一种基于多尺度稀疏保持投影一维距离像融合识别方法技术
【技术实现步骤摘要】
一种基于多尺度稀疏保持投影一维距离像融合识别方法
本专利技术涉及一种雷达一维信号识别的方法，尤其涉及一种在干扰环境下准确识别目标雷达一维距离像的技术。
技术介绍
雷达自动目标识别(RadarAutomaticTargetRecognition，简称RATR)是雷达根据目标和环境的回波信号，基于电磁散射机理提取目标特征信息以实现目标属性类别的自动判定。雷达高分辨率一维距离像(HRRP)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，而易于获取且数据量较小也是其先天优势。因此，基于HRRP的目标识别一直是雷达自动目标识别领域的研究热点，也是最接近实用要求的雷达目标识别技术。HRRP信号具有平移敏感性、幅度敏感性、方位敏感性等固有特性，对其处理需要根据实际情况采取相应的方法。在实际探测过程中不可避免的混入噪声干扰，对其识别方法稳健性也要有合理评估。目前HRRP识别主要取决于如何提取目标稳定且易于识别的特征，传统的信号特征提取法如主成分分析在一维距离像识别中也成功运用并取得了较好的识别效果。然而单一的主成分提取虽然可以在一定程度上降低特征维度减小噪...
【技术保护点】
一种基于多尺度稀疏保持投影的一维距离像融合识别方法，其特征在于，包括步骤：步骤1：对训练样本集X＝[x
【技术特征摘要】
1.一种基于多尺度稀疏保持投影的一维距离像融合识别方法，其特征在于，包括步骤：步骤1：对训练样本集X＝[x1,x2,...,xn]，提取其归一化频谱幅度特征集并进行平移对齐，得到平移对齐后的特征集H＝[h1,h2,...,hN]；xi表示第i个训练样本向量，表示与xi对应的频谱幅度特征向量；步骤2：利用一维高斯拉普拉斯算子f对步骤1得到的特征集中的特征进行多尺度空间映射，得到训练样本多尺度空间特征向量集Zi表示在尺度为i时，所有训练样本向量的空间映射集合；步骤3：采用稀疏保持投影算法得到步骤2中训练样本多尺度空间特征向量集的多尺度稀疏特征向量集步骤4：利用M个线性支持向量机分类器分别对步骤3中多尺度稀疏特征向量集的C1,C2,...,CM进行学习；步骤5：对测试样本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；利用一维高斯拉普拉斯算子f对hy进行多尺度空间映射，得到测试样本多尺度空间特征向量集Hy＝[hy1,hy2,...,hyM]；采用稀疏保持投影算法得到测试样本多尺度空间特征向量集Hy＝[hy1,hy2,...,hyM]的多尺度稀疏特征向量集Cy＝[cy1,cy2,...,cyM]；步骤6：通过麦哈顿距离确定测试样本幅度特征hy的k个最近邻训练样本幅度特征集步骤7：分别求出hy与k个最近邻训练样本特征的相似度设定阈值P1，当小于阈值时将其舍去，最终筛选出k1个最近邻训练样本；步骤8：对步骤7得到的k1个最近邻训练样本，由步骤4中训练完成的M个线性支持向量机分类器对其M个尺度空间稀疏特征向量集进行识别得到第j个分类器混淆矩阵Qj，分别计算第j个分类器的置信度Rj；步骤9：从步骤8中得到置信度最大的分类器L，设定阈值P2，对与L置信度差别大于P2的分类器进行剔除，筛选出的分类器对目标进行类别权重赋值，则权重最大的类别即为最后测试样本的判决输出结果。2.根据权利要求1所述的一维距离像融合识别方法，其特征在于，所述步骤1中提取训练样本集的归一化频谱幅度特征集具体为：其中|·|表示取模，||·||表示取2范数，N表示样本数。3.根据权利要求1所述的一维距离像融合识别方法，其特征在于，所述步骤1采用的平移对齐为最大相关平移对齐法；具体如下：信号和的互相关系数为：式中<·>表示内积运算；信号以第一个幅度特征作为标准，后面依次平移直到与第一个幅度特征信号互相关系数达到最大，设第一个信号幅度特征为则平移t个距离单位，t满足：得到平移对齐后的归一化幅度特征向量集H＝[h1,h2,...,hN]。4.根据权利要求1所述的一维距离像融合识别方法，其特征在于，所述步骤2中特征向量hi的一维拉普拉斯映射如下：其中表示卷积运算，σm表示尺度参数，M表示总尺度个数；f(hi,σm)为：其中h'i表示向量hi的空间位置，σm表示与hi维数相...
【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
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。