频分析方法[J].电子技术应用,2016,42(6):87-90.

[4] BI D,XIE Y,ZHENG Y R.Synthetic aperture radar imaging using basis selection compressed sensing[J].Circuits Systems & Signal Processing,2015,34(8):2561-2576.

[5] LIU X, FAN J, LI W.Concave minimization for sparse solutions of absolute value equations[J].Transactions of Tianjin University,2016,22(1):89-94.

[6] 陈发堂,丁月友,冯永帅.大规模MIMO中基于GSSK系统的稀疏检测算法[J].电子技术应用,2016,42(7):107-110.



作者信息:

段沛沛1,2,李  辉1,雒明世2

(1.西北工业大学 电子信息学院,陕西 西安710029;2.西安石油大学 计算机学院,陕西 西安710065)