The invention discloses a radar target recognition method based on label consistent dictionary learning, which belongs to the radar field, in particular realizes the sparse characterization of signals by constructing a complete dictionary and sparse coding with discrimination ability of sparse signals. The main process of this method is as follows: firstly, the LC KSVD dictionary learning model of high resolution range profile is constructed; then the relevant parameters of the model are initialized; then the optimal solution of the LC KSVD dictionary learning model is solved by using K SVD algorithm; secondly, the dictionary D and linear classifier matrix W are normalized; finally, D and W are more accurate. Determine the type of test sample. The method of the invention can enable the learned complete dictionary to have discrimination ability, not only can better realize sparse characterization of signals, but also can be used for classification.
【技术实现步骤摘要】
一种基于标签一致字典学习的雷达目标识别方法
本专利技术属于雷达领域,特别是通过构建稀疏信号的具有鉴别能力的完备字典和稀疏编码,实现了信号的稀疏表征。
技术介绍
雷达高分辨距离像(HRRP)是利用宽带雷达信号获取的目标散射点子回波在雷达视线方向上投影的矢量和。它包含了目标尺寸、散射点分布等许多重要的结构信息,且易于获取、存储和处理,因此被广泛地用于雷达自动目标识别领域。对于雷达HRRP信号的获取,通常需要用一个比其物理过程的有效维数更高的采样率去采样信息。这样数据维数必然增加,多余的维数不但会显著地增加计算和存储代价,更严重的是可能导致所谓的“维数灾难”。此外,当样本数远小于数据维数时,又会导致典型的小样本问题及过匹配现象,从而最终影响识别算法的推广能力,因此在许多实际应用中如何有效地减少数据维数显得尤为重要。传统的基于数据降维的雷达HRRP目标识别算法主要包含两类:(1)重构模型类算法,例如:主成分分析(PCA)、因子分析(FA)等;(2)判别模型类算法,例如:线性判别分析(LDA)等。所有这些算法都隐含一个假设:构成观测信号的物理过程总数要小于观测信号的维数。但是,这样的假设对于错综复杂的宏观世界显然不尽合理,我们希望可以冗余地表示信号,即描述信号的过程可以比信号维数更多。事实上,尽管描述信号的过程很多,但是雷达单独时刻观测到的物理过程是很少的,即相对于过程集合是稀疏的。基于信号稀疏表示的超完备字典学习就是这样一种数据降维方法,它通过选取超完备字典中少数原子来线性稀疏表示信号。稀疏表示可以构建一个简单的模型以避免过学习问题,并且选取的原子通常具有物理或生 ...
【技术保护点】
1.一种基于标签一致字典学习的雷达目标识别方法,该方法包括:步骤1:对训练距离像样本Y进行预处理,消除平移敏感性和幅度敏感性;训练距离像样本矩阵Y=[y1,y2,…,yi,…,yN]∈Rn×N,yi∈Rn为n维列向量距离像样本,i=1,2,…,N,Rn×N表示n×N维矩阵;步骤2:构建LC‑KSVD字典学习模型:
【技术特征摘要】
1.一种基于标签一致字典学习的雷达目标识别方法,该方法包括:步骤1:对训练距离像样本Y进行预处理,消除平移敏感性和幅度敏感性;训练距离像样本矩阵Y=[y1,y2,…,yi,…,yN]∈Rn×N,yi∈Rn为n维列向量距离像样本,i=1,2,…,N,Rn×N表示n×N维矩阵;步骤2:构建LC-KSVD字典学习模型:式中,D=[d1,d2,…,di,…,dK]∈Rn×K是具有鉴别力的完备字典,di∈Rn称之为D的原子,i=1,2,…K,K是原子个数目或字典的列数;Q=[q1,q2,…,qi,…,qM]∈RK×M是鉴别矩阵,其中列向量表示qi的第r个元素,鉴别矩阵由训练样本的类别标签和字典中原子的类别标签共同决定,当训练样本yi与字典原子dk于同一类时,qi中第k个元素为1,否则为0;H=[h1,h2,…,hi,…,hM]∈RL×M,L是样本类别数,hi是由0、1构成的向量,1的位置与样本类别相对应;A∈RK×K为线性变换矩阵;W为线性变换矩阵,代表线性分类器的参数;X=[x1,x2,…,xi,…,xM]∈RK×M是稀疏编码矩阵,xi∈RK表示K维列向量,i=1,2,…,K;是相关项比例权重系数;的含义是求矩阵的F-范数;||·||0的含义是向量中含有非零的个数;T为稀疏度;步骤3:初始化步骤2中的Q、H、T、K、α、β;步骤4:使用K-SVD算法初始化字典D(0),上标“0”表示字典D的初始化状态;步骤5:初始化样本Y的稀疏编码X(0):步骤6:初始化线性变换矩阵A(0):A(0)=QX(0)T(X(0)X(0)T+λI)-1(0-3)式中,I为单位矩阵,λ表示正则化参数,根据实际情况确定;步骤7:初始化线性分类器参数矩阵W(0):W(0)=HX(0)T(X(0)X(0)T+λ1I)-1(0-4)...
【专利技术属性】
技术研发人员:于雪莲,曲学超,赵林森,唐永昊,申威,
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。