一维距离像的非线性子空间识别方法技术

一维距离像的非线性子空间识别方法属雷达目标识别。采用核函数方法将目标的雷达一维距离像进行非线性变换映射到高维线性特征空间，利用高维特征空间的特征变换矩阵提取每类目标的所有训练一维距离像的非线性正则子像特征构成每类目标的非线性子像空间，当目标的雷达一维距离像输入时，根据非线性正则子像与非线性子像空间之间的欧氏距离确定输入目标一维距离像的类别。步骤：确定目标的雷达一维距离像训练矢量；确定核函数和非线性变换后的类间散布矩阵ｓ↓［Ｂ］；确定ｓ↓［Ｂ］的非零特征值及其对应的特征向量；确定类内散布矩阵Ｑ；确定Ｑ的非零特征值及其对应的特征向量；确定每类目标的所有训练一维距离像非线性正则子像；确定每类目标非线性子像空间；确定输入目标一维距离像的非线性正则子像；确定非线性正则子像与非线性子像空间的欧氏距离；确定输入的目标一维距离像的类别号。

【技术实现步骤摘要】

本专利技术属雷达目标识别，涉及雷达目标的一维距离像识别方法，尤其涉及雷达目标。
技术介绍
高距离分辨雷达采用宽带技术，可在距离向实现对目标的高分辨率观测，将目标散射中心在雷达视线上的分布情况反映出来，即为目标的一维距离像。较之低分辨雷达的回波，一维距离像提供了可资目标识别的更多信息，相对二维雷达像(SAR或ISAR)而言，一维距离像在技术上容易实现，易于实用化。因此，基于一维距离像的雷达目标识别技术成为了当前智能识别领域中的热点，已经发展了很多线性子空间识别方法，例如，特征子空间方法、正则子空间方法、综合子空间方法等，并应用到雷达一维距离像识别中，取得了较好的识别效果。 特征子空间方法以样本协方差矩阵的主分量作为子空间的投影方向进行特征提取，具有降维和降噪的特点。从数据表示的角度来看，特征子空间方法是最佳的，但是从分类意义上说，特征子空间方法却不是最佳的。正则子空间方法采用的坐标系统能够使异类目标之间的差异与同类目标之间的差异之比最大，即增大了目标的分类信息，提高了分类性能。但是，正则子空间方法的维数不能超过目标类别数减一，对于样本矢量维数高而目标类别数小的情况，分类性能有明显的下降。修正正则子空间方法针对正则子空间方法的缺点进行了相应的改进，一方面改善了各坐标轴的最优分类性能，另一方面突破了正则子空间方法维数受目标类别数限制的缺陷。综合子空间方法组合了特征子空间法和正则子空间法的优点，即先利用特征子空间方法从样本矢量中提取特征子像，然后在特征子像域采用正则子空间方法提取分类特征。 然而，在实际应用中，雷达所处的环境非常复杂，飞机等空中目标的来向具有随机性，一维距离像又对目标姿态角的变化非常敏感，经常导致一维距离像的分布表现出明显的非线性特征。因此，线性子空间方法的识别性能仍存在进一步改进的余地。 为此，本专利技术提出。由于该方法一方面采用非线性变换更有效的利用一维距离像分布中的非线性特征，另一方面引入非线性子像空间充分描述目标一维距离像的特征空间区域，因此能克服现有识别方法的缺陷，进一步提高对目标的识别性能。
技术实现思路
本专利技术的目的是提供一种利用非线性子空间的方法，提高对目标的一维距离像识别的性能。本方法的技术方案是首先采用核函数方法，将目标的雷达一维距离像进行非线性变换，映射到高维线性特征空间，再利用高维特征空间的特征变换矩阵提取每类目标的所有训练一维距离像的非线性正则子像特征，然后构成每类目标的非线性子像空间，当目标的雷达一维距离像输入时，根据它的非线性正则子像与非线性子像空间之间的欧氏距离确定输入的目标一维距离像的类别号。包括如下步骤 确定目标的雷达一维距离像训练矢量； 确定核函数和非线性变换后的类间散布矩阵SB； 确定SB的非零特征值及其对应的特征向量； 确定非线性变换后的类内散布矩阵Q； 确定Q的非零特征值及其对应的特征向量； 确定每类目标的所有训练一维距离像的非线性正则子像； 利用非线性正则子像确定每类目标的非线性子像空间； 确定输入的目标一维距离像的非线性正则子像； 确定非线性正则子像与非线性子像空间之间的欧氏距离；以及 确定输入的目标一维距离像的类别号。 所述利用非线性正则子像确定每类目标的非线性子像空间的方法是由每类目标的所有训练一维距离像xij对应的非线性正则子像yij确定各自的非线性子像空间Oi(i＝1，2，…，g)首先从第i类目标的训练非线性子像中任选一个子像，设为yi1，计算 再选取另一个与yi1无关的训练非线性子像，设为yi2，计算 其中(·，·)为矢量内积；同理，可计算第r(3≤r≤mi)个基矢，mi≤g-1 其中yir是与yi1，yi2，…，yi(r-1)线性无关的训练非线性子像。 为非线性子像空间Oi的基矢，mi为非线性子像空间Oi的维数，与第i类目标的所有训练非线性子像有关，通过对子像进行正交化而获得；其获得的方法是 首先从第i类目标的训练非线性子像中任选一个子像，设为yi1，令 再选取另一个与yi1无关的训练非线性子像，设为yi2，则 其中(·，·)为矢量内积；同理，可得第r(3≤r≤mi)个基矢 其中yir是与yi1，yi2，…，yi(r-1)线性无关的训练子像。 所述确定输入的目标一维距离像的类别号的分类规则如下设输入目标的一维距离像对应的非线性正则子像为yt，首先计算子像yt与每一类目标非线性子像空间的距离为 d(yt，Oi)，i＝1，2，…，g 然后判输入目标为第k类 本专利技术的优点是由于一方面采用非线性变换更有效的利用一维距离像分布中的非线性特征，另一方面又引入非线性子像空间充分描述目标一维距离像的特征空间区域，因而既保留了一维距离像的信息量大，处理容易的优点，又弥补了其对目标姿态角的变化非常敏感而表现的非线性特征。进一步提高了对目标的识别性能。 附图说明 附图是本专利技术方法的流程图。 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xi，j表示第i类目标的第j个训练姿态角的一维距离像，其中i＝1，2，…，g，j＝1，2，…，Ni，N＝N1+N2+…+Ng，g为目标类别数，Ni为第i类目标的训练样本数，N为训练样本总数。 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。 利用不同训练姿态角的一维距离像xi，j在n′高维特征空间中对应的像zij，可以在n′维特征空间中计算类间散布矩阵SB和类内散布矩阵SW分别为 其中，T为矩阵转置， 为第i类目标的训练样本均值矢量， 为所有训练样本的均值矢量。 构造如下Fisher比值 其中α为n′维特征空间中的任意矢量，J为Fisher比值。 若已知非线性映射φ的具体函数形式，则可以利用不同训练姿态角的一维距离像xi，j计算n′维特征空间中对应的像zij，再确定类间散布矩阵SB和类内散布矩阵SW，并由SB和SW的广义特征值分解计算使J最大的前g-1个正交矢量α1 α2，…，αg-1，它们对应g类目标在n′维特征空间中的特征子空间。 由M(≤g-1)个列矢量组成如下n′×M阶矩阵 H＝(7) 由于H是经非线性映射后建立的特征子空间，所以，相对于正则子空间而言，称H为非线性正则子空间。 实际上，并不需要知道非线性映射φ的具体函数形式，可通过以下方法求解使J最大的前g-1个正交矢量α1α2，…，αg-1，而不用直接由式(6)计算使J最大的前g-1个正交矢量α1α2，…，αg-1。 引入如下核函数k(xk，xl)＝φT(xk)φ(xl)，由式(2)得 其中为g×g阶对角矩阵，1为所有元素都等于1的N×g阶矩阵，为N×g阶的块对角矩阵，aNi为所有元素都等于1/Ni的Ni×1阶的列矢量，为N×N阶的矩阵(l，h＝1，2，…，g)，为Ni×Nh阶矩阵(i＝1，2，…，Nl j＝1，2，…，Nh)。 由式(本文档来自技高网...

