基于四元數(shù)矩陣奇異值的目標(biāo)特征提取與識(shí)別

孫永健 穆賀強(qiáng) 程 臻 付 瑩

（1.北京無(wú)線電測(cè)量研究所，北京100854；2.空軍預(yù)警學(xué)院，湖北武漢430019；3.中國(guó)航天科工集團(tuán)第二研究院，北京100854）

基于四元數(shù)矩陣奇異值的目標(biāo)特征提取與識(shí)別

孫永健1，2穆賀強(qiáng)1程 臻3付 瑩2

（1.北京無(wú)線電測(cè)量研究所，北京100854；2.空軍預(yù)警學(xué)院，湖北武漢430019；3.中國(guó)航天科工集團(tuán)第二研究院，北京100854）

在彈道中段，目標(biāo)的微動(dòng)差異是識(shí)別彈頭和誘餌的有效特征.但目標(biāo)微動(dòng)特征參數(shù)的提取往往受到目標(biāo)平動(dòng)補(bǔ)償精度、雷達(dá)裝備工作狀態(tài)和環(huán)境等因素的限制，進(jìn)而導(dǎo)致目標(biāo)識(shí)別率降低.首先建立了基于四元數(shù)的彈頭與誘餌微動(dòng)模型，將目標(biāo)的微多普勒時(shí)頻像視為彩色圖像，并將彩色圖像用四元數(shù)矩陣模型描述.根據(jù)奇異值向量的穩(wěn)定性和旋轉(zhuǎn)不變性，提出了基于四元數(shù)矩陣奇異值分解和支持向量機(jī)的彈道目標(biāo)微多普勒特征提取與分類識(shí)別方法.仿真結(jié)果表明：四元數(shù)矩陣奇異值構(gòu)成的特征向量比基于Hu矩的特征向量更加有效；提高信噪比，有助于提高分類器的目標(biāo)識(shí)別率；目標(biāo)徑向速度估計(jì)誤差的增大，會(huì)降低分類器的目標(biāo)識(shí)別率；增大雷達(dá)的脈沖重復(fù)頻率可以明顯提高目標(biāo)的正確識(shí)別率.

目標(biāo)識(shí)別；特征提取；微多普勒；四元數(shù)矩陣；奇異值分解

引 言

彈道導(dǎo)彈彈道中段，誘餌等通常以相同的速度伴隨彈頭在大氣層外飛行，這對(duì)彈道目標(biāo)的分類識(shí)別提出了嚴(yán)峻挑戰(zhàn)，使其成為反導(dǎo)攔截的關(guān)鍵技術(shù)難題和研究熱點(diǎn).文獻(xiàn)［1］提取目標(biāo)高分辨距離像（High Resolution Range Profile，HRRP）特征，基于核匹配追蹤理論，采用直覺模糊C-均值聚類算法對(duì)目標(biāo)進(jìn)行分類識(shí)別，但HRRP的平移敏感性、姿態(tài)敏感性和幅度敏感性［2］會(huì)影響特征的穩(wěn)定性和聚類效果.隨著誘餌技術(shù)的快速發(fā)展，僅基于常規(guī)雷達(dá)的目標(biāo)特性很難從誘餌中識(shí)別出真彈頭，必須挖掘目標(biāo)的精細(xì)特征.自旋穩(wěn)定的彈頭在外部分離力量的作用下會(huì)產(chǎn)生進(jìn)動(dòng).根據(jù)動(dòng)量守恒定律，彈頭微動(dòng)將趨于穩(wěn)定的進(jìn)動(dòng)，直至其再入大氣層.［3］.而重誘餌將因?yàn)槿鄙僮藨B(tài)控制單元產(chǎn)生擺動(dòng).由微動(dòng)產(chǎn)生的微多普勒可以看作目標(biāo)的唯一特征，為中段目標(biāo)識(shí)別提供了可靠依據(jù)［4－5］.近年來(lái)，微多普勒效應(yīng)及其在雷達(dá)目標(biāo)識(shí)別領(lǐng)域的應(yīng)用研究已成為熱點(diǎn)［6－9］，但一般情況下很難直接獲得精確的目標(biāo)微多普勒特征參數(shù).文獻(xiàn)［10］從彈頭和誘餌的微動(dòng)模型出發(fā)，利用目標(biāo)二維時(shí)頻像的Hu不變矩［11］構(gòu)造目標(biāo)特征矢量進(jìn)行分類識(shí)別，但目標(biāo)高速平動(dòng)會(huì)使微多普勒產(chǎn)生平移、折疊和傾斜，破壞微多普勒的結(jié)構(gòu).因此，必須首先進(jìn)行平動(dòng)徑向速度補(bǔ)償處理［12－13］.實(shí)際中，由于雷達(dá)工作狀態(tài)、系統(tǒng)偏差、量測(cè)噪聲和自然環(huán)境的影響，很難實(shí)現(xiàn)目標(biāo)徑向速度的精確補(bǔ)償，進(jìn)而導(dǎo)致微多普勒參數(shù)的提取精度下降.當(dāng)信噪比低至一定程度時(shí)，微多普勒結(jié)構(gòu)將完全被斑點(diǎn)噪聲破壞，因此無(wú)法實(shí)現(xiàn)特征參數(shù)提取.

針對(duì)上述問(wèn)題，文章提出了基于四元數(shù)矩陣奇異值分解（Quaternion Matrix Singular Value Decomposition，QMSVD）和支持向量機(jī)（Support Vector Machine，SVM）的彈道目標(biāo)微多普勒特征提取與分類識(shí)別方法.該方法把目標(biāo)的微多普勒時(shí)頻像看作彩色圖像，并用四元數(shù)矩陣進(jìn)行描述，選取四元數(shù)矩陣的較大奇異值構(gòu)成特征向量，采用SVM分類器對(duì)彈頭和誘餌目標(biāo)進(jìn)行分類識(shí)別.進(jìn)一步分析了處理后信噪比、目標(biāo)徑向速度估計(jì)誤差和雷達(dá)脈沖重復(fù)頻率（Pulse Repetition Frequency，PRF）對(duì)目標(biāo)識(shí)別率的影響.仿真結(jié)果表明：四元數(shù)矩陣奇異值構(gòu)成的特征向量比基于Hu矩的特征向量更加有效；提高信噪比，有助于提高分類器的目標(biāo)識(shí)別率；在相同信噪比下，基于QMSVD的分類器較基于Hu矩的分類器具有較高的識(shí)別率.目標(biāo)徑向速度補(bǔ)償誤差的增大，會(huì)降低分類器的目標(biāo)識(shí)別率.增大雷達(dá)的PRF可以明顯提高目標(biāo)的正確識(shí)別率.

1 四元數(shù)復(fù)矩陣表示及其奇異值分解定理

四元數(shù)是愛爾蘭數(shù)學(xué)家和物理學(xué)家William Rowan Hamilton于1843年建立的數(shù)學(xué)概念，是繼復(fù)數(shù)之后又一新數(shù)系.隨著計(jì)算機(jī)圖形學(xué)和機(jī)器人定位等技術(shù)領(lǐng)域的發(fā)展，四元數(shù)越來(lái)越受到人們的重視.

四元數(shù)是由1個(gè)實(shí)數(shù)單位1和3個(gè)虛數(shù)單位i、j、k組成的包含4個(gè)實(shí)元的超復(fù)數(shù)，其形式為［14］

記四元數(shù)集合為H.令v＝（x，y，z），四元數(shù)可分為標(biāo)量和矢量?jī)刹糠譃?/p>

由此可以看出，實(shí)數(shù)x可以用四元數(shù)表示為q＝（x，0）.向量v可以表示為四元數(shù)q＝（0，v），稱為純四元數(shù).四元數(shù)運(yùn)算法則可參見文獻(xiàn)［15］.

作映射σ：H→C2×2，

C2×2，可以證明σ是同構(gòu)映射，即H≌C2×2.因此，四元數(shù)q可用C2×2中的二階復(fù)方陣唯一表示.

設(shè)A＝C1＋C2j∈Hm×n（C1，C2∈Cm×n），是A在復(fù)數(shù)域C上的分解式［16］，則稱

為四元數(shù)矩陣A的復(fù)表示矩陣.

定理1 若A∈Hm×nr，則存在酉矩陣U∈Hm×n，V∈Hm×n，使得［17］

式中：符號(hào)“＊”表示共軛轉(zhuǎn)置；Σ＝diag（σ1，σ2，…，σr，0，0，…，0）∈Rm×n，σ1≥σ2≥…≥σr為矩陣A的r個(gè)非零奇異值.

2 基于四元數(shù)的彈道目標(biāo)微多普勒模型

2.1 彈頭微多普勒模型

如圖1所示，用來(lái)描述彈頭微動(dòng)的三個(gè)坐標(biāo)系分別為雷達(dá)坐標(biāo)系（U，V，W）、參考坐標(biāo)系（X，Y，Z）和目標(biāo)本體坐標(biāo)系（x，y，z）.參考坐標(biāo)系與雷達(dá)坐標(biāo)系平行.在目標(biāo)本體坐標(biāo)系內(nèi)，原點(diǎn)O為彈頭質(zhì)心，且彈頭關(guān)于Oz軸對(duì)稱.假設(shè)彈頭在圍繞對(duì)稱軸Oz自旋的同時(shí)還圍繞向量O′C錐旋.O′為Oz與O′C的交點(diǎn).rc＝（0，0，z0）T為點(diǎn)O′在目標(biāo)本體坐標(biāo)系內(nèi)的坐標(biāo)，自旋軸單位向量s＝rc／‖rc‖，則自旋的四元數(shù)可表示為

式中：θs＝2πfst為t時(shí)刻的自旋角度；fs是自旋頻率.

同理，其錐旋軸單位向量c＝［cosαccosβc sinαccosβcsinβc］，錐旋的四元數(shù)表示為

式中：θc＝2πfct為t時(shí)刻的錐旋角度；fc為錐旋頻率.若點(diǎn)P在參考坐標(biāo)系內(nèi)的坐標(biāo)可以表示為V＝（0，r0），則其t時(shí)刻的位置四元數(shù)為

其微多普勒頻率表達(dá)式為

式中：

2.2 誘餌微多普勒模型

誘餌擺動(dòng)模型如圖2所示，點(diǎn)O為質(zhì)心.誘餌在向量O′z與向量O′C確定的平面內(nèi)擺動(dòng).擺動(dòng)角度可表示為θw＝θw（t）＝θmsinωwt.其中θm為擺動(dòng)角度范圍，ωw＝2πfw表示擺動(dòng)的角速度，fw為擺動(dòng)頻率.誘餌對(duì)稱軸在本體坐標(biāo)系中的初始單位向量w＝（0，0，1），其對(duì)應(yīng)的旋轉(zhuǎn)四元數(shù)為

設(shè)rb0為散射點(diǎn)P在參考坐標(biāo)系內(nèi)的初始位置向量，其對(duì)應(yīng)的四元數(shù)坐標(biāo)為V＝（0，ATrb0），AT為過(guò)渡矩陣，且為正交陣.則t時(shí)刻其在參考坐標(biāo)系內(nèi)相應(yīng)的四元數(shù)坐標(biāo)為

式中，操作符vec（·）表示取四元數(shù)的矢量數(shù)組.所以其微多普勒頻率可表示為

3 基于QMSVD的彈道目標(biāo)分類與識(shí)別

本文將目標(biāo)微多普勒時(shí)頻像視為彩色圖像，并采用四元數(shù)矩陣模型對(duì)其進(jìn)行描述.以四元數(shù)矩陣奇異值作為目標(biāo)的微多普勒特征，利用SVM分類器對(duì)目標(biāo)進(jìn)行分類識(shí)別.

3.1 基于QMSVD的微多普勒時(shí)頻像特征提取

假設(shè)已完成目標(biāo)回波的高速平動(dòng)補(bǔ)償，對(duì)補(bǔ)償后的數(shù)據(jù)進(jìn)行脈沖壓縮，再利用短時(shí)傅里葉變換得到目標(biāo)的彩色微多普勒二維時(shí)頻像.

1996年，Pei等首先提出將四元數(shù)模型應(yīng)用于彩色圖像［18］.一幅彩色圖像中每個(gè)像素都是由紅（R），綠（G），藍(lán)（B）這三種基本顏色按一定的比例組合而成的.這樣，我們就可以用一個(gè)純四元數(shù)

q（x，y）＝r（x，y）i＋g（x，y）j＋b（x，y）k（17）來(lái)表示彩色圖像的任一點(diǎn)（x，y）處的像素q（x，y），其中r（x，y），g（x，y）和b（x，y）分別表示圖像在（x，y）處的紅、綠、藍(lán)色的灰度值.因此，目標(biāo)的二維時(shí)頻像就可以表示為一個(gè)m×n的純四元數(shù)矩陣：

根據(jù)定理1，矩陣A的奇異值分解存在.文獻(xiàn)［19］已經(jīng)證明，奇異值向量具有穩(wěn)定性、旋轉(zhuǎn)不變性、平移和鏡像變換不變性等性質(zhì)，因而奇異值是一種比較理想的圖像分類特征量.奇異值計(jì)算步驟為：1）求出A的復(fù)表示矩陣Aσ；

2）求出復(fù)矩陣AσHA的特征值，λ1＝λ′1，λ2＝λ′2…，λr＝λ′r，λr＋1＝λ′r＋1＝…＝λn＝λ′n＝0；其中H為對(duì)矩陣的共軛轉(zhuǎn)置操作.

3）計(jì)算矩陣Aσ的奇異值，Σσ＝diag（σ1，σ2，…，σr，0，…，0，σ′1，σ′2，…，σ′r，0，…，0），其中σi＝λi，σ′i＝＝1，2，…，r；

4）構(gòu)造奇異值特征向量.A的奇異值為Σ＝diag（σ1，σ2，…，σr，0，…，0）.根據(jù)奇異值分解的去噪理論，當(dāng)圖像受到噪聲污染時(shí)，前p個(gè)較大的奇異值主要反映信號(hào)，較小的奇異值主要反映噪聲.因此，去除這部分反映噪聲的奇異值，就可以去除信號(hào)中噪聲的影響.取前p個(gè)較大奇異值的最大值為σmax＝max（σ1，σ2，…，σp），構(gòu)造歸一化特征向量

3.2 SVM分類器

SVM［20］是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì).

SVM的思想可以概括為：通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間，然后就這個(gè)新空間中求取最優(yōu)線性分類面.而這種非線性變換是通過(guò)定義適當(dāng)?shù)暮撕瘮?shù)實(shí)現(xiàn)的，用核函數(shù)

代替最優(yōu)分類平面中的點(diǎn)積XTiXj，相當(dāng)于把原特征空間變換到了某一新的特征空間.高斯函數(shù)是常用的核函數(shù)之一，定義為

相應(yīng)的分類函數(shù)為

式中：Xn∈RM是已知類別的M維特征向量；yn∈｛1，－1｝是Xn的類別值；αn為L(zhǎng)agrange系數(shù)；Xk為支持向量；X為待分類特征向量.

4 計(jì)算機(jī)仿真與分析

仿真假設(shè)相控陣?yán)走_(dá)的工作頻率為5.5GHz，寬帶系統(tǒng)與窄帶系統(tǒng)交替工作，窄帶系統(tǒng)負(fù)責(zé)目標(biāo)跟蹤，寬帶信號(hào)用來(lái)對(duì)目標(biāo)分類和識(shí)別.彈道目標(biāo)質(zhì)心在雷達(dá)坐標(biāo)系內(nèi)的初始坐標(biāo)為（0，－100 000，－200 000），旋轉(zhuǎn)軸O′C的方位角和俯仰角分別為αc＝50°和βc＝60°，初始Euler角（φ，θ，ψ）＝（30°，40°，30°）.假設(shè)彈頭和誘餌的質(zhì)心位于z0＝－1.三個(gè)等效散射點(diǎn)在目標(biāo)本體坐標(biāo)系中的坐標(biāo)分別為P0（0，0，0.6），P1（0.3，0.4，－0.5）和P2（－0.3，－0.4，－0.5）.以上所有長(zhǎng)度單位均為米.設(shè)彈頭自旋頻率fs＝4Hz，錐旋頻率fc＝2Hz，誘餌擺動(dòng)頻率fw＝4Hz，擺動(dòng)角度范圍θm＝10°.

圖3和圖4分別給出了寬帶脈沖重復(fù)頻率（Pulse Repetition Frequency，PRF）為1 024Hz，脈沖壓縮處理后信噪比7dB，目標(biāo)平動(dòng)精確補(bǔ)償情況下，彈頭和誘餌的微多普勒時(shí)頻像.從其對(duì)應(yīng)的四元數(shù)矩陣奇異值中選取的特征向量如圖5所示.由圖可知，彈頭和誘餌所對(duì)應(yīng)的奇異值是明顯可分的.

4.1 信噪比對(duì)識(shí)別率的影響

雷達(dá)系統(tǒng)在實(shí)際工作中必須保證窄帶系統(tǒng)對(duì)多批目標(biāo)的跟蹤數(shù)據(jù)率，時(shí)間資源是有限的，一般分配給寬帶系統(tǒng)的時(shí)間資源相對(duì)較少.下面的仿真中取寬帶系統(tǒng)PRF為128Hz.這必將導(dǎo)致彈頭和誘餌的微多普勒頻率發(fā)生模糊，而且微多普勒像的分辨力會(huì)顯著降低.

為了保證仿真結(jié)果的普適性，首先將所有彈頭和誘餌的特征向量構(gòu)成隨機(jī)樣本集.然后采用產(chǎn)生隨機(jī)數(shù)的方法隨機(jī)抽取樣本的20%作為訓(xùn)練樣本對(duì)分類器進(jìn)行訓(xùn)練，將其余樣本作為測(cè)試樣本.運(yùn)用Monte Carlo實(shí)驗(yàn)方法，將分類實(shí)驗(yàn)進(jìn)行100次.

圖6給出了目標(biāo)平動(dòng)速度補(bǔ)償誤差為零時(shí)，處理后信噪比與目標(biāo)識(shí)別率的關(guān)系曲線.由圖可知，當(dāng)處理后信噪比達(dá)到10dB左右時(shí)，基于QMSVD的目標(biāo)正確識(shí)別率可以接近100%，而基于Hu不變矩方法的正確識(shí)別率約為80%.相同信噪比下，基于Hu不變矩特征的目標(biāo)正確識(shí)別率總體上低于基于QMSVD的目標(biāo)識(shí)別率.

4.2 徑向速度補(bǔ)償誤差對(duì)識(shí)別率的影響

目標(biāo)徑向速度補(bǔ)償誤差會(huì)造成目標(biāo)微多普勒時(shí)頻像的平移、折疊和傾斜，從而影響目標(biāo)的分類識(shí)別.圖7給出了信噪比為10dB時(shí)，目標(biāo)徑向速度補(bǔ)償誤差與目標(biāo)正確識(shí)別率的關(guān)系曲線.可以看出，徑向速度補(bǔ)償誤差增大，會(huì)導(dǎo)致目標(biāo)正確識(shí)別率減小.比較可知，基于Hu不變矩方法的正確識(shí)別率更容易受到徑向速度補(bǔ)償誤差的影響.由圖可知，當(dāng)目標(biāo)徑向速度誤差小于1m時(shí)，基于QMSVD的目標(biāo)正確識(shí)別率可以達(dá)到90%以上.

4.3 雷達(dá)PRF對(duì)識(shí)別率的影響

假設(shè)一個(gè)相參處理間隔（Coherent Processing Interval，CPI）為1s，圖8給出了雷達(dá)PRF對(duì)目標(biāo)正確識(shí)別率的影響曲線.顯然，隨著PRF的增大，兩種方法的目標(biāo)正確識(shí)別率都隨之增大.這主要是由于PRF的增大，使雷達(dá)在一個(gè)CPI內(nèi)的積累脈沖數(shù)增加，信噪比也隨之增大，進(jìn)而提高了目標(biāo)的識(shí)別率.比較可知，隨著雷達(dá)PRF的增大，基于QMSVD方法的目標(biāo)正確識(shí)別率比Hu不變矩方法的目標(biāo)正確識(shí)別率上升更快.

5 結(jié) 論

一般情況下，由于目標(biāo)高速運(yùn)動(dòng)、雷達(dá)工作狀態(tài)和外部環(huán)境的影響，很難準(zhǔn)確估計(jì)目標(biāo)運(yùn)動(dòng)參數(shù)，精確補(bǔ)償目標(biāo)平動(dòng)和提取準(zhǔn)確的目標(biāo)微動(dòng)參數(shù)，這給目標(biāo)的分類識(shí)別帶來(lái)了困難.基于QMSVD的分類識(shí)別方法將目標(biāo)微多普勒時(shí)頻像看作彩色圖像，并利用四元數(shù)矩陣對(duì)彩色圖像進(jìn)行描述，計(jì)算四元數(shù)矩陣的奇異值，并選取較大的奇異值構(gòu)成目標(biāo)奇異值特征向量，作為目標(biāo)的微動(dòng)特征，進(jìn)而采用支持向量機(jī)對(duì)目標(biāo)和誘餌進(jìn)行了分類識(shí)別.仿真結(jié)果表明，基于QMSVD的分類識(shí)別方法優(yōu)于基于Hu不變矩的分類識(shí)別方法.通過(guò)分析可知：提高處理后信噪比和雷達(dá)的PRF可以提高目標(biāo)的正確識(shí)別率；減小目標(biāo)徑向速度估計(jì)誤差，可以增大目標(biāo)的正確識(shí)別率.仿真實(shí)驗(yàn)的結(jié)果驗(yàn)證了文中方法的有效性，為實(shí)際目標(biāo)識(shí)別提供了理論支持.

［1］ 雷 陽(yáng)，孔韋韋，雷英杰.基于直覺模糊C均值聚類核匹配追蹤的彈道中段目標(biāo)識(shí)別方法［J］.通信學(xué)報(bào)，2012，33（11）：136-143.LEI Yang，KONG Weiwei，LEI Yingjie.Technique for target recognition based on intuitionistic fuzzy cmeans clustering and kernel matching pursuit［J］.Journal on Communications，2012，33（11）：136-143.（in Chinese）

［2］ 徐志鵬.彈道導(dǎo)彈中段目標(biāo)識(shí)別研究［D］.南京：南京大學(xué)，2012.XU Zhipeng.Research on Target Identificaion in Midcourse of Ballistic Missile［D］.NanJing：NanJing University，2012.（in Chinese）

［3］ 雷 騰，劉進(jìn)忙，李 松，等.彈道目標(biāo)進(jìn)動(dòng)周期特征提取新方法［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（1）：265-270.LEI Teng，LIU Jinmang，LI Song，et al.A novel micro-doppler signature extraction method of ballistic midcourse target［J］.Computer Engineering and Applications，2013，49（1）：265-270.（in Chinese）

［4］ 賈守卿，江小敏，夏明耀.基于微多普勒特征的目標(biāo)分類［J］.電波科學(xué)學(xué)報(bào)，2013，28（3）：443-447.JIA Shouqing，JIANG Xiaomin，XIA Mingyao.Target classification by micro-Doppler feature［J］.Chinese Journal of Radio Science，2013，28（3）：443-447.（in Chinese）

［5］ 李 飛，糾 博，邵長(zhǎng)宇，等.目標(biāo)微動(dòng)參數(shù)估計(jì)的曲線跟蹤算法［J］.電波科學(xué)學(xué)報(bào)，2013，28（2）：278-284＋295.LI Fei，JIU Bo，SHAO Changyu，et al.Curve tracking based parameter estimation of micro-motion［J］.Chinese Journal of Radio Science，2013，28（2）：278-284＋295.（in Chinese）

［6］ 霍 凱.基于OFDM新體制雷達(dá)信號(hào)的微動(dòng)目標(biāo)特征提取研究［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2011.HUO Kai.Research on Feature Extraction for Target with Micro-motion Based on New OFDM Radar Signals［D］.Changsha：Graduate School of National U-niversity of Defense Technology，2011.（in Chinese）

［7］ 李 松，馮有前，劉昌云，等.彈道導(dǎo)彈微動(dòng)模型及微多普勒特征研究［J］.現(xiàn)代防御技術(shù)，2011，39（6）：95-99.LI Song，F(xiàn)ENG Youqian，LIU Changyun，et al.Research of micro-motion model and micro-doppler of ballistic missile［J］.Modern Defense Technology，2011，39（6）：95-99.（in Chinese）

［8］ 楊有春，童寧寧，馮存前，等.基于齊次坐標(biāo)的微動(dòng)建模與微多普勒特征分析［J］.現(xiàn)代防御技術(shù)，2011，39（4）：78-83.YANG Youchun，TONG Ningning，F(xiàn)ENG Cunqian，et al.Micro-motion modeling and micro-Doppler analysis based on homogeneous coordinates［J］.Modern Defense Technology，2011，39（4）：78-83.（in Chinese）

［9］ 鄒小海，艾小鋒，李永禎，等.進(jìn)動(dòng)圓錐彈頭雙基地微多普勒特性分析［J］.電子與信息學(xué)報(bào)，2012，34（3）：609-615.ZOU Xiaohai，AI Xiaofeng，LI Yongzhen，et al.Bistatic micro-Doppler feature of the precessing coneshaped warhead［J］.Journal of Electronics ＆Information Technology，2012，34（3）：609-615.（in Chinese）

［10］ 田巳睿，蔣躍紅，郭汝江，等.基于時(shí)頻變換的彈道目標(biāo)微多普勒特征提?。跩］.現(xiàn)代雷達(dá)，2012，34（1）：40-43.TIAN Sirui，JIANG Yuehong，GUO Rujiang，et al.Target micro-doppler feature extration method based on the time-frequency analysis［J］.Modern Radar，2012，34（1）：40-43.（in Chinese）

［11］ HU M K.Visual pattern recognition by moment invariants［J］.IRE Transactions on Information Theory，1962，8（2）：179-187.

［12］ 羅 迎，柏又青，張 群，等.彈道目標(biāo)平動(dòng)補(bǔ)償與微多普勒特征提取方法［J］.電子與信息學(xué)報(bào)，2012，34（3）：602-608.LUO Ying，BAI Youqing，ZHANG Qun，et al.Translational motion compensation and micro-Doppler feature extraction of ballistic targets［J］.Journal of E-lectronics ＆Information Technology，2012，34（3）：602-608.（in Chinese）

［13］ SUN Yongjian，F(xiàn)U Ying，CHENG Zhen，et al.Wideband echo simulation and velocity compensation of midcourse ballistic target［C］／／IEEE 11th International Conference on Signal Processing（ICSP），2012，3：1944-1948.

［14］ PUJOL J.Hamilton，Rodrigues，Gauss，quaternions，and rotations：a historical reassessment［J］.Communications in Mathematical Analysis，2012，13（2）：1-14.

［15］ DUNN F，PARBERRY I.3DMath Primer for Graphics And Game Development［M］.Florida：AK Peters Limited，2011.

［16］ LE BIHAN N，MARS J.Singular value decomposition of quaternion matrices：a new tool for vector-sensor signal processing［J］.Signal Processing，2004，84（7）：1177-1199.

［17］ ZHANG Fuzhen.Quaternions and matrices of quaternions［J］.Linear Algebra and Its Applications，1997，251：21-57.

［18］ PEI S C，CHENG C M.A novel block truncation coding of color images by using quaternion-momentpreserving principle［C］／／IEEE International Symposium on Circuits and Systems，1996，2：684-687.

［19］ 胡衛(wèi)紅，舒 泓，欒宇光.基于奇異值分解的電能質(zhì)量信號(hào)去噪［J］.電力系統(tǒng)保護(hù)與控制，2010，38（2）：30-33.HU Weihong，SHU Hong，LUAN Yuguang.Power quality signals＇de-noising method based on singular value decomposition（SVD）［J］.Power System Protection and Control，2010，38（2）：30-33.（in Chinese）

［20］ CORTES C，VAPNIK V.Support-vector networks［J］.Machine Learning，1995，20（3）：273-297.

Targets feature extraction and recognition based on singular values of quaternion matrix

SUN Yongjian1，2MU Heqiang1CHENG Zhen3FU Ying2
（1.Beijing Institute of Radio Measurement，Beijing100854，China；2.Air Force Early Warning Academy，Wuhan Hubei 430019，China；3.The Second Academy of China Aerospace Science and Industry Corporation，Beijing100854，China）

In midcourse，the micro-motion difference between warhead and decoy is an effective feature for target recognition.However，the parameter extraction of target micro-motion is generally constrained by the factors of target translation compensation precision，radar equipment operating state and environment which lead to the decline of target recognition rate.At first，the quaternion based micro-motion models of warhead and decoy are established in this paper.Then the target micro-Doppler time-frequency image is regarded as a color image and described by quaternion matrix.According to the stability and rotation invariance properties of singular value vector，the micro-Doppler feature extraction and classification method of ballistic targets is presented based on QMSVD and SVM.Simulation results show that the QMSVD based feature vector is more effec-tive than that of Hu moment based.To improve the SNR is benefit to improve the target recognition rate of classifier.With the increasing of the estimation error of target radial velocity，the target recognition rate of the classifier will decrease.Moreover，the target recognition rate will increase obviously along with the increasing of the radar PRF.

target recognition；feature extraction；micro-Doppler；Quaternion matrix；singular value decomposition

TN959.1

A

1005-0388（2015）01-0160-07

孫永健 （1976－），男，河北人，中國(guó)航天科工集團(tuán)二院研究生院博士研究生，空軍預(yù)警學(xué)院講師，主要研究方向?yàn)槔走_(dá)信號(hào)處理和彈道目標(biāo)識(shí)別.

穆賀強(qiáng) （1967－），男，河北人，碩士，研究員，研究方向?yàn)樾盘?hào)與信息處理.

程 臻 （1961－），男，安徽人，博士，研究員，研究方向?yàn)樘炀€與微波技術(shù)、相控陣信號(hào)處理.

付 瑩 （1982－），女，湖北人，博士，工程師，研究方向?yàn)槔走_(dá)信號(hào)與數(shù)據(jù)處理、多傳感器數(shù)據(jù)融合.

孫永健，穆賀強(qiáng)，程 臻，等.基于四元數(shù)矩陣奇異值的目標(biāo)特征提取與識(shí)別［J］.電波科學(xué)學(xué)報(bào)，2015，30（1）：160-166.

10.13443／j.cjors.2014010501

SUN Yongjian，MU Heqiang，CHENG Zhen，et al.Ballistic targets feature extraction and recognition based on QMSVD［J］.Chinese Journal of Radio Science，2015，30（1）：160-166.（in Chinese）.doi：10.13443／j.cjors.2014010501

2014-01-05

聯(lián)系人：孫永鍵E-mail：bmdsun＠126.com