System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及目标识别。
技术介绍
1、高分辨一维距离像能够反映目标的详细物理结构特征,如散射点分布、目标尺寸等特征,另外相较于sar和isar目标识别,它具有工程实现简单和易于处理的特点,近年来已广泛应用于雷达自动目标识别中。目前大部分的高分辨一维距离像目标识别研究主要集中在空中目标识别上,如飞机、导弹识别。与空中目标相比,海面舰船目标的长度变换范围更大,在工程实现中为了完整的探测到目标,需要开一个较大的距离窗进行宽带成像,使得高分辨一维距离像的数据维度较高,另外它还具有非线性的特点。这就给特征提取和分类器计算带来了较大的负担,因此需要对高分辨一维距离像进行降维处理。
2、稀疏保持投影作为流行学习的一个代表,已在高分辨一维距离像目标识别中进行了应用,能够有效的进行降维处理。但是稀疏保持投影只用到了目标的数据信息,没有用到目标的标签信息,另外稀疏保持投影方法在数据样本量少于数据维度的时候,存在小样本问题。2016年南京理工大学张欢欢将最大间距准则引入到高分辨一维距离像目标识别中,充分利用了目标的标签信息,但是不具备数据降维能力。2019年南京航空航天大学戴维龙将稀疏保持投影和最大间距准则进行结合提出了最大间距稀疏保持投影方法,在实现数据降维处理的同时,充分的利用了目标的标签信息,提高了识别正确率,但是依然存在小样本问题。
技术实现思路
1、为解决上述技术问题,本专利技术提出了一种基于指数监督稀疏保持投影的雷达目标识别方法。
2、本专利技术的技术解决方案包括:
3、在训练阶段,首先构建监督稀疏保持投影模型;然后引入指数矩阵,构建指数监督稀疏保持投影模型;构建模型的广义特征值目标函数,计算指数监督稀疏保持投影矩阵,获取训练样本的投影向量;最后将获取的投影向量送入svm分类器进行训练;在测试阶段,首先利用构建的指数监督稀疏保持投影矩阵,获取测试样本投影向量;然后将获取的测试样本投影向量送入训练好的svm分类器进行测试。具体步骤包括:
4、步骤1:结合稀疏保持投影方法和最大间距准则,构建监督稀疏保持投影模型;
5、步骤2:结合指数矩阵,构建指数监督稀疏保持投影模型;
6、步骤3:构建模型的广义特征值目标函数,计算指数监督稀疏保持投影矩阵,获取训练样本的投影向量;
7、步骤4:将获取的训练样本投影向量送入svm分类器进行分类训练;
8、步骤5:利用构建的指数监督稀疏保持投影矩阵,获取测试样本的投影向量;
9、步骤6:将获取的训练样本投影向量送入svm分类器进行舰船目标分类识别;
10、其中所述步骤3还包括:
11、步骤3-1:构建指数监督稀疏保持投影模型的广义特征值目标函数;
12、步骤3-2:对广义特征值目标函数进行qr分解和谱分解,计算广义特征值目标函数的特征值和特征向量;
13、步骤3-3:将特征值按照从小到大进行排序,选择前面d个最小的特征值对应的特征向量构建成指数监督稀疏保持投影矩阵;
14、步骤3-4:结合训练样本矩阵与指数监督稀疏保持投影矩阵,获取训练样本的投影向量。
15、本专利技术与现有技术相比,其显著优点为:
16、依据指数矩阵、稀疏保持投影、最大间距准则进行构造的指数监督稀疏保持投影模型,能够有效降低小样本问题的影响,充分利用目标的数据信息和标签信息,在数据降维的同时能够最大程度的保留数据的稀疏重构关系,并在降维空间中最大化类间可分离性,最小化类内可分离性;采用指数矩阵分解法计算广义特征值目标函数,能够大大降低指数矩阵运算量,提高指数矩阵运行效率。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。
17、下面结合附图对本专利技术作进一步详细描述。
本文档来自技高网...【技术保护点】
1.一种基于指数监督稀疏保持投影的雷达目标识别方法,其特征在于:
2.根据权利要求1所述的一种基于指数监督稀疏保持投影的雷达目标识别方法,其特征在于:步骤2结合指数矩阵,构建指数监督稀疏保持投影模型,包括:
3.根据权利要求1所述的一种基于指数监督稀疏保持投影的雷达目标识别方法,其特征在于:
【技术特征摘要】
1.一种基于指数监督稀疏保持投影的雷达目标识别方法,其特征在于:
2.根据权利要求1所述的一种基于指数监督稀疏保持投影的雷达目标识别方法,其特征在...
【专利技术属性】
技术研发人员:杨学岭,宋虎,吴鑫,
申请(专利权)人:中国船舶集团有限公司第七二四研究所,
类型:发明
国别省市:
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。