CN105334504A - 基于大边界的非线性判别投影模型的雷达目标识别方法 - Google Patents
基于大边界的非线性判别投影模型的雷达目标识别方法 Download PDFInfo
- Publication number
- CN105334504A CN105334504A CN201510566530.7A CN201510566530A CN105334504A CN 105334504 A CN105334504 A CN 105334504A CN 201510566530 A CN201510566530 A CN 201510566530A CN 105334504 A CN105334504 A CN 105334504A
- Authority
- CN
- China
- Prior art keywords
- represent
- matrix
- lvsvm
- sorter
- hidden variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于大边界的非线性判别投影模型的雷达目标识别方法,主要解决现有技术不能很好地对非线性可分数据进行分类的问题。其技术步骤为:1.提取雷达数据的功率谱特征样本集X;2.计算训练样本集的核函数矩阵G;3.构建大边界的非线性判别投影模型,得出该模型中各参数的联合条件后验分布;4.推导各参数的条件后验分布;5.设定各参数的先验初始值,并对各参数进行I0次循环采样;6.保存T0次测试阶段所需参数的采样结果;7.利用保存数据计算隐变量;8.将隐变量代入LVSVM分类器得出测试样本的目标类别标号。本发明提高了原始数据空间的可分性,能实现对非线性可分数据的分类,用于对雷达目标的识别。
Description
技术领域
本发明属于雷达技术领域,涉及一种基于大边界的非线性判别投影模型的雷达高分辨距离像HRRP目标识别方法,可用于对雷达高分辨距离像中的飞机、船舶和车辆进行分类识别。
背景技术
雷达目标识别是雷达采用的一种技术手段,用来辨认其搜索体积内已被发现的目标,其原理就是利用目标的雷达回波信号,实现对目标类型的判定。宽带雷达通常工作在光学区,此时雷达目标可以看作是由大量强度不同的散射点构成,高分辨距离像HRRP是用宽带雷达信号获取目标体上各散射点回波信号的矢量和。它反映了目标体上散射点沿雷达视线的分布情况,包含了目标重要的结构信息,比如目标尺寸、散射点结构等。因此在二十世纪末,一些学者提出了利用HRRP完成雷达目标自动识别的技术,见[S.P.Jacobs.Automatictargetrecognitionusinghigh-resolutionradarrangeprofiles.PhDdissertation,WashingtonUniv.,St.Louis,MO,1999].进入二十一世纪后,这一技术在雷达领域引起了人们的广泛关注。
在高频区时,散射中心模型描述了目标电磁散射特性。根据该模型,当目标姿态有较大变化时,会发生散射中心距离单元走动MTRC,即部分散射中心会从一个距离单元移动到另一个距离单元,引起目标HRRP的剧烈变化;而姿态发生较小的变化时,即不出现MTRC。如上所述,HRRP敏感于目标姿态,且同一目标的HRRP具有多模分布特性,这往往使数据在HRRP空间中的分布具有非线性可分性,这影响了常用目标识别方法的效果与应用。
在现有的机器学习技术中,主成分分析PCA,因子分析FA等以及基于核的非线性的特征提取方法,均为无监督模型,用这些技术所提取的特征不一定适合后端的分类任务;线性判别分析LDA是一种有监督的线性特征提取的基本方法,能对高维的数据线性投影到低维的判别子空间中,然而LDA模型对数据分布的依赖性非常大,而且它只能解决线性分类问题,这就限制了它的实际应用;隐变量支持向量机LVSVM,作为一种分类器能在贝叶斯框架下运用贝叶斯方法求解SVM问题,但是隐变量支持向量机LVSVM只能学习训练出分类器而不能对数据进行特征提取得到判别子空间。
发明内容
本发明的目的在于提出一种基于大边界的非线性判别投影模型的雷达目标识别方法,以解决现有技术不能在贝叶斯框架下将判别子空间和分类器一同学习出来的非线性分类问题,提高分类的识别率。
为达到上述目的,本发明的技术方案包括如下步骤:
(1)雷达接收C种类别的目标高分辨距离像,对这些高分辨距离像进行特征提取,得到每个高分辨距离像的功率谱特征xn,用这些高分辨距离像的功率谱特征xn组成训练样本集X={x1,x2,…xn,…xN},并用y={y1,y2,…,yn,…,yN}来记录训练样本集X中的每一个训练样本的类别标号,yn∈{1,2,…,C}表示xn所对应的类别标号,n=1,2,…N,N表示训练样本集X的样本总个数;
(2)利用非线性的核函数将步骤(1)中的训练样本集X映射到核空间F,计算核矩阵G;
(3)将非线性投影模型与隐变量支持向量机LVSVM分类器相结合,构建大边界的非线性判别投影模型,并计算该模型中各个参数的联合条件后验分布p(β,W,λ,α,σ|Z,y),其中:
β=[β1,β2,…,βk,…,βD]表示非线性投影模型的投影系数矩阵,βk为投影系数矩阵β的第k列向量,k=1,2,…,D,D表示投影系数矩阵β的中列向量的总个数,
