CN101241181B - 非库属目标一维距离像判别方法 - Google Patents

Abstract

非库属目标一维距离像判别方法属雷达目标识别。步骤：对雷达目标一维距离像训练矢量进行预处理，减去其均值；确定核函数、核矩阵及其前q个最大非零特征值对应的特征向量与训练一维像的非线性映射组合而成的非线性特征子空间；确定雷达目标一维距离像训练矢量在非线性特征子空间中的投影和总库目标模板；根据训练目标假设下的最小距离的条件均值和条件均方根差的估值，确定非库属目标判别门限；根据输入的雷达目标一维距离像在非线性特征子空间中的投影与目标库模板矢量之间的最小欧氏距离，确定输入的雷达目标一维距离像是否属于非库属目标，不属于，则确定输入的雷达目标一维距离像所属的类别。本发明能使一维距离像识别器识别到输入为非库属目标，主动进行训练建库。

Description

非库属目标一维距离像判别方法

所属技术领域

本发明属于雷达目标识别、涉及一维距离像识别技术，尤其涉及一维距离像识别中的非库属目标判别方法。

背景技术

雷达目标识别是根据雷达目标回波所提供的有关信息，对目标的类别、属性等作出判决。回波信息量取决于观测手段。以高距离分辨率雷达为观测手段能够获取目标的一维距离像，一维距离像反映了目标的几何形状和结构特征，与低分辨率雷达相比，可以提供更多识别所需的特征信息。

但是，一维距离像对目标姿态角的变化十分敏感，在不同的目标姿态角下，同一目标的一维距离像可以完全不同。因此，采用恰当的特征提取和分类方法是基于一维距离像的雷达目标识别成功的关键。

H.J.Li等直接采用一维距离像作为特征矢量来识别空中目标。S.Hudson等利用相关滤波器对飞机进行分类。而R.A.Mitchell等使用从一维距离像中抽取稳健的统计特征识别飞机目标。在实际中，以上方法均取得了良好的识别效果。L.M.Novak等利用特征子空间法识别雷达目标，也获得了较高的识别率。由于非线性特征子空间利用了雷达目标一维距离像的非线性特性，能进一步提高雷达目标的正确识别率。

然而，当需要识别的目标没有参与训练过程时，由于一维距离像识别器的输入为非库属目标的一维距离像，所有的分类识别方法均不能对此情况予以判别。

为此，需要研究一种非库属目标判别方法，在分类决策阶段对非库属目标的一维距离像进行判别。当判别输入的一维距离像属于库属目标时，就进行正常的分类识别，当判别输入的一维距离像属于非库属目标时，说明出现了新目标，即训练库中没有包含的目标，则对新目标的一维距离像进行训练建库，从而完成目标一维距离像动态建库的过程。

本发明中，以非线性特征子空间法为例对非库属目标一维距离像判别方法进行了深入研究。本发明的非库属目标一维距离像判别方法也可应用于其它一维距离像的分类识别方法中，判别输入的一维距离像是否属于非库属目标。

发明内容

本发明的目的是为雷达目标一维距离像识别系统提供一种可靠的非库属目标判别方法。

本发明采用的技术方案是：一种非库属目标一维距离像判别方法，其特征在于：在分类决策阶段对非库属目标的一维距离像进行判别，当判别输入的一维距离像为库属目标时，进行正常的分类识别，当判别输入的一维距离像为非库属目标时，则对新目标的一维距离像进行训练建库，从而完成目标一维距离像动态建库的过程。包括如下步骤：

对雷达目标一维距离像训练矢量进行预处理，减去其均值；

确定核函数、核矩阵及其前q个最大非零特征值对应的特征向量与训练一维像的非线性映射组合而成的非线性特征子空间；

确定雷达目标一维距离像训练矢量在非线性特征子空间中的投影和总库目标模板；

确定在库属目标假设下最小距离的条件均值和均方根差的估值；根据在库属目标假设下的最小距离的条件均值和条件均方根差的估值，确定非库属目标判别门限；

以及根据输入的雷达目标一维距离像的在非线性特征子空间中的投影与目标库模板矢量之间的最小欧氏距离，确定输入的雷达目标一维距离像是否属于非库属目标，若不属于非库属目标，则确定输入的雷达目标一维距离像所属的类别。

