一种基于自适应邻域保持投影的雷达目标识别方法技术

本发明专利技术公开了一种基于自适应邻域保持投影的雷达目标识别方法，主要适用于相参雷达对悬停直升机和海面小目标的分类识别。其主要流程是：首先构造变种差异距离，依据变种差异距离为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；然后求解多目标函数优化问题，以获取投影矩阵；在获取投影矩阵后，分别对训练样本库和测试样本库中的数据进行特征提取；最后采用最小距离分类器进行悬停直升机和海面小目标分类识别。本发明专利技术通过深入挖掘数据内在信息，将其融入特征提取过程中，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。悬停直升机和海面小目标的分类识别。悬停直升机和海面小目标的分类识别。

【技术实现步骤摘要】
一种基于自适应邻域保持投影的雷达目标识别方法


[0001]本专利技术属于雷达目标识别


技术介绍

[0002]悬停直升机和海面小目标分类识别是雷达目标识别的一大难题，当前的解决思路是检测是否存在调整特征来进行分类识别，在探测过程中，需要对目标进行长驻留和高重频探测。但是随着驻留时间和重复频率的提高，JEM数据维度也显著增长，成为影响目标识别速率的最主要因素。在模式识别和机器学习理论中，对于该类问题，数据降维算法是一种有效且实用的手段，其可将数据映射到低维空间，去除其不相关信息以寻求数据的本质特征。
[0003]目前主流的降维算法如主成分分析、核主成分分析及线性判别分析等都仅仅局限于单一尺度空间的信息处理，对数据内在结构特性未能进行深入挖掘，导致提取的特征包含的识别信息较少、鲁棒性较差。流行学习是近年来计算机视觉和模式识别领域的一个研究热点，已成功应用到人脸识别、图像压缩、图像分类等领域。如2014年，成都电子科技大学的论文《基于稀疏表示的鲁棒性人脸识别算法的研究》中将稀疏表示理论成功应用于人脸识别。
[0004]与其他文献中提出的方法不同，本专利技术通过引入流行学习、自适应最大距离准则等当前模式识别和机器学习领域前沿技术，深入挖掘数据内在信息，将其融入特征提取过程中，提出了基于自适应领域保持投影算法，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。

