一种K近邻变换真假目标特征提取方法技术

本发明专利技术公开了一种K近邻变换真假目标特征提取方法，属于雷达目标识别技术邻域，本发明专利技术通过基于K近邻约束规则减小同类样本间的差异，而增大异类样本之间的差异，降低其它样本对构建变换矩阵的影响，在目标样本数据分布是非高斯分布的情况下，仍然能够很好地表示类内聚集和类间分离的程度，克服了常规正则变换矩阵只适合于样本数据高斯分布的缺点，从而提高了目标识别性能。

【技术实现步骤摘要】
一种K近邻变换真假目标特征提取方法
本专利技术属于雷达目标识别技术邻域，具体涉及一种K近邻变换真假目标特征提取方法。
技术介绍
在雷达目标识别中，判别矢量变换法能够增大异类目标特征之间的差异，同时减小同类目标特征之间的差异，从而提取到差异明显的特征，因此，判别矢量变换法获得了良好的分类性能。但是，判别矢量变换法只适合于样本数据是高斯分布的情况，而实际中样本数据的分布可能是非高斯分布，针对非高斯分布情况，判别矢量变换法的识别性能显著降低。现有常规判别矢量变换法的识别性能有进一步改善的余地。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提出一种K近邻变换特征提取方法，以克服常规判别矢量变换法的缺陷，有效改善了对雷达真假目标的分类性能。本专利技术的K近邻变换真假目标特征提取方法的技术方案具体如下：步骤1：输入关于雷达目标一维距离像的训练样本集，用xij表示训练样本，其中下标i为类别区分符、下标j为训练样本区分符，且1≤i≤g，1≤j≤Ni，g表示类别数量，Ni表示对应类别的样本数；步骤2：计算K近邻变换矩阵A的估计值其中，样本矩阵同类K近邻规则的约束系数矩阵矩阵其中同类K近邻规则的约束系数的设置为：若或者则否则其中下标k为某类训练样本区分符，σ2表示高斯参数，表示同类中某个矢量的k1个近邻矢量的集合，k1为预设近邻数；异类K近邻规则的约束系数矩阵矩阵其中异类K近邻规则的约束系数的设置为：若或者则否则其中，其中下标l为类别区分符，表示异类中某个矢量的k2个近邻矢量的集合，k2为预设近邻数；步骤3：输入待提取子像特征的雷达真假目标一维距离像xt，根据得到一维距离像xt的特征矢量yt。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术通过基于K近邻约束规则减小同类样本特征之间的差异，而加大异类样本特征之间的差异进行加权，降低其它样本对变换矩阵构建的影响，从而能够提取非高斯分布样本数据的特征，克服常规判别矢量变换法的缺陷，有效改善了对雷达真假目标的分类性能。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式，对本专利技术作进一步地详细描述。本专利技术的K近邻变换真假目标特征提取方法，通过基于K近邻约束规则减小同类样本特征之间的差异，而加大异类样本特征之间的差异进行加权，降低其它样本对变换矩阵构建的影响，从而能够提取非高斯分布样本数据的特征，其具体实现过程如下：用xij(n维列矢量)表示第ith类真假目标的第jth个训练一维距离像，1≤i≤g，1≤j≤Ni，其中Ni为第ith类真假目标的训练一维距离像样本数，N为训练一维距离像样本总数。将训练一维距离像xij进行如下变换：yij＝ATxij(1)其中A为变换矩阵，yij为xij对应的特征矢量，T表示矩阵转置。在特征空间计算同类任意两个样本特征矢量之间的差值平方和SC：其中为同类K近邻规则的约束系数：其中高斯参数σ2为经验值，在满足处理精度需求的条件下，经过实验确定，表示同类中某个矢量的k1个近邻矢量的集合。式(3)表明，当属于同一目标类的两个样本互为k1近邻子时，其同类样本间的差值约束系数不等于零，而其它同类样本间差值的约束系数为零。利用矩阵迹的运算公式，式(2)可转换为：将式(1)代入式(4)可得：对式(5)化简，可得：SC＝ATX(DC-WC)XTA(6)其中同理，在特征空间计算异类目标样本特征间的加权距离平方和SB：其中wij,lk为基于异类K近邻规则的约束系数：其中表示异类中某个矢量的k2个近邻矢量的集合。利用矩阵迹的运算公式，式(10)可转换为将式(1)代入式(12)对式(13)化简，可得SB＝ATX(DB-WB)XTA(14)其中通过求解以下极小化问题，即可获得K近邻变换矩阵的估计值式(17)右边对A求偏导并令其等于零，可得K近邻变换矩阵的估计值是由矩阵(X(DB-WB)XT)-1(X(DC-WC)XT)的M(＜n)个最大特征值对应的特征向量组成的矩阵。在获得K近邻变换矩阵的估计值后，利用式(1)即可得到任意样本xt的特征矢量yt，即再基于所提取的特征矢量进行雷达真假目标识别处理，从而有效改善对雷达真假目标的分类性能。为了验证所提方法的有效性，进行如下仿真实验。设置四种点目标：真目标、碎片、轻诱饵和重诱饵。雷达发射脉冲的带宽为1000MHZ(距离分辨率为0.15m,雷达径向取样间隔为0.075m),目标设置为均匀散射点目标，真目标的散射点为7，其余三目标的散射点数均为11。在目标姿态角为0°～80°范围内每隔1°的一维距离像中，取目标姿态角为0°、2°、4°、6°、...、90°的一维距离像进行训练,其余姿态角的一维距离像作为测试数据,则每类目标有45个测试样本。对四种目标(真目标、碎片、轻诱饵和重诱饵)，在姿态角0°～90°范围内，利用本专利技术的K近邻变换特征提取方法和基于判别矢量变换特征提取方法进行了识别实验，结果如表一所示。实验近邻参数k1＝20，k2＝10，高斯参数σ2＝6.25。从表一的结果可以看到，对真目标，判别矢量变换特征提取法的识别率为83％，而本专利技术的K近邻变换识特征提取方法的识别率为90％；对碎片，判别矢量变换特征提取法的识别率为78％，而本专利技术的K近邻变换特征提取方法的识别率为85％；对轻诱饵，判别矢量变换特征提取法的识别率为80％，而本专利技术的K近邻变换特征提取方法的识别率为86％；对重诱饵，判别矢量变换特征提取法的识别率为82％，而本专利技术的K近邻变换特征提取方法的识别率为83％。平均而言，对四类目标，本专利技术的K近邻变换特征提取方法的正确识别率高于判别矢量变换特征提取法，表明本专利技术的K近邻变换特征提取方法确实改善了多类目标的识别性能。表一两种方法的识别结果以上所述，仅为本专利技术的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。本文档来自技高网...