所述确定输入的雷达目标一维距离像是否属于非库属目标，采用的准则是：设H₀代表输入目标为库属目标，设H₁代表输入目标为非库属目标，设d_min在两种假设下的条件概率密度分别为p(d_min/H₀)及p(d_min/H₁)

则指定假设H₀下的正确判别概率值，求取一个相应的门限值，使

$P_c=P(d_{\min }\≤d_{\mathrm{th}})$

$={\∫}_0^{d_{\mathrm{th}}}p(d_{\min }/H_0)d_{d_{\min }}$

其中P_c为假设H₀下的正确判别概率，即输入目标为库属目标时正确判别为库属目标的概率，d_th为P_c对应的判决门；

判决规则为

当d_min小于d_th时，输入目标判为库属目标，否则判为非库属目标，d_th为非库属目标判别门限。

在假设H₀下，由训练一维像数据对应的最小距离d_min的统计特征，确定门限

$d_{\mathrm{th}}=m_{d_{\min }}+2{\mathrm{\σ}}_{d_{\min }}$

其中m_dmin和σ_dmin分别是d_min在H₀下的条件均值和条件均方根差。

当非库属目标判别门限d_th确定后，分类规则为：

$d_{\min }=\underset{\left\{k\right\}}{\min }\left\{d_k\right\}$ 当if d_min＞d_th then判输入目标为非库属目标

if d_min＜d_th then判输入目标为第i类， $i=\arg \underset{\left\{k\right\}}{\min }\left\{d_k\right\}.$

所述对雷达目标一维距离像训练矢量进行预处理，减去其均值是对雷达目标一维距离像训练矢量x_ij进行预处理，其中i＝1，2，…，g，j＝1，2，…N_i，g为目标类别数，N_i为第i类目标的一维距离像训练样本数。

确定核函数是k(x_ij，x_rl)，核矩阵是K＝[k(x_ij，x_rl)]_N×N，其中N为所有目标的训练样本总数，N＝N₁+N₂…+N_g。

确定核矩阵K的前q个最大非零特征值对应的特征向量为α₁，α₂，…，α_q。

确定雷达目标一维距离像训练矢量x_ij在非线性特征子空间中的投影为：

$y_{\mathrm{ij}}={\left[\begin{array}{cccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_q\end{array}\right]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ ...\\ k(x_{g{N}_g},x_{\mathrm{ij}})\end{array}\right];$

确定g类目标的总库目标模板为：

其中

为第i类目标的非线性特征子像的平均训练矢量。

所述确定在库属目标假设下的最小距离的条件均值和条件均方根差的估值为：

${\hat{m}}_{d_{\min }}=\frac{1}{N}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)$

${{\widehat{\mathrm{\σ}}}^2}_{d_{\min }}=\frac{1}{N-1}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)-{\hat{m}}_{d_{\min }})}^2$ 其中

为第i类目标的非线性特征子像与第i类目标库模板矢量之间的欧氏距离。

所述确定输入的雷达目标一维距离像在非线性特征子空间中的投影

$y_t={\left[\begin{array}{cccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_q\end{array}\right]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k(x_{{\mathrm{gN}}_g},x_{\mathrm{ij}})\end{array}\right]$

所述确定输入的雷达目标一维距离像与目标库模板矢量之间的欧氏距离为：

$d_k=\left|\right|y_t-\stackrel{\‾}{y_k}\left|\right|$ 其中k＝1，2，…，g

所述确定输入的雷达目标一维距离像的最小距离为：

$d_{\min }=\underset{\left\{k\right\}}{\min }\left\{d_k\right\}$ 其中k＝1，2，…，g。

本发明的积极效果是：通过判别，改变了由于需要识别的目标没有参与训练过程时，一维距离像识别器不能对此情况予以判别的状况，进一步提到了雷达目标的识别率。当判别输入的一维距离像属于库属目标时，进行正常的分类识别，当判别输入的一维距离像属于非库属目标时，说明出现了新目标，即训练库中没有包含的目标，则对新目标的一维距离像进行训练建库，从而完成目标一维距离像动态建库的过程。