α=[α1,α2,…,αk,…,αD]T表示协方差矩阵的精度向量,αk为投影系数矩阵β的第k列向量βk的协方差矩阵的精度,IM表示一个M维的单位矩阵,M是核空间F的维度,
Z=[z1,z2,…,zn,…,zN]表示训练样本集X对应的隐变量集,zn表示第n个隐变量,
W=[ω1,ω2,…,ωm,…,ωC]为隐变量支持向量机LVSVM分类器的权系数矩阵,ωm表示第m个LVSVM分类器的权系数向量,m=1,2,…,C,C表示雷达目标种类个数,
σ=[σ1,σ2,…,σm,…,σC]T为协方差精度向量,σm表示权系数向量ωm的协方差矩阵的精度,ID+1表示一个D+1维的单位矩阵,
λ=[λ1,λ2,…,λm,…λC]为隐变量支持向量机LVSVM分类器的隐变量,λm表示第m个LVSVM分类器中的隐变量,
y表示雷达高分辨距离像的类别标号;
(4)根据贝叶斯公式和上述联合条件后验分布p(β,ω,λ,α,σ|Z,y),推导出β,ω,λ,α,σ,Z每个参数对应的条件后验分布;
(5)设定模型中各个参数的先验初始值:
设投影系数矩阵β的初始值为一个服从N(0,1)分布的M×D维的随机矩阵,
设协方差精度向量α的初始值为一个全部是1的D维向量,
设隐变量集Z的初始值为一个服从N(0,1)分布的D×N维的随机矩阵,
设LVSVM分类器的权系数ωm的初始值为一个服从N(0,1)分布的D+1维的随机向量,
设LVSVM分类器的权系数ωm的协方差精度σm的初始值为一个服从Ga(1,0.001)分布的随机数,
设LVSVM分类器的隐变量λm的初始值为一个服从的N维的随机向量,
其中:N(·)表示高斯分布、Ga(·)表示Gamma分布、GIG(·)表示广义逆高斯分布;
(6)根据步骤(4)中各个参数的条件后验分布,按照Gibbs采样技术对设定初始值的参数依次进行I0次循环采样,其中I0为自然数;
(7)在参数循环采样I0次后,从第I0+1次开始每间隔SP次保存核空间中的投影系数矩阵β和LVSVM分类器的权系数W,总共保存T0次这些参数的采样结果;
(8)对雷达高分辨距离像测试样本进行特征提取得到具有距离像功率谱特征的测试样本集将该测试样本集映射到核空间,计算出核矩阵
(9)根据核矩阵和步骤(7)中保存的投影系数矩阵β,计算出测试隐变量集
(10)将步骤(9)得到的测试隐变量集以及步骤(7)中保存的LVSVM分类器的权值系数W代入到LVSVM分类器的判别公式中,输出测试雷达高分辨距离像的目标类别标号
本发明与现有技术相比具有以下优点:
1.与现有的线性分类器相比,本发明采用非线性映射核将非线性的数据映射到一个高维的核空间,使数据在高维核空间中线性可分,提高了分类性能。
2.与现有技术相比,本发明引入一个中间隐变量zn去记录数据投影后的信息,这样去除了类别标号和投影矩阵之间的强烈依赖性,可以避免计算过程中的冲突。
3.与现有技术相比,本发明采用LVSVM作为分类器,可以通过Gibbs采样算法对参数进行估计,大大简化了求解复杂度。
4.本发明在训练阶段,将LVSVM分类器和投影矩阵一同在贝叶斯模型框架下进行学习的,并利用了类别标号信息,提高了隐空间的可分性。
下面结合附图和具体实施方式对本发明做进一步说明。
附图说明
图1是本发明的实现流程图;
图2是本发明获取原始雷达高分辨距离像的雷达实测场景图;
图3是本发明预测类别结果与真实类别结果的比较图;
具体实施方式
参照图1,本发明的基于大边界的非线性判别投影模型的雷达目标识别方法,其具体实现步骤如下:
步骤1,接收雷达目标的高分辨距离像HRRP数据,产生训练数据。
1a)雷达接收C种类别的目标高分辨距离像,对这些高分辨距离像进行特征提取,得到每个高分辨距离像的功率谱特征xn,用这些高分辨距离像的功率谱特征组成训练样本集X={x1,x2,…xn,…xN},xn为训练本集X中的第n个训练样本,n=1,2,…N,N表示训练样本集X的样本总个数;
1b)用y={y1,y2,…,yn,…,yN}来记录训练样本集X中的每一个训练样本的类别标号,yn∈{1,2,…,C}表示xn所对应的类别标号,C表示雷达目标的种类个数。
步骤2,对训练样本集X进行核映射处理。
2a)将训练样本xn,n=1,2,…,N经过非线性映射核Φ(·)映射到希尔伯特核空间F中,即:xn→Φ(xn)∈F,得到核空间F中的训练样本集:
Φ(X)=[Φ(x1),Φ(x2),…,Φ(xn),…,Φ(xN)];
2b)根据核空间F中的训练样本集Φ(X)与核空间F的基向量组Φ(V),计算出核矩阵G:
G=Φ(V)TΦ(X)=K(V,X)
其中:Φ(V)=[Φ(v1),Φ(v2),…,Φ(vn),…,Φ(vM)]表示核空间F的基向量组,Φ(vn)是基向量组Φ(V)中的第n个基向量,M为核空间F的维度,K(·)是一个核函数,用来计算核空间F中的两个向量的内积。
步骤3,设定非线性投影模型。
3a)根据核空间F中的训练样本Φ(X)=[Φ(x1),Φ(x2),…,Φ(xn),…,Φ(xN)]得到对应的隐变量集Z=[z1,z2,…,zn,…,zN],其中隐变量集Z的第n个向量zn服从一个高斯分布:
zn~N(HTΦ(xn),ID)
