The invention discloses an optimization method for target recognition based on high-resolution one-dimensional range profile. The idea is to determine the training sample set, which includes N high-resolution one-dimensional range profiles, compute the third-order spectral characteristics F of N high-resolution one-dimensional range profiles in turn, and N high-resolution one-dimensional range profiles after dimension reduction. Third-order spectral feature X; low-density region and high-density region; calculating the third-order spectral feature class of high-resolution range profile after dimension reduction in low-density region M1 and the third-order spectral feature class of high-resolution range profile after dimension reduction in high-density region M2; calculating the sub-hyperplane parameters of low-density region respectively. The third-order spectral feature Fz of the high-resolution range profile is calculated, and then the third-order spectral feature Z of the high-resolution range profile is obtained. Finally, it is determined that the third-order spectral feature Z belongs to the target or the interference.
【技术实现步骤摘要】
一种基于高分辨一维距离像的目标识别优化方法
本专利技术属于雷达目标识别
，特别涉及一种基于高分辨一维距离像的目标识别优化方法，适用于雷达目标识别中对库外目标的鉴别和对库内目标的分类，使雷达目标识别系统的总体性能得到有效提升，也适用于实际工程应用。
技术介绍
在雷法目标识别环境中，常常存在大量的干扰物，严重影响了雷达目标识别系统的总体性能；因此，雷达目标识别系统需要对目标特征空间进行有效地描述，然后剔除库外目标，并实现对库内目标的有效分类；单类分类器可以实现对库外目标的鉴别，并可以对训练数据特征空间进行有效地描述，如支持向量域描述SVDD；该单类分类器通过寻找支撑向量确定模板库样本特征区域边界，利用该边界与待测样本之间的位置关系确定测试样本类别，其缺点是当模板库样本特征区域呈现多区域聚合性时，所确定的特征区域边界中将包含大片非样本目标特征空间区域，导致性能的严重下降。多类分类器可以实现对不同目标的分类，如最大相关系数模板匹配法(MCC-TMM)、支持向量机SVM等；MCC-TMM法需要遍历所有训练样本，计算复杂度高，基于支持向量模型的雷达目标识别方法具有运算简...
【技术保护点】
1.一种基于高分辨一维距离像的目标识别优化方法，其特征在于，包括以下步骤：步骤1，确定训练样本集合，所述训练样本集合中包括N个高分辨一维距离像，计算N个高分辨一维距离像的三阶谱特征F；步骤2，根据N个高分辨一维距离像的三阶谱特征F，计算降维处理后N个高分辨一维距离像的三阶谱特征X；步骤3，根据降维处理后N个高分辨一维距离像的三阶谱特征X，确定低密度区域和高密度区域；步骤4，计算低密度区域中M1个降维处理后的高分辨一维距离像三阶谱特征类别和高密度区域中M2个降维处理后的高分辨一维距离像三阶谱特征类别；M1≤N，M2≤N；步骤5，分别计算低密度区域的分类子超平面参数和高密度区域...
【技术特征摘要】
