基于多尺度核稀疏保持投影的一维距离像识别方法技术

本发明专利技术公开了基于多尺度核稀疏保持投影的一维距离像识别方法。首先，对实测一维距离像信号样本提取其归一化幅度特征并进行平移对齐预处理；其次，利用高斯核函数对其进行多尺度核空间映射；然后，利用稀疏保持投影法得到各尺度空间的信号稀疏特征向量并进行特征融合；最后，利用支持向量机分类器进行特征识别。本发明专利技术基于高斯尺度核和稀疏保持投影，实现了多尺度核空间稀疏保持融合特征提取，相对于传统的多尺度高斯核融合特征提取法，在融合特征维数相同的情况下，本方法识别精度更高、抗噪性能更好，是稳健的一维距离像识别方法。

Recognition method of one dimensional range profile based on multi-scale kernel sparse preserving projection

The invention discloses a method for recognizing a range profile based on a multi-scale kernel sparse preserving projection. First, the measured HRRP signal samples extracted from the normalized amplitude characteristic and translational alignment pretreatment; secondly, using the Gauss kernel function for multi-scale kernel space mapping to it; then, by using the sparse projection method to get the scale space to keep the sparse feature vectors and feature fusion; finally, character recognition using support vector machine classifier. The invention of nuclear and Gauss scale based on sparse preserving projection, realize multi-scale spatial sparse feature extraction to maintain nuclear fusion, compared with the traditional multi-scale Gauss fusion feature extraction, feature fusion in the same dimension case, this method provides higher recognition accuracy, anti noise performance is better, robust range profile recognition methods.