式中:H=[h1,h2,…,hk,…,hD]为投影矩阵,hk是投影矩阵H的第n列,k=1,2,…,D,D表示投影矩阵H中列向量的总个数,ID是一个D维的单位矩阵,N(·)表示高斯分布;
3b)用核空间F中的基向量组Φ(V)对上述向量hk进行线性表示,即:hk=Φ(V)βk,得到非线性投影模型为:
其中:
K(V,xn)=Φ(V)TΦ(xn)表示核矩阵G的第n列,
β=[β1,β2,…,βk,…,βD]表示核空间F中的投影系数矩阵,βk是投影系数矩阵β的第k列,βk的协方差矩阵为αk为βk的协方差精度,
N(·)表示高斯分布,Ga(·)表示Gamma分布,c0,d0为Gamma分布的两个不同参数。
步骤4,设定隐变量支持向量机LVSVM分类器。
4a)设定C个LVSVM分类器权系数向量的先验分布为:
其中:
ωm表示第m个LVSVM分类器的权系数向量,σm为权系数向量ωm的协方差矩阵的精度,ID+1表示D+1维的单位矩阵;
4b)将C个类别中的一类看作是正类目标,其它类看作是负类目标,训练C个LVSVM分类器;
4c)将C个LVSVM分类器的权系数向量ωm的先验分布分别代入到C个LVSVM分类器中,得到每个LVSVM分类器:
其中:
Z=[z1,z2,…,zn,…,zN]表示训练样本集X对应的隐变量集,zn表示第n个隐变量样本,
λm=[λ1m,λ2m,…,λnm,…,λNm]T是第m个LVSVM分类器中的隐变量,λnm表示第n个隐变量样本zn所对应的第m个LVSVM分类器的隐变量,
ym=[y1m,y2m,…,ynm,…,yNm]T表示第m个LVSVM分类器中训练样本集X对应的隐变量集Z的类别标号,ynm表示隐变量zn对应第m个LVSVM分类器的类别标号,若隐变量zn属于第m类目标,则ynm=+1,否则ynm=-1,
φ(ωm,λm,σm|ym)的表达式如下:
表示第n个隐变量zn的增广向量,(·)T表示转置操作。
步骤5,构建大边界的非线性判别投影模型。
将非线性投影模型与隐变量支持向量机LVSVM分类器相结合,构建大边界的非线性判别投影模型如下:
其中:
I表示单位矩阵,a0,b0,c0,d0表示Gamma分布的四个不同参数。
步骤6,计算各个参数的联合条件后验分布。
大边界的非线性判别投影模型中各参数的联合条件后验分布p(β,W,λ,α,σ|Z,y),按如下公式计算:
其中:
α=[α1,α2,…,αk,…,αD]T表示协方差矩阵的精度向量,αk为投影系数矩阵β的第k列向量βk的协方差矩阵的精度,
W=[ω1,ω2,…,ωm,…,ωC]为隐变量支持向量机LVSVM分类器的权系数矩阵,ωm表示第m个LVSVM分类器的权系数向量,m=1,2,…,C,C表示雷达目标的种类个数,
λ=[λ1,λ2,…,λm,…λC]为隐变量支持向量机LVSVM分类器的隐变量矩阵,λm表示第m个LVSVM分类器的隐变量向量,λnm表示第n个隐变量样本zn所对应的第m个LVSVM分类器的隐变量,
σ=[σ1,σ2,…,σm,…,σC]T为协方差精度向量,σm表示权系数向量ωm的协方差矩阵的精度,ID+1表示一个D+1维的单位矩阵。
步骤7,根据贝叶斯公式和上述联合条件后验分布p(β,ω,λ,α,σ|Z,y)推导每个参数对应的条件后验分布。
7a)计算投影系数矩阵β的第k列向量βk的条件后验分布为:
其中:表示高斯分布的均值,表示高斯分布的方差,zkn表示隐变量zn的第k个元素,K(V,xn)=Φ(V)TΦ(xn)表示核矩阵G的第n列,IM表示一个M维的单位矩阵,M为核空间F的维度,N(·)表示高斯分布,(·)T表示转置操作;
7b)计算第n个隐变量zn的第k个元素zkn的条件后验分布:
其中: 表示高斯分布的均值, 表示高斯分布的方差, ωkm表示第m个LVSVM分类器的权系数向量ωm的第k个权值,λnm表示第n个隐变量样本zn对应的第m个LVSVM分类器的隐变量,ynm表示第n个隐变量样本zn在第m个LVSVM分类器中的类别标号;
7c)计算第m个LVSVM分类器的权值系数ωm的条件后验分布:
其中: 表示高斯分布的均值, 表示高斯分布的方差,表示第n个隐变量zn所对应的增广向量;
7d)计算第n个隐变量样本zn对应的第m个LVSVM分类器的隐变量λnm的条件后验分布为:
其中:表示第n个隐变量zn所对应的增广向量,GIG(·)表示广义逆高斯分布;
7e)计算第k个投影系数向量βk的协方差精度αk的条件后验分布:
p(αk|-)=Ga(c,d)
其中:c0,d0为αk的先验分布中参数的初始值;
7f)计算第m个LVSVM分类器的权值系数ωm的协方差精度σm的条件后验分布:
p(σm|-)=Ga(a,b)
其中:D表示隐空间的维度,a0,b0为σm的先验分布中参数的初始值。
步骤8,设定模型中各个参数的先验初始值:。
8a)设投影系数矩阵β的初始值为一个服从N(0,1)分布的M×D维的随机矩阵;
8b)设协方差精度向量α的初始值为一个全部是1的D维向量;
8c)设隐变量集Z的初始值为一个服从N(0,1)分布的D×N维的随机矩阵;
8d)设LVSVM分类器的权系数ωm的初始值为一个服从N(0,1)分布的D+1维的随机向量;
8e)设LVSVM分类器的权系数ωm的协方差精度σm的初始值为一个服从Ga(1,0.001)分布的随机数;