【技术保护点】
1.一种K近邻变换真假目标特征提取方法，其特征在于，包括下列步骤：步骤1：输入关于雷达目标一维距离像的训练样本集，用xij表示训练样本，其中下标i为类别区分符、下标j为训练样本区分符，且1≤i≤g，1≤j≤Ni，g表示类别数量，Ni表示对应类别的样本数；步骤2：计算K近邻变换矩阵A的估计值

【技术特征摘要】
1.一种K近邻变换真假目标特征提取方法，其特征在于，包括下列步骤：步骤1：输入关于雷达目标一维距离像的训练样本集，用xij表示训练样本，其中下标i为类别区分符、下标j为训练样本区分符，且1≤i≤g，1≤j≤Ni，g表示类别数量，Ni表示对应类别的样本数；步骤2：计算K近邻变换矩阵A的估计值其中，样本矩阵同类K近邻规则的约束系数矩阵矩阵同类K近邻规则的约束系数的设置为：若或者则否则其中下标k为训练样本区分符，σ2表示高斯参数，表示同类中某个矢量的k1个近邻矢量的集合，k1为预设近邻数；异类K近邻规则的约束系数矩阵矩阵其中异类K近邻规则的约束系数的设置为：若或者l...

【专利技术属性】
技术研发人员：周代英，沈晓峰，冯健，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51