【技术保护点】
一种一维距离像的非线性子空间识别方法，其特征在于：首先采用核函数方法，将目标的雷达一维距离像进行非线性变换，映射到高维线性特征空间，再利用高维特征空间的特征变换矩阵提取每类目标的所有训练一维距离像的非线性正则子像特征，然后构成每类目标的非线性子像空间，当目标的雷达一维距离像输入时，根据它的非线性正则子像与非线性子像空间之间的欧氏距离确定输入的目标一维距离像的类别号，　　　　包括如下步骤：　　　　确定目标的雷达一维距离像训练矢量；　　　　确定核函数和非线性变换后的类间散布矩阵Ｓ↓［Ｂ］；　　　　确定Ｓ↓［Ｂ］的非零特征值及其对应的特征向量；　　　　确定非线性变换后的类内散布矩阵Ｑ；　　　　确定Ｑ的非零特征值及其对应的特征向量；　　　　确定每类目标的所有训练一维距离像的非线性正则子像；　　　　利用非线性正则子像确定每类目标的非线性子像空间；　　　　确定输入的目标一维距离像的非线性正则子像；　　　　确定非线性正则子像与非线性子像空间之间的欧氏距离；以及　　　　确定输入的目标一维距离像的类别号。

【技术特征摘要】

【专利技术属性】
技术研发人员：周代英，杨万麟，窦衡，陈显宁，况凌，
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]