1.一种基于高分辨一维距离像的目标识别优化方法，其特征在于，包括以下步骤：步骤1，确定训练样本集合，所述训练样本集合中包括N个高分辨一维距离像，计算N个高分辨一维距离像的三阶谱特征F；步骤2，根据N个高分辨一维距离像的三阶谱特征F，计算降维处理后N个高分辨一维距离像的三阶谱特征X；步骤3，根据降维处理后N个高分辨一维距离像的三阶谱特征X，确定低密度区域和高密度区域；步骤4，计算低密度区域中M1个降维处理后的高分辨一维距离像三阶谱特征类别和高密度区域中M2个降维处理后的高分辨一维距离像三阶谱特征类别；M1≤N，M2≤N；步骤5，分别计算低密度区域的分类子超平面参数和高密度区域的分类子超平面参数；步骤6，确定测试高分辨一维距离像，然后计算测试高分辨一维距离像的三阶谱特征Fz；步骤7，根据测试高分辨一维距离像的三阶谱特征Fz，得到降维处理后测试高分辨一维距离像的三阶谱特征z；步骤8，根据步骤4和步骤5得到的结果判定降维处理后测试高分辨一维距离像的三阶谱特征z属于目标或属于干扰，并记为一种基于高分辨一维距离像的目标识别优化结果。2.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法，其特征在于，在步骤1中，所述训练样本集合，其确定过程为：1a)确定雷达，所述雷达检测范围内存在目标库，所述目标库中包括M类目标，M类目标分别为不同的感兴趣目标，且M类目标依次为c1,c2,…,cM；雷达发射电磁波，该电磁波经过目标库反射后得到库内目标雷达回波；1b)对库内目标雷达回波进行距离高分辨处理，得到库内目标的Na个高分辨一维距离像，Na≥M；选取库内目标的Na个高分辨一维距离像中信杂比大于th的高分辨一维距离像作为训练样本集合，所述训练样本集合中包括N个高分辨一维距离像；其中，M≤N≤Na，th为信杂比门限，N表示训练样本集合中包含的高分辨一维距离像总个数。3.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法，其特征在于，在步骤1中，所述N个高分辨一维距离像的三阶谱特征F，其得到过程为：1c)设定第n个高分辨一维距离像的采样点数为Nbn，然后对第n个高分辨一维距离像的幅度作Ns点离散傅里叶变换，得到第n个高分辨一维距离像谱特征qn(ω)；其中，Ns≥Nbn，ω为第n个高分辨一维距离像谱特征的频率，ω的取值范围为0≤ω≤fs/2，fs为第n个高分辨一维距离像的采样频率，n＝1,2,…,N，N为训练样本集中包含的高分辨一维距离像总个数；1d)计算N个高分辨一维距离像的三阶谱特征F，F＝[f1,f2,…,fn,…,fN]；其中，fn表示第n个高分辨一维距离像的三阶谱特征，其表达式为：fn＝qn(ω1)qn(ω2)qn(ω3)qn(ω1+ω2+ω3)其中，ω1为第n个高分辨一维距离像谱特征的频率ω的第一个频率取值点，ω1＝ns1·fs/Ns，ns1为整数，0≤ns1≤INT(Ns/2)，INT(·)为取整运算；ω2为第n个高分辨一维距离像谱特征的频率ω的第二个频率取值点，ω2＝ns2·fs/Ns，ns2为整数，0≤ns2≤INT(Ns/2)；ω3为第n个高分辨一维距离像谱特征的频率ω的第三个频率取值点，ω3＝ns3·fs/Ns，ns3为整数，0≤ns3≤INT(Ns/2)；qn(ω1)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1处的取值，qn(ω2)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω2处的取值，qn(ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω3处的取值，qn(ω1+ω2+ω3)为第n个高分辨一维距离像谱特征qn(ω)在频率取值点ω1+ω2+ω3处的取值。4.如权利要求1所述的一种基于高分辨一维距离像的目标识别优化方法，其特征在于，步骤2的子步骤为：2a)将第n个高分辨一维距离像的三阶谱特征fn按列排列成一列得到第n个高分辨一维距离像的三阶谱特征列向量frn；令n＝1,2,…,N，进而得到N个高分辨一维距离像的三阶谱特征列向量Fr，Fr＝[fr1,fr2,…,frN]；2b)计算得到N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R，其表达式为：其中，上标H表示共轭转置；2c)对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解，并将特征值按从大到小的顺序进行排列，将前d个特征值对应的特征向量记为大特征值向量U，U＝[u1,u2,…,us,…,ud]；其中，s＝1,2,…,d，us表示第s个特征值对应的特征向量，d表示对N个高分辨一维距离像的三阶谱特征列向量Fr的自相关矩阵R进行特征值分解得到的特征值按从大到小的顺序排列后选取的大特征值总个数；2d)对N个高分辨一维距离像的三阶谱特征F进行降维处理，得到降维处理后N个高分辨一维距离像的三阶谱特征X，其表达式为：X＝UHF＝[x1,x2,…,xn,…,xN]其中，降维处理后N个高分辨一维距离像的三阶谱特征X包括N个d维向量，n＝1,2,…,N，xn表示降维处理后第n个高分辨一维距离像的三阶谱特征，且xn是一个d维向量，降维处理后每一个高分辨一维距离像的三阶谱特征分别对应目标库内一类目标；上标H表示共轭转置。5.如权利要求4所述的一种基于高分辨一维距离像的目标识别优化方法，其特征在于，在步骤3中，所述低密度区域和高密度区域，其确定过程为：3a)计算下式的最优解，得到支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β：其中，n＝1,2,…,N，α＝[α1,α2,…,αn,…,αN]T，β＝[β1,β2,…,βn,…,βN]T，αn为支持向量域模型中的第一拉格朗日乘子向量α的第n个第一拉格朗日乘子，βn为支持向量域模型中的第二拉格朗日乘子向量β的第n个第二拉格朗日乘子，上标T表示转置，s.t.