8f)设LVSVM分类器的隐变量λm的初始值为一个服从的N维的随机向量,其中GIG(·)表示广义逆高斯分布。
步骤9,对大边界的非线性判别投影模型进行Gibbs循环采样。
9a)根据步骤(4)中各个参数的条件后验分布,按照Gibbs采样技术对设定初始值的参数依次进行I0次循环采样,其中I0为自然数;
9b)在参数循环采样I0次后,从第I0+1次开始每间隔SP次保存核空间中的投影系数矩阵β和LVSVM分类器的权系数W,总共保存T0次这些参数的采样结果。
步骤10,对大边界的非线性判别投影模型进行测试。
10a)对雷达高分辨距离像测试样本进行特征提取得到具有距离像功率谱特征的测试样本集将该测试样本集映射到核空间F,计算出测试样本集的核矩阵
其中:V=[v1,v2,…,vn,…,vM]表示基向量组,vn是基向量组V中的第n个基向量,M为核空间F的维度,K(·)是一个核函数,表示核空间中的向量积。
10b)根据核矩阵和步骤9中保存的投影系数矩阵β,计算出测试隐变量集
其中:β为核空间中的投影系数矩阵,表示测试样本的核矩阵;
10c)将测试隐变量集以及步骤9中保存的LVSVM分类器的权值系数W代入到LVSVM分类器的判别公式中,输出测试雷达高分辨距离像的目标类别标号
ρ=[ρ1,ρ2,…,ρm,…,ρC]
其中:表示测试样本的预测类别标号,表示第t次采样的第m个LVSVM分类器的权值系数,m=1,2,…,C,t=1,2,…,T0,C表示目标类别个数,T0表示步骤(5)中设定的保存采样参数的个数,ρm表示第m个LVSVM分类器的平均输出,表示求解最大值对应的m值。
本发明的效果通过以下对三类飞机的实测数据仿真做进一步说明:
1.仿真条件
获得雷达高分辨距离像HRRP的实测数据S,实测场景参照图2,其中图2a是飞机Yark-42的实测场景图,图2b是飞机CessnaCitationS/Ⅱ的实测场景图,图2c是飞机An-26的实测场景图,具体飞机和雷达参数如表1所示:
表1
参照图2,选择飞机Yark-42的第2、5段,飞机CessnaCitationS/Ⅱ的第6、7段以及飞机An-26的第5、6段的雷达高分辨距离像HRRP共600个样本作为训练样本Tr,其余段中的2400个雷达高分辨距离像HRRP作为测试样本Te;
预处理:采用幅度2范数归一的方法,对雷达高分辨距离像HRRP进行归一,然后提取功率谱特征。原始雷达高分辨距离像HRRP的维数为256,由于功率谱具有对称性,只需取雷达高分辨距离像HRRP的128维作为特征。
2.仿真内容:
采用本发明与现有技术中的两种模型对三类飞机进行分类识别仿真,得到对三类飞机的识别结果,如表2和图3所示,其中图3是本发明的预测类别结果与真实类别结果的比较。
现有技术中的两种模型是:线性SVM模型、KLDA-BSVM模型。其中,线性SVM模型表示直接将目标样本输入到线性的支持向量机SVM分类器进行分类;KLDA-BSVM模型表示先用基于核的线性判别分析LDA对目标样本进行特征提取,然后将提取后的特征用贝叶斯SVM进行分类,因为LDA是一种有监督的线性特征提取方法,再加上利用核方法,这样KLDA-BSVM模型也能对非线性数据进行分类。
表2
从表2中可以看出:
1)与线性SVM模型相比,本发明对雷达高分辨距离像具有更高的识别率。这表明了与现有的线性分类器相比,本发明采用非线性映射核将非线性的数据映射到一个高维的核空间,使数据在高维核空间中线性可分,提高了分类性能。
2)与KLDA-BSVM模型相比,本发明对雷达高分辨距离像的识别更有优势。因为本发明在训练阶段,将投影矩阵和LVSVM分类器一同在贝叶斯模型框架下进行学习的,并利用了类别标号信息,提高了隐空间的可分性。
从图3可以看出:本发明获得的预测类别结果如图3a与真实类别结果如图3b基本吻合。
由于本实验采用的雷达高分辨距离像数据具有较好的线性可分性,所以线性SVM模型、KLDA-BSVM模型获得的识别率相对较高,但当雷达高分辨距离像数据的线性可分性差的时候,本发明的优越性能将会更好的体现。
Claims (8)
1.一种基于大边界的非线性判别投影模型的雷达目标识别方法,包括以下步骤:
(1)雷达接收C种类别的目标高分辨距离像,对这些高分辨距离像进行特征提取,得到每个高分辨距离像的功率谱特征xn,用这些高分辨距离像的功率谱特征xn组成训练样本集X={x1,x2,…xn,…xN},并用y={y1,y2,…,yn,…,yN}来记录训练样本集X中的每一个训练样本的类别标号,yn∈{1,2,…,C}表示xn所对应的类别标号,n=1,2,…N,N表示训练样本集X的样本总个数;
(2)利用非线性的核函数将步骤(1)中的训练样本集X映射到核空间F,计算核矩阵G;
(3)将非线性投影模型与隐变量支持向量机LVSVM分类器相结合,构建大边界的非线性判别投影模型,并计算该模型中各个参数的联合条件后验分布p(β,W,λ,α,σ|Z,y),其中:
β=[β1,β2,…,βk,…,βD]表示非线性投影模型的投影系数矩阵,βk为投影系数矩阵β的第k列向量,k=1,2,…,D,D表示投影系数矩阵β的中列向量的总个数,
α=[α1,α2,…,αk,…,αD]T表示协方差矩阵的精度向量,αk为投影系数矩阵β的第k列向量βk的协方差矩阵的精度,IM表示一个M维的单位矩阵,M是核空间F的维度,