附图说明

附图示出本发明的非库属目标一维距离像判别方法的流程图。

具体实施方式

以下结合附图对本发明的具体实施方式进行说明。

令g为目标类别数，N_i为第i类目标的一维距离像训练样本数，N＝N₁+N₂…+N_g，N为所有目标的训练样本总数，n维列矢量x_ij表示第i类目标的第j个姿态角的一维距离像训练矢量，其中i＝1，2，…，g，j＝1，2，…N_i。

对x_ij进行预处理，减去其均值，则E{x_ij}＝0。

对x_ij进行如下非线性变换

z_ij＝φ(x_ij)                                  (1)

其中φ(·)为非线性映射，可将矢量映射到高维线性特征空间，z_ij为x_ij在高维特征空间对应的像，其维数为任意大或无穷大，设为n′。

计算协方差矩阵

$C=\frac{1}{N}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}\mathrm{\φ}\left(x_{\mathrm{ij}}\right)\mathrm{\φ}{\left(x_{\mathrm{ij}}\right)}^T---\left(2\right)$

其中T表示转置。

设u为协方差矩阵C的非零特征值λ对应的特征向量，则u满足以下方程

Cu＝λu                                        (3)

由于非线性映射φ(·)没有显式表达式，因此，不能直接由式(3)求得特征值和对应的特征向量，而可按以下方法求解。

在高维特征空间，u可表示为

$u=\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{\mathrm{\α}}_{\mathrm{ij}}\mathrm{\φ}\left(x_{\mathrm{ij}}\right)---\left(4\right)$

在式(3)两边同乘以φ(x_ij)^T，可得

φ(x_ij)^TCu＝φ(x_ij)^Tλu                     (5)

定义核函数k(x_r，x_l)＝φ(x_r)^Tφ(x_l)          (6)

其中k(·，·)为核函数，x_r和x_l为n维矢量。将式(4)和式(6)代入式(5)，化简得

Kα＝Nλα

$\mathrm{\α}={\left[\begin{array}{cccc}{\mathrm{\α}}_{11}& {\mathrm{\α}}_{12}& \·\·\·& {\mathrm{\α}}_{{\mathrm{gN}}_g}\end{array}\right]}^T---\left(7\right)$

其中K＝[k(x_ij，x_rl)]_N×N为N×N维核矩阵，i＝1，2，…，g，j＝1，2，…，N_i，r＝1，2，…，g，l＝1，2，…，N_i。

从式(7)可见，矢量α为核矩阵K的特征向量。设核矩阵K前q个最大非零特征值对应的特征向量为α₁，α₂，…，α_q，则将这些矢量代入式(4)即可得到协方差矩阵C的前q个最大非零特征值对应的特征向量u₁，u₂，…，u_q，将这些特征矢量组成如下n′×q矩阵  A＝

u₁ u₂ … u_q

                           (8)

其中A为非线性特征子空间。将z_ij向A投影可得非线性特征子像

$y_{\mathrm{ij}}=A^T\mathrm{\φ}\left(x_{\mathrm{ij}}\right)={\left[\begin{array}{cccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_q\end{array}\right]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k(x_{{\mathrm{gN}}_g},x_{\mathrm{ij}})\end{array}\right]---\left(9\right)$

其中q维列矢量y_ij为训练一维距离像x_ij对应的非线性特征子像。第i类目标训练非线性特征子像的平均矢量作为该目标类的库目标模板。则g类目标的总库目标模板为

$\{\stackrel{\‾}{y_1},\stackrel{\‾}{y_2},\·\·\·,\stackrel{\‾}{y_g}\}---\left(10\right)$