技术实现思路

[0005]本专利技术的目的在于提供一种基于自适应邻域保持投影的雷达目标识别方法，有效地实现悬停直升机和海面小目标的分类识别。通过本专利技术，能够深入挖掘数据内在信息，将其融入特征提取过程中，提取出JEM数据中蕴含丰富识别信息的低维特征，实现雷达对悬停直升机和海面小目标的分类识别。
[0006]为了实现以上的技术目的，本专利技术的技术解决方案为：
[0007]首先构造变种差异距离，依据变种差异距离为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；然后构造含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数，求解多目标函数优化问题，以获取投影矩阵；在获取投影矩阵后，分别对训练样本库和测试样本库中的数据进行特征提取；最后采用最小距离分类器进行悬停直升机和海面小目标分类识别。具体步骤包括：
[0008]步骤(1)为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；
[0009]步骤(2)求解多目标函数优化问题，以获取投影矩阵；
[0010]步骤(3)在获取投影矩阵后，分别对训练样本库和测试样本库中的JEM数据进行特征提取；
[0011]步骤(4)采用最小距离分类器进行悬停直升机和海面小目标分类识别；
[0012]其中步骤(1)还包括：
[0013]步骤A构造变种差异距离；
[0014]步骤B根据变种差异距离选取每个样本点的邻域，得到样本点的最佳重构权值；
[0015]步骤(2)还包括：
[0016]步骤C构造包含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数；
[0017]步骤D求解该多目标优化函数，获取投影矩阵。
[0018]本专利技术与现有技术相比，其显著优点为：
[0019]变种差异距离保证了类内差异距离总是小于类间差异距离，同时使得不同样本间差异距离有一定的可能小于1，使得类间差异距离与类内差异距离有一部分重合，增强了算法的泛化能力。依据自适应最大距离准则进行构造的类间离散矩阵和类内离散矩阵，更加容易表示不同样本间的差异和有效对同类样本进行分类。本专利技术的提出在雷达目标识别领域具有很高的推广应用价值。
[0020]下面结合附图对本专利技术作进一步详细描述。
附图说明
[0021]图1是本专利技术的数据处理流程图。
具体实施方式
[0022]本专利技术一种基于自适应邻域保持投影的雷达目标识别方法，具体实施步骤参见附图1：
[0023]步骤(1)、为训练样本库中的每个数据点构造邻域，计算重构权值矩阵，方法如下：
[0024]步骤A、构造变种差异距离，具体为：
[0025]在给定的数据样本集X＝{x1,x2,x3,
…
,x
N
}中，x
i
的类别标签记为L
i
,且i＝{1,2,
…
,C},其中C为样本的类别总数，构造的变种差异距离如下：
[0026][0027]其中d(x
i
,x
j
)＝||x
i
‑
x
j
||表示两个数据点之间的欧式距离，参数β为样本点间欧式距离的均值，用来控制D(x
i
,x
j
)的增长速度，参数α为一常值。
[0028]步骤B、根据变种差异距离选取每个样本点的邻域，得到样本点的最佳重构权值，具体为：
[0029](1)依据变种差异距离，取训练样本库X中的每个数据点x
i
的K个近邻点作为其邻域，再利用这K个近邻点重构x
i
，重构误差由以下代价函数表示：
[0030][0031]其中ω
ij
表示第j个数据点x
j
对第i个数据点x
i
重构的权重，N
i
表示数据点x
i
的邻域，如果x
j
不在x
i
的邻域，则令ω
ij
＝0。
[0032](2)利用所有数据点和其它数据点的相互作用构成权重矩阵W，权重矩阵的每一行元素和为1，即
[0033][0034](3)利用最小化重构误差代价函数求解权重矩阵，具体为：
[0035]1)令每一个数据点的重构误差最小，x
i
的重构误差为：
[0036][0037]其中G
ij
′
＝(x
i
‑
x
j
)
·
(x
i
‑
x
j
′
)。
[0038]2)用拉格朗日乘子法求解1)中约束最小化问题如下：
[0039][0040]令上式对ω
ij
的偏导为0，得到
[0041][0042]进一步可得
[0043][0044]3)令求解方程组再对得到的ω
′
ij
归一化，得到数据点x
i
的权重矩阵元素ω
ij
。
[0045]4)对每个数据点重复过程1)
‑
3)，得到权重矩阵W的所有元素。
[0046]步骤(2)、求解多目标函数优化问题，以获取投影矩阵，方法如下：
[0047]步骤C、构造包含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数，具体如下：
[0048][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应邻域保持投影的雷达目标识别方法，其特征在于：步骤(1)为训练样本库中的每个数据点构造邻域，计算重构权值矩阵；步骤(2)求解多目标函数优化问题，以获取投影矩阵；步骤(3)在获取投影矩阵后，分别对训练样本库和测试样本库中的JEM数据进行特征提取；步骤(4)采用最小距离分类器进行悬停直升机和海面小目标分类识别；其中所述步骤(1)还包括：步骤A构造变种差异距离；步骤B根据变种差异距离选取每个样本点的邻域，得到样本点的最佳重构权值；所述步骤(2)还包括：步骤C构造包含邻域保持投影算法和自适应最大距离准则算法的多目标优化函数；步骤D求解该多目标优化函数，获取投影矩阵。2.根据权利要求1所述的一种基于自适应邻域保持投影的雷达目标识别方法，其特征在于：所述步骤A构造变种差异距离包括：在给定的数据样本集X＝{x1,x2,x3,
…
,x
N
}中，x
i
的类别标签记为L
i
,且i＝{1,2,
…
,C},其中C为样本的类别总数，构造的变种差异距离如下：其中d(x
i

【专利技术属性】
技术研发人员：杨学岭，管志强，孟凡君，吴鑫，
申请(专利权)人：中国船舶重工集团公司第七二四研究所，
类型：发明
国别省市：