Z=[z1,z2,…,zn,…,zN]表示训练样本集X对应的隐变量集,zn表示第n个隐变量,
W=[ω1,ω2,…,ωm,…,ωC]为隐变量支持向量机LVSVM分类器的权系数矩阵,ωm表示第m个LVSVM分类器的权系数向量,m=1,2,…,C,C表示雷达目标种类个数,
σ=[σ1,σ2,…,σm,…,σC]T为协方差精度向量,σm表示权系数向量ωm的协方差矩阵的精度,ID+1表示一个D+1维的单位矩阵,
λ=[λ1,λ2,…,λm,…λC]为隐变量支持向量机LVSVM分类器的隐变量矩阵,λm表示第m个LVSVM分类器中的隐变量向量,
y表示雷达高分辨距离像的类别标号;
(4)根据贝叶斯公式和上述联合条件后验分布p(β,ω,λ,α,σ|Z,y),推导出β,ω,λ,α,σ,Z每个参数对应的条件后验分布;
(5)设定模型中各个参数的先验初始值:
设投影系数矩阵β的初始值为一个服从N(0,1)分布的M×D维的随机矩阵,
设协方差精度向量α的初始值为一个全部是1的D维向量,
设功隐变量集Z的初始值为一个服从N(0,1)分布的D×N维的随机矩阵,
设LVSVM分类器的权系数ωm的初始值为一个服从N(0,1)分布的D+1维的随机向量,
设LVSVM分类器的权系数ωm的协方差精度σm的初始值为一个服从Ga(1,0.001)分布的随机数,
设LVSVM分类器的隐变量λm的初始值为一个服从的N维的随机向量,
其中:N(·)表示高斯分布、Ga(·)表示Gamma分布、GIG(·)表示广义逆高斯分布;
(6)根据步骤(4)中各个参数的条件后验分布,按照Gibbs采样技术对设定初始值的参数依次进行I0次循环采样,其中I0为自然数;
(7)在参数循环采样I0次后,从第I0+1次开始每间隔SP次保存核空间中的投影系数矩阵β和LVSVM分类器的权系数W,总共保存T0次这些参数的采样结果;
(8)对雷达高分辨距离像测试样本进行特征提取得到具有距离像功率谱特征的测试样本集将该测试样本集映射到核空间,计算出核矩阵
(9)根据核矩阵和步骤(7)中保存的投影系数矩阵β,计算出测试隐变量集
(10)将步骤(9)得到的测试隐变量集以及步骤(7)中保存的LVSVM分类器的权值系数W代入到LVSVM分类器的判别公式中,输出测试雷达高分辨距离像的目标类别标号
2.根据权利要求1中所述的方法,其中步骤(2)所述的利用非线性的核函数将步骤(1)中的功率谱特征样本集X映射到核空间F,计算核矩阵G,按照如下步骤进行:
2.1)将训练样本xn,n=1,2,…,N经过非线性映射核Φ(·)映射到希尔伯特核空间F中,即:xn→Φ(xn)∈F,得到核空间F中的训练样本集:
Φ(X)=[Φ(x1),Φ(x2),…,Φ(xn),…,Φ(xN)]
2.2)根据核空间F中的训练样本集Φ(X)与核空间F的基向量组Φ(V),计算出核矩阵G:
G=Φ(V)TΦ(X)=K(V,X)
其中:Φ(V)=[Φ(v1),Φ(v2),…,Φ(vn),…,Φ(vM)],Φ(vn)是基向量组Φ(V)中的第n个基向量,M为核空间F的维度,K(·)是一个核函数,用来计算核空间F中的两个向量的内积。
3.根据权利要求1所述的方法,其中所述步骤(3)中将非线性投影模型与隐变量支持向量机LVSVM分类器相结合,构建大边界的非线性判别投影模型,按如下步骤进行:
3.1)设定非线性投影模型:
3.1a)根据核空间F中的训练样本Φ(X)=[Φ(x1),Φ(x2),…,Φ(xn),…,Φ(xN)]得到对应的隐变量集Z=[z1,z2,…,zn,…,zN],其中隐变量集Z的第n个向量zn服从一个高斯分布:
zn~N(HTΦ(xn),ID)
式中:H=[h1,h2,…,hk,…,hD]为投影矩阵,hk是投影矩阵H的第n列,k=1,2,…,D,D表示投影矩阵H中列向量的总个数,ID是一个D维的单位矩阵,N(·)表示高斯分布;
3.1b)用核空间F中的基向量Φ(V)对上述向量hk进行线性表示,即hk=Φ(V)βk,得到非线性投影模型为:
其中:
K(V,xn)=Φ(V)TΦ(xn)表示核矩阵G的第n列,
β=[β1,β2,…,βk,…,βD]表示核空间F中的投影系数矩阵,βk是投影系数矩阵β的第k列,βk的协方差矩阵为αk为βk的协方差精度,
Ga(·)表示Gamma分布,c0,d0为Gamma分布的两个不同参数;
3.2)设定隐变量支持向量机LVSVM分类器:
3.2a)设定C个LVSVM分类器权系数向量的先验分布为:
其中:
ωm表示第m个LVSVM分类器的权系数向量,σm为权系数向量ωm的协方差矩阵的精度,ID+1表示D+1维的单位矩阵;
3.2b)将C个类别中的一类看作是正类目标,其它类看作是负类目标,训练C个LVSVM分类器;
3.2c)将C个LVSVM分类器的权系数向量ωm的先验分布分别代入到C个LVSVM分类器中,得到每个LVSVM分类器:
其中:
Z=[z1,z2,…,zn,…,zN]表示训练样本集X对应的隐变量集,zn表示第n个隐变量样本,
λm=[λ1m,λ2m,…,λnm,…,λNm]T是第m个LVSVM分类器中的隐变量向量,λnm表示第n个隐变量样本zn所对应的第m个LVSVM分类器的隐变量,