其中

为第i类目标的平均训练矢量。

对输入目标的一维距离像x_i，按式(9)计算其在非线性特征子空间A中的投影为y_t，计算其与库目标模板的欧氏距离

$d_k=\left|\right|y_t-\stackrel{\‾}{y_k}\left|\right|k=\mathrm{1,2},\·\·\·,g---\left(11\right)$

则输入目标判为第i类

$i=\arg \underset{\left\{k\right\}}{\min }\left\{d_k\right\}---\left(12\right)$

在上述的非线性特征子空间法中，当观测的目标为非库属目标时，将会被误识，即不能予以正确判别。本发明的非库属目标一维距离像判别技术可解决这一问题。

雷达目标的回波方向和姿态是随机的，加之其它一些随机因素(如噪声)的影响，式(11)中的欧氏距离d_k可认为是一个随机变量，经最小分类器后，其中最小距离设为d_min，考虑到输入目标可能为非库属目标，最后决策时，必须对以下两种假设作出抉择  H0_：x_t∈库属目标

H₁：x_t∈非库属目标                    (13)

其中假设H₀代表输入目标为库属目标，假设H₁代表输入目标为非库属目标。设d_min在两种假设下的条件概率密度分别为p(d_min/H₀)及p(d_min/H₁)。因假设H₁下的先验信息及p(d_min/H₁)不知道，本发明的非库属目标一维距离像判别技术采用的准则是：指定假设H₀下的正确判别概率值，求取一个相应的门限值，使

$P_c=P(d_{\min }\≤d_{\mathrm{th}})$

$={\∫}_0^{d_{\mathrm{th}}}p(d_{\min }/H_0)d_{d_{\min }}---\left(14\right)$

其中P_c为假设H₀下的正确判别概率，即输入目标为库属目标时正确判别为库属目标的概率，d_th为P_c对应的判决门限。则判决规则为

上式表明当d_min小于d_th时，输入目标判为库属目标，否则判为非库属目标。则d_th称为非库属目标判别门限。

因条件概率密度函数p(d_min/H₀)的函数形式未知，故在给定正确判别概率P_c的条件下，不能直接从式(14)求得判别门限d_th。计算表明，当p(d_min/H₀)分别为正态分布、均匀分布、瑞利分布及韦伯分布等差异很大的概率密度函数时，取门限 $d_{\mathrm{th}}=m_{d_{\min }}+2{\mathrm{\σ}}_{d_{\min }}$ (m_dmin和σ_dmin分别为条件均值和条件均方根差)，则P_c的值分别为0.977、1.00、0.963和0.962，均大于0.95。因此，判别门限取为

$d_{\mathrm{th}}=m_{d_{\min }}+2{\mathrm{\σ}}_{d_{\min }}---\left(16\right)$

其中m_dmin和σ_dmin分别是d_min在H₀下的条件均值和条件均方根差。

m_dmin和σ_dmin的估值采用以下方法计算：

${{\hat{m}}_d}_{\min }=\frac{1}{N}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)---\left(17\right)$

${{\widehat{\mathrm{\σ}}}^2}_{d_{\min }}=\frac{1}{N-1}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)-{\hat{m}}_{d_{\min }})}^2---\left(18\right)$

其中

为第i类目标的非线性特征子像与第i类目标库模板矢量之间的欧氏距离。

当非库属目标判别门限d_th确定后，本发明的非库属目标一维距离像判别技术的分类规则为 $d_{\min }=\underset{\left\{k\right\}}{\min }\left\{d_k\right\}$

if d_min＜d_th then判输入目标为第i类， $i=\arg \underset{\left\{k\right\}}{\min }\left\{d_k\right\}$

else判输入目标为非库属目标。

附图给出本发明的非库属目标一维距离像判别方法的流程图。流程开始于步骤201。在步骤202，对雷达目标一维距离像训练矢量x_ij进行预处理，减去其均值，其中i＝1，2，…，g，j＝1，2，…N_i，g为目标类别数，N_i为第i类目标的一维距离像训练样本数。