表示约束条件；C为惩罚因子；Q为N个高分辨一维距离像的高斯核矩阵，表示降维处理后第n1个高分辨一维距离像的三阶谱特征和降维处理后第n2个高分辨一维距离像的三阶谱特征的高斯核函数，n1＝1,2,…,N，n2＝1,2,…,N；σ为尺度参数，2≤σ≤10；△为N个高分辨一维距离像的转换矩阵，设定支持向量域模型中的第一拉格朗日乘子向量α中大于0的第一拉格朗日乘子个数为Ml，设定支持向量域模型中的第二拉格朗日乘子向量β中大于0的第二拉格朗日乘子个数为Mh，Sl＝{n|αn>0}，Sh＝{n|βn>0}，将降维处理后Ml个高分辨一维距离像的三阶谱特征记为第一支持向量集合SVl，SVl＝{y1k|y1k＝xn',n'∈Sl,k＝1,2,…,Ml}，xn'表示降维处理后第n'个高分辨一维距离像的三阶谱特征，y1k为第一支持向量集合SVl中第k个支持向量；将降维处理后Mh个高分辨一维距离像的三阶谱特征记为第二支持向量集合SVh，SVh＝{y2k'|y2k'＝xn”,n”∈Sh,k'＝1,2,…,Mh}，xn”表示降维处理后第n”个高分辨一维距离像的三阶谱特征，y2k为第二支持向量集合SVh中第k'个支持向量；3b)利用支持向量域模型中的第一拉格朗日乘子向量α和支持向量域模型中的第二拉格朗日乘子向量β，分别计算支持向量域模型的第一半径Rl和支持向量域模型的第二半径Rh，并将支持向量域模型的第一半径Rl作为低密度区域的半径，将支持向量域模型的第二半径Rh作为高密度区域的半径，其表达式分别为：其中，i＝1,2,…,Ml，j＝1,2,…,Ml，k＝1,2,…,Ml，i'＝1,2,…,Mh，j'＝1,2,…,Mh，k'＝1,2,…,Mh，αi表示支持向量域模型中的第一拉格朗日乘子向量α的第i个第一拉格朗日乘子，αj表示支持向量域模型中的第一拉格朗日乘子向量α的第j个第一拉格朗日乘子，y1i为第一支持向量集合SVl中第i个支持向量，y1j为第一支持向量集合SVl中第j个支持向量，y1k为第一支持向量集合SVl中第k个支持向量，y2i'为第二支持向量集合SVh中第i'个支持向量，y2j'为第二支持向量集合SVh中第j'个支持向量，y2k'为第二支持向量集合SVh中第k'个支持向量，αi'表示支持向量域模型中的第一拉格朗日乘子向量α的第i'个第一拉格朗日乘子，αj'表示支持向量域模型中的第一拉格朗日乘子向量α的第j'个第一拉格朗日乘子，K(y1i,y1k)为第一支持向量集合SVl中第k个支持向量y1k和第一支持向量集合SVl中第i个支持向量y1i的高斯核函数，K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数，K(y2i',y2k')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第k'个支持向量y2k'的高斯核函数，K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数，βi'表示支持向量域模型中的第二拉格朗日乘子向量β的第i'个第二拉格朗日乘子，βj'表示支持向量域模型中的第二拉格朗日乘子向量β的第j'个第二拉格朗日乘子；设定降维后三阶谱特征空间，所述降维后三阶谱特征空间为d维向量空间，d维向量空间包括F个d维向量；降维处理后N个高分辨一维距离像的三阶谱特征X包含于降维后三阶谱特征空间，选取降维后三阶谱特征空间中任意1个d维向量，记为降维后的特征向量x；当降维后的特征向量x包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时，降维后的特征向量x取降维处理后N个高分辨一维距离像的三阶谱特征X中的任意1个d维向量；当降维后的特征向量x不包含于降维处理后N个高分辨一维距离像的三阶谱特征X中时，降维后的特征向量x中每一个元素分别取任意实数；将满足以下条件的降维后三阶谱特征空间区域作为低密度区域：其中，Rl为低密度区域的半径，i＝1,2,…,Ml，j＝1,2,…,Ml，K(x,y1i)为降维后的特征向量x与第一支持向量集合SVl中第i个支持向量y1i的高斯核函数，K(y1i,y1j)为第一支持向量集合SVl中第i个支持向量y1i和第一支持向量集合SVl中第j个支持向量y1j的高斯核函数；将满足以下条件的降维后三阶谱特征空间区域作为高密度区域：其中，i'＝1,2,…,Mh，j'＝1,2,…,Mh，K(x,y2i')为降维后的特征向量x与第二支持向量集合SVh中第i'个支持向量y2i'的高斯核函数，K(y2i',y2j')为第二支持向量集合SVh中第i'个支持向量y2i'和第二支持向量集合SVh中第j'个支持向量y2j'的高斯核函数。6.如权利要求5所述的一种基于高分辨一维距离像的目标识别优化方法，其特征在于，步骤4的...
【专利技术属性】
技术研发人员：刘峥，王晶晶，李龙，谢荣，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61
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。