ym=[y1m,y2m,…,ynm,…,yNm]T表示第m个LVSVM分类器中训练样本集X对应的隐变量集Z的类别标号,ynm表示隐变量zn对应第m个LVSVM分类器的类别标号,且有若隐变量zn属于第m类目标,则ynm=+1,否则ynm=-1,
φ(ωm,λm,σm|ym)的表达式如下:
表示第n个隐变量zn的增广向量,(·)T表示转置操作;
3.3)将上述步骤3.1.b)的非线性投影模型与步骤3.2.c)的隐变量支持向量机LVSVM分类器相结合,构建大边界的非线性判别投影模型:
其中:
I表示单位矩阵,a0,b0,c0,d0表示Gamma分布的四个不同参数。
4.根据权利要求1所述的方法,其中所述步骤(3)中计算该模型中各个参数的联合条件后验分布p(β,W,λ,α,σ|Z,y),按如下公式计算:
其中:
Z=[z1,z2,…,zn,…,zN]表示训练样本集X对应的隐变量集,zn表示第n个隐变量样本,表示第n个隐变量zn的增广向量,
β=[β1,β2,…,βk,…,βD]表示核空间F中的投影系数矩阵,βk是投影系数矩阵β的第k列,
α=[α1,α2,…,αk,…,αD]T表示协方差矩阵的精度向量,αk为投影系数矩阵β的第k列向量βk的协方差矩阵的精度,
W=[ω1,ω2,…,ωm,…,ωC]为隐变量支持向量机LVSVM分类器的权系数矩阵,ωm表示第m个LVSVM分类器的权系数向量,m=1,2,…,C,C表示雷达目标种类个数,
λ=[λ1,λ2,…,λm,…λC]为隐变量支持向量机LVSVM分类器的隐变量矩阵,λm表示第m个LVSVM分类器的隐变量向量,λnm表示第n个隐变量样本zn所对应的第m个LVSVM分类器的隐变量,
σ=[σ1,σ2,…,σm,…,σC]T为协方差精度向量,σm表示权系数向量ωm的协方差矩阵的精度,ID+1表示一个D+1维的单位矩阵,
ym=[y1m,y2m,…,ynm,…,yNm]T表示第m个LVSVM分类器中训练样本集X对应的隐变量集Z的类别标号,ynm表示隐变量zn对应第m个LVSVM分类器的类别标号,且有若隐变量zn属于第m类目标,则ynm=+1,否则ynm=-1,
K(V,xn)表示核矩阵G的第n列向量,
N(·)表示高斯分布,(·)T表示转置操作,Ga(·)表示Gamma分布,I表示单位矩阵,a0,b0,c0,d0表示Gamma分布的四个不同参数。
5.根据权利要求1所述的方法,其中所述步骤(4)中根据贝叶斯公式和联合条件后验分布p(β,ω,λ,α,σ|Z,y),推导出β,ω,λ,α,σ,Z每个参数对应的条件后验分布,按如下步骤进行:
4.1)计算投影系数矩阵β的第k列向量βk的条件后验分布为:
其中:表示高斯分布的均值,表示高斯分布的方差,zkn表示隐变量zn的第k个元素,K(V,xn)=Φ(V)TΦ(xn)表示核矩阵G的第n列,IM表示一个M维的单位矩阵,M为核空间F的维度,N(·)表示高斯分布,(·)T表示转置操作;
4.2)计算第n个隐变量zn的第k个元素zkn的条件后验分布:
其中: 表示高斯分布的均值,表示高斯分布的方差,ωkm表示第m个LVSVM分类器的权系数向量ωm的第k个权值,λnm表示第n个隐变量样本zn对应的第m个LVSVM分类器的隐变量,ynm表示第n个隐变量样本zn在第m个LVSVM分类器中的类别标号;
4.3)计算第m个LVSVM分类器的权值系数ωm的条件后验分布:
其中: 表示高斯分布的均值, 表示高斯分布的方差,表示第n个隐变量zn所对应的增广向量;
4.4)计算第n个隐变量样本zn对应的第m个LVSVM分类器的隐变量λnm的条件后验分布为:
其中:表示第n个隐变量zn所对应的增广向量,GIG(·)表示广义逆高斯分布;
4.5)计算第k个投影系数向量βk的协方差精度αk的条件后验分布:
p(αk|-)=Ga(c,d)
其中:Ga(·)表示Gamma分布,c0,d0为αk的先验分布中参数的初始值;
4.6)计算第m个LVSVM分类器的权值系数ωm的协方差精度σm的条件后验分布:
p(σm|-)=Ga(a,b)
其中:D表示隐空间的维度,a0,b0为σm的先验分布中参数的初始值。
6.根据权利要求1所述的方法,其中所述步骤(8)计算核矩阵按如下公式计算:
其中:V=[v1,v2,…,vn,…,vM]表示基向量组,vn是基向量组V中的第n个基向量,M为核空间F的维度;表示测试样本集,K(·)是一个核函数,表示核空间中的向量积。
7.根据权利要求1所述基于的方法,其中所述步骤(9)中根据核矩阵和步骤(7)中保存的投影系数矩阵β,计算出测试隐变量集按如下公式计算:
其中:β为核空间中的投影系数矩阵,表示测试样本的核矩阵。
8.根据权利要求1所述的方法,其中所述步骤(10)中LVSVM分类器的判别公式,表示如下:
ρ=[ρ1,ρ2,…,ρm,…,ρC]
