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

本发明专利技术公开了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为任意一个训练距离像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。

Radar target range profile recognition based on kernel discriminant local tangent space arrangement

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。本专利技术的有益效果为：采用本方案对雷达目标高分辨距离像进行特征提取，所得到的距离像特征对目标姿态角变化不太敏感，对于提高雷达目标高分辨距离像的识别性能非常有利。采用本专利技术提供的方法对雷达目标高分辨距离像进行特征提取，不但可以保留同类目标距离像之间固有的局部结构信息，而且使得异类目标距离像之间的可分度达到最大，因而可以大大提升雷达目标识别性能。本专利技术将原始距离像映射到高维核空间中，并利用非线性核技术求解映射矩阵，在处理雷达目标高分辨距离像这样具有典型非线性特征的数据时，具有较强的学习和表征能力，随之带来的识别性能优势显而易见。附图说明图1为基于核鉴别局部切空间排列的雷达目标距离像识别方法的流程图。图2为实验例1中LLTSA、KPCA、GDA和本方案所提供方法的识别结果对比。图3a为实验1子实验A中LLTSA和本专利技术的识别率随参数n的变化曲线。图3b为实验1子实验B中LLTSA和本专利技术的识别率随参数n的变化曲线。图4为实验例2中LLTSA、KPCA、GDA和本方案所提供方法的识别结果对比。图5a为实验2子实验A中LLTSA和本专利技术的识别率随参数n的变化曲线。图5b为实验2子实验B中LLTSA和本专利技术的识别率随参数n的变化曲线。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。参考图1，图1示出了基于核鉴别局部切空间排列的雷达目标距离像识别方法的流程图；如图1所述，该方法100包括步骤101至步骤105。在步骤101中，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。在步骤102中，预处理获取的训练距离像和测试距离像；在实施时，对训练距离像和测试距离像预处理的具体操作方法为：采用傅里叶变换并取模的方式分别将训练距离像和测试距离像进行对齐处理；该步骤的主要目的是去除距离像的平移敏感性。将对齐处理后的每个训练距离像和测试距离像进行能量归一化处理；该步骤的主要目的是去除距离像的幅度敏感性。在步骤103中，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。在本专利技术的一个实施例中，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个最大特征值对应的特征向量，d为特征向量的个数。在实施时，训练距离像xi与所有训练距离像之间的核函数值所构成的列向量ki的计算方法为：ki＝[κ(xi,x1)...,κ(xi,xN)]T其中，xi为第i个训练距离像，N为训练距离像总数，κ(.,.)为核函数。在步骤104中，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；在步骤105中，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。下面对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的具体实施方式进行展开说明：部分参数说明：X为训练距离像集合，X＝[x1,...,xN]∈Rm，N为训练距离像总数。设第g(g＝1,...,C)类雷达目标包含Ng个训练距离像，且N＝N1+...+NC，C为雷达目标类别总数。本方案的目的是通过对训练距离像的学习得到一个线性映射矩阵V，将高维距离像空间Rm中的任意距离像x映射到一个低维特征空间Rd(d＜m)中的特征y，其中，y＝VT[κ(x,x1),...,κ(x,xN)]T，κ(.,.)为核函数。下面对步骤103的具体实施方式进行展开说明：(1)局部切空间重构误差最小化对每一个预处理后的训练距离像xi(i＝1,...,N)，在核空间中寻找其n个近邻点xi,1,...,xi,n，并构建xi的局部切空间Ki＝[ki,1,...,ki,n]，其中ki,j＝[κ(xi,j,xi,1),...,κ(xi,j,xi,n)],j＝1,...,n为xi的第j个近邻点xi,j与xi的所有n个近邻点之间的核函数值所构成的一个列向量。结合上面定义的各个参数构建矩阵Mi：Mi＝Ki-KiPn-PnKi+本文档来自技高网...

【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