The invention discloses a kernel discriminant local tangent space alignment of radar target HRRP recognition based method, which comprises the following steps: to identify and test the distance of the target category like training distance like the goal of obtaining a number of known categories; pretreatment get training and testing distance like local tangent distance image; space reconstruction error minimization and between class scatter maximization criterion based on the obtained from the high dimensional image space to distance mapping matrix V low dimensional feature space; feature extraction of image and testing distance like training distance: y = VTk, wherein VT is V mapping matrix transpose, K kernel vector an arbitrary distance training like or test range image; using nearest neighbor method comparison test and training range image features like distance, each test distance recognition image into the nearest distance as the goal of training Standard category.
【技术实现步骤摘要】
本专利技术涉及雷达目标识别领域,具体涉及一种基于核鉴别局部切空间排列的雷达目标距离像识别方法。
技术介绍
目前,许多流形学习理论的相关方法已被成功应用于雷达目标识别领域,局部切空间排列(LTSA)是其中一种经典的流形学习方法,其是直接得到高维数据集的低维投影坐标,当有新的样本到来时,只有将新样本加入老的样本集,然后重新计算新的低维投影坐标,这大大限制了其在目标识别领域中的应用。针对LTSA的不足,有人提出了一种线性局部切空间排列(LLTSA)方法,其和LTSA仍具有共同的缺陷,二者只注重保留样本间的局部流形结构,而忽略了样本的类别信息,从而会影响一定的识别性能。此外,LLTSA是一种线性方法,对于雷达目标高分辨距离像这样具有典型非线性特征的数据来说,其学习能力非常有限。对于非线性问题,核方法无疑是一种很好的解决手段,经典的核方法如KPCA和GDA已经被成功应用于雷达目标高分辨距离像识别中,但GDA和KPCA都是采用全局学习方法,忽略了样本间的局部结构特征,此外,它们对于高分辨距离像的姿态敏感性问题的解决能力非常有限。
技术实现思路
针对现有技术中的上述不足,本专利技术提供的基于核鉴别局部切空间排列的雷达目标距离像识别方法可以松弛高分辨率距离像的姿态敏感性,而且综合利用了样本间的局部结构信息和类别信息,有助于提高雷达目标识别性能。为了达到上述专利技术目的,本专利技术采用的技术方案为:提供一种基于核鉴别局部切空间排列的雷达目标距离像识别方法,其包括以下步骤:获取若干已知其所属目标类别的训练距离像和待识别其所属目标类别的测试距离像;预处理获取的训练距离像和测试距离 ...
【技术保护点】
基于核鉴别局部切空间排列的雷达目标距离像识别方法,其特征在于,包括以下步骤:获取若干已知其所属目标类别的训练距离像和待识别其所属目标类别的测试距离像;预处理获取的训练距离像和测试距离像;基于局部切空间重构误差最小化和类间散射最大化准则,得到从高维距离像空间到低维特征空间的映射矩阵V;提取训练距离像和测试距离像的特征:y=VTk其中,VT为映射矩阵V的转置,k为任意一个训练或测试距离像的核向量;采用最近邻法比较测试距离像和训练距离像的特征,将每个待识别的测试距离像划归到离其最近的训练距离像所属的目标类别中。
【技术特征摘要】
1.基于核鉴别局部切空间排列的雷达目标距离像识别方法,其特征在于,包括以下步骤:获取若干已知其所属目标类别的训练距离像和待识别其所属目标类别的测试距离像;预处理获取的训练距离像和测试距离像;基于局部切空间重构误差最小化和类间散射最大化准则,得到从高维距离像空间到低维特征空间的映射矩阵V;提取训练距离像和测试距离像的特征:y=VTk其中,VT为映射矩阵V的转置,k为任意一个训练或测试距离像的核向量;采用最近邻法比较测试距离像和训练距离像的特征,将每个待识别的测试距离像划归到离其最近的训练距离像所属的目标类别中。2.根据权利要求1所述的基于核鉴别局部切空间排列的雷达目标距离像识别方法,其特征在于,所述的映射矩阵V的求解方法如下:K(E-PN-B)Kv=βKKv其中,β为广义特征方程的特征值,v为特征值所对应的特征向量;K是与X对应的核矩阵,K=[k1,...,kN];X为训练距离像集合,X=[x1,...,xN]∈Rm,N为训练距离像总数,ki(i=1,...,N)是xi与所有训练距离像之间的核函数值所构成的列向量;PN是元素为1/N的N×N的矩阵;E为N×N的矩阵,当xi和xj同属于类别g时,其对应元素Eij为1/Ng,否则Eij为0,Ng为第g(g=1,...,C)类雷达目标的训练距离像个数,C为雷达目标类别总数;B是N×N的矩阵;获取广义特征方程的前d个最大特征值对应的特征向量;采用前d个最大特征值对应的特征向量构建成映射矩阵:V=[v1,...,vd]其中,V为映射矩阵,vi(i=1,...,d)为广义特征方程的第i个最大的特征值对应的特征向量,d为特征向量的个数。3.根据权利要求2所述的基于核鉴别局部切空间排列的雷达...
【专利技术属性】
技术研发人员:于雪莲,李海翔,戴麒麟,曲学超,周云,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。