雷达目标一维距离像非线性投影识别方法属雷达目标识别。将多类目标中的任意两类目标分为一组，对每组目标一维距离像进行非线性变换，映射到高维线性特征空间，在高维特征空间建立一个非线性投影平面变换矩阵，进行特征提取，采用最小距离准则进行分类，用投票机制最终决定输入目标所属的类别。步骤：将训练目标中的任意两类目标配成一组；利用核函数和该组的雷达目标一维距离像训练矢量确定矩阵Ｐ↓［ｉ］和（Ｋ）↓［ｉｊ］，确定矩阵Ｗ↓［α］；确定投影平面中的矢量α和另一个矢量γ；确定非线性投影平面Ｕ＝［αγ］；确定目标的库模板矢量；确定输入目标一维距离像ｘ↓［ｔ］非线性投影矢量；确定非线性投影矢量与目标的库模板矢量之间欧氏距离；确定输入目标一维距离像的类别号；确定统计票数最多的类别号为输入目标所属的类别。本方法可有效提高目标识别性能。
【技术实现步骤摘要】
本专利技术属雷达目标识别范畴、涉及多类雷达目标的一维距离像识别方法，尤其涉及雷达目标一维距离像的非线性投影识别方法。
技术介绍
相对低分辨率雷达所获取的目标雷达截面积而言，高分辨率雷达能获取目标的一维距离像信息，而一维距离像反映了目标散射点在雷达视线上的分布情况，能提供更多的有利于目标分类的信息。 基于子空间的分类方法属于经典的统计模式识别方法，广泛应用于人脸识别、图像识别等领域。在雷达目标识别中，基于子空间的分类方法也是非常有效的，例如，特征子空间方法和正则子空间方法均能取得较好的识别效果。 在训练过程中，这些子空间方法利用训练目标的一维距离像样本集建立一个变换矩阵，不同目标的一维距离像经过变换矩阵变换后，分别位于不同的特征区域。 在识别过程中，输入目标的一维距离像，经变换后的特征矢量落于哪一特征区域，就判断目标属于哪一类。在目标类别数较少的情况下，这些子空间方法一方面能够大大压缩数据量，另一方面又能获得较高的识别率。 但是，由于这些子空间方法利用训练目标的一维距离像样本集只建立了一个公用的变换矩阵，因此，当目标类别数较大时，不同目标所属的特征区域也随之增多，目标分类的边界有可能变得非常复杂和模糊，从而导致目标识别性能恶化。 此外，由于雷达目标一维距离像分布中存在明显的非线性特征，所以这些线性子空间法的识别性能仍有进一步改进的余地。 为此，本专利技术提出，能克服现有识别方法的上述缺陷，有效的提高对多类雷达目标的识别性能。
技术实现思路
本专利技术的目的是提供一种利用非线性投影方法提高对多类雷达目标一维距离像识别的性能的方法。 本专利技术的目的是这样达到的一种，其特征在于首先将多类目标中的任意两类目标分为一组，再对每组目标的一维距离像进行非线性变换，映射到高维线性特征空间，然后在高维特征空间建立一个非线性投影平面变换矩阵，进行特征提取，采用最小距离准则进行分类，最后，利用投票机制最终决定输入目标所属的类别， 包括如下步骤 将训练目标中的任意两类目标配成一组；利用核函数和该组的雷达目标一维距离像训练矢量确定矩阵Pi和(K)ij， 根据矩阵Pi和(K)ij确定矩阵Wα； 根据矩阵Pi、(K)ij和Wα确定投影平面中的一个矢量α； 根据矩阵Pi、(K)ij和Wα确定投影平面中的另一个矢量γ； 利用矢量α和γ确定非线性投影平面U＝； 确定目标的库模板矢量； 确定输入的目标一维距离像xt的非线性投影矢量； 确定非线性投影矢量与目标的库模板矢量之间的欧氏距离； 确定输入的目标一维距离像的类别号；以及 确定统计票数最多的类别号为输入目标所属的类别。 当只有两类目标时，是将每类目标的一维距离像训练样本的非线形投影矢量的平均作为该类目标的库模板矢量，确定非线性投影矢量和欧氏距离后，判定目标类别。 当有多类目标时，是将按照任意两类配为一组，将每组的目标距离像分别向每个非线性投影平面进行投影，按最小距离分类准则进行类别判别。 所述当只有两类目标时，判定目标类别的具体方法是两类目标g＝2，按 确定投影平面的一个矢量，按确定投影平面的另一个矢量，确定非线性投影平面为U＝，训练两类目标的一维距离像按式向非线性投影平面投影，将每类目标的一维距离像训练样本的非线性投影矢量的平均作为该类目标的库模板矢量，则总的库模板矢量为 其中 和 分别为第一类目标和第二类目标的训练非线性投影平均矢量； 对输入目标的一维距离像xt，可按式计算非线性投影矢量为yt，并计算以下欧氏距离 如果则判输入目标为第k类。 