其中:表示测试样本的预测类别标号,表示第t次采样的第m个LVSVM分类器的权值系数,m=1,2,…,C,t=1,2,…,T0,C表示目标类别个数,T0表示步骤(5)中设定的保存采样参数的个数,ρm表示第m个LVSVM分类器的平均输出,表示求解最大值对应的m值,(·)T表示转置操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510566530.7A CN105334504B (zh) | 2015-09-08 | 2015-09-08 | 基于大边界的非线性判别投影模型的雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510566530.7A CN105334504B (zh) | 2015-09-08 | 2015-09-08 | 基于大边界的非线性判别投影模型的雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105334504A true CN105334504A (zh) | 2016-02-17 |
CN105334504B CN105334504B (zh) | 2017-11-21 |
Family
ID=55285145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510566530.7A Active CN105334504B (zh) | 2015-09-08 | 2015-09-08 | 基于大边界的非线性判别投影模型的雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105334504B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219510A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 |
CN107728143A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
CN107977642A (zh) * | 2017-12-15 | 2018-05-01 | 南京航空航天大学 | 一种核自适应均值判别分析的高分辨距离像目标识别方法 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN109001702A (zh) * | 2018-06-04 | 2018-12-14 | 桂林电子科技大学 | 无载波超宽带雷达人体动作识别方法 |
CN112486186A (zh) * | 2020-12-14 | 2021-03-12 | 浙江嘉蓝海洋电子有限公司 | 一种基于贝叶斯多特征融合的无人水面艇自主航行方法 |
CN113065583A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN113269675A (zh) * | 2021-05-18 | 2021-08-17 | 东北师范大学 | 基于深度学习模型的时变体数据时间超分辨率可视化方法 |
CN113361472A (zh) * | 2021-07-01 | 2021-09-07 | 西安电子科技大学 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8725732B1 (en) * | 2009-03-13 | 2014-05-13 | Google Inc. | Classifying text into hierarchical categories |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
-
2015
- 2015-09-08 CN CN201510566530.7A patent/CN105334504B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8725732B1 (en) * | 2009-03-13 | 2014-05-13 | Google Inc. | Classifying text into hierarchical categories |
CN104007431A (zh) * | 2014-05-29 | 2014-08-27 | 西安电子科技大学 | 基于dpLVSVM模型的雷达HRRP的目标识别方法 |
Non-Patent Citations (2)
Title |
---|
BO CHEN, ETAL: "Max-Margin Discriminant Projection via Data Augmentation", 《IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING》 * |
张学峰 等: "一种基于Dirichelt过程隐变量支撑向量机模型的目标识别方法", 《电子与信息学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107219510A (zh) * | 2017-05-18 | 2017-09-29 | 西安电子科技大学 | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 |
CN107728143A (zh) * | 2017-09-18 | 2018-02-23 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
