合成孔径雷达目标的全贝叶斯特征提取方法
【技术领域】
[0001] 本发明属于雷达技术领域，涉及合成孔径雷达目标的全贝叶斯特征提取方法，可 用于合成孔径雷达目标的自动识别。
【背景技术】
[0002] 从雷达信号中提取和估计散射中心的特征参数是雷达目标识别应用领域的热点 问题。属性散射中心模型通过引入物理含义明确的多维参数，可实现对目标散射中心进行 简单而精确的描述，通过分析模型参数还可进一步分析散射中心的几何尺寸和散射类型等 多种性质。属性散射中心模型从几何绕射解和物理光学的角度出发为散射中心提供了更完 备的电磁特性和几何特性信息。同点散射模型相比，属性散射中心模型可以更好地描述线、 面结构的物体。因此，属性散射中心模型被广泛应用于合成孔径雷达目标的相关特征参数 的提取。
[0003] 由于特征参数的高度非线性以及参数空间的维度较高，基于属性散射中心模型的 特征提取变得很困难。为了解决这个问题，主要采用两类方法，分别是基于图像域和基于频 域的方法。由于基于图像域的处理方法中存在图像不能被精确分割的困扰，因此特征参数 的提取更多的集中在基于频域的处理上。然而，基于频域的处理方法也有自身的缺陷。比 如已经提出的一种改进的RELAX算法，在这种方法中，首先只有一个属性散射中心被假设 和估计，然后加入另一个属性散射中心，同时根据RELAX策略更新现有的参数集，这样逐次 迭代直到参数达到相应的阈值。
[0004] 这种改进的RELAX算法在实际应用中存在较大问题，因为所需阈值的相关知识在 实际应用中并不能总是被获取，而且，阈值的选取错误将会带来难以预料的错误。同时，其 余的基于频域的处理方法的实施往往需要占用过大的内存空间，这个缺陷大大影响了这些 处理方法在实际应用中的推广使用。
【发明内容】
[0005] 针对上述缺点，本发明的目的在于提出一种合成孔径雷达目标的全贝叶斯特征提 取方法，能够克服常规算法中占用内存过大的不足，自适应的估计属性散射中心的数目以 及属性散射中心的各个参数。
[0006] 本发明基于数据的剩余能量，提出了使用过完备字典随机扩展的全贝叶斯算法 来完成基于属性散射中心模型的特征提取算法。该算法基于利维自适应回归核（Levy Adaptive Regression Kernel)LARK模型，引入伽马随机场来模拟属性散射中心ASC模型所 有未知参数的分层先验，然后，基于先验导出后验联合分布，最后，在完成对所谓的冗余变 量的积分之后，采用一种改进的可逆转跳跃马尔可夫链蒙特卡洛RJ-MCMC方法对维度变化 的参数进行后验推导以及采用马尔可夫链蒙特卡洛MCMC方法对固定维度的参数进行后验 推断。
[0007] 为达到上述目的，本发明采用如下技术方案予以实现。
[0008] -种合成孔径雷达目标的全贝叶斯特征提取方法，包括如下步骤：
[0009] 步骤1，获取雷达回波信号的属性散射中心模型；
[0010] 步骤2,确定所述属性散射中心模型中每个未知特征参数服从的先验概率分布；
[0011] 步骤3,根据所述所有未知特征参数服从的先验概率分布，建立完整的分层贝叶斯 丰旲型；
[0012] 步骤4,根据所述完整的分层贝叶斯模型和雷达回波信号，确定所述属性散射中心 模型中所有未知特征参数的联合后验概率分布；
[0013] 步骤5,确定所述属性散射中心模型中每个未知特征参数的建议分布；
[0014] 步骤6,对所述属性散射中心模型中的每个未知特征参数分别进行采样；
[0015] 步骤7,将步骤6重复执行N次，得到每个未知特征参数的N个采样值，由每个未知 特征参数的N个采样值生成该未知特征参数的马尔科夫链；
[0016] 步骤8,根据每个未知特征参数的马尔科夫链中的采样值，确定每个未知特征参数 的估计值。
[0017] 本发明的特点和进一步的改进为：
[0018] (1)所述雷达回波信号的属性散射中心模型为：
[0020] 其中E(f，Φ)表示接收到的雷达回波信号，A1是第i个属性散射中心后向散射系 数，f表示雷达发射信号频率，Φ表示雷达运动过程中的方位角，J表示属性散射中心的个 数，W1表示第i个属性散射中心的特征参数集， n(f，φ)表示复高斯噪声，g(co J表示第i 个属件散射中心的回波信号：
[0022]
是第i个属性散射中心的特征参数集，sinc[ ·]= sin[ ·]/[·]，f。是雷达中心频率，c是传播速度，a i是第i个属性散射中心频率相关系 数，X1表示第i个属性散射中心在距离向的位置，y i表示第i个属性散射中心在方位向的 位置，g是第i个属性散射中心的方位角，L1是第i个属性散射中心的长度，κ 1表示了第 i个属性散射中心方位相关系数。
[0023] (2)步骤2具体包括如下子步骤：
[0024] (2a)确定属性散射中心模型中散射中心的个数J的先验概率分布为负二项式分 布 NB(s，q):
[0026]其中，s = ay，q = bγ Abγ + I Ω I E1 ( ε ))，
表示指数积分函数，γ 的先验概率分布为y~Ga(aY，bY)，aY表不伽马分布的形状特征参数，b γ表不伽马分布 的尺度特征参数；
[0027] (2b)确定属性散射中心模型中后向散射系数{AJ的先验概率分布为平稳分布 π (A)：
[0030] (2c)确定属性散射中心模型中特征参数的{coj先验概率分布；
[0031] (2d)确定属性散射中心模型中噪声方差{σ,^的先验概率分布为独立分布Λ·(<7,?):
[0033] 其中，π ( ·)表不一个平稳分布。
[0034] 更进一步的，子步骤（2c)具体包括如下子步骤：
[0035] (2cl)确定频率相关系数α 先验概率分布为均匀分布；
[0036] (2c2)确定位置特征参数X1, 71的先验概率分布也为均匀分布：
[0037] (Xi，yi)~Ji xy(xy) = 1/| Ω I
[0038] 其中I Ω I表示位置特征参数（χ，y)归属的空间体积；
[0039] (2c3)确定长度特征参数L的先验概率分布为混合的分布函数：
[0040] Li~π (L) = (1-ζ ) δ 0(L) +ζ Ga(aL，bL)
[0041] 其中，ζ e [0,1]用来平衡局部的属性散射中心以及分散的属性散射中心的分 布，δ。(L)表示一个sine函数，（ay bj表示超特征参数；
[0042] (2c4)确定方位角美的先验概率分布为混合先验概率分布：
[0044] 其中，D41表示整个模型方位角Φ的范围，病表示单个属性散射中心的方位角。
[0045] (3)步骤4根据所述完整的贝叶斯模型和雷达回波信号，确定所述雷达回波信号 的属性散射中心模型中所有未知特征参数的联合后验概率分布PostCJ，KA 1, ωι)}，n |e， ε ):
[0047] 其中，Post( ·)表示一个后验概率分布，E表示雷达回波信号E(f，Φ)的向量形 式，g(〇i)表不g(wi)的向量形式，Ne为向量E 的长度
表不用属性散 射中心模型表示雷达回波信号后的残差；
[0048] 步骤4还包括：确定冗余特征参数σ η，γ服从的后验概率分布：
[0051] ⑷步骤5具体包括：
[0052] (5a)确定执行生成步骤的各个特征参数的建议分布： \
[0053] 确定特征参数（x^y)的建议分布q (X^yi IE1O ;确定特征参数 的建议分布
J
;确定特征参数（A〇的建议分布 ，其中，（· Γ表 示采样后得到的样本值。
[0054] (5b)确定执行消亡步骤的各个特征参数的建议分布：
[0055] 确定执行消亡步骤的特征参数的建议分布为：
[0057] 其中，q((Ak，cok))表示特征参数（Ak，co k)的消亡建议分布，（Ak，cok)表示被选取 移除的特征参数。
[0058] (5c)确定执行更新步骤的各个特征参数的建议分布：
[0059] 确定固定维度的特征参数η的建议分布
[0060] (5)步骤6具体包括如下子步骤：
[0061] (6a)初始化特征参数集{J，{(A1, ω J }，q }以及执行概率Pv，Pb，Pd，Pu;
[0062] 其中，Pv表示更新维度变化的特征参数集{A p coj的执行概率，Pb表示执行生成 步骤的概率，Pd表示执行消亡步骤的概率，Pu表示执行更新