采用多任务稀疏学习的雷达HRRP小样本目标识别

徐丹蕾,杜 兰,王鹏辉,刘宏伟

(西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071)



采用多任务稀疏学习的雷达HRRP小样本目标识别

徐丹蕾,杜 兰,王鹏辉,刘宏伟

(西安电子科技大学雷达信号处理国家重点实验室,陕西西安 710071)

摘要:为实现用较少的训练样本对高分辨距离像进行识别,文中提出一种采用多任务稀疏学习的统计建模方法.该方法将各帧训练样本的统计建模视为单一的任务,由于各帧训练样本间不是完全独立而是相互关联的,因此,设定所有帧的训练样本采用同一个字典以实现帧间信息的共享.由于目标的不同以及同一目标的方位敏感性,通常很难确定各训练帧的相关性,而不相关任务间的联合学习将会降低识别性能.因此,采用Bernoulli-Beta先验根据给定训练数据自动学出每一帧需要的原子,而通过不同帧间共享的原子个数就可以判断它们的相关性,从而实现自适应的多任务学习.基于实测高分辨距离像数据的识别实验,证明了文中方法的有效性.

关键词:雷达目标识别;高分辨距离像;稀疏贝叶斯;多任务学习

随着现代战争先进技术的发展,军方对雷达目标识别技术的需求愈加强烈.雷达高分辨距离像(High Resolution Range Profile,HRRP)[1-2]是用宽带雷达信号获取的目标散射点子回波在雷达射线上投影的向量和,具有丰富的目标距离向几何结构信息,因此,在目标识别领域得到了广泛的应用.

基于贝叶斯理论的统计识别方法[3]是以测试样本在各类别下的后验概率为依据确定其类别的,被广泛地用于HRRP的识别.常用的统计建模方法[2]有自适应高斯分类器(Adaptive Gaussian Classifier,AGC)模型,Gamma Mixture模型,Gamma-Gaussian Mixture模型,以及因子分析(Factor Analysis,FA)模型等.其中前3种模型的自由参数较少,可用于小样本建模,但它们对HRRP的统计特性描述不全面,限制了其识别性能.FA模型对HRRP有更精确的描述,通常有较好的识别性能,但需要足够多的训练样本.然而在实际应用中,当雷达的脉冲重复频率较低或目标为先进的非合作目标时,通常很难获得足够多的训练样本.因此,如何利用较少的训练样本对HRRP进行充分的统计建模是目标识别技术面临的一个重要问题.

笔者提出了一种基于多任务稀疏学习的统计建模方法.多任务学习[4]是通过联合学习来提高“相关”任务的泛化能力.文中将各类目标每一方位帧的统计建模当作一个单任务,当一帧的训练样本比较小时,可以联合所有类别的所有帧,使它们共享信息(字典),实现用较少的训练样本得到较好的统计建模.但对于多任务学习,若任务间是不相关或相关性非常小,强制联合学习不仅不会增强性能,还会降低它们的性能.文中虽然不同类的所有帧可以共享一个字典,但是因为目标类别的不同或同一目标的方位敏感性,每一帧训练样本的统计特性一般不同.因此,文中限制同一任务的样本共享字典的一些原子,但是不同任务的原子相同与否,可以利用Bernoulli-Beta先验[5-6]自动稀疏学习,这样就可以根据给定数据自动确定不同任务的原子,而不同任务间共享的原子的个数就可以用来表征它们的相关性,即实现了自适应的多任务学习.

1 采用多任务稀疏学习的HRRP统计建模

1.1 HRRP数据的预处理

对HRRP数据,首先要解决的是方位敏感性、幅度敏感性以及平移敏感性[1-2].方位敏感性,即当目标转动角度较大时,散射点的越距离单元走动(Migration Through Resolution Cell,MTRC),常用解决方法是在目标散射点不发生MTRC所允许的最大方位角内,对训练样本进行均匀分帧.对于幅度敏感性,通常采用HRRP的模2范数对幅度进行归一解决.为解决平移敏感性,可以采用提取平移不变特征的方法,具体为功率谱特征[7].与原始HRRP相比,功率谱特征维度低,能显著降低运算量和存储量.

1.2 采用多任务稀疏学习的统计建模

为了让二进制变量z(v,m)实现自动稀疏,使用Bernoulli-Beta先验,它是Beta过程的有限近似[5-6],即

1.3 变分贝叶斯推导

算法1 采用VB推导的多任务稀疏学习模型参数更新.

初始化:θ←θ0;i=0;h=1;L(1)=∫q(Ψ)ln ( p(D,Ψ)q(Ψ))dΨ.While h≥ζ

2 HRRP测试样本的分类

贝叶斯分类器是根据测试样本在各类别下的类后验概率大小来确定其类别的.对于HRRP数据,由于方位敏感性,需要求出每一训练帧的概率密度函数p(x|v,m),即

3 实验结果与分析

表1 ISAR飞机参数　m

3.1 实验数据

本实验使用实测逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)飞机数据[1-3],其信号中心频率为5 520 MHz,带宽为400 MHz,表1为飞机的参数,图1是3类飞机飞行轨迹在地平面的投影,其中数字表示不同的数据段,每段数据有26 000个HRRP样本,每个HRRP包含256个距离单元.其中“雅克-42”的2、5段,“奖状”的6、7段数据和“安-26”的5、6段作为训练样本,其他各段等间隔抽出5 200个HRRP作为测试样本.对HRRP数据进行预处理,令N=1 024,则V=3,M1=35,M2=M3=50,L=256/2+1=129.

3.2 实验结果分析

为了验证训练样本集大小对各方法识别性能的影响,图2给出了AGC,FA和文中方法的识别性能随着训练样本帧大小的变化情况.本实验从训练数据各帧中随机挑选相同数量的样本构成训练样本集.从图2中可以看出,对于FA,由于它增加了一些模型自由度来描述HRRP不同距离间的相关性,当每帧训练样本数较多时,它对数据的描述精度高,识别性能较好,但当每帧训练样本减少时,对参数描述精度下降,识别性能迅速恶化,当每帧样本数少于20时,协方差矩的估计阵接近奇异,基本失去识别能力.而AGC由于模型自由度较少,每帧训练样本数的变化对识别结果影响不大,当每帧训练样本较多时,识别率要低于FA,而当每帧训练样本减少时,基于同样的原因,其识别性能要好于FA.相比于FA和AGC,文中提出的多任务识别方法通过信息共享降低了模型自由度,当每帧训练样本数比较少时,仍能得到较理想的识别效果.另外,随着每帧训练样本数的减少,文中方法的识别性能并没有特别明显的变化,表明文中方法对于训练样本集的大小有比较稳健的识别性能.

图1 3类飞机的平面航迹

图2 随着每帧训练样本数变化,3种方法识别性能比较

图3 训练样本每一帧z(v,m)原子学习情况

由于文中多任务学习利用各帧间共享的原子个数来判断它们的相关性,因此,图3给出了每帧训练样本数N=5时的原子学习情况,也即z(v,m)的学习结果,其中横坐标前35帧为雅克-42,中间50帧为奖状,剩余帧为安-26.从图3中可以看出,每帧训练样本学出的原子个数要远小于预设的原子个数K=129,证明了文中方法能够自动确定需要的原子;另外,文中多任务学习设定每一帧共享同样的原子,但不同帧间的原子共享由数据自动学出.图3中尽管每一帧的原子不尽相同,但是不同帧之间会共享一些原子,表明了文中方法能自动地利用不同帧间的相关性进行多任务学习,实现了不同帧间信息的合理共享利用.

4 结束语

为了保证较少训练样本条件下对HRRP的识别性能,笔者提出了一种基于多任务稀疏学习的统计建模方法.该方法设定不同的HRRP帧间共享一个高维字典,但是不同帧间的原子可以不同,是由数据自动学出,并且可以根据不同帧间共享的原子个数来判定它们的相关性.基于实测HRRP数据的实验结果表明,文中方法在训练样本数较少的情况下仍能得到较好的识别效果,证明了文中方法的有效性.

参考文献:

[1]DU L,LIU H W,BAO Z,et al.A Two-distribution Compounded Statistical Model for Radar HRRP Target Recognition[J].IEEE Transactions on Signal Processing,2006,54(6):2226-2238.

[2]王鹏辉.基于统计建模的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,2012.

[3]DU L,LIU H W,BAO Z.Radar HRRP Statistical Recognition:Parameter Model and Model Selection[J].IEEETransactions on Signal Processing,2008,56(5):1931-1944.

[4]GUPTA S K,PHUNG D,VENKATESH V.Factorial Multi-task Learning:a Bayesian Nonparametric Approach [C]//Proceedings of the 30th International Conference on Machine Learning.Atlanta:IMLS,2013:1694-1702.

[5]ZHOU M,CHEN H,PAISLEY J,et al.Nonparametric Bayesian Dictionary Learning for Analysis of Noisy and Incomplete Images[J].IEEE Transaction on Image Processing,2012,21(1):130-144.

[6]PAISLEY J,CARIN L.Nonparametric Factor Analysis with Beta Process Priors[C]//Proceedings of the 26th International Conference on Machine Learning.New York:ACM,2009:777-784.

[7]李志鹏,马田香,杜兰,等.在雷达HRRP识别中多特征融合多类分类器设计[J].西安电子科技大学学报,2013,40 (1):111-117.LI Zhipeng,MA Tianxiang,DU Lan,et al.Multi-class Classifier Design for Feature Fusion in Radar HRRP Recognition[J].Journal of Xidian University,2013,40(1):111-117.

[8]BEAL M J.Variational Algorithms for Approximate Bayesian Inference[D].London:University of London,2003.

(编辑:李恩科)

Radar HRRP target recognition by utilizing multitask sparse learning with a small training data size

XU Danlei,DU Lan,WANG Penghui,LIU Hongwei
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

Abstract:A statistical modeling method based on multitask sparse learning is proposed to realize the recognition of the high resolution range profile(HRRP) with a small training data size.The statistical modeling of each training aspect-frame is considered as a single task in our method.Since the training aspect-frames are not independent but inter-related,they can share a compact dictionary to make full use of the information.However,with the different targets and the aspect sensitivity of the same target,it is usually hard to assess the task relatedness,and joint learning with unrelated tasks may degrade the recognition performance.Therefore,we adopt the Bernoulli-Beta prior to learn the needed atoms of each aspect-frame automatically with the given training data.Then the relatedness between frames is determined by the number of shared atoms,and multitask learning can be realized adaptively.The recognition experiments of the measured HRRP data demonstrate the performance of the proposed method.

Key Words:radar target recognition;HRRP;sparse Bayesian;multitask learning

作者简介:徐丹蕾(1985-),女,西安电子科技大学博士研究生,E-mail:xdlei5258@163.com.

基金项目:国家自然科学基金资助项目(61271024,61201296,61322103);全国优秀博士学位论文作者专项资金资助项目(FANEDD-201156);中央高校基本科研业务费专项资金资助项目(K5051302010)

收稿日期:2014-10-31 网络出版时间:2015-05-21

doi:10.3969/j.issn.1001-2400.2016.02.005

中图分类号:TN959.1+7

文献标识码:A

文章编号:1001-2400(2016)02-0023-06

网络出版地址:http://www.cnki.net/kcms/detail/61.1076.TN.20150521.0902.002.html