CN107728143B (zh) * | 2017-09-18 | 2021-01-19 | 西安电子科技大学 | 基于一维卷积神经网络的雷达高分辨距离像目标识别方法 |
CN107977642A (zh) * | 2017-12-15 | 2018-05-01 | 南京航空航天大学 | 一种核自适应均值判别分析的高分辨距离像目标识别方法 |
CN107977642B (zh) * | 2017-12-15 | 2021-10-22 | 南京航空航天大学 | 一种核自适应均值判别分析的高分辨距离像目标识别方法 |
CN108256436B (zh) * | 2017-12-25 | 2021-09-07 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN108256436A (zh) * | 2017-12-25 | 2018-07-06 | 上海交通大学 | 一种基于联合分类的雷达hrrp目标识别方法 |
CN109001702A (zh) * | 2018-06-04 | 2018-12-14 | 桂林电子科技大学 | 无载波超宽带雷达人体动作识别方法 |
CN112486186A (zh) * | 2020-12-14 | 2021-03-12 | 浙江嘉蓝海洋电子有限公司 | 一种基于贝叶斯多特征融合的无人水面艇自主航行方法 |
CN113065583A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN113065583B (zh) * | 2021-03-13 | 2023-11-14 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN113269675A (zh) * | 2021-05-18 | 2021-08-17 | 东北师范大学 | 基于深度学习模型的时变体数据时间超分辨率可视化方法 |
CN113269675B (zh) * | 2021-05-18 | 2022-05-13 | 东北师范大学 | 基于深度学习模型的时变体数据时间超分辨率可视化方法 |
CN113361472A (zh) * | 2021-07-01 | 2021-09-07 | 西安电子科技大学 | 基于ILFAcs模型的雷达HRRP目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105334504B (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN112446591B (zh) | 一种用于学生综合能力评价的零样本评价方法 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN113486938B (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
CN102142082B (zh) | 用于人脸识别的基于虚拟样本的核鉴别方法 | |
CN109255094B (zh) | 基于SVR_Adaboost改进算法的商用货车质量估计方法 | |
CN107219510B (zh) | 基于无限最大间隔线性判别投影模型的雷达目标识别方法 | |
CN106227718A (zh) | 基于cnn的陆空通话语义一致性校验方法 | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
CN105606914A (zh) | 一种基于iwo-elm的航空功率变换器故障诊断方法 | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN107239857A (zh) | 基于ls_svm和pca的架空输电线路风险评估方法 | |
CN105572572A (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN104778482A (zh) | 基于张量半监督标度切维数约减的高光谱图像分类方法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
CN104866871A (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
CN105913092A (zh) | 基于子空间学习的图正则高光谱图像波段选择方法 | |
El Fouki et al. | Multidimensional Approach Based on Deep Learning to Improve the Prediction Performance of DNN Models. | |
CN105005798A (zh) | 一种基于局部相似结构统计匹配的目标识别方法 | |
CN103745233A (zh) | 基于空间信息迁移的高光谱图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |