CN113866737B 基于Stacking集成算法的空间微动目标识别方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN113866737B(45)授权公告日2025.07.04

(21)申请号202111031608.7

(22)申请日2021.09.03

(65)同一申请的已公布的文献号申请公布号CN113866737A

(43)申请公布日2021.12.31

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人白雪茹秦若雨王旭田旭东

周峰

(74)专利代理机构陕西电子工业专利中心

61205

专利代理师王品华

(51)Int.CI.

GO1S7/41(2006.01)

GO6F18/2411(2023.01)

GO6F18/2415(2023.01)

(56)对比文件

CN107886050A,2018.04.06

CN109190673A,2019.01.11审查员高僮

权利要求书2页说明书7页附图1页

(54)发明名称

基于Stacking集成算法的空间微动目标识

别方法

(57)摘要

CN113866737B本发明公开了一种基于Stacking集成算法的空间微动目标识别方法，主要解决现有空间微动目标识别方法特征提取单一、传统单分类器无法充分挖掘特征分类潜力的问题。其实现方案为：1)利用多变换域特征提取方法，提取目标时域、频域、时频域特征，生成训练样本集和测试样本集；2)构建由四个初级分类器并联，再与一个次级分类器级联的Stacking集成分类器模型；3)使用训练样本集和交叉验证方法对Stacking集成分类器进行训练；4)将测试样本集输入到训练好的Stacking集成分类器中，得到分类结果。本发明能充分表征目标特性，并挖掘特征的分类潜

CN113866737B

生成训练样本集和测试样本集

生成训练样本集和测试样本集

构建Stacking集成分类器

训练Stacking集成分类器

输出测试样本集预测结果

CN113866737B权利要求书1/2页

2

1.一种基于Stacking集成算法的空间微动目标识别方法，其特征在于，包括：

(1)生成标准化后的训练样本集和测试样本集：

(1a)建立包含4个空间微动目标的模型，并获取其窄带回波，选取雷达在31-42°俯仰角下观测到的1200个窄带回波及相应的标签，组成原始回波训练样本集；选取雷达在43-55°俯仰角下观测到的1300个窄带回波及相应的标签，组成原始回波测试样本集；

(1b)基于原始回波训练样本集和原始回波测试样本集中的每一个窄带回波，提取其时域、频域、时频域特征，得到由15维特征向量组成的训练样本集和测试样本集，实现如下：

(1b1)根据窄带回波提取时域特征，包括微多普勒周期F?、RCS序列均值F?、RCS序列峰差值F?、RCS序列与正弦曲线的均方误差F?;

(1b2)对窄带回波进行傅里叶变换，提取目标的频域特征，即通过设置门限，计算高于门限值的区间长度，作为频域微多普勒调制带宽F?;

(1b3)对窄带回波使用短时傅里叶变换得到时频图，根据时频图提取时频域特征，包括微多普勒曲线的平均值F?、微多普勒曲线与正弦曲线的均方误差F?、微多普勒信号强度的标准化标准差F?;

(1b4)将(1b3)所得时频图沿时间维做傅里叶变换得到韵律频谱图CVD,计算其每个韵律频率点上的多普勒频率均值，将CVD转换为一维序列，记为ACVD,并对其进行标准化，根据标准化后的ACVD提取时频特征，包括ACVD序列的均值F?、标准差F??、峰态F、偏度F??、ACVD归一化自相关函数的峰值旁瓣比F13、积分旁瓣比1F??以及积分旁瓣比2F?5;

(1b5)根据原始回波训练样本集和原始回波测试样本集中的每一个回波样本提取 (1b1)、(1b2)、(1b3)、(1b4)所示的特征，构成15维特征向量，最终得到由特征向量组成的训练样本集和测试样本集；

(1c)将特征提取得到的训练和测试样本集，按列进行标准化，得到标准化后的训练样本集和测试样本集；

(2)构建Stacking集成分类器：

(2a)构建一个由随机森林分类器、极限森林分类器、Adaboost分类器和GBDT分类器这四个初级分类器并接后，再与一个逻辑回归分类的次级分类器级联而成的Stacking集成分类器；

(2b)设置各分类器参数：

随机森林、极限森