【技术实现步骤摘要】
基于多尺度核稀疏保持投影的一维距离像识别方法
本专利技术属于雷达目标识别
，特别涉及了一种一维距离像识别方法。
技术介绍
在雷达信号处理领域中，雷达目标识别是一个重要研究方向。雷达高分辨率一维距离像(HRRP)是宽带雷达目标散射点回波在雷达视线方向上的向量和，它反映了目标散射点沿雷达视线方向的分布情况，其中包含了丰富的目标结构特征。相比于SAR和ISAR图像，一维距离像具有对测量数据精度要求较低、易于获取且数据量较小等先天优势。因此，基于HRRP的目标识别是雷达目标识别中最有应用前景的识别方案。在获取大角度HRRP回波时，特别是在噪声环境下HRRP数据会变得线性不可分，传统的特征提取方案如主成分分析和低频小波特征提取等在处理这种数据时提取的特征可分性较差、分类精度较低，在噪声干扰下其性能迅速恶化，难以在实际工程上应用。关于一维距离像的稳健识别，目前主要从两方面入手：一是提取一维距离像易于识别且稳定的特征。二是通过设计新型分类器或者将分类结果进行融合达到抗干扰提高识别率的目的。核主成分分析(KernelPrincipleComponentAnalysis，KPCA)通过核函数先将原始一维距离像信号投影到高维空间提高其线性可分性，再由PCA算法对高维特征进行主成分提取，达到降维的目的，且可以在一定程度上降低噪声的影响，提高识别率。然而由于单一的核主成分难以表示信号的许多内在特性，而不同的特征空间有其各自的优势，对环境的适应度也有所不同。因此，有学者提出了多尺度核的概念，通过将尺度空间引入到核方法中，实现了多尺度空间核映射，再对各尺度空间特征进行融合得到新的信号多尺度核融合特征，提高了信号在复杂环境下的识别精度，相比于单核特征更具稳定性与普适性。但是由于其增加了尺度导致最终特征的维度增加较大，且核方法忽视了信号样本间的相互关系这一有效识别信息，对识别精度提升有限。
技术实现思路
为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供基于多尺度核稀疏保持投影的一维距离像识别方法，结合了多尺度核映射和稀疏保持投影法，一定程度上弥补了多尺度核映射的缺陷，在复杂环境下能保持更加稳定高效的识别性能。为了实现上述技术目的，本专利技术的技术方案为：基于多尺度核稀疏保持投影的一维距离像识别方法，包括训练阶段和测试阶段，所述训练阶段的步骤如下：(1)对一维距离像训练样本集X＝[x1,x2,...,xN]，提取其归一化幅度特征集再进行平移对齐操作，得到平移对齐后的幅度特征集H＝[h1,h2,...,hN]，N为样本容量；(2)利用高斯核函数对幅度特征进行多尺度核空间映射，得到训练样本多尺度核空间特征向量集M为尺度总数；(3)对进行稀疏保持投影，得到多尺度核稀疏特征向量集(4)对进行串行特征融合，得到多尺度核空间稀疏保持融合特征向量集Q＝[q1,q2,...,qN]；(5)采用支持向量机分类器对Q进行学习；所述测试阶段的步骤如下：(6)对一维距离像测试样本y，提取其归一化幅度特征并与训练样本进行平移对齐，得到平移对齐后的幅度特征hy；(7)利用高斯核函数对幅度特征hy进行多尺度核空间映射，得到测试样本多尺度核空间特征向量集Hy＝[hy1,hy2,...,hyM]；(8)对Hy＝[hy1,hy2,...,hyM]进行稀疏保持投影，得到多尺度核稀疏特征向量集Cy＝[cy1,cy2,...,cyM]；(9)对Cy＝[cy1,cy2,...,cyM]进行串行特征融合得到多尺度核空间稀疏保持融合特征向量qy；(10)采用步骤(5)学习完成的支持向量机分类器对qy进行分类，得到一维距离像测试样本y的目标类别。进一步地，在步骤(1)中，提取一维距离像样本归一化幅度特征的公式如下：上式中，|·|表示取模，||·||2表示取2范数。进一步地，在步骤(1)中，对幅度特征进行平移对齐操作的过程为，从第二个训练样本开始，以第一个训练样本幅度特征为基准进行基于最大相关性准则的平移对齐处理，其中和的互相关系数为：令不动，则平移p个距离单元，p满足：上式中，表示求取向量和的内积，i＝2,…,N。进一步地，步骤(2)的具体过程如下：采用的高斯核函数：上式中，a,b＝1,2,…,N，σm为尺度m下的高斯核参数，在尺度m下得到H＝[h1,h2,...,hN]的N×N维核矩阵K：Ka,b＝G(ha,hb)上式中，Ka,b表示核矩阵K的第a行b列元素；对核矩阵K进行高维空间上的中心化得到矩阵对进行主成分分析，得到特征值矩阵中最大的l个特征值构成的特征值矩阵Λl对应的特征向量矩阵Ul＝[α1,α2,...,αl]，l≤N，由Ul构成核空间投影矩阵，在尺度m下对H＝[h1,h2,...,hN]进行核空间特征提取：上式中，(·)T表示转置运算，αl,k表示Ul中特征向量αl的第k个元素，表示hj在尺度m下的核空间映射，j＝1,2,…,N，由此可以得到在尺度m下的核空间特征向量集Zm＝[z1,z2,...,zN]；同理可求得其他各尺度下的核空间特征向量集，由此构成训练样本多尺度核空间特征向量集进一步地，步骤(3)的具体过程如下：对于任意尺度m下的训练样本核空间特征向量zs，s＝1,2,…,M，用除其自身以外的剩余训练样本核空间特征向量对其进行稀疏表示，通过求解约束优化问题，得到稀疏表示系数向量s.t.||Zmrs-zs||2≤ε1＝eTrs上式中，e表示所有元素均为1的列向量，rs＝[rs,1,...,rs,s-1,0,rs,s+1,...,rs,M]T为稀疏表示系数向量，rs,t表示训练样本核空间特征向量zt对重构zs的贡献量，t≠s，ε为松弛量，||·||1表示取1范数；计算所有训练样本核空间稀疏表示系数向量得到邻接矩阵求解广义本征方程：Zm(R+RT-RRT)ZmTw＝λZmZmTw上式中，λ表示未知本征值，w表示λ对应的本征向量，取其前d个最大本征值对应的本征向量集wd作为稀疏保持投影矩阵，则在尺度m下核稀疏特征向量集Cm：Cm＝wdTZm同理计算其他尺度下的核稀疏特征向量集，构成多尺度核稀疏特征向量集进一步地，在步骤(5)中，所述支持向量机分类器采用线性核支持向量机分类器。采用上述技术方案带来的有益效果：1、识别精度提高：由于本专利技术提出的识别方法基于多尺度核映射和稀疏保持投影，能够发掘信号本身的多尺度信息和信号样本之间的关联性，最终将这些信息进行融合分类，在不同环境下都能达到较好的识别精度。在特征维度较低的情况下可以达到传统多尺度核分析法的识别精度，而在最终识别特征维度和分类器固定的情况下识别精度可比其提高2-3个百分点。2、应用范围广泛：本专利技术提出识别方法可以根据应用场景的不同做适当的改变从而扩展到解决多种一维信号处理问题，例如目标红外光谱的检测识别问题、语音信号的识别等。附图说明图1是本专利技术的流程示意图；图2是实施例中一维距离像原始实信号回波示意图；图3是本专利技术中一维距离像归一化幅度特征的示意图；图4是本专利技术不同尺度下高斯核函数示意图。具体实施方式以下将结合附图，对本专利技术的技术方案进行详细说明。本专利技术提出基于多尺度核稀疏保持投影的一维距离像识别方法，总流程图如图1所示。现有一飞机一维距离像实信号回波数据如图2所示，实际情况中不同型号的飞机回波各不相同，同一型本文档来自技高网...