所述有多类目标(g＞2)，可将其中任意两类配成一组，则总共有 组，对每组目标，由核函数和训练样本集按按确定投影平面的一个矢量按确定投影平面的另一个矢量，确定非线性投影平面U＝，计算非线性投影平面，则共有 个非线性投影平面，设为U12、U13、…、U1g、U23、U24、…、U(g-1)g，按将输入目标的一维距离像xt分别向以上的每个非线性投影平面进行投影，以最小距离分类准则判别该目标在每组目标中所属的类别，最后统计票数最多的类别号为输入目标所属的类别。 本专利技术的优点是 采用目标一维距离像非线性投影的方法，可以在目标类别较大，不同目标所属的特征趋于增多，目标分类边界变得复杂和模糊时，仍能取得较高的目标识别率，有效提高对多类雷达目标的识别性能。可广泛应用于雷达目标一维距离像识别系统。 附图说明 附图是本专利技术的流程图。 具体实施例方式 以下结合附图对本专利技术的具体实施方式进行说明。 设n维列矢量x1j(j＝1，2，…，N1)和x2j(j＝1，2，…，N2)分别为第一类目标和第二类目标的第j个一维距离像，其中N1为第一类目标的训练样本数，N2为第二类目标的训练样本数。 对一维距离像进行非线性变换 zij＝φ(xij)(1) 其中φ(·)为非线性映射函数，将一维距离像映射到高维特征空间，zij为xij在高维特征空间对应的像，其维数设为n′，可以为任意大或无穷大。 在n′维特征空间，类间散布矩阵B和类内散布矩阵W分别为 其中N＝N1+N2为总训练样本数， i＝1，2。 构造如下比值 其中F为比值，a为n′维特征空间中任意一个列矢量。 实际上不需要知道非线性映射φ的具体函数形式，不用直接由式(6)求得使F最大的矢量a，可通过以下方法求解。 引入如下核函数k(xk，xl)＝φT(xk)φ(xl)，并令 组合式(4)、式(5)化简可得 其中 (K)ij，rk＝k(xrk，xij) (13) r＝1，2；k＝1，2，…，Nr。 因此，可以由式(7)、式(8)及式(9)计算 aTBa＝αTBαα (14) aTWa＝αTWαα (15) 其中， 将式(14)和式(15)代入式(4)，可得 对F取极大值，即式(18)右边对α求导并令其等于零，可得 (Bα-λWα)α＝0 (19) 其中λ和α分别为广义特征值和对应的特征向量。两类目标，其类间散布矩阵Bα的秩为1，因此式(19)中的特征方程只有一个非零的特征值，由式(16)和式(19)可得 其中Δ＝P1-P2 (21) 将式(20)代入式(7)，可得使式(6)中F最大的矢量为 设a2为特征空间中与a1垂直的n′维列矢量，且满足 构造 其中β为Lagrange常数。应用与前面同样的核函数方法求解，令 则式(24)可化简为 其中K＝N×N为核矩阵(r，i＝1，2；k，j＝1，2，…，Ni)。对式(26)中的γ求导并令其为零，化简可得 Wk＝K-1WαK-1 (28) 将式(27)代入式(25)，可得 从以上推导可知，矢量a1和a2均使式(6)达到极大，且a1和a2相互正交。在高维特征空间，由a1和a2可构成一个投影平面 S＝ (30) 称S为投影平面。任意一维距离像x在高维特征空间的非线性映射在该平面的投影为 y＝STφ(x本文档来自技高网...
【技术保护点】
一种雷达目标一维距离像非线性投影识别方法，其特征在于：首先将多类目标中的任意两类目标分为一组，再对每组目标的一维距离像进行非线性变换，映射到高维线性特征空间，然后在高维特征空间建立一个非线性投影平面变换矩阵，进行特征提取，采用最小距离准则进行分类，最后，利用投票机制最终决定输入目标所属的类别，包括如下步骤：将训练目标中的任意两类目标配成一组；利用核函数和该组的雷达目标一维距离像训练矢量确定矩阵Ｐ↓［ｉ］和（Ｋ）↓［ｉｊ］，根据矩阵Ｐ↓［ｉ］和（Ｋ）↓［ｉｊ］确定矩阵Ｗ↓［α］；根据矩阵Ｐ↓［ｉ］、（Ｋ）↓［ｉｊ］和Ｗ↓［α］确定投影平面中的一个矢量α；根据矩阵Ｐ↓［ｉ］、（Ｋ）↓［ｉｊ］和Ｗ↓［α］确定投影平面中的另一个矢量γ；利用矢量α和γ确定非线性投影平面Ｕ＝［αγ］；确定目标的库模板矢量；确定输入的目标一维距离像ｘ↓［ｔ］的非线性投影矢量；确定非线性投影矢量与目标的库模板矢量之间的欧氏距离；确定输入的目标一维距离像的类别号；以及确定统计票数最多的类别号为输入目标所属的类别。
【技术特征摘要】
【专利技术属性】
技术研发人员：窦衡，杨万麟，沈晓峰，陈璋鑫，沈红科，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]
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。