基于特征空间分布的Fisher特征选择方法技术

本发明专利技术公开了一种基于特征空间分布的Fisher特征选择方法，解决了特征空间非均匀多区域聚合性分布特征可分性值的准确计算问题，选择出可分性较高的特征供雷达目标识别。实现过程是：对原始特征集中的每个特征进行空间区域划分；计算子空间区域权值及Fisher值；计算每个特征的Fisher值；选出最优特征集用于雷达目标识别。本发明专利技术对特征空间区域划分，并计算各子空间区域的权值及Fisher值，加权得到各特征的Fisher值。本发明专利技术使Fisher值的计算结果更加准确，选出的最优特征集的目标鉴别概率更高，提升了雷达目标识别率。实验也证明，本发明专利技术可分性值计算更为准确，鉴别概率更优。用于雷达目标识别。

【技术实现步骤摘要】
基于特征空间分布的Fisher特征选择方法
本专利技术属于雷达
，特别涉及雷达的目标识别，具体是一种基于特征空间分布的Fisher特征选择方法，选择出可分性较高的特征用于雷达的雷达目标识别。
技术介绍
雷达目标识别包括目标鉴别和目标分类。目标鉴别技术是在雷达对目标进行检测的基础上，进一步提取并选择目标的特征信息，最终实现对目标属性与类型的判断。在鉴别过程中，首先需要对库内目标和库外目标的HRRP进行特征提取。不同特征之间分布有所差异，可分性不一。如果同时使用所有特征，一方面特征维度会十分庞大，导致计算的效率大大降低；另一方面，不同特征之间存在冗余，也会导致后续鉴别概率下降。因此有必要进行特征选择，这就需要对特征进行可分性分析，筛选出可分性好的特征作为鉴别特征集。特征选择有很多种分类方式，其中Filter算法中的Fisher准则基于距离的类内、类间距离判据，较为直观，比值大小作为特征可分性依据，既能反映同类特征的相似程度，又反映了不同类别特征的差异程度，通用性强而且计算方便，常被用于特征可分性分析中。涂志江等人在“最佳鉴别准则的目标识别方法”中基于传统的Fisher准则，选出可分性较好的特征进行目标识别，得到良好的效果。但是传统的Fisher算法仅注重特征整体的Fisher值，不能全面体现特征分量类别可分性的问题；曹贲等人在“基于改进Fisher判决率的特征选择方法”一文中基于熵理论对Fisher判决率进行加权，并将熵加权Fisher判决率应用于特征选择中，使其从整体和细节两方面全面体现特征。这种方法在一定程度上提升了特征选择的准确性，但是在目标鉴别过程中，目标仅为库内、库外两类，此方法又退化为传统Fisher准则。在实际场景中，高分辨一维距离像HRRP上存在姿态敏感性问题，导致提取的目标特征空间呈现非均匀多区域聚合性分布，在特征空间呈现非均匀多区域聚合性分布且每个区域内部可分性好的情况下，利用目前方法计算出的特征可分性值会很小，导致可分性较好的特征被误判为可分性不好的特征，被剔除鉴别特征集，从而影响鉴别概率。
技术实现思路
本专利技术的目的在于克服已有技术的不足，提出一种可分性值准确计算、鉴别概率更高的基于特征空间分布的Fisher特征选择方法。为实现上述技术目的，本专利技术采用如下技术方案予以实现：本专利技术是一种基于特征空间分布的Fisher特征选择方法，其特征在于，包括以下步骤：步骤1，构建训练模板库原始特征集X：采集目标数据，对N组双极化同极化、交叉极化实测高分辨一维距离像样本进行m-δ分解，得到二次散射分量Vd、体散射分量Vv和表面散射分量Vs三路数据，三路数据分别从不同层次反映目标的特性，比同极化、交叉极化两路数据反映的目标特性会更加丰富。本专利技术采用m-δ分解后的三路数据进行特征提取，分别得到如下特征：散射分量所占比例特征、熵特征、重心特征、最大值特征、散射点数目特征、二阶矩、三阶矩、四阶矩特征，这些特征组成原始特征集X：X＝{Xm,n}，其中m∈[1,M]，n∈[1,N]，M为提取特征个数，N为样本个数；步骤2，对原始特征集X中的每个特征进行区域划分：利用K-means聚类算法对原始特征集X中每个特征进行精细区域划分，生成Km个特征子空间区域，Km表示第m个特征划分的子空间区域个数，Km由最小误差平方和(MSSE)公式计算得出；步骤3，计算子空间区域权值：计算每个特征子空间区域的权值，第m个特征的第q个子空间区域的权值为ωm,q；步骤4，计算子空间区域Fisher值：利用Fisher公式对原始特征集的每个特征的子空间区域进行计算，得到每个特征的子空间区域的Fisher值Jm,q；步骤5，计算每个特征的Fisher值：第m个特征的Fisher值为Jm；步骤6，选出最优特征集Xopt：选出较大的λ个特征Fisher值对应的特征作为原始特征集的最优特征集Xopt，利用该最优特征集进行目标识别后续工作。本专利技术在特征选择过程中，对呈现非均匀多区域聚合性分布特征可分性值的准确计算，选择出可分性较高的特征供雷达目标鉴别工作，提高鉴别率进而提升目标识别概率。本专利技术的有益效果为：特征可分性值计算更准确：因现有方法对特征整体进行计算得出特征的可分性值，对于非均匀多区域聚合性分布特征的计算不准确，所以本专利技术对Fisher准则进行改进，在计算特征可分性阶段利用K-means聚类算法对特征样本进行空间区域划分，然后对划分后的每个子空间区域单独使用Fisher准则计算Fisher值，对非均匀多区域聚合性分布特征计算结果较准确。避免计算结果侧重于某个突出值：因本专利技术对特征进行了区域划分，故对每个子空间区域赋予相应的权值，在计算特征可分性值时对每个子空间区域进行加权求和，考虑了整体分布情况，避免最终Fisher值贴近某个突出值，结果更加合理。鉴别概率更高：本专利技术所提的方法，对特征可分性值计算时对特征空间进行了区域划分，分别对每个特征子空间区域计算Fisher值，并求得每个子空间区域的权值，对每个子空间区域进行加权求和，得到特征的最终Fisher值，从细节角度入手，考虑了特征整体分布情况，选出的最优特征集对目标鉴别概率有很大的提升。附图说明图1为本专利技术的流程框图；图2为本专利技术实测雷达HRRP数据库内库外目标特征空间分布图；图3为本专利技术经过聚类后的重心特征空间分布图；图4为本专利技术选择的特征集与现有方法选择的特征集鉴别概率ROC曲线对比图。具体实施方式下面结合附图对本专利技术详细说明：实施例1：雷达自诞生以来均已检测为主，并在不同领域发挥突出贡献，随着雷达探测环境日益复杂以及现代技术的不断发展，目标识别成为现代雷达发展的一个重要技术。雷达目标识别(RadarAutomaticTargetRecognition,RATR)技术是基于雷达回波信号，提取目标特征，实现目标属性、类别或类型的自动判定，其中选出可分性好的特征将会大大提高目标识别概率。目前针对特征的选择常用的是Filter算法中基于距离的类内、类间距离判据Fisher准则，较为直观，操作简单。但是其对于非均匀多区域聚合性分布特征的可分性的计算误差较大，易把可分性好的特征误判为可分性差的特征，剔除最优特征集，从而影响识别率，也有不少学者对其进行改进，但是都不太理想。为此，本专利技术经过研究与实验提出一种基于特征空间分布的Fisher特征选择方法，参见图1，包括以下步骤：步骤1，构建训练模板库原始特征集X：采集目标数据，对采集的双极化雷达实测目标高分辨一维距离样本进行m-δ分解，m-δ分解后得到二次散射分量Vd、体散射分量Vv和表面散射分量Vs三路数据，三路数据能够反映不同层次的目标特性，使目标的特性展现的更彻底，提取的特征更能反映目标真实情况，对后续目标识别概率有很大提升。首先采集目标数据，对N组双极化实测高分辨一维距离像样本进行m-δ分解，得到二次散射分量Vd、体散射分量Vv和表面散射分量Vs三本文档来自技高网...

【技术保护点】
1.一种基于特征空间分布的Fisher特征选择方法，其特征在于，包括有以下步骤：/n步骤1，构建训练模板库原始特征集X：采集目标数据，对N组实测高分辨一维距离像样本进行m-δ分解，得到二次散射分量V

【技术特征摘要】
1.一种基于特征空间分布的Fisher特征选择方法，其特征在于，包括有以下步骤：
步骤1，构建训练模板库原始特征集X：采集目标数据，对N组实测高分辨一维距离像样本进行m-δ分解，得到二次散射分量Vd、体散射分量Vv和表面散射分量Vs三路数据，再对三路数据进行特征提取，分别得到如下特征：散射分量所占比例特征、熵特征、重心特征、最大值特征、散射点数目特征、二阶矩、三阶矩、四阶矩特征，这些特征组成原始特征集X：X＝{Xm,n}，其中m∈[1,M]，n∈[1,N]，M为提取特征个数，N为样本个数；
步骤2，对原始特征集X中的每个特征进行空间区域划分：利用K-means聚类算法对原始特征集X中每个特征进行精细区域划分，生成Km个特征子空间区域，Km表示第m个特征划分的子空间区域个数，Km由最小误差平方和MSSE公式计算得出；
步骤3，计算子空间区域权值：计算每个特征子空间区域的权值，第m个特征的第q个子空间的权值为ωm,q；
步骤4，计算子空间区域Fisher值：利用Fisher公式对原始特征集的每个特征的子空间区域进行计算，得到每个特征的子空间区域的Fisher值Jm,q；
步骤5，计算每个特征的Fisher值：第m个特征的Fisher值为Jm；
步骤6，选出最优特征集Xopt：选出较大的λ个特征Fisher值对应的特征作为原始特征集的最优特征集Xopt，利用该最优特征集进行目标识别后续工作。


2.如权利要求1所述的基于特征空间分布的Fisher特征选择方法，其特征在于，步骤1中所述的构建训练模板库原始特征集X，包括如下步骤：
1a)采集目标数据：采集N组实测双极化雷达针对目标的高分辨一维距离像，分别为同极化高分辨一维距离像SLL、交叉极化高分辨一维距离像SRL；
1b)m-δ分解：将得到高分辨一维距离像进行m-δ分解，分别得到目标的二次散射分量Vd、体散射分量Vv和表面散射分量Vs；m-δ分解按Stokes矢量计算：



其中SLL、SRL分别为同极化、交叉极化通道的幅度；<·>为几何平均，Im<·>、Re<·>分别为取虚部操作和取实部操作；LL表示左旋发射左旋接收，RL表示左旋发射右旋接收；*表示去取共轭，|·|2表示取模的平方；g为Stokes矢量，由g0、g1、g2、g3组成，其中g0为电磁波的功率谱密，g1为水平或垂直极化基下的两个正交分量的功率差，g2为在45°和135°正交极化基下的两个正交分量之间的功率差，g3为在左右旋圆极化基下的两正交分量之间的功率差；
1...

【专利技术属性】
技术研发人员：刘峥，秦基凯，王晶晶，谢荣，靳冰洋，
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