【技术保护点】
基于多尺度核稀疏保持投影的一维距离像识别方法，其特征在于，包括训练阶段和测试阶段，所述训练阶段的步骤如下：(1)对一维距离像训练样本集X＝[x

【技术特征摘要】
1.基于多尺度核稀疏保持投影的一维距离像识别方法，其特征在于，包括训练阶段和测试阶段，所述训练阶段的步骤如下：(1)对一维距离像训练样本集X＝[x1,x2,...,xN]，提取其归一化幅度特征集再进行平移对齐操作，得到平移对齐后的幅度特征集H＝[h1,h2,...,hN]，N为样本容量；(2)利用高斯核函数对幅度特征进行多尺度核空间映射，得到训练样本多尺度核空间特征向量集M为尺度总数；(3)对进行稀疏保持投影，得到多尺度核稀疏特征向量集(4)对进行串行特征融合，得到多尺度核空间稀疏保持融合特征向量集Q＝[q1,q2,...,qN]；(5)采用支持向量机分类器对Q进行学习；所述测试阶段的步骤如下：(6)对一维距离像测试样本y，提取其归一化幅度特征并与训练样本进行平移对齐，得到平移对齐后的幅度特征hy；(7)利用高斯核函数对幅度特征hy进行多尺度核空间映射，得到测试样本多尺度核空间特征向量集Hy＝[hy1,hy2,...,hyM]；(8)对Hy＝[hy1,hy2,...,hyM]进行稀疏保持投影，得到多尺度核稀疏特征向量集Cy＝[cy1,cy2,...,cyM]；(9)对Cy＝[cy1,cy2,...,cyM]进行串行特征融合得到多尺度核空间稀疏保持融合特征向量qy；(10)采用步骤(5)学习完成的支持向量机分类器对qy进行分类，得到一维距离像测试样本y的目标类别。2.根据权利要求1所述基于多尺度核稀疏保持投影的一维距离像识别方法，其特征在于，在步骤(1)中，提取训练样本的归一化幅度特征的公式如下：上式中，|·|表示取模，||·||2表示取2范数。3.根据权利要求1所述基于多尺度核稀疏保持投影的一维距离像识别方法，其特征在于，在步骤(1)中，对幅度特征进行平移对齐操作的过程为，从第二个训练样本开始，以第一个训练样本幅度特征为基准进行基于最大相关性准则的平移对齐处理，其中和的互相关系数为：令不动，则平移p个距离单元，p满足：上式中，表示求取和的内积，i＝2,…,N。4.根据权利要求1所述基于多尺度核稀疏保持投影的一维距离像识别方法，其特征在于...

【专利技术属性】
技术研发人员：戴为龙，刘文波，张弓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32