在步骤2031，确定核函数k(x_ij，x_rl)和核矩阵K＝[k(x_ij，x_rl)]_N×N，其中N为所有目标的训练样本总数，N＝N₁+N₂…+N_g。

在步骤2032，确定核矩阵K的前q个最大非零特征值对应的特征向量为α₁，α₂，…，α_q。

在步骤2033，确定雷达目标一维距离像训练矢量x_ij在非线性特征子空间中的投影为： $y_{\mathrm{IJ}}={\left[\begin{array}{cccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_q\end{array}\right]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k(x_{{\mathrm{gN}}_g},x_{\mathrm{ij}})\end{array}\right]---\left(19\right)$

在步骤2034，确定g类目标的总库目标模板为

$\{\stackrel{\‾}{y_1},\stackrel{\‾}{y_2},\·\·\·,\stackrel{\‾}{y_g}\}---\left(20\right)$

其中

为第i类目标的非线性特征子像的平均训练矢量。

在步骤2041，确定在库属目标假设下的最小距离的条件均值和条件均方根差的估值为： ${{\hat{m}}_d}_{\min }=\frac{1}{N}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)---\left(21\right)$

${{\widehat{\mathrm{\σ}}}^2}_{d_{\min }}=\frac{1}{N-1}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)-{\hat{m}}_{d_{\min }})}^2---\left(22\right)$

其中为第i类目标的非线性特征子像与第i类目标库模板矢量之间的欧氏距离。

在步骤2042，确定非库属目标判别门限为

$d_{\mathrm{th}}=m_{d_{\min }}+2{\mathrm{\σ}}_{d_{\min }}---\left(23\right)$

在步骤2051，确定输入的雷达目标一维距离像在非线性特征子空间中的投影为：

$y_t={\left[\begin{array}{cccc}{\mathrm{\α}}_1& {\mathrm{\α}}_2& \·\·\·& {\mathrm{\α}}_q\end{array}\right]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k(x_{{\mathrm{gN}}_g},x_{\mathrm{ij}})\end{array}\right]---\left(24\right)$

在步骤2052，确定输入的雷达目标一维距离像与目标库模板矢量之间的欧氏距离

$d_k=\left|\right|y_t-\stackrel{\‾}{y_k}\left|\right|---\left(25\right)$

其中k＝1，2，…，g。

在步骤2053，确定输入的雷达目标一维距离像的最小距离为：

$d_{\min }=\underset{\left\{k\right\}}{\min }\left\{d_k\right\}---\left(26\right)$

其中k＝1，2，…，g。

在步骤2061，确定输入的雷达目标一维距离像是否属于非库属目标：

if d_min＞d_th then判输入目标为非库属目标。

在步骤2062，若不属于非库属目标，则确定输入的雷达目标一维距离像的类别：若 $i=\arg \underset{\left\{k\right\}}{\min }\left\{d_k\right\},$ 则将输入的雷达目标一维距离像识别为第i类。

根据本发明的非库属目标一维距离像判别技术的流程结束于步骤207。

采用模拟实验验证本发明的非库属目标一维距离像判别技术。

设计四种点目标：“|”字型，“V”字型，“干”字型和“小”字型。前三种目标(“|”字型，“V”字型，“干”字型目标)作为库属目标，后一种目标(“小”字型目标)不参与训练(即作为非库属目标)。在目标姿态角为(0°~30°)范围内每隔1°的一维距离像中，取所有训练目标姿态角为0°、2°、4°、…、30°的一维距离像进行训练，其余姿态角的一维距离像作为测试数据。采用高斯核函数 $k(x_r,x_l)=e^{-\frac{{\left|\right|x_r,x_l\left|\right|}^2}{2{\mathrm{\σ}}^2}},$ 其中σ²＝3.5。给定P_c＝0.9，按式(23)计算非库属目标判别门限d_th＝1.1924。

在模拟实验中雷达发射脉冲的带宽为150MHZ(距离分辨率为1m，雷达径向取样间隔为0.5m)，目标设置为均匀散射点目标，”|”目标的散射点为5，其余三目标的散射点数均为9。

表一、表二给出了本发明与原有方法的试验结果对照：

表一列出了非线性特征子空间法对四种目标的识别结果。每类目标的测试样本数为15。对“|”字型目标、“V”字型目标和“干”字型目标的正确识别率分别为100％、93.33％和86.67％；对“小”字型目标，却完全误识。可见，非线性特征子空间法不能对非库属目标进行判别。

表一：

输入目标库目标	“|”字型目标	“V”字型目标	“干”字型目标	“小”字型目标
					“|”字型目标	15	1	2	1
“V”字型目标	0	14	0	13
					“干”字型目标	0	0	13	1

输入目标库目标	“|”字型目标	“V”字型目标	“干”字型目标	“小”字型目标
					正确识别率	100％	93.33％	86.67％	0％

表二列出了引入非库属目标判别门限后，非线性特征子空间法对四种目标的识别结果。每类目标的测试样本数为15，p_c＝0.9 d_th＝1.1924。对“|”字型目标、“V”字型目标和“干”字型目标的正确识别率分别为100％、93.33％和86.67％，判别为非库属目标的百分率分别为0％、6.67％和0％；对“小”字型目标，全部判别为非库属目标。可见，采用非库属目标判别门限后，一方面能够有效地判别非库属目标，同时库属目标判别为非库属目标的百分率很低，对库属目标的正确识别率仍然较高。

表二：

输入目标库目标	“|”字型目标	“V”字型目标	“干”字型目标	“小”字型目标
					“|”字型目标	15	0	2	0
“V”字型目标	0	14	0	0
					“干”字型目标	0	0	13	0
“小”字型目标(非库属目标)	0	1	0	15
					正确识别率	100％	93.33％	86.67％
判为非库属目标百分率	0％	6.67％	0％	100％

虽然已经参考附图对本发明的非库属目标一维距离像判别方法以举例方式进行了描述，但是本发明不限于上述这些细节，并且本申请含盖权利要求范围之内的各种变型或改变。

工业应用性：将本发明提出的非库属目标一维距离像判别方法应用于雷达目标一维距离像识别系统，满足雷达目标一维距离像识别系统对可靠的非库属目标距离像判别的要求。当判别输入的一维距离像属于库属目标时，进行正常的分类识别，当判别输入的一维距离像属于非库属目标时，说明出现了新目标，即训练库中没有包含的目标，则可进一步对新目标的一维距离像进行动态建库。

Claims (7)

1.一种非库属目标一维距离像判别方法，其特征在于：在分类决策阶段对非库属目标的一维距离像进行判别，当判别输入的一维距离像为库属目标时，进行正常的分类识别，当判别输入的一维距离像为非库属目标时，则对新目标的一维距离像进行训练建库，从而完成目标一维距离像动态建库的过程，包括如下步骤：

对雷达目标一维距离像训练矢量进行预处理，减去其均值；

确定核函数、核矩阵及其前q个最大非零特征值对应的特征向量与训练一维像的非线性映射组合而成的非线性特征子空间；

确定雷达目标一维距离像训练矢量在非线性特征子空间中的投影和总库目标模板；

根据在库属目标假设下的最小距离的条件均值和条件均方根差的估值，确定非库属目标判别门限；以及

根据输入的雷达目标一维距离像的在非线性特征子空间中的投影与目标库模板矢量之间的最小欧氏距离，确定输入的雷达目标一维距离像是否属于非库属目标，若不属于非库属目标，则确定输入的雷达目标一维距离像所属的类别。

2.如权利要求1所述的判别方法，其特征在于：所述确定输入的雷达目标一维距离像是否属于非库属目标，采用的准则是：设H₀代表输入目标为库属目标，设H₁代表输入目标为非库属目标，d_min为确定输入的雷达目标一维距离像的最小距离，设d_min在两种假设下的条件概率密度分别为p(d_min/H₀)及p(d_min/H₁)则：指定假设H₀下的正确判别概率值，求取一个相应的门限值，使

$P_c=P(d_{\min }\≤d_{\mathrm{th}})$

$={\∫}_0^{d_{\mathrm{ih}}}p(d_{\min }/H_0)d_{d_{\min }}$

其中P_c为假设H₀下的正确判别概率，即输入目标为库属目标时正确判别为库属目标的概率，d_th为p_c对应的判决门；

判决规则为

    H₀

    ＜

d_min＞d_th

    H₁

当d_min小于d_th时，输入目标判为库属目标，否则判为非库属目标，d_th称为非库属目标判别门限。

3.如权利要求2所述的判别方法，其特征在于：在假设H₀下，由训练一维像数据对应的最小距离d_min的统计特征，确定门限

其中

和

分别是d_min在H₀下的条件均值和条件均方根差。

4.如权利要求2所述的判别方法，其特征在于：当非库属目标判别门限d_th确定后，分类规则为：

当if d_min＞d_th then判输入目标为非库属目标

if d_min＜d_th then判输入目标为第i类，

其中d_k为确定输入的雷达目标一维距离像与目标库模板矢量之间的欧氏距离。

5.如权利要求1所述的判别方法，其特征在于：所述对雷达目标一维距离像训练矢量进行预处理，减去其均值是对雷达目标一维距离像训练矢量x_ij进行预处理，其中i＝1，2，…，g，j＝1，2，…N_i，g为目标类别数，N_i为第i类目标的一维距离像训练样本数；

确定核函数是k(x_ij，x_rl)，核矩阵是K＝[k(x_ij，x_rl)]_N×N，其中N为所有目标的训练样本总数，N＝N₁+N₂…+N_g；

确定核矩阵K的前q个最大非零特征值对应的特征向量为α₁，α₂，…，α_q；

确定雷达目标一维距离像训练矢量x_ij在非线性特征子空间中的投影为：

$y_{\mathrm{ij}}={[a_1{a}_2\·\·\·a_q]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k\left(x_{g{N}_g,}{x}_{\mathrm{ij}}\right)\end{array}\right];$

确定g类目标的总库目标模板为：

其中

为第i类目标的非线性特征子像的平均训练矢量。

6.如权利要求1所述的判别方法，其特征在于：所述确定在库属目标假设下的最小距离的条件均值和条件均方根差的估值为：

${\hat{m}}_{d_{\min }}=\frac{1}{N}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}d\left(y_{\mathrm{ij}}{,\stackrel{\‾}{y}}_i\right)$ 和

${{\widehat{\mathrm{\σ}}}^2}_{d_{\min }}=\frac{1}{N-1}\underset{i=1}{\overset{g}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_i}{\mathrm{\Σ}}}{(d(y_{\mathrm{ij}},{\stackrel{\‾}{y}}_i)-{\hat{m}}_{d_{\min }})}^2$

其中d(y_ij，

)为第i类目标的非线性特征子像与第i类目标库模板矢量之间的欧氏距离。

7.如权利要求1所述的判别方法，其特征在于：所述确定输入的雷达目标一维距离像在非线性特征子空间中的投影为：

$y_t={[a_1{a}_2\·\·\·a_q]}^T\left[\begin{array}{c}k(x_{11},x_{\mathrm{ij}})\\ k(x_{12},x_{\mathrm{ij}})\\ \·\·\·\\ k\left(x_{g{N}_g,}{x}_{\mathrm{ij}}\right)\end{array}\right];$

所述确定输入的雷达目标一维距离像与目标库模板矢量之间的欧氏距离为：

$d_k=\left|\right|y_t-\stackrel{\‾}{y_k}\left|\right|$ 其中k＝1，2，…，g

所述确定输入的雷达目标一维距离像的最小距离为：

$d_{\min }=\underset{\left\{k\right\}}{\min }\left\{d_k\right\}$ 其中k＝1